詳解AI公司三大類別，哪種商業(yè)模式將成為最后贏家？
在AI型公司的混戰(zhàn)中，我們已看到了數(shù)不勝數(shù)的公司相繼倒下。在剩下的AI巨頭和后起之秀中，m.sonanjido.com，哪類公司又能成為最終的贏家呢？
從ElementAI，Databricks到DigitalGenius，AI型公司鋪天蓋地席卷而來。各類公司分化出了不同的特性，也選擇了不同的戰(zhàn)略發(fā)展方向。
在他們中，我們能夠看到為客戶提供定制解決方案的數(shù)據(jù)科學(xué)咨詢公司，為AI解決方案提供底層基礎(chǔ)構(gòu)架的AI平臺公司，以及通過產(chǎn)品化解決方案解決某個特定商業(yè)問題的垂直整合AI公司。
在我看來，能夠突破這一三足鼎立的局面笑到最后的，應(yīng)當(dāng)是垂直整合AI公司。
為什么這么說呢？
首先讓我們從這三類公司的定位講起。
數(shù)據(jù)科學(xué)咨詢公司：產(chǎn)品化程度低
AI平臺公司：產(chǎn)品化程度高，解決方法針對用例數(shù)多
垂直整合AI公司：產(chǎn)品化程度高，解決方法針對用例數(shù)少
圖片縱軸：（下）定制；（上）產(chǎn)品化
圖片橫軸：（左）單個用例；（右）多個用例
圖片內(nèi)容：（左上）垂直整合AI公司；（右上）AI平臺公司；（下）數(shù)據(jù)科學(xué)咨詢公司
任何一類公司都有自己的優(yōu)勢和劣勢。任何一個類別中也都有最優(yōu)秀的公司。但是我認(rèn)為最成功的公司會集中在垂直整合AI公司中。讓我們一個個來分析看。
數(shù)據(jù)科學(xué)咨詢公司
數(shù)據(jù)科學(xué)咨詢公司的產(chǎn)品化程度較低。由于AI模型極其依賴于客戶提供的數(shù)據(jù)，這類公司的主要優(yōu)勢在于他們更容易交付給客戶更好的結(jié)果。這類公司的劣勢在于不能很快的規(guī)模化。如果公司期望迅速增長，他們應(yīng)該設(shè)法向其他類別的方向發(fā)展。
現(xiàn)在這類公司的數(shù)量越來越多。很多公司甚至并沒有意識到他們已陷入了這個類別直到他們發(fā)現(xiàn)公司規(guī)模化出現(xiàn)困難或者很難找到可以重復(fù)的用例。這些公司也許有獨一無二的技術(shù)，可以獲得很多客戶，甚至有別的公司愿意高價收購。但是，要想發(fā)展超出一定的規(guī)模，他們一定要成長，并且把解決方案產(chǎn)品化。AI解決方案產(chǎn)品化是極其困難的，有兩個主要原因。首先，如上文所述，很多AI產(chǎn)品極其依賴數(shù)據(jù)，而每個客戶提供的數(shù)據(jù)各不相同。更進(jìn)一步說，客戶的確切需求也有很大差別。
ElementAI是一家典型的數(shù)據(jù)科學(xué)咨詢公司，這家公司今年夏初拿到了高達(dá)1億200萬美元的A輪投資。但目前為止，這家公司還沒有一個具體的產(chǎn)品或者解決方法。他們的解決方法組合網(wǎng)頁列出了15條不用的用例；解決方法網(wǎng)頁介紹說他們構(gòu)建易于整合入現(xiàn)有流程的定制應(yīng)用程序。基于他們獲得的大量投資，ElementAI未來應(yīng)該會有所成長，并將他們的AI解決方案產(chǎn)品化。
產(chǎn)品化究竟是什么意思？如果一個解決方法可以多次安裝，過程中幾乎不需要定制，就可以說這個解決方法已經(jīng)產(chǎn)品化了。產(chǎn)品化可以讓公司收入增長速度遠(yuǎn)超成本增長速度。相反的，一個咨詢公司雇傭的員工數(shù)量與公司同期的業(yè)務(wù)數(shù)量是大致成正比的。
幸運的是，對于ElementAl和與其類似的公司而言，他們不需要做到完全產(chǎn)品化（即解決方案安裝時完全不用定制）。舉個例子，某AI公司決定要在產(chǎn)品化上投入工程師人力資源，KUKA機器人維修，目標(biāo)是解決方案每次安裝時定制成本降低80%。與達(dá)到完全產(chǎn)品化相比，完成80%的目標(biāo)可能只需要20%的人力資源。剩下20%的解決費用可以作為合理的一次性安裝費用轉(zhuǎn)嫁給客戶。因此，實現(xiàn)80%產(chǎn)品化的目標(biāo)或許足以達(dá)到產(chǎn)品規(guī)模化的目的。
圖表橫軸：工程師人力；總軸：產(chǎn)品化
產(chǎn)品化還有其他好處。產(chǎn)品化可以給其他新入行的公司設(shè)置障礙。在其他新公司努力解決規(guī)模化問題的時候，本公司可以更快的整合，技術(shù)團(tuán)隊也可以把工作重心投入到開發(fā)公司的核心知識產(chǎn)權(quán)上。
AI平臺公司
AI平臺公司提供底層基礎(chǔ)構(gòu)架，而具體的AI解決方案可以在上面運行。AI平臺允許終端客戶導(dǎo)入數(shù)據(jù)，清理和變換數(shù)據(jù)，訓(xùn)練模型和驗證模型。AI平臺公司的例子包括H2O.ai公司，Skytree公司，和（最近轉(zhuǎn)型的）Databricks公司。
這類公司有不少獨特的優(yōu)勢。首先，他們面向的市場巨大。任何企圖擴(kuò)充自己AI工具的公司都是他們的潛在客戶。除此之外，AI平臺公司產(chǎn)品化程度高，因為平臺僅僅基于底層運算構(gòu)架，操作系統(tǒng)，和支撐硬件。最后，他們有一個產(chǎn)品粘性優(yōu)勢，意思是一旦某個公司依賴這個平臺，該公司就很難離開這個平臺了。
但是，大多數(shù)AI平臺公司的生存空間也受到威脅：
開源AI項目數(shù)量和質(zhì)量增長
會使用這些開源項目的程序員數(shù)量增長
近年來，開源項目在質(zhì)量和可選性上取得了令人震驚的進(jìn)步。谷歌TensorFlow庫最初僅專注于深度學(xué)習(xí)，現(xiàn)在其覆蓋范圍已經(jīng)拓展到訓(xùn)練、測試和機器學(xué)習(xí)模型維護(hù)等領(lǐng)域，并獲得了廣泛認(rèn)可。TensorFlow一方面能夠輕松訓(xùn)練出好用的模型，另一方面還能夠憑借各種特性將模型應(yīng)用到生產(chǎn)環(huán)境中（比如TensorFlowServing）。此外，眾多其他公司和個人的貢獻(xiàn)也是開源環(huán)境發(fā)展的一大助力。雅虎旗下的一個開源項目就在ApacheSpark上運行TensorFlow。臉書此前已經(jīng)開放了其內(nèi)部AI平臺FBLearnerFlow的代碼，對開源機器學(xué)習(xí)庫Torch也貢獻(xiàn)良多。開發(fā)者DavidCournapeau于2007年創(chuàng)立的Scikit-learn也是大熱的AI庫之一，目前平臺貢獻(xiàn)者數(shù)量已超過900名。
越來越多的程序猿能夠得心應(yīng)手地使用這些開源工具。供給在需求的刺激下不斷攀升，而未來五年，數(shù)據(jù)科學(xué)相關(guān)崗位需求量預(yù)計將增長15%。此外，新一代數(shù)據(jù)科學(xué)家相比前輩分析人員也刷新了不少技能點：前者能夠熟練運用數(shù)據(jù)科學(xué)課程中涉及的標(biāo)準(zhǔn)化開源AI工具，而后者主要是通過SAS、Excel、Alteryx和MATLAB等封閉式平臺來學(xué)習(xí)數(shù)據(jù)操作和建模。
在上述兩大趨勢的推動下，大多數(shù)企業(yè)都會投向開源工具的懷抱，有些還會聘請咨詢顧問來協(xié)助工具的具體落實；而真正的AI平臺公司可以施展拳腳的余地也就所剩無幾了。
AI平臺公司的日子并不好過，市場上已經(jīng)出現(xiàn)了這方面的跡象。H2O.ai在2016年9月裁員10%，力圖從廣撒網(wǎng)式銷售模式轉(zhuǎn)型為針對少數(shù)精選客戶的深耕細(xì)作。公司有可能沿著產(chǎn)品化軸線深入發(fā)展，推出的解決方案在定制化色彩更加濃厚的同時也能為公司帶來更大的訂單（銷售團(tuán)隊規(guī)模也更小）。另一個比較常見的發(fā)展方向是專注某一個用例集，最終演變?yōu)榇怪盇I公司。
Databricks憑借其全球領(lǐng)先的ApacheSpark專業(yè)知識和人才，有可能打造出無與倫比的AI平臺。舉例來說，他們可能會專為推動AI而對Spark進(jìn)行重大改進(jìn)，而這正是其他公司很難復(fù)制的。在與開源解決方案難分伯仲的情況下，Databricks的競爭對手就會變成采用開源解決方案的內(nèi)部團(tuán)隊和其他公司（比如IBM的DataScienceExperience就推出了在Spark上運行的Jupyter筆記本電腦）。換個思路，Databricks也可能專攻垂直AI解決方案，并將之作為主要收入來源。
垂直AI公司