理想照进现实：AI独角兽们没有收益

节流，是不可能的
从2010年成立以来，DeepMind就一直在烧钱，若不是财大气粗的谷歌在2013年以6亿美元的天价收购，DeepMind大概早已不复存在。

谷歌对于DeepMind充满了期待和耐心，尽管连年亏损，谷歌还是为DeepMind报销各种开支费用，并提供非常可观的研究资金。另一家明星AI公司Open AI也抱着金主爸爸的大腿，2015年由马斯克等硅谷企业家成立，虽然该公司的研究成果对外开放授权，却依然在2017年就获得了10亿美元的融资。

2019年，马斯克退出Open AI，公司终于放弃了“预防人工智能可能造成的灾难性后果”这一经营理念，宣布从非营利组织转变为公司，随即在当年7月获得了微软提供的10亿美元融资。但如果没有外部资本的支持，Open AI依然无法面对自身的巨大开销。

加拿大的Element AI享有和前两者同样的声誉，它于2016年创立，发起人是图灵奖得主Yoshua Bengio，Element AI背靠着全球最大深度学习社区，想要打造类似于IBM那样的智能咨询公司，估值一度达到10亿美元。

但在2019年，该公司却被美国云计算公司ServiceNow低价收购，按照该公司2.57亿美元的融资总额计算，2.3亿美元的收购价完全是一种耻辱。

没有商业收入是它叫好不叫座的原因，Element AI的年收入只有约800万美元，在被收购前被曝出资金链断裂，大量员工被解雇的消息。

最贵的人和最贵的设备
人工智能公司的开销巨大，主要集中在人员和设备两个方面。

虽然硅谷有众多的软件工程师，但AI作为一个新兴的产业，专业性的教育资源和人才依然紧缺，招聘这些人才的薪资标准远远超过普通软件工程师。根据DeepMind的财报，该公司2019年的人员成本增长了18%，达到近40亿人民币。

Element AI在顶峰时拥有超过500名员工，其中不乏各路专业于深度学习的高阶人才，这对于手持2.6亿美元现金却收入甚少的公司来说，如果没有外部资本持续注入，就会陷入无底洞。

除了人员成本外，另一个烧钱大户是设备，深度学习建立在对海量数据的分析和处理上，对计算机资源的需求极高。这就需要购买大量的专业CPU和GPU，比如微软为Open AI打造的用于训练的计算机，花费上亿美元。

起初AlphaGo的硬件平台采用了传统芯片：48颗CPU和8块GPU，AlphaGo的分布式版本则利用了更多的芯片，40个搜索线程运行在1202颗CPU和176颗GPU上。

后来谷歌研发了专门的TPU，处理速度要比GPU和CPU快15-30倍（对比的是英特尔Haswell CPU以及Nvidia Tesla K80 GPU），而在能效上，TPU更是提升了30到80倍。

谷歌花重金构建了TPU服务器，几乎免费把算力提供给Open AI，而后者单个模型的一天开销就达到33万人民币。

无论这些公司的技术如何惊艳，都无法规避它们依然缺乏实际大规模商业应用场景的窘境。其中一个很重要的原因是，很多AI算法都是针对某一特定的限制场景进行开发的，比如在围棋和dota中，都有特定的限制环境，而现实环境可能要更加复杂，不确定因素更多，这些算法不像自动驾驶系统，没有针对非游戏场景进行泛化训练，也没有很多数据可以拿来学习。

目前，这类AI公司把主要商业目标定在了医疗领域，比如AI判断肿瘤等疾病，但由于涉及到审核、资质和传统利益错节的医疗体系，这类应用依然没能实现大范围的推广。

用爱发电，保持耐心

在经济学人最近的一项调查中发现，北美AI技术的下沉点主要集中于生命科学、零售、制造和金融服务领域。 其中，约1/3的公司处于探索（exploratory）阶段，1/3正在进行一到两个项目试点（experimental），只有1/10的企业在有限领域中真正达成了商业合作（apply），广泛部署（deloy）企业仅2.5%。

和自动驾驶不同，这类公司的技术普遍更集中于To B领域，比如商业合同审查、网络安全服务、效率管控系统等等，本身的体量和盘子就不大，所以往往在收入上的表现会显得不尽理想。

无论如何，AI还是保持了巨大的商业潜力，比如基于计算机视觉的自动驾驶，和基于自然语言处理的智能音箱，已经构建了一个巨大的新市场。

而DeepMind、Open AI等公司，所探求的是更深度的人工智能技术，它们的技术启迪了现在应用型AI技术的发展，未来的新技术还会催生出新的商业模式。

大公司愿意花重金布局未来，比如谷歌和微软，百度也将每年15%的营收用于AI研发，累计投入已近千亿元。李彦宏说的没错，对人工智能要“长期坚持、坚定信仰”。由于人才和设备两方面的压力，研究性AI公司注定了要背靠大树的发展路径，与未来巨大的收益比起来，眼下燃烧的经费其实微不足道。