技術只是起步的基礎，商業模式才是王道。
在科技與商業相互交織的歷史中，我們經常會看到一些技術大咖親自上陣，擔任企業CEO的例子，從蘋果的喬布斯，到Mdjourney的David Holz，再到OpenAI的Sam Altman，都是如此。
這些心懷理想，又天馬行空的技術狂人，時常能用自己過人的創造力，爲企業帶來巨大的成就。
然而，令人唏噓的是，並非所有狂熱的技術理想，最後都能造就行業佳話。
一旦這些偏執的技術追求，不慎決策錯誤，曾經傲人的天才，也難免會落入狼狽的境地。
而第四範式的CEO戴文淵，就是這樣一個例子。
說起今天的第四範式，業內除了嘆息，還是嘆息。
4年虧損近50億，三次IPO失敗……
很多人不明白，這個有着紅杉、騰訊、創新工廠等衆多明星資本站台，且技術實力雄厚的行業獨角獸，爲何會陷入今天的困境。
其實，第四範式的命運，從CEO戴文淵決定專攻決策類AI的那一刻，就已經決定了。
01 選擇的路徑
在AI技術路徑的難易度上，決策類AI的研發難度，要遠超較爲普遍的認知類AI。
這是因爲決策類AI需要解決的問題更加復雜和動態，涉及到更多的邏輯推理、策略選擇、效果評估等環節，而不是簡單地識別、理解或生成數據。
既然如此，那第四範式爲什么偏要選擇這條崎嶇的“險路”呢？這恐怕和戴文淵不凡的經歷有關。
身爲科學天才的戴文淵，不僅曾獲得過ACM國際大學生程序設計競賽世界冠軍，而且還有幸認識了華人界首位國際AI協會院士楊強，並成爲了其學生。
2015年，戴文淵創立了第四範式，开始了AI領域設計應用的探索。
一开始，雄心勃勃的戴文淵想一步到位，給所有的AI公司設計一個集成工具。
具體來說，第四範式在2015年推出了一個名爲“AI Studio”的產品，旨在爲AI开發者提供一個在线的集成开發環境（IDE）。
這個產品並沒有得到市場的認可和響應。
一方面，當時的AI开發者還不夠多，對於這樣一個高級的工具產品，並沒有太大的需求。另一方面，第四範式也沒有足夠的資源和能力來維護和更新這個產品。
經過了一年的運營，AI Studio項目最終不了了之。
在這次挫敗之後，心有不甘的戴文淵，在自己之前研究成果的基礎上，帶領團隊做出了一個號稱是劃時代的學習系統——先知。
之所以號稱“劃時代”，是因爲它通過大規模分布式機器學習框架GDBT，讓深度學習變得像玩樂高一樣簡單，只要拼接數據和算法，就可以輕松構建和部署高性能的AI應用。
產品做出來之後，一個重要的問題，就是尋找可落地的場景。
經過一番摸索之後，戴文淵決定選擇決策類AI這個賽道，因爲在當時，決策類AI還是垂直細分市的一片藍海。
在AI1.0時代，許多大型企業，由於面臨着復雜的業務環境、多元的業務模式，都亟需一種管理決策平台，來提升管理效率，幫助自身實現數字化轉型。
例如，制造業需要對生產流程進行分析、優化；各大零售商也需要智能化的手段，預測銷量制定精准營銷策略。
戴文淵當時的團隊，在AutoML、遷移學習、強化學習、大規模分布式優化等方面都有着領先的技術優勢，曾獲得過數百項專利。
這些積累，正好與決策類AI的技術路徑不謀而合。
雖然這是條競爭較少，卻難度較高的賽道，但憑借過人的技術實力，在短短幾年內，第四範式就發展出了幾十個大型客戶。甚至包括了中石油、中石化、五大行等大型國有企業。
其在2020年推出的SageOne軟件定義一體化解決方案，更是打破了傳統機器學習的維度限制，同時可以支持萬億維特徵處理，讓決策類AI能夠處理更復雜、更高維的數據。
然而，短暫的風光之後，各種問題卻一一顯現。
02 定制化之累
誠然，背靠大客戶可以讓第四範式擁有更高的客單價，在較少數量但更爲穩定的客戶中實現更大的收入。
但在另一方面，決策類AI“非通用”的特點，也造成了其一步步邁向虧損深淵的命運。
具體來說，決策類AI的特性，決定了其需與企業的具體業務、場景深度綁定，因爲不同的決策問題往往有不同的目標、約束、數據、環境等。
舉例來說，假設一家物流公司，想對自身的總行駛距離和總成本進行優化，那它就必須考慮到自身配送中心的數量、以及自身貨車的車型、以及不同客戶的優先級等等。
這些非標准、差異巨大的需求，導致了決策類AI很難用一個通用的平台，找到對所有問題一刀切的解決策略。
這就造成了第四範式需要不斷針對不同的客戶，進行定制化項目的研發，進而使其研發成本變得愈發高昂。
2019-2022年上半年，第四範式研發支出之中的技術服務費佔比分別爲30.7%、51.2%、67.3%與74.3%，佔比持續增加。
更令人頭疼的是，每一次高昂的定制化研發成果，卻很難復用在未來的其他項目或產品上，這就造成了其研發成本無法在業務上進行攤薄。
除了定制化的研發成本之外，困難的落地化過程，也在某種程度上阻礙了第四範式盈利水平的增長。
因爲第四範式提供的決策類AI平台，實際上是一種底層的技術能力，而不是單點的解決方案。客戶很難直接使用，還需要根據具體業務場景和數據特點，進行定制化的开發和部署。
這就意味着，客戶還需要額外花錢找技術公司來幫忙落地。
如第四範式的Sage HyperCycle自動決策類機器學習平台，Sage AIOS企業級AI操作系統，都不是一種現成的AI產品，而是一種可以根據客戶需求進行定制和適配的AI平台。
在具體的部署過程中，用戶不僅需要了解這些平台上，諸如深度學習、強化學習等多種算法的理論，還需要具備一定的數據處理和特徵工程的技能，來對自身數據進行進行清洗、預處理和特徵選擇等操作。
如果沒有相應的專業能力，只會讓人直呼頭大。
如果將AI技術落地化的過程，比喻成买車，那么百度、騰訊、阿裏等巨頭的做法，要么是直接造好一輛車，讓客戶根據不同的需求進行選擇（如騰訊的大模型商店）；
要么是提供簡便易用的造車平台（如百度飛漿），讓用戶按照自己的想法造車；
而第四範式的提供的，僅僅是一個定制化的汽車的“引擎”。
用戶還需要根據自己的用途和場景，去設計和制造車身、底盤、輪胎、剎車等。這些工作不僅需要花費很多時間和精力，還需要有專業的技術知識和經驗。
而所有這一切，都無形中增加了企業的使用成本，和產品的落地化難度。
03 正確的“錯路”
除了高昂的研發成本、困難的落地過程之外，以大客戶爲主的業務模式，也造成了第四範式盈利方式上的“不靈活”。
根據IDC的統計數據，使用AI進行決策支持的企業中，有超過60%是大型企業，（年收入超過10億美元）。
這是因爲，大企業的業務，往往會涉及更多的數據、變量、場景、目標等，需要更高的決策效率和質量。
從這點上來看，第四範式選擇以大企業、大客戶爲主要服務對象，也是件情理之中的事。
可問題是，這些大客戶的需求更加復雜和多樣，且與之建立信任的周期很長，在售前環節，1-2年打入供應商體系是常態；售中環節，打標競標流程漫長，半年是常態；
因此第四範式需要投入更多的人力和資源來進行溝通、維護等工作。這就造成了其“營銷費”的逐年走高。也就是業內所說的獲客成本過高。
2019-2021年，第四範式在營銷上的开支，在總收入的佔比達29.56%、26.32%、22.54%。
其次，由於大企業在回款方面，往往有着復雜的手續，與繁瑣的流程，導致第四範式的應收账款周轉率低，資金回流緩慢。
從账期看，2021年第四範式有52.3%的款账期小於3個月，有28%的款账期在3-6個月，有15.5%的款账期在6個月—1年。
這樣的情況，也使得第四範式的營收能力受到了限制，難以實現規模化增長。
面對上述的各種窘境，第四範式不是沒有嘗試過改變，例如其也嘗試過在給大客戶定制的功能中，集合成一些通用的模塊，並導入自家的“先知”系統。
但這樣的“通用”模塊，只是一些較爲表層的數據處理、模型訓練模塊，在面對不同類型的任務、場景時，仍然難以擺脫定制化的調整和研發。
用一個比喻來說，第四範式的定制化研發，就像是爲每個客戶量身定做一套衣服。通用模塊，就像是一些基本的布料、紐扣、拉鏈等材料，可以在不同的衣服中復用。
然而，每個客戶的身材、喜好、場合等都可能不同，所以即使有了通用模塊，也需要根據客戶的需求進行二次的設計和裁剪，才能做出合適的衣服。
縱觀第四範式的決策類AI之路，我們可以發現，第四範式確實是走了一條正確的“錯路”。
因爲技術的擴張與傳播，與生物體的繁衍一樣，只有具備與更多環境的兼容性，才能使自身得到最大限度的延續和傳承。
這樣的例子，在科技發展過程中屢見不鮮。
20世紀80年代，蘋果用一款名爲Macintosh的個人電腦，打敗了IBM體積龐大、價格昂貴的計算機。
通過圖形用戶界面和鼠標輸入設備，計算機變成了任何普通人都能使用的工具，而非只有專業的程序員才能操作的機器。
同樣地，在GPU領域的競爭中，英偉達之所以會成爲當今AI領域的“基建之王”，也是由於其提供了豐富的GPU軟件平台和工具，如CUDA、TensorRT、NVIDIA AI Enterprise等，幫助开發者和企業快速構建和部署AI應用。
如果說，第四範式在自身的發展過程中，真的做錯了什么，那就錯在其違背了這樣一種普適化、泛用化的技術演化路徑。
其研發的“先知”系統，難以找到將所有行業通用化、平台化的能力和工具，
而倘若不能通用化的系統取代定制化的服務，其臃腫的研發團隊，高昂的研發經費，就必須一直維持下去，未來第四範式盈利的路途，也很難看到曙光。
原文標題 : 選擇比努力重要，在AI行業更加明顯
標題：選擇比努力重要，在AI行業更加明顯
地址：https://www.utechfun.com/post/231414.html