前段時間，我與某 AI 創業公司聯合創始人S君聊天，他給我講了一個聽起來很肉疼的真實故事。

S君所在的公司主攻深度學習技術，他們和某銀行客戶合作一個零售客戶成交預測項目。

洽談初期，銀行方面告訴他們：自身已積累了上千萬客戶歷史行為的多維度的清潔 數據 ，包括全方位客戶畫像、行內交易流水、行外采購數據等。

接下來，S君團隊一邊著手設計方案，一邊進行數據對接。設計方案這條線進行得有條不紊；但數據對接方面卻一再卡殼。

經過層層關卡，在項目開始一個半月后，S君的團隊終于拿到銀行口中“上千萬且多維度的清潔數據”，結果卻令人崩潰——“千萬用戶”中，大部分用戶數據嚴重不符合要求，滿足“多維度清潔數據”條件的只有數千人。

已經開始一個半月的原方案幾乎打水漂。

團隊傻眼，客戶攤手，只得從頭來過。

“不是傻天真地去相信。客戶說有，如果你不信那就別做了唄。”我問S君是不是傻，他不屑又無奈。

“這是由多方面原因造成的：其一，銀行數據保密度高，需要層層審批；其二，體制內工作效率低下；其三，銀行不同部門之間的數據隔離會阻礙數據調用。往更深層次說，這會牽扯到銀行內部領導的政治關系。”S君說，這些因素均不可控，但這就是現實。

對于一個像S君所在的才二十來號人的小規模創業公司來說，這無疑是人力、時間成本的慘重損失：幾十個日夜的心血付諸東流，難免會挫傷團隊積極性；而再進一步，這每日每夜燒的都是投資人的錢和耐心，還有創業公司的剩余壽命。

可這樣的故事，每天都在上演。

困于“外包”

S君的故事于我，就像看了一張撕倒刺的圖片——深深地肉疼。 而對于身處于AI行業的一線從業者來講，每個故事背后都是“肉包子打狗”式的時間、心血以及熱情。

一個做深度學習產品經理的老友告訴我：他們公司有40%的項目都無疾而終；另一個原阿里云的朋友則表示：阿里云很多項目做了3、4個月以后，才發現這并不是靠機器學習能解決的問題，“無疾而終率”高達50%。

還處于baby階段的AI創業公司雖集萬千資本寵愛于一身，但高高在上的“無疾而終率”不得不讓人懷疑這個市場的健康性。投資者的錢是否能夠“燒得其所”？

帶著這個問題尋找答案，一圈采訪下來，我的結論是：

目前絕大部分to B的AI初創公司的商業模式本質是“ 外包 ”，而實際性價比卻遠不如一般行業的外包。

這個觀點也許不討喜，甚至得罪人。“外包”二字在技術圈的地位向來偏低，因為從傳統概念上來講，外包屬于勞動密集型工種，在知乎關于“外包”的問題下，甚至有一部分網友明確表示“看不起干外包的”。

然而，縱觀to B的AI企業現狀，除安防領域以外，幾乎沒有公司能將技術以規模化、產品化的方式輸出。比較大部分to B的AI初創公司業務模式和一般行業的外包者，相似性擺在眼前：

從工作流程上來看，兩者共同點在于——第一步，溝通需求和可行性；第二步，工作量評估、報價、進度安排；第三步，簽署項目合同；第四步，設計、研發、測試、上線；第五步，交付相關文檔與源碼，技術輸出；第六步，提供維護、迭代等服務。

從合作方式及定價上來看，兩者共同點在于——case by case；沒有一套適用于所有客戶的標準化定價指標；客單利潤偏低；定價分歧時有發生。

從公司結構、商業模式上來看，兩者共同點在于——想掙得多只能多接活兒，多接活兒只能多招人，技術被需求牽著鼻子走。

從發展空間上來看，兩者共同點在于——只能N倍增長，無法實現N方增長，想象力和發展空間均被局限。

但為何說AI行業實際性價比還遠不如一般行業的外包？

第一，外包的前提，是時間和成本的可預估。但就目前大多AI公司實際業務情況來看：時間、成本均不可預估，項目進行兩三個月后才發現“此路不通”的情況比比皆是。

其二，人力成本是決定外包公司存活質量的重要因素。而AI行業中，成本高昂的人才爭奪戰從未停止，用外包收入去養天價人才，其邏輯不攻自破，后果難以估量。

由此，AI與一般行業的外包相比，共性之余，相形見絀。

行業困于外包模式，直接導致造血能力低下、已有技術無法輸出、技術研發得不到支持。如果說外包只是AI生存的第一階段，如今，投資人看指標的時節正在步步逼近——正如非洲大草原旱季來臨之時，只有生命力最頑強的動物得以幸存。

原因何在？

目前AI困于外包模式，究其原因，可分為客觀規律、內因、外因三方面。

首先，客觀規律：

馭勢科技聯合創始人兼項目部負責人彭進展告訴我，每個新技術問世所帶來的產業發展都將經歷“遞進三階段”： 第一階段是技術驅動，發現技術，持續鉆研，早期主要以科學家、工程師、研發人員帶動；第二階段是應用驅動，技術得到認可后，通過產品化逐步落地，并應用于不同的垂直領域中，此階段由開發工程師主要推動；第三階段是商業模式驅動，此時，產品、技術和應用已進入成熟期，有效的商業模式創新能帶來爆發式增長。

與三個階段所對應的還有三個驗證關卡：技術驗證、產品驗證、量產驗證——目前的AI行業卡在了第二階段。

其次，內因：

AI技術具有典型的“落地口徑窄，需求不穩定”特征，這使得其行業商業化探索階段會更加漫長。圖靈 機器人 人才戰略官黃釗在他知名的200多頁PPT《 人工智能 產品經理的新起點》中闡述到：AI時代有兩大重要特質——高維+突變。他告訴我：“正是由于這兩大特質，AI領域需求的特點是：機會多、難度大、變化又快又大。”

最后，外因：

在目前AI行業中，客戶的期望控制與管理是難以繞開的大坑。

客戶期望由三方面所影響：對AI技術的認知、對自身條件的認知、對自身需求的認知。然而不幸的是，就目前市場現狀來看，大部分客戶三方面的認知都不健全。

最常見的情況是，代表客戶和AI公司對接的工作人員由于以上三方面認知不健全，提供錯誤信息，直接導致方案在設計環節中出現偏差，嚴重降低工作效率。

王漢洋生于1994年，是泛化智能的CEO。在這個坑上，他很有發言權。

他本科就讀于加拿大滑鐵盧大學數學專業，主修計算機。剛念完大二，他便選擇休學，回國創業。其公司專注于機器學習與計算機視覺，并在電力、機場、無人機控制等方向完成行業頗有競爭力的技術積累。

因為泛化智能的客戶大多來自體制內的傳統行業，所以對此感受深刻。“我目前沒碰到任何一個客戶清楚理解深度學習是什么，關于機器學習都是聽羅振宇講的。”

為此他們專門制作了一套“文風指南”，作用是在見客戶的時候幫助他們正確的理解AI，消除認知偏差。“第一條，不要寫任何術語。比如‘子集’，很多客戶不知道什么是子集，你應該說它包括了什么東西。”

除了客戶認知問題外，數據也是外因中至關重要的點。前不久，吳恩達在舊金山發表名為“AI Is the new electricity”的主題演講，反復強調數據對于AI的重要性。他認為，普及數據統一存儲是AI技術大規模使用的前提。

客戶有沒有數據、給不給數據、數據是否有效——將直接影響到項目或產品的效率提升。

從何突圍？

致力于打造通用型人工智能平臺的第四范式互聯網業務負責人周開拓這樣認為：“縱橫兩條線一起推進。一方面，開發低耦合、通用型的產品，解決基礎需求；另一方面，選定特定的垂直行業深扎，積累了足夠深刻的認識和經驗后，會發現問題變得越來越簡單，方向也逐漸清晰起來，也能與競爭對手拉開距離。”

但至于縱、橫兩方面該如何平衡、哪些行業值得深扎，則需要根據不同企業自身的條件和戰略去考量。

泛化智能王漢洋的思路則更為特別。

“我們現在就是外包模式。遇到聊得不錯的投資人我會直接跟他這樣講，他要不認同這事兒，他就是不客觀。”王漢洋認為，目前市場現狀就是這樣，擺正“外包心態”來做事是脫離外包模式的前提。

他認為，外包本身是一件非常有價值的事情——其一，用新技術幫用戶解決問題是對技術的認可；其二，外包是掙錢的，“能讓AI行業避免沾上共享經濟那種荒誕燒錢的屬性”；其三，外包模式下，協調多變的需求、維護客戶關系這種臟活累活，正好讓現在AI行業高談闊論卻不愿意踏踏實實做實事的風氣有所改觀。

王漢洋向我介紹了其公司目前的業務情況：“像電網這樣的大行業客戶初期客單價很低，一單在十幾萬元左右；如果是一次性合作的小公司，一單則從幾十萬到上百萬不等。”

王漢洋的公司目前只有十來人，成本不高，但能同時接四個項目。“每個月只要有一單我就能盈虧平衡了，再多一單我就掙了。”公司大部分客戶前期溝通時間長，而實際服務周期不到一個月，但也不乏有長達三四個月的大單子。“大單子不一樣，基本來自于‘大行業、真需求’，一邊賺錢一邊學習實踐，非常值！”

王漢洋感到的“值”和線性資本創始合伙人王淮的看法不謀而合。王淮認為，面對“真客戶”，賺不賺錢不是最重要的。

“舉個例子，假如你是一家做Fintech的公司，你和‘宇宙第一大行’工商銀行合作，并且拿到他們核心的放貸業務，那這個客戶就是‘真客戶’。”王淮說，如果有這種經歷，就像是把新兵放到真實戰場中去操練一樣，出來之后不管是能力、眼界還是信用度都會得到極大的提升，“哪怕賠錢也一定要做的！”

至于具體該如何脫離外包模式，王漢洋也沒有十足把握。“得深入到產業中去，先做，做得多了才有機會突破。這個探索的過程就像是尋找樹葉上的脈絡一樣，找到這些脈絡，才能勾勒出產品的形態。”

“我用Siri好多年，到現在還經常被人當傻子。但我是做AI的，要我自己都不相信它，我為啥還做這行？當年智能手機剛出時，大家還覺得拿手機上網奇怪呢。”王漢洋覺得無論是Siri還是自己的“外包公司”，隨著技術的發展和自身努力，都會變得越來越好。

“不是我精神分裂了，而是我不希望AI一直都這么像外包，或者滿足于這個現狀。”王漢洋說，主動去感知這些痛，是因為不想粉飾太平，而他相信，這些痛終將成為過程。

始于外包，終于何？

“假如把AI創業公司的競爭看做足球世界杯，現在是小組預選賽剛開始，大部分公司在讓世人知道之前就會死掉。” 明勢資本合伙人黃明明說。

“馬太效應”、“二八定律”幾乎作用于所有和人相關的領域，“到投資人看指標時，死一大片公司是很正常的事情。”王淮和黃明明持同樣的觀點。

對于“外包”，王淮話語犀利： “是不是外包模式是一回事，心里承不承認又是另一回事。就好像以前的gcd地下黨一樣，雖然你身在gmd陣營，但你內心要清楚自己的目標和陣營。要是心里面就承認了自己就是gmd，那就沒得玩了。”他說，人內心的力量是很強大的，強大到足以影響到自身的行為，但承認并不是改變的必要前提。

對于經常把“這個業務不賺錢，我們要生存下去”掛在嘴邊的公司，王淮基本不會再深入了解，“這樣的團隊其實內心已經屈服了，讓他們安心的做一個外包公司不挺好？”

既然“拿著錘子找釘子”是目前AI商業化落地進程中最大的邏輯問題，王淮相信，根據各家自身的不同特點，將手中“錘子”的能力最大化，才是提高生存概率的解決之道。

作為曾經的Facebook最早的技術人員，王淮對此有深刻的思考。他認為，最終只有三種商業模式的AI公司能夠發展壯大，成為行業頭部公司：

其一，“工具箱化”。在向客戶提供“錘子”的同時，還要配套提供“鉗子”、“鋸子”、“螺絲刀”。例如，Stanley Black&Decker是美國一家生產并銷售工業工具及安全方案的公司，如今市值已經超過200億美金。這是一種偏傳統的思路，比得是“比同行活得更久”，對團隊的技術能力要求非常高，也是最難成功的一種。

其二，“自成一體化”。和“工具箱化”不同，“自成一體化”需把提供“錘子”的能力服務于客戶的思路轉變為，將自身“錘子”的技術用于打磨自身業務，而不是向外界輸出。相當于自己開一家“五金店”，典型的成功案例如“快手”“今日頭條”。

其三，“經驗共享化”。將自身變為一個“工程隊”，在運用“錘子”技術解決客戶問題的同時積累更多的“技能點”。典型例子是AI反欺詐領域公司同盾科技，他們早期向客戶提供征信黑名單的前提，需要客戶把自己的黑名單給到他們，這種形式的優點在于提供技術的同時構建起自身網絡化、共享化的能力。

科幻小說巨匠阿西莫夫提出過一個理論：電梯效應。大意是講，如果給一個1850年的科幻作家看二十世紀曼哈頓摩天大樓的照片，當他看到一幢幢超過20層甚至100層的建筑物會怎么想？

也許你用最大的想象力卻只能得出這樣的結論：因為“上下樓”很難，所以每個樓都會發展出獨立的經濟體系；摩天大樓里也會有文明人生活的必須設施，比如餐廳，理發廳，健身房等；因為大多數人不會爬太多層，所以這些設施過幾層就會循環出現；底層因為出來容易，房價要比頂層高……作家越想越細，越來越多——但當“電梯”出現時，這些假設全部變得毫無意義。

縱觀過去幾十年計算機歷史，蘋果、英特爾、微軟、谷歌……所有偉大或者曾經偉大過的技術公司都因創造出了能服務于整個社會的產品。做外包不是不行，但畢竟歷史上沒有人因外包而偉大。而古往今來，真正的革命性技術會從底層來重塑人與人，人與社會的關系。

正如王漢洋告訴我們的：如果我們沒有比前人更宏大的追求，那我們又有什么理由過的比前人更好呢？

如果AI行業止步于外包，便浪費了一個技術變得更偉大的機會。