撰文| 宇多田
綜合了近期採訪過的創業公司，我們發現，在人工智慧創業圈裡，正在發生這樣一種變化：
• 一些公司從喜歡講「自己得了某某比賽的第一名」來凸顯自己技術能力的強勁，轉而開始傾向於「曬大訂單」來顯示自己真正沉入了產業
• 許多公司與投資人都曾強調要透過落地垂直場景，建立某種單點技術高壁壘的「從面到點」；但最近陸續有公司開始表示要做多維度技術，繼而將全面 AI 能力擴散至公司及產業的全生命週期的「從點到面」
這種變化，如果從行業客戶角度來看，也在暗示他們對人工智慧應用的態度有了微妙的改變，正在進入一個更深層次利用 AI 的階段。
中銀國際董事總經理王立新在接受我們採訪時已經證明了這一點：
「銀行近年已經依靠技術提升了不少綜合服務水平，但還不夠，我們希望 AI 的應用可以進一步幫助銀行更好地瞭解客戶。」
因此，對於此次國內四大行中的三大行（中國工商銀行、中國銀行、中國建設銀行及其所屬基金聯合戰略出資）宣佈注資 AI 公司第四正規化的原因，創始人兼 CEO 戴文淵在接受我們獨家採訪時解釋，這正是出於一種「行業實際需求的轉變」：
「如果說此前很多銀行都是『按需購買』各種垂類技術，那麼現在的趨勢就是，他們會在部署單個場景的 AI 能力過程中慢慢發現這種形式的不足，然後發現，從整體和根本上提升 AI 能力才是一個終極目標。」
從三大行給予我們的獨家反饋資訊來看，他們此次戰略投資是希望將第四正規化視為長遠發展的重要夥伴，「同時也期望透過一系列更加緊密的合作推動金融業的智慧化轉型」。
通常情況下，一家銀行如果需要人臉識別系統，往往尋找這種垂類技術的供應商，採買單個解決方案，解決某個場景中的具體需求。
換句話說，這類 AI 企業服務就是「我需要什麼，我去找一家公司給我提供什麼工具」。
戴文淵認為，這種單點技術公司解決問題的方式，對於甲方來說其實是一種「斷裂式的功能整合」。因為它在無法解決所有問題的同時，也無法讓 B 端使用者從內在主動產生智慧的風控能力。
「我們與垂類公司的區別可以這麼理解：他們都是在幫你聞東西、聽東西、看東西，那你自己還要不要嗅覺、聽覺和視覺？」
第四正規化創始人兼CEO戴文淵
第四正規化已經成立 3 年，所謂 3 年一個生死檻，從人工智慧尚未爆發前就一直在這裡面默默墾殖。
作為創立於中國早期的 AI 技術創業公司之一，他們能發展到現在著實不易。
然而從他們這些年對外釋放的資訊來看，我們更多地是瞭解這家公司的技術方向，面向開發者與企業的技術產品，卻很少清楚他們的具體商業化路徑。
按照官方較為抽象的說法是，其釋出的上一代「先知」系統，在完成全面升級後，定位已經從原有面向開發者的機器學習平臺，迭代為面向 B 端企業經營管理人員服務的一體化「企業 AI 核心系統」。
其實他們想做的事，通俗來理解非常簡單：
在 AI 時代讓公司執行的整套系統邏輯發生了徹底變化的前提下，他們想按照「機器學習」的邏輯，幫企業把一整套需要 AI 能力的系統搭建起來，讓企業自己產生 AI 能力。
「其實核心系統是一個企業的大腦，衣服不是核心，可以去買；但是大腦絕對不能借別人的，還是要靠自己。」
從某種程度來說，其做技術及服務的廣度和深度被驟然拉大了：
• 首先，這幾年時間搭建起來的 AI 核心系統平臺，讓公司收集和分析了大量資料，建立起若干種不同的演算法模型，掌握了豐富的資料分析方法。
• 同時，在 3 年內積累起來的還有人才規模從幾個人快速增長到 300 人左右，其中不乏非常資深的資料分析與演算法工程師，並且仍在高速增長。
• 有了相對成熟的平臺與人才，公司開始在平臺上利用各種已有的演算法模型給企業做「系統改造」。
那麼，這裡的“系統改造”究竟指的是什麼？
也就是說，在已有的資料與演算法基礎上，一方面，他們為企業搭建定製化的大腦系統，在這個核心系統上「再衍生出屬於自己的 100 個，甚至 1000 個 AI 應用」。
以廣發銀行為例，在第四正規化為其做核心系統的過程中，2017 年已經在基礎平臺上延伸出包括反欺詐、智慧客服等逾 10 個不同的應用。在 2018 年，這家銀行還將繼續在系統中增加更多智慧驅動型應用。
另一方面，他們也會邀請一些整體方案提供商到平臺上開發方案，因為對於一家核心系統公司來說，外圍需要很多解決方案來支撐。
譬如，一家智慧網點改造公司，也要藉助第四正規化的 AI 技術完成整套軟硬方案。這個時候，第四正規化更像是一個二級供應商角色。
「對於一個核心繫統公司來說，外圍需要很多解決方案來支撐，從營銷到分揀，到定價，反欺詐，再到手寫識別、智慧客服，這些都涵蓋在裡面。我們可以自己做，但同時也有很多整合式合作伙伴」戴文淵認為，為行業做全面 AI 升級，本質上需要解決的是生態問題，
「當然，生態不是指我們自己營造的生態，而是在做整體改造過程中，從最裡（核心系統）到外（方案）自發形成的由不同企業共同完成的產業鏈條。」
雖然說「生態」有點虛，但這種「生態」其實有個明顯的好處，就是不必讓銀行為「是否要把雞蛋放在一個籃子」而發愁。
當然，基本上對於像銀行這種「經營貨幣與風險」的特殊企業，完全把某項系統升級改造任務交給一家公司的情況也不可能出現。
就像大型車企一樣，連發動機這樣核心而特殊的零部件，都需要至少兩家供應商；那麼對於銀行來說，把訂單小心謹慎地分批次分輕重交給創業公司，就顯得再正常不過。
「我們都是從某個細小環節切入這個市場的，譬如反欺詐系統，再譬如智慧營銷，沒有一家大型銀行會一開始把一份相當重的任務交給公司。所幸我們 3 年時間熬過來了，也收到了銀行的『信任卡』，但是即便未來做全面升級，也是循序漸進的。」
第四正規化辦公室
這種受行業特殊性影響的商業化思路，也讓我們想到了另外一家在最近剛剛宣佈融資的創業公司愛筆智慧。
這家由林元慶創立的公司也表示將以「行業整體改造者」的角色切入零售業。
雖然兩家公司的最終目標大致相同，都是率先為行業內標杆企業做整體改造，但由於行業不同，因此他們面臨的難點也有一定的差異。
• 在資料雖然規整但風險較高的金融行業，要想深入銀行後臺系統進行 AI 升級，建立信任是一個必然的優先順序事項；
• 而零售產業基於盈利性質與公司大小規模不同，雖然資料較為分散，且店面設計、供應鏈與貨運鏈等疊加的場景較為複雜，但對創業公司的接受度相對更高一些。
因此，在金融行業的技術供應商之爭中，也無怪乎戴文淵把「資歷」放在首位，同時也把「信任問題」視為拿下銀行客戶最大的挑戰：
「我們幾個創始人，在業界都有一定的影響力，但是對於銀行等金融客戶，這些幾乎可以忽略。
在創業初期，你跟客戶之間沒有所謂的 credit，所有選擇你的公司都是要承擔很大風險的，不管你這波人再靠譜，承諾地再好，但是你這家有限責任公司半年倒閉了，你只負『有限責任』，那些合同就不做數了。」
他認為，很多傳統大型企業願意與 IBM 等科技巨頭進行合作的原因也正在於此，因為這些公司不會輕易死掉；當然，也不會輕易轉型：
「另一種讓金融客戶措手不及的情況也蠻常見的，就是一家創業公司在早期會頻繁更換主體業務。譬如我們見過一家公司一開始是做企業服務的，做了半年發現根本搞不定，就搖身一變去做金融放貸了，最後成了自己客戶的競爭對手。」
就像一個人的信用卡額度是隨著時間推移逐漸累積起來的一樣，創業公司也是隨著存活時間的長度與業界口碑一步一步建立起自己的「信任壁壘」，而這正是 2B 創業公司普遍面對的一個殘酷事實。
「現在有不少公司出來跟第四正規化講一樣的故事，但是他們『信用卡的額度』比第四正規化的要小太多，我們需要察覺，但是不必有太多顧慮。」
第四正規化辦公區
也許在這一紙融資合同中，人才也是一個關鍵籌碼。
當下，「人才匱乏」幾乎在 AI 圈成了一項「常識」。對於這種境況，有公司選擇加大招聘力度；有公司選擇與大學搞好關係，建立大學生直輸通道；也有公司選擇「反其道而行之」，「兼職」做教育，自己培養 AI 人才。
第四正規化屬於第三種。
他們做了一個叫做「正規化大學」的專案，陸續招募了一些行業從業人員。
透過正規化大學裡科學家的培訓，這些學員在幾天時間裡快速學習一些人工智慧方面的基礎知識後，甚至可以利用先知平臺等便利工具，做出一些馬上就能上線上生產的模型。
「這是一個從 0 到 1 的過程。可能我原來做一個模型要花兩個月，但是我用先知平臺，經過 4 天的課程就能做出來了。」
這種教學採用「導師制度」，由一位資料專家帶幾個學生，無論是在課程進行中，還是「畢業」後，前者都會對後者進行持續指導。
此外，學員有機會在正規化大學畢業後，透過持續學習，逐漸成長為 AI 領域的高階人才。
有意思的是，這種培訓過程還在「評分機制」基礎上建立了「香火傳承製度」。
舉個例子，當學生持續學習的分數達到 80 分以上，他們就可以出師了——成為新導師，繼續培養學生。
戴文淵解釋，在很多時候，由於技術的更迭速度較快，且應用到產業中的難度並沒有想象中高，因此「正規化大學」在演算法工程師匱乏的當下不失為一種實用的人才培養方式。
「現在我們團隊裡有一部分是正規化大學培養出來的人，他們完全有能力對 B 端客戶的某些專案做一些資料支援工作。」
這就回到了剛才提到的「人才籌碼」上。
雖然第四正規化沒有明確告訴我們，自己得到三大行的青睞是否有人才培訓機制的加持，但戴文淵明確表示，正規化大學中會陸續接納更多來自銀行的業務專家，透過短期學習建模最基本的東西，做出自己想要的模型。
也就是說，銀行的 AI 人才培養計劃也有第四正規化的參與。
「銀行也分業務和技術部，很多業務專家沒有較深的人工智慧背景，但他們其實也希望用機器學習的方式去服務自己的客戶。
對於那些技術人員，他們在建模過程會遇到一些難點，而先知平臺會提供一些簡單的模組化操作，化繁為簡。」
在收費機制方面，雖然公司不願透露更多，但承認，根據專案的不同，免費與收費課程將會並存。
「這個也算是解決了我們自己的問題吧。你看外面坐著的那一片人，都是正規化大學培訓出來的資料分析工程師，」在接受採訪當天，第四正規化市場部曾帶我們參觀了這家技術創業公司頗具矽谷隨性氣質的辦公區域：
在 1 年多的時間裡，規模已經從 60 多人，迅速擴大至現在的接近 300 人，其中，產品團隊佔據著不小的份量。
可以理解的是，既然要從一家標杆企業入手做深做透整個行業，吞食人才的胃口必然會比單點技術公司大幾倍，而「自產自用」不失為一種不錯的形式。
因此，究竟「做面」好，還是「做點」好，戴文淵並沒有直接回答。而是表示，垂類公司能做的，系統裡承載的能力都可以覆蓋：
「我們也可以做影像識別、也可以做語音語義，也可以做客服機器人，這對我們來說非常簡單，這些都是 AI 系統的一部分，很快就能部署。」
「要記住，沒有一家公司不想自己做這些東西。」
第四正規化想做的事，讓我們想起了著名對沖基金經理人 Bradford Cross 在 2017年初做的那個預測：
低層且基於單一任務的人工智慧可以很快被商品化，但是這就意味著你並未解決足夠高階的全棧式問題。這樣，你就會陷入低階人工智慧服務的商品世界，最終的結果可能是慢性死亡。
而這裡的「全棧」，究竟指的是什麼呢？