裁員，降薪，大牛出走：AI大退卻的始末緣由

2018年，恨不得每個人都想到AI行業來。等到2022年，這件事可能就要被打上一個大大的問號。

不久之前，美國招聘平臺Dice釋出的資料包告顯示，2021年美國人工智慧相關崗位出現了大幅度的薪資下降。機器學習、自然語言處理和人工智慧這三領域的薪資分別降低了2.1%、7.8%和8.9%，降幅超過11739美元。這是從深度學習引發AI熱潮之後美國AI行業首次全面降薪。而如果大家關注AI行業與AI崗位，會發現類似事件早已在中國AI領域蔓延了出來。

從2019年下半年開始，似乎隔三岔五就能聽到某家AI公司，或者一些網際網路大廠AI部門傳來“壞訊息”。降薪，加班嚴重，上市困難，大牛出走，等等不一而足。2021下半年，各大AI公司開始頻繁出現裁員和裁撤AI部門的傳聞。對比幾年前網際網路公司裁員，AI瘋狂吸納人才的情況，讓人不免唏噓。

究竟是AI泡沫破裂，價值迴歸，還是歷史上的“AI寒冬”捲土重來?

中國科技市場正在上演，並大概率持續發酵的AI大退卻，它的真實核心究竟是什麼?

各種不順的AI，寒冬真的來了嗎?

從1951年達特茅斯會議開始算起，AI的發展歷史上經歷過兩次著名的“寒冬”。這兩次事件給AI產業帶來的影響甚至可以說是毀滅性的。所以當AI技術又一次出現問題時，人們的第一反應就是，寒冬是否又一次降臨了?

而從這兩年國內AI行業的發展情況來看，原本烈火烹油的發展勢頭確實遭遇了諸多“水逆”。首先我們能看到當初由學界投身產業界的各位AI大神，開始重新思考發展計劃。

2019年，騰訊AI Lab主任張潼離職加盟創新工場，出任港科大和創新工場聯合實驗室主任，併兼任科研合夥人。2020年7月，曠視南京研究院創始院長魏秀參離職。緊接著，位元組跳動副總裁、AI Lab主任馬維英離職，加入清華大學智慧產業研究院。

進入到2021年，產業界的AI專家與技術領軍者加快了重回學界，或者投身創業的腳步。2021年8月，位元組跳動AI Lab總監李磊離職，加入加州大學聖巴巴拉分校。11月，螞蟻金服原副總裁兼首席資料科學家漆遠加盟復旦大學，擔任復旦人工智慧創新與產業研究院院長。

伴隨著學界人才迴歸，曾經備受資本熱捧的AI公司也陸續出現麻煩。首當其衝，松鼠AI，位元大陸這樣充滿爭議的AI公司出現問題，爆出各種裁員、降薪的“瓜”。而AI四小龍這樣的公司，也在資本與效益的漩渦中掙扎。加班、降薪，上市困難，上市後頻繁被問詢等問題連續出現。外界對這類公司持續走高的研發投入和艱難開拓的商業市場充斥著懷疑。

接下來，網際網路大廠的AI專案也受到了影響，行業普遍的高薪神話開始破滅。伴隨著AI專案收益少，做AI上升前景渺茫等爭議，不少網際網路大廠開始出現了收縮AI專案，對AI部門進行裁員的訊息。

然而在一片壞訊息的開始出現的同時，國內AI市場的框架競賽、大模型競賽接連浮出水面。AI與垂直行業結合的方法逐漸豐富了起來，全視覺自動駕駛、生物計算等新興AI機遇開始受到關注。

與歷史上的“AI寒冬”不同，今天中國AI行業面對的更多是效益低下問題，部分人才和企業和資本逐漸失去了耐心，選擇了退出這場燒錢競賽。而歷史上的AI寒冬，更多表現為對AI階段性核心技術路線的徹底否定，以及新的技術機遇將AI排擠出主流視野。前者表現為1973年《萊特希爾報告》的釋出，後者代表是PC淘汰了專家計算機路線。

既然與真正意義上的“AI寒冬”有所不同，那麼今天中國AI產業表現出的退卻和不順利，核心究竟是什麼?

核心癥結，在於演算法經濟的失效

既然今天的情況是，有的企業AI發展不順，裁員降薪，有的發展還算順利，依舊在持續進行產品技術升級;很多AI大牛選擇及時止損，迴歸學界，但也有很多學界投身產業的人才發展順利，並且依舊有人繼續加入。那麼就需要分析一下，究竟是什麼造成了AI行業“進”與“退”的同步出現。

仔細看看會發現，出現“水逆”的AI公司或者專案，大概分為三類：

1.以人臉識別、機器視覺、語音識別這類基礎AI演算法為業務核心的演算法公司，在安防市場飽和、政府訂單接近瓶頸時失去了商業活力。

2.網際網路公司的AI部門，本質是用AI能力服務自己的產品體系，順便還想將AI變現。但缺乏B端的開拓性技術和能力，基本盤是想從演算法公司那裡搶生意。

3.把AI當作噱頭的一些公司，比如AI挖礦，AI教育，AI健身。這類公司也吸納了不少AI人才，在AI無法引起資本興趣後大概率草草收場。

這三類企業的共同點，在於他們的商品和賣點都集中在AI演算法。演算法當然是AI的核心，但卻不能是AI的全貌。基礎的語音、語義與機器視覺演算法種類並不多，能夠解決的大體是比較基礎的識別問題。這類AI演算法確實可以滿足C端和B端場景中的一些需求，比如城市安防與公共交通系統中的人臉識別，卻無法滿足企業對“智慧”的差異化需求。

當提供基礎AI演算法的企業越來越多，簡單演算法能夠滿足的市場不斷飽和，這種演算法經濟也將快速枯竭。幾年時間裡，AI演算法呼叫從幾毛錢一次下降到了幾分錢，進一步變成了演算法白送，支付流量費用就行。當演算法變得越發廉價而充沛，不再是稀缺產品，依舊把產業重心放在演算法上的企業也就陷入了困境。

當然，我們可以看到每家AI企業在今天都絕不僅僅提供基礎演算法，而是有花樣繁複的產品架構和技術思路。但讓這些技術從PPT中走下來，變成真正的企業服務市場份額，期間需要跨過的門檻非常之多。

當演算法經濟逐漸失效，企業又沒有成本、決心和能力走向差異化、定製化，解決方案式交付的企業市場，當然就只能收縮AI業務，至少可以不再負擔AI人才的高職與高薪。

換句話說，AI正在經歷的後退，不是AI沒用了，而是一大部分AI企業賣的東西太簡單了。提到智慧城市永遠都是安防，提到工業恆久不變的是質檢，提到網際網路就是美顏和語音助手、智慧推薦。這些場景都缺乏發展縱深，已經出現供給飽和，難以形成進一步發展的動力。有人說AI行業是PPT天下無敵，demo差強人意，走到市場賠光家底。如果不能把AI變成高溢價的軟體產品與服務，那麼確實很可能如此。

這也是為什麼，我們如今很少看到AI基礎演算法的更新，卻依舊能看到AI產品層面的升級。大模型、開發框架、求解器、簡單機器學習，這些平臺都指向一個方向：逃離演算法經濟，走向標準化的高溢價軟體。

AI問題，本質是成本問題

或許有人會說，我們能看到AI企業跟各個行業的結合啊，有那麼多非常精彩的案例，怎麼能說AI公司始終停留在賣演算法呢?

確實如此，如果只看釋出會和PPT的話，AI與行業，與企業市場的融合可謂豐富多彩。其中每個案例帶來的價值，如果放到全國或者全球的行業市場存量中，都是蔚為大觀的市場份額。

可問題是，AI企業究竟是用了多大的成本完成了這些案例?它們真的具有可複製性嗎?

這就是AI目前階段最大的問題，技術服務商在脫離簡單低價的演算法經濟，擁抱高溢價的行業市場時，本身將面臨巨大的綜合成本。

首先，AI的最大成本依舊是人才成本。目前很多相對溢價較高的AI專案，都需要技術提供商調動大量專家進行現場，支援甚至長期駐場。很多簡單的引數調優都需要博士級別的人才來完成。這些人才首先薪資極高，同時本質上更像學者而非一線工程師。他們來到行業一線有著巨大的溝通成本。如果長期依靠高水準人才的堆積來實現案例成功，那麼AI不可能規模化複製。

另一方面，定製化的AI模型也需要更復雜的訓練環境和更長的訓練週期。這牽扯出高昂的AI硬體成本。目前，訓練一個相對複雜的機器視覺模型，往往需要大量GPU進行數月甚至一年的訓練。其硬體租賃成本就可能達到幾百萬，甚至上千萬美元。這樣的硬體成本無論是技術服務商還是終端使用者都難以負擔。

AI的另一項成本壓力，來自效益回報的模糊性。大部分AI企業和業務部，都是技術為主，缺乏企業市場服務經驗。因此很難判斷哪個行業，哪種產品能夠帶來準確的市場回饋。因此經常出現大量試錯成本，以及內部的市場關係內卷內耗，繼而導致大量成本浪費在對市場的模糊認知中。

AI企業不可能長期忍受一位AI大牛帶著十幾位博士，用數月時間才解決了某家企業的AI需求。只有把開發成本降低，實現服務標準化、行業案例可複用，AI作為一種企業服務技術才真正有市場可言。預訓練大模型一次訓練，多次複用的邏輯;模型開發平臺的簡單化自動化，都是為了以產品能力實現成本降低的目標。

從目前情況來看，AI依舊是新一輪技術變革中最具確定性的核心技術。但想要讓它煥發價值，企業首先要能夠跑贏成本壓力。而這場與成本賽跑的過程中，必定要倒下眾多企業，吹破無數泡沫。美國企業在上世紀八九十年代完成了全球IT軟體的商業收割，當時也是重度投入，群雄混戰，最後大規模洗牌。在中國企業搶佔AI時代的軟體基座的戰略空間中，也必須衝破層層成本障礙。而最後一定是寡頭作為底層平臺活下來。

與成本賽跑的輸贏，取決於AI企業的三重要素：

1.有沒有錢來持續投入，中小型公司會直接困死在這一步。降薪裁員等問題也多由此而引發。

2.有沒有意願持續投入。這種意願包括成本意願和市場意願。把一門新技術帶到具體行業是件很難的事，甚至將會完全改變了企業原本的業務性質和工作習慣，期間必然有諸多困難。華為成立行業軍團需要從最高層進行垂直指揮，就是為了降低這件事的意願成本。

3.能不能找到技術方法，對AI的持續投入，前提是企業需要明確到底在什麼情況下能看到市場轉機，而這就需要技術能力強大，技術路徑.準確。大模型，AI與知識結合，深度學習框架的工具化，是目前最具代表性的三條產品化之路。

當時間來到2022年，我們能看到很多優秀的AI產品和AI技術思路持續迸發，同時也看到吃老本的AI企業與業務部門正在退卻。

漲潮的時候，大家都只想儘快把船放到水裡。

潮漲潮退之間，船才有前進的可能。

我們看到AI企業的退卻，或許才是AI行業的前進。