首先商业模式(Business Model)简单说就是一个公司/产品如何赚钱,讲的是商业逻辑。具体来说,就是如何为客户提供价值,并保证公司在一个时期内持续盈利和扩展。我赞同某个匿名答主说的: "商业模式不等于产品。" 因此严格意义上来说,这个问题下面所有谈具体产品而不是商业模型都应该算是偏题。
我也来抛砖引玉谈谈人工智能领域现有的的商业模型,和正在崭露头角的一些新趋势。因为商业模型本身涉及很多角度,比如价值主张(Value Proposition)、收入模型(Revenue Model)、开销结构(Cost Structure),客户关系管理(CRM)等,我只能挑个别角度(主要是价值主张和收入模型)分析,不严谨之处尽请见谅。
简单来说,现在的的AI行业有三种模型:
1. 人工智能创业公司(AI Specialized Startups)
这一类创业公司主打的是专精(Specialization),即在某个小领域有了突破或者有核心技术。人工智能和其他创业方向不同,创业技术门槛是非常高的,这也保证了创业公司有机会在特定领域分一杯羹。举几个这两年做的很好的公司,比如做法律智能的Ross Intelligence和用深度学习解读基因相关数据的Deep Genomics。这一类AI创业公司基本都是由教授+学生,或者是从学术界出来的人在某个领域用人工智能手段进行改革。所以这一类公司走的是“传统的创业公司的商业模型”,在能获得市场关注和盈利前,基本都还是靠投资人的钱。而拉投资一般也靠创始人的声誉背书,短时间内收入模型和盈利模式一般比较模糊。
怎样才能获得足够的市场份额?这不仅要重造轮子,还要开发出直击某个痛点的模型来改变现在的市场。如果在特定领域能够做大做强,可以通过市场分割向特定群体收费,比如Ross Intelligence现在和某律师事务所有合作并拿着他们的投资,未来就可能向需要法律咨询的个人用户收费。但退一步说,这一类的创业公司在获得一定的市场份额后就会被大公司收购,因此不一定会走到需要成熟的商业模型那个阶段。
题外话,从学术界孵化的创业公司一般都是一个教授+两至三个PhD学生作为创始团队比较多。比较典型的例子有Hinton的DNNResearch啊,Andrew Ng的Deeplearning.ai(某种意义上的startup)等。从市场角度来看,因为较高的技术门槛,这个领域有机会出现百花齐放的现象,很难存在垄断但也不会出现充分竞争。
2. 人工智能平台(AI Platforms)
科技巨头一般布局都在基础平台服务上,比如说以前的云计算平台,专精(specialization)不再是核心诉求。现在越来越多的巨头也把资源投入到了AI领域,比如微软就有成熟的AI平台,主要由几个组件构成,相信很多读者一眼就可以认出下面这个图。
图片来源: Data Science Association, Currently hosting Dallas Data Science Conference 2017
- 微软:
- Microsoft Azure Cognitive Services: 微软认知服务集合了多种智能服务API,比如机器视觉API,比如情感分析API等。使用微软认知服务,你可以调用API来完成很多人工智能任务而不需要自己去编写代码。
- Microsoft Machine Learning Studio: “微软机器学习工作室”是一个集成了多种机器学习算法的在线平台,你可以很轻松使用它做很多机器学习相关的任务,完全不需要任何代码。不仅如此,你还可以将模型嵌入到其他Azure上面的程序中,也可以开放模型API供其他用户直接使用。
- 谷歌: Google Cloud Platform(谷歌云平台GCP)是一个和微软产品比较相似的产品,也提供类似的服务和产品。用法也非常相似,用户只需要调用API即可完成语言情感分析(Sentiment Analysis)等人工智能任务。
- 亚马逊: 作为云平台巨头的亚马逊也有对标的产品,叫做 Amazon Machine Learning(AWS-ML)。无须赘述,和微软谷歌相似,AWS的产品功能也非常相似。但因为亚马逊云的成熟,似的使用亚马逊的机器学习API相对方便一些。
所以不难看出,科技巨头的主要精力都花在了布局基础设施上。从成熟度上来说 微软>=亚马逊>=谷歌,但其实使用起来的感受基本相似。从商业模型的角度来说,这几家巨头的人工智能平台主要都是靠API来赚钱,你调用的API次数越多,收费当然越高。而且在调用这些API的同时,我们往往还需要其他服务,比如服务器、虚拟机、数据库等,这一条龙的服务和收入就是这些科技巨头在AI方面的收入模型。
在现阶段还有很多公司进入了厮杀的战场,小一些的还有DataRobot,也是提供一条龙的机器学习服务。当然,人工智能领域内容很多,比如在线机器人(Bot),微软有提供平台叫做Microsoft Bot Framework,亚马逊依托Echo Bot也有Alexa Service对标,这些同样也是依靠平台优势来赚钱。
其实不难看出,大公司投入基础建设的原因是这个方向准入门槛高,前期的固定投资要求大,可以排除很多中小竞争者。在一段时间的竞争后,应该会形成(多)寡头垄断市场格局,或许现在其实已经是这个局面了。
3. 人工智能咨询与定制服务(AI Consulting and Customized Service)
根据我自己的观察和分析,AI咨询和定制服务是未来很有潜力的模型。简单来说,就是根据企业/客户的需求进行定制化的人工智能解决方案。在现阶段,人工智能方案对于大部分企业来说还是“奢侈品”,甚至有些超前。但在不久的未来随着技术进一步成熟以及概念得到普及,价格和门槛也会下降,越来越多的中小型企业也可以负担并愿意进行人工智能升级。
和创业公司不同,这个商业模型不要求高精尖技术或是在某个领域的突破,但通用的AI平台也无法完成客户定制的需求。这就是为什么这样的商业服务可能有前景 - 它和前两种商业模型有交集但并不重叠。
这样的商业模型主要给客户提供两种服务:
- 成熟的专利AI应用。举例,我们为A银行安装了一个我们开发并拥有专利的人工智能风控模型,在进行数据替换后还可以卖给B、C、D银行或者相似行业。银行可以使用我们的微调后的模型,但我们可以将原始模型进行无限次转卖。
- 客户定制化服务。举例,A客户要求我们为它们独家定制服务,服务的归属权归客户所有,我们无权转卖,仅为客户进行维护升级。当然,这种服务的价格肯定较高。
同时提供两种收费模式:
- 一次性收费/升级费用(one-time purchase)。和其他软件产品一样,客户可以一次性买断服务的使用权。但并不建议这个模式,因为AI产品有较大的不稳定性,随着数据的变化模型可能失效。
- 订阅服务(subscription based)。正因为AI产品需要常常升级,机器学习模型也需要重新训练,订阅服务更适合AI类产品。客户可以按月付费,得到相应的维护和升级服务。
这样的商业模型还可以搭配主动式的营销手段。因为AI产品的本质是通过数据解决问题,据我所知很多企业现在已经和客户签署了“数据保留协议”,即AI产品供应商可以在特定范围内使用客户的数据进行其他活动。这样的协议有两个好处:
- 精准营销(Customized Recommendation)。因为我们有权使用客户A的数据,根据分析其数据,我们可以个性化推荐适合客户A的其他产品。甚至我们可以使用客户A的数据为其免费定制一个概念产品。免费其实是一种营销手段,德勤的数据分析部门给客户50小时的免费时长来感受它们的产品。
- 数据整合(Data Integration & Enrichment)。假设客户A、B、C和D都允许我们保留并使用其数据,那么我们可以进行整合并获得行业级别的数据,从而开发出更加智能的产品。
在这个数据为王的时代,拥有客户的数据并提供定制化服务有非常强的客户黏性。总结一下,销售成熟的AI产品+适量的定制,留住客户的数据,并提供后续的维护和支持就是我觉得很有潜力的新型AI领域商业模型。
从市场竞争角度来说,这个商业模型既不需要高精技术,也不大需要基础平台或者高额的固定投资,甚至还可以使用文中介绍的创业公司和科技巨头的服务。但根据经济学原理,低门槛,充分竞争的市场代表从长期来看不会有暴利存在。
但如果能在早期拥有足够多的行业数据,数据优势将会使你的企业走在其他人之前。或许,是时候入场了... |