未来的人工智能有哪些商业模式？

亦或者说，人工智能的商品化实践有哪些可行的方式？

看了一下这个问题的日志，提问时间是2016年，已经过去了六七年。今年随着大模型浪潮的到来，人工智能迎来了新变革，所谓技术驱动改变，不论是从行业发展来说，还是商业模式来说，人工智能都在经历一个全新的时代。
大模型时代的AI商业模式

人工智能发展历史并不算短。早期的人工智能商业化的案例主要集中于与传统行业进行融合，用一个俗套一点的说法就是“为传统行业赋能”。比如把深度学习算法用于设计、发明和广告、软促销、营销和销售。大的互联网公司基于所谓的“数据智能”（Data Intelligence），最常见的用途之一是分析用户行文，通过使用数据挖掘技术来收集有关习惯、购物偏好、购买行为、价格标签偏好、颜色选择、风格偏好、在线趋势和其他个人信息的统计数据，企业可以更好的针对其目标人群制定他们的服务策略，所谓的“大数据杀熟”也是这么来的的。
而现在的生成式AI或者说大模型（Large Language Model，LLM）所带来的改变此起源于2017年的一篇文章“Attention is All You Need”，这篇文章的重要意义在于提出了一种被称为“Transformer”的神经网络架构，它开辟了新的人工智能行业，特别是在自然语言处理、计算机视觉、自动驾驶和其他一些领域。可以说它是现在所有大模型和各类商业化AIGC产品的基础，包括OpenAI的GPT-3 /GPT-4系列模型，谷歌的Bert、PaLM等等。
对互联网商业模式有所了解的知友应该都听到过各种类型的“xx as-a-service”（xx即服务）。


“xx as-a-servive”是建立在云计算基础上的。这些模式的前提是为终端客户提供解决方案，而无需在本地托管，从而省去复杂的部署和额外的开销。比如大多数基于云的业务模型可分为 IaaS（基础设施即服务）、PaaS（平台即服务）或 SaaS（软件即服务）。这些服务的主要盈利模式是通过向用户收取订阅费用，或即时付费等。
在此基础上，衍生出来AIaas（AI即服务）。
AIaaS

人工智能即服务 (AlaaS) 可以帮助组织整合人工智能功能，而无需相关专业知识。通常，AIaaS 服务构建在基于云服务的提供商之上。基于这些基础设施构建的人工智能服务、框架和工作流程提供给最终客户用于各种用例（例如库存管理服务、文本生成等）。


AIaaS本身是一个相对宽泛的术语，它可以细化为更具体的模式。
1 提供API服务。通过提供应用程序编程接口，企业可以把自己的模型提供给用户或开发者进行二次开发。这涵盖一系列服务，包括计算机视觉、知识图谱和自然语言处理 (NLP)。每个人都有能力从非结构化信息中产生商业价值。
2 机器人和数字协助。这是当前大模型应用最常见的模式，即开发各类聊天机器人、AIGC产品。仅从AIGC的角度看，就包括文生文（chatbot）、文生图（MidJourney）、图生图等等。这样的项目今年如雨后春笋一般，每天都会出现新的应用。我在之前的回答中总结过一些常用的。




3 完全托管的机器学习服务。面向需要完全托管模型的企业或个人用户，这些服务提供客户模板和预构建模型。
AIaaS的优势体现在节省成本、使用方便、可扩展和灵活度高等方面。首先，它可以面向中小企业， 帮助中小型企业最大限度地减少支出来提高利润。这些小企业用户能够避免雇用更多程序员或购买的服务器等设备。换句话说，他们不需要从头开始构建、测试和实施人工智能系统。其次，AlaaS服务意味着用户不需要专业知识即可实施和部署一些AI产品，提高了服务的易用性。另外，AIaaS的可扩展性和灵活性优势体现在当一些企业不确定某个服务或模式是否适合他们的时候，可以选择通过小规模的测试，然后根据实际效果选择是否继续项目或如何扩展。这也是一种帮助企业降低风险和节省成本的方式。
做AI时代的超级个体

以上讨论了企业在AI大模型时代的商业模式。其实作为个人，在AI浪潮下同样有很多机会。
大模型产品，尤其是ChatGPT的出现带来的一个最重要的改变就是它让独立开发者探索商业模式的门槛变得很低。
我自己使用ChatGPT等产品已经有半年多，经过这么长时间的使用，我最直观的一个感受就是它让我学习新东西和独立解决一个问题效率大大增加了。以前当遇到一个任务的时候，其中又恰好有自己不太熟悉的专业知识时，需要花费一定的时间和经历去补充这些知识，但是现在通过ChatGPT的能力能快速的给我提供对应的信息。甚至借助code interpreter等插件，可以直接让它作为AI智能体（Agent）独立完成一个复杂的任务，比如根据一份数据写一段代码完成数据分析等，而我需要做的就是检查和验收。
如果拿“木桶效应”做一个的类比的话，我本来可能只在某一两个方面比较精通（长板），但是其他方面短板很多，现在ChatGPT可以快速帮补齐短板，而我把精力放在自己擅长的地方即可。
也就是说，AI大模型让个人有能力成为一个超级个体，对于有独立开发项目或产品想法的人，这是非常好的机会。如果知友们有这方面的兴趣，可以去关注一下知乎知学堂和AGI课堂合力推出的课程：程序员的AI大模型进阶之旅。课程内容是围绕当下大模型浪潮展开的，课程目的是致力于帮助大家理解这轮AI变革的本质，然后教如何借助AI大模型提高自己，尤其是如何让它帮助自己成为超级个体。课程老师本身就有丰富的独立开发经验，会跟大家分享如何利用AI让自己变成全栈开发者。现在报名课程能免费领取AI大模型资料包和AI工具。建议想学习AI大模型和做大模型开发的知友去了解一下。
未来AI大模型的商业发展

其实，生成式人工智能发展半年多以来，虽然已经发展到“百模大战”的形势，看起来所有的科技公司都要有自己的大模型，否则好像都不好意思说自己是互联网公司了。看似很繁荣，但是对于未来AI大模型这个行业到底如何发展，现在依然没有人能说得清。真正自主研发大模型并不是一件容易的事，费时费力费钱，最后可能还不讨好，如何跟自己的传统领域结合，从而实现盈利才是市场感兴趣的。否则大模型只是一个“既然你有，我也要有”的高级玩具。
各家公司一开始的远景都是要研发对标ChatGPT的通用大模型产品，但是后来发现超越OpenAI天花板一样的存在，在短期内几乎不可能。因此，最近几个月的趋势是各家公司、高效科研团队开始做垂直领域大模型的研发，比如法律领域、办公领域等。


其实，我个人觉得这是一个合理的做法，如上所说，通用大模型已经有GPT-4了，很难超越，天生没有市场竞争优势；而另一方面，通过自己前期在垂直领域的积累，借助大模型来助理原有业务不仅能体现自己的专业资源优势，还能减少竞争压力。
以上。

参考资料：
1 <a href="http://link.zhihu.com/?target=https%3A//fourweekmba.com/aiaas/" class=" external" target="_blank" rel="nofollow noreferrer">https://fourweekmba.com/aiaas/
2https://innovation-entrepreneurship.springeropen.com/articles/10.1186/s13731-021-00157-5#Sec3

关于人工智能产品的商业化实践路径，可以用五个「定」来概括，这就涉及五个核心关键词：
本质、边界、资源、目标和路径，具体来说，就是认定本质、划定边界、标定资源、铆定目标、确定路径。


一、人工智能产品的商业模式与商业价值
人工智能产品的商业化本质有两点，一是商业模式，二是商业价值，商业模式决定了坐着飞机还是汽车前进，商业价值决定了到达的是座金矿还是金沙。与 C 端相比，B 端商业模式的变现方式是非常局限的，主要有出售人力、软件、服务和资源等。


1、商业模式
在 AI 领域，商业模式是非常典型的，分为直接变现和间接变现两种。其中间接变现的方式包括硬件集成、云计算、渠道分发和数据服务。
在直接变现方式中，通过调用 IUE 上的语音识别接口带动 TBS 接口，是典型的 PAAS 服务的模式，PAAS 服务是直接变现的主要方式之一。另一种直接变现方式是 SAAS 服务，当调用自动化文档抽取时，需要使用 SAAS 服务。PAAS 跟 SAAS 都属于云服务的概念，也就是在云端利用计算资源提供标准化的、接口化的规模输出，这也是目前非常多大厂正在做的服务模式。
阿里云有一句很经典的名言：「阿里云不做 SAAS，而是要帮助所有的企业去做 SAAS」，把所有 B 端的服务企业变成 SAAS 的企业。
2、商业价值
对于 AI 的商业价值，我们必须去思考企业价值和行业价值两方面。国外有一家非常有名的公司叫Salesforce，这家公司集成了 CIM、AI 等一系列场景，它的市值和收入的增长是非常恐怖的。这家公司成功的关键点在于确定自己商业价值的同时，也为商业模式提供了清晰的对应路径。Salesforce 采取的战略有两个，第一是 SAAS，第二是被集成，也就是既提供成熟的服务，也提供服务集成分包。
很多 AI 公司在做 AI 商业化时，即想坚持商业价值的输出，又想快速地获得收入，这在 B 端市场是非常冲突的一件事情，所以在人工智能商业化过程中确定服务领域、思考好终局是非常重要的。
二、划定边界与标定资源
在确定服务领域之后，AI 公司成长的周期会被各种外部因素打乱节奏，这时就必须划定边界与标定资源。


1、划定边界
为什么要划清边界？AI 的产品和技术能力是非常原子化的，也就是说，AI 提供的技术有限，不能直接地给客户输出能量价值。举例来说，如果需要做 AI 的智能摘要，就一定要跟银行的内容系统和分发系统做结合；做智能客服，一定要跟原来的客服系统和外呼系统做结合。
AI 的产品形态所能提供的服务是有限的，在 AI 的技术和产品原子化的同时，我们所满足的客户需求常常需要架构在非常复杂的工程系统上和既有的软件能力上，而划定边界有利于提升产品的竞争力，使核心产品能力跑得更快，走得更远，这其实就是克服 AI 产品原子化的过程。
2、标定资源
当划定边界之后，接下来需要标定资源。对于 AI 的商业化来说，有个很典型的特征就是标准化程度低。这时需要考虑两种资源，一是外部资源，二是内部资源。外部资源指那些能够与我们共创、联合的传统厂商。正确的外部资源和内部资源配置，将大大降低产研团队节奏紊乱的概率，每个资源都是驱动技术成长、产品进化、案例积累、二次营销的助推剂。


以上的框架图可以说明在做 AI 的金融产品时如何去划清边界。中间蓝色的部分是原子能力，所有的框定指能够运用到的一切资源。当做 AI 金融产品时，首先要铆定原子能力有哪些，比如数据结构化及非结构化的处理、金融领域 AOP 可视化以及智能化的抽取。铆定原子能力之后，算法团队再去集中建设原子能力。
下一步是用原子能力衍生两个圆形的边界。两个圆形边界中涵盖了用户共建，共建的是定制化的产品，包括个性化营销、画像、标签和预警分析等。这些产品形态都是在原子能力基础上，与客户一起构建起来的。
已有的资源应该投放到哪里去呢？不同阶段的资源倾斜度不同。初期应该将资源投放到数据团队、架构师、业务专家、产品经理和工程队中，因为架构师能够深入客户及业务，产品经理能够从定制化的项目里得到业务经验并反馈到产品上，工程团队可以保证客户通用的业务系统建设。当得到标准产品后，应该将资源投放给售前、销售、交付、集成商以及客户经理，保证标准产品快速地完成对应的复制。
综合来看，以上的框架图左边是创收和生存，右边是沉淀和未来。只有通过不断沉淀业务知识、产品功能反馈和产品形态，才能去把握未来。
三、锚定目标与确定路径
在 AI 商业化中，收入即是指标，也是最终的表现形式。当我们只看收入的时候，本身的项目其实已经被其他不同项目以及商业变性所缠绕着，这时很可能没有时间去思考收入之外的东西，所以在 AI 商业化的过程中，我们还要关注以下的问题：


1、锚定目标
好的人工智能商业化目标一定是多维的，在 AI 商业化的实践中，除了销售收入，我们还应该去看训练数据、模型优势、渠道集成、业务知识、开发者生态、场景、运营等目标，这些数据的反馈应该围绕收入的表现形式，依据权重来进行铆定，这样有利于我们构建完善的产品阶段。
2、确定路径
在锚定目标后需要确定路径。多维指标在整个路径中如何呈现？AI 的商业化贯穿 AI 产品的整个生命周期，产品进化的同时，商业化阶段需要同步进化，它们的节奏是协同上升的，仿佛一个 DNA 双螺旋结构。


什么叫双螺旋？上图橙色的线是 AI 产品化的完整链路，其中第一阶段是业务验证和项目化交付的阶段。当积累了一定的数据和业务的时候，就会进入到第二个产品标准化的阶段，这个阶段我们需要考虑如何去衍生一个平台化的产品，从而降低交付成本和编辑成本，更好地去完成售卖。第三个阶段是平台化阶段，为了将产品构建成平台，需要找到产品核心的商业输出模式，并同步构建分发渠道。最后一个阶段是生态构建阶段，这个阶段需要开源、提供组件和市场，做逐渐化输出。
蓝色这条线是商业化的路径，在积累了很多的交付案例之后，我们往往要去思考能否把项目的交付拆解开，将快速交付的能力赋能给 SV 集成商或者是外部的合作伙伴，共同去完成交付。当把每一个共建 SV 集成商或者下游的交付商变成交付渠道后，这条线连起来就是我们要积累的模型、优势，以及从项目中得到的反哺和反馈。
总体来说，人工智能产品的商业化实践，就是认定本质、划定边界、标定资源、铆定目标、确定路径的过程，其中人工智能的产品化与商业化密不可分，节奏协同上升，共同构建成产品化-商业化的双螺旋模型。
--
以上内容来自知乎与职人社合作的「未来十年」系列课程之AI 产品的商业化实践，分享者为阿里巴巴达摩院 AI 商业产品专家、前微软 AI 商业化产品经理徐志远。欢迎关注该课程，持续获取互联网从业者干货，抓住互联网人的下一个十年：
Next 10 Years 系列之 AI 产品的商业化实践

一、科技革命，颠覆传统
“蒸汽时代”，机器替代手工，工厂模式诞生，全球城市化进程加速，为资本主义的迅速发展奠定基础；“电气时代”，电力成为补充和取代以蒸汽机为动力的新能源，社会资源和资本进一步集中，大型集团的企业模式开始形成，最终导致资本世界体系确立；“信息时代”，数据成为重要的战略要素，互联网的诞生引发商业模式的巨大变革，经济全球化进程加速。



科技浪潮层叠，不断颠覆传统。全新的经济业态被催生，全新的组织架构在形成，全新的社会秩序在建立。当前，随着人工智能、云计算、大数据等新一代信息信息技术的兴起，智能科技革命势不可挡。在新一轮社会发展的关键时期，人工智能产业成为我国弯道超车的重要机遇。人工智能强大的产业赋能特性与经济带动作用，能够大程度上改善惠民体验、加快行业技术创新，从而引发整个商业世界的变革。
二、人工智能商业模式的未来时
从全流程服务到智能生态构建：人工智能产业链层级分工愈发细化，过去的单一主体全流程式服务，难以充分满足智能化服务。很多重点的人工智能龙头企业开始探索平台化模式取代定制化的服务模式以降低成本、提高服务效率。随着《国家新一代人工智能开放创新平台建设工作指引》的出台，国家新一代人工智能开放创新平台建设工作稳步推进。2019年8月，新一代人工智能开放创新平台进一步扩容，共有15家企业的相关人工智能开放平台成功入选，覆盖视觉计算、智慧教育、基础软硬件、普惠金融、图像感知等领域。面对人工智能丰富的应用场景，国家新一代人工智能开放创新平台的建设更有针对性地为不同场景提供能力开放。



从“+智能”到“智能定义X”：在智能产业发生伊始，核心人工智能算法是产业实现关键，各行各业开始试图借助人工智能技术实现效率提升和成本节约，“行业+智能”的模式开始形成。但是基于行业传统业务流程打造的智能化提升方式受到历史因素制约，无法按照最优化的方式实现以“智能”为核心的原生态模式，从而无法最大程度上发挥人工智能强大的效能。“智能定义X”则意味着利用人工智能定义一切，智能核心如同整个系统的大脑，统领着每一处部位，系统构建之初就需要充分兼容智慧大脑，以人工智能的方式进行系统的协作和排列。
从单点突破到场景核心：未来，以场景为核心的多中心网络商业模式成为智能时代下全新的商业探索。为解决场景中的核心问题将成为智能商业的重心。企业需要利用智能化的手段对人们面对的场景进行全面的优化。在以场景为核心的模式下，人工智能算法提供商、硬件制造商、网络服务商等多方主体将完成多中心的网络协作。人类将会深层次沉浸在场景中，人机协同，与场景融为一体。


三、新模式变革下的行动指南
要高标准、严要求地发展人工智能。随着人工智能产业的快速发展和应用普及，人工智能所引发的安全问题、隐私问题以及社会伦理问题备受关注。面对人工智能产业愈发规范化、标准化、制度化的趋势，企业需要在此关键节点快速完善内部标准化制度和安全流程体系建设。针对人工智能可信度、鲁棒性评估、算法偏见、道德伦理等问题制定内部的管理机制，做好安全监管、隐私保护、道德规范等工作。2019年中国人工智能领域领军企业纷纷参与到人工智能标准制定中来，在企业内部树立人工智能发展道德标准体系。企业需要通过完善企业自身标准，可持续地发展人工智能。
积极探索5G、边缘计算等新兴技术与人工智能融合协同机遇。新兴技术为人工智能创造了非常广阔的机遇。5G、边缘计算与人工智能融合的模式能够帮助企业实现规划、研发、生产、制造、销售以及对客户服务等全面智能化升级，为社会带来新体验、新模式和新产业。新一代信息技术的发展将为智慧城市、智能制造、智能驾驶、智慧医疗带来重大变革。相关企业需要把握人工智能与新技术融合的特性，积极进行新兴技术的部署，探索产业发展新形态，为新一轮产业智能化升级浪潮奠定基础。
探索生态嫁接，打造企业核心实力。当前，人工智能产业仍存在大量的应用空白区，产业化进程需要进一步深化。高昂的研发费用和产业落地难题促使人工智能产业链条逐渐细化。开放生态的方式通过开源智能算法、整合算力资源、共享多维数据，助力产业克服关键挑战，形成成熟的商业模式。中小型创新企业需要根据自身战略定位，平衡研发成本与企业核心价值。传统行业企业和应用层开发企业能够借助平台进行二次开发，以相对低成本的方式获取人工智能技术能力，帮助企业集中自身优势，攻克核心技术难点，形成企业核心竞争力。

这个问题可以听听我们嘉宾的分享，未来人工智能的新使命就是颠覆传统的商业思维
从新零售到产业互联网，机器学习凭什么能颠覆传统商业思维？

合伙精英汇是爱合伙为平台实名认证的创业者精心打造的线上交流学习社群，为了让每一位创业者都能够在社群中有所收获和成长，在每周四晚7:00—8:00我们会邀请一位有实战经验的朋友来做一场线上的分享，分享的内容可以是案例方法，也可以是个人的创业故事。我们也给这个小活动起了一个好记的名字 - “周四合伙说”，本次合伙说的分享嘉宾是一满乐联合创始人王稼乐老师。

分享嘉宾：王稼乐
嘉宾简介：

王稼乐先生：2007年-2011年毕业于浙江大学生物医学本科，2011年-2012年在浙大网新集团从事科技地产商业前期调研、策划和政府公共关系拓展工作。
2012年-2013年奔赴美国Hult国际商学院旧金山分校就读国际商业硕士，2014年-2015年在硅谷苏宁易购美国研究院从事线上线下全渠道零售体验，互联网金融产品等的商业分析工作。
2015年-2016年担任爱合伙联合创始人，2016年至今任一满乐COO，管理业务和技术服务方案输出。



分享主题：人工智能的发展和未来新使命
分享前言：

稼乐已经和我相识超过5年了，第一次偶遇是在旧金山的一次创业活动上。同时我和稼乐也都是浙大的校友。所以一谈起来就一拍即合。从我们刚认识开始，稼乐就有聊不完的大数据，人工智能的话题。

所以后来去了深圳加入了满分卡项目，正是做人工智能领域的应用开发！这个项目也获得了知名天使投资人蔡文胜的早期投资。虽然今年是资本市场的寒冬，但人工智能作为一个赛道依然是充满了商业机会！特别是有更多的领域可以通过落地人工智能应用去提升现有流程中的效率，解放原来人工操作的瓶颈。

我个人觉得对人工智能的理解是每一位创业者和投资人的必修课！

------来自合伙说召集人YC

因分享内容为语音形式，且嘉宾分享课件内容较多，在这里呈现核心内容节选，以供互相交流。（移步文末获得完整学习课件和完整课程录音回放）


















问答回顾精华

▼如果在人工智能行业创业，必须具备哪些条件？

首先我来回答第一个问题，因为人工智能现在是一个技术壁垒较高，然后商业结合落地案例较缺乏的行业。
如果你有很强的技术团队，可以去做前沿的智能驾驶、生物识别、包括人脸识别、声音识别或其他的一些特征识别领域，然后还可以去做行业门槛比较高的比如说医疗成像的分析，因为那些是要结合医疗人才进行长期的数据达标，用算法帮助医生去看更多医学的病灶，提高医生的效率，这些行业是门槛比较高的，然后投资的额度比较高，所以如果有很强的技术团队在科研院所，或者是在特殊的渠道里面可以拿到很高质量的数据的话，其实可以往这条路去创业。
而且行业里面也是有很多顶尖的投资公司愿意支持行业基础的研发，像我们这样的团队呢技术团队是OK，我们是希望把现有的很多数据分析机器学习的成熟算法落到真实的传统行业去，比如说电子商务啊，零售流通，消费者洞察等等，这个过程中其实很多是落地的过程中和企业磨合，然后理解他们的开发需求，包括定制化的需求，这个过程中创业的话，更多的是一个商务能力把合适的算法落到商业决策上面的能力，这个其实门槛相对较低些。
现在的现状是很多企业都在很多垂直的行业里面去找一些垂直的解决方案，并没有把这个事情做成一个大平台做成一个放之四海而皆准的一个通用的路线，只要你有不错的客户需求和订单的话，其实人工智能去实现一些技术落地还是比较容易。
还有现在就是我说的国内人工智能行业的问题主要是缺乏人才，所以我看到的很多都是科研院所的教授带学生去先做尝试，比如说科大讯飞是怎么出来的，比如说商康也是走出来了，所以很多是要和学校建立合作的关系，因为学校是高端人才聚集地，如果有这方面资源，也可以尝试去一个商业案例，商业场景去找高校合作提供一个服务。
更多的话就是一些海归，就是在硅谷的几个比较知名的学校比如说斯坦福，伯克利，然后硅谷大型的互联网企业，facebook，谷歌，领英，优步这些企业出来的一些牛人，他们在看到一些更细的用户体验上的问题，更多的是这个互联网增值服务，不管是社交的还是知识传递的还是大交通的，这个里面有一些更值得用深度学习去解决的问题，他们会把这个在机器学习里面更高深的算法应用进去。
现在我看到的是深度学习可以用在智能教学层面，目前已经有不错的落地了，我也有朋友在硅谷的facebook从业多年现在也尝试回国创业，把这个深度学习用在教育领域可能先去做数学教育，因为数学的话这个问题答得对还是错，这个是有很明显的判断定义的，不像语文写文章写的好写的不好完全看老师的判断，在数学领域去做一些个性化的教学和批注，然后呢这是他创业的路径，我不知道是不是可以给大家一些借鉴的地方。

▼人工智能的发展对新兴行业和传统行业来说分别有怎样的影响？
其实新兴行业和传统行业这个定义上面首先要明确一下，在国内我现在看到的大多不是真正的新兴行业，都是一些新兴的服务，把什么样的什么样的最后一公里做好，让原先触达到消费者手中的流通环节更高效，然后就是比如说原先没做过的太空探索，这种智能驾驶，智能汽车新的业态，新的物种的产生。
我的理解是它不能叫新兴行业而是传统行业的升级，它所有的行业形态之前都已经有了，所有的行业都不是完全新的形式，除非完全有一个新的颠覆手段可以获取能源这种就完完全全叫新兴行业。
传统行业现在面临的问题是流通环节的过程中效率太低了，有很多很多下沉的过程中不断地是一级代理二级代理，这是从销售层面角度多层的代理，商品越来越贵，这是一个层面。另外就是原先的工业生产过程中用工业耗材浪费，污染处理不够精，生产很粗放这些东西，这些传统行业如果用人工智能去提高管理效率的话其实是在解决原先粗放的问题，原来完全由人拍脑袋的过程现在需要越来越多精细化数据的监控，所以其实在很多传统行业里面人工智能落地的先决条件一般都是系统的不断升级不断的自动化，把很多的数据先监控起来很多环节中间的一些数据监控起来，监控的越细，得到结论之间的相关性挖掘的深度越深，才能有人工智能落地的基础。
在传统行业的流通环节里面，太多低效太多层，这个不能叫用人工智能去提高效率而是叫用互联网的手段，现在很火的这个产业互联网走的就是这条路，很多地方会叫它产业路由器，有的地方会叫它产业互联网，其实都是提高流通环节中的一些浪费的人力和物力，直接把产品和服务更快地传到消费者手里，这个过程当中有一些体验上的东西是逾越不了的，比如说卖菜的过程当中菜市场的档口，这个档口其实是缓冲消费者零散需求和供应链上面集中式采购需求之间的缓冲剂，这种缓冲剂目前在中国现状的消费习惯是不能被打破的，你需要用到的技术手段，人工智能的一些判断和预测都是赋能给这些中间缓冲环节的企业。

▼国内的人工智能和国外大概有多大差距？现在的人工智能和完全意义上的人工智能还有多大差距？
其实现在的人工智能是非常浅的人工智能，现在的人工智能核心都是模仿人的行为，如果规则在相对复杂的情况下模仿地会比较弱一些，因为中间要做很多判断的时候，机器是不能判断的，机器只能够确定单一的目标然后去对这个目标，但是规则比较简单的情况下呢就可以超越原先人的经验。
比如说下围棋这件事情上面，只要棋盘上面是有一定的范围的，然后这个下棋规则很简单，我只要面积比你大就可以赢过我，四颗子围住一颗子就可以吃，这个规则相对比较简单，那我是可以超越原先历史这些名人这些下棋的人模仿棋谱的过程，这就是为什么阿尔法Go有一个1.0和2.0的区别，原来1.0是模仿棋谱，2.0完全是自己下，是自己和自己博弈，也就是说它可以下出全世界全部棋谱都不能涵盖的新棋谱，这个层面就是已经达到一个比较高的人工智能状态。
现在的人工智能都是模式识别，从历史数据中总结出模式，并不能创新的思考，也就是说人没有想明白的结论，现阶段机器不可能代替人去想明白。网络自动甄别个人职业证书真假，这是人工智能应用，就好比现在去机场，住酒店，进网吧都要识别身份证上的人是不是你本人，你的照片可以是多年前排的，但是每次获得你近照之后都会对你的人脸特征进行不断更新，一些特征只要不整容是一样可以确定唯一性的。

▼人工智能前进的基础条件是计算能力的提升吗？爆炸性的提高？
其实我觉得人工智能的前进条件如果说，我现在从事的行业没有这样的认知，IBM的沃森机器人正在做的事情，它是要具备学习能力和自我推理能力的，那个层面在算力上面是会需要一个提升，我们现在的模式识别看历史数据处理的数据一般都不是什么大数据，都是一些几年的交易数据啊，人脸数据，头像数据，这些都是在过去的数据里去挖掘特征，如果我要有一个认知计算的话那个确实是需要算力极大提升的，所以其实沃森是一个大型的超级计算机。

▼想从事人工智能行业，应该学习哪方面比较有意义？大数据还是深度挖掘或者边缘计算？
其实深度学习还是模式识别，最基本的一些模型这些统计学的模型基本上都是一个方法，有的行业需要用到深度学习，有的需要用到头像识别，你不需要解释我是怎么识别出这个头像的，有的行业比如说像商业决策定价就很难用深度学习去做，首先效果也不会比简单的算法好，第二呢它也没有什么科技执行，也就是说企业以后要完全依赖于一个黑盒子去做定价做这个商业判断，他是觉得这个事儿不太靠谱需要更透明和解释嫌疑，这是算法层面的选择是解决不同问题。
另外一个就是说大数据，大数据其实现在很多企业是没有大数据的，真正有大数据的企业是国家电信部门，银行金融系统，BAT，小米，京东，头条，这些超级大型互联网公司，拥有的用户都在几个亿级别，几个亿的行为每天的电话会很多，它的商业价值就会需要挖掘，这个过程中就需要大数据处理，这个其实是一个大量的数据召回率的问题，这个很难在任何学校去学出来。
我现在看到很多学校里面可以教的是来自微博上面的大数据学习，可以去研究它的传播学，研究品牌传播，研究商品传播，研究舆论舆情的一些东西，除此之外在学校里面学大数据处理没有很好的数据资产。
其实国内的超级计算机也已经很牛逼了，我们其实有可以跟美国顶尖超级计算机算力上去PK的超级计算机，但这种超级计算机目前只应用在科研层面，比如说核物理，理论物理学的一些运算，然后一些别的运算其实我就不太清楚了，其实主要是它在商业的环境上面暂时用不到超级计算机，就像IBM沃森一样，它的这个超级计算机用了很多医学典故，甚至IBM收购了这个医院获得这些定义获得这些典故，然后呢用这个沃森学完之后最后给某一个定向的癌症进行诊断，说是在日本好像成功地给一个病人做了一个比较好的治疗方案，但是这个商业上面其实是不成立的，整个下来大概是几百元级别的投入，在对外输出的时候才只能研究清楚几种疾病，每个疾病每年的案例获得的收入才只是千万级别。

▼如果随着人工智能的发展，人类的生活和工作都将更加便利，那未来人类的就业率是提高还是降低的，很多传统或者门槛低的技术岗位都将消失，职业的竞争会更激烈？
我觉得人工智能给人类提供的便利在不同的岗位上面有所不同，比较低的附加值，附加的一些岗位比如说收银啊，地铁站的收银现在已经没有了，便利店的收银，银行的前端前台也都渐渐被替代掉，现在都有无人银行对吧，这个一定是提高效率的。
但是人和人之间的温度和信任感这个是不会被替代掉的，所以人以后要转型的并不是一些很强硬的一些技术，一些重复性操作一些低附加值的劳动，而更多的是服务层面，即人关心人的挖掘人的消费潜力，提供更人性化个性化的一些服务建立信任，然后长期去挖掘人的消费需求或者是自己都不能表达的一些需求，这是人的创造力的体现，所以未来人的岗位并不只是转型去做一些更个性化更有创造力的岗位。
还有提到招聘人才需求的，国内数据分析和AI人才难找，我建议创业团队先去合作把需求落地，不要上来就把人招聘到自己的组织架构，确定了你要解决的商业问题值得投入有明显回报了再去找人。
时间也不早了，今天的分享就到这里，很高兴今天和大家在周四合伙说一起交流，我们有缘再会！
若想要获得本次分享的完整录音回放请私聊小编

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...