[AI洞見]第一波浪潮退卻後,AI公司何種商業模式能落地?

Pasuwan via Shutterstock
現在有這麼多的「AI公司」,在AngelList上有紀錄的,就有近萬家:圖像辨識的就有300多家,NPL的近800家。我們不禁在想:同一個東西,將來真的需要幾百種辨識的方式嗎?這麼多AI公司,究竟怎麼樣的「AI公司」會勝出?

「近一年來,公司已經逐漸由『AI技術公司』轉變成為『AI系統整合商』。」中國一家AI新創公司的營運總監這麼說。

「通用的技術訓練框架門檻變得很低,但個別產用應用的差異化又極大,超過九成的專案都需要客製化,完成A客戶的專案很難複製到B Case,主要原因是資料來源與內容有保密性且專屬性。」

而現在有這麼多的「AI公司」,在AngelList上有紀錄的,就有近萬家:圖像辨識的就有300多家,NPL的近800家。

我們不禁在想:同一個東西,將來真的需要幾百種辨識的方式嗎?

這麼多AI公司,究竟怎麼樣的「AI公司」會勝出?

Deep Learning is being commoditized 深度學習逐漸商品化,進入的門檻越來越低了

「Commoditization」常被翻譯成「商品化」,但它真正意思是:企業所提供的某類商品或服務,到處皆可取得,已經被標準化、品質上沒有明顯的差異,而且與另外一家公司所提供的該商品或服務是可以互相取代的。

而讓深度學習(DL)標準化、商品化,使之進入門檻越來愈低的,不是別人,正是Google、Amazon這些科技大頭。

一開始覺得奇怪,DL技術應該是科技大頭的寶貴資產,為什麼反而開放出像是Tensorflow這種Open Source,讓大家可以站在巨人的肩膀上,發展得更快?

原因是這些科技大頭們大多很早期就已經使用人工智慧技術,所以當DL能夠大幅改善機器學習效率時,與其把DL的演算法都藏起自家用,倒不如讓DL的進入門檻越來越低。

因為他們清楚知道DL本身不能獨存,若能讓DL更普及,那些將它商品化所需的資料、計算能力與軟體,還有產業應用導入,才是Google、Amazon這些科技大頭能夠賺進更多錢的地方。

三個階段讓AI的落地策略逐漸明朗: 「演算法」、「資料源」與「垂直領域」

DL剛開始在AI領域發展時,大家都專注在Algorithm(演算法)的開發,看誰的程式能夠更優化深度學習的能力,但是隨著各種訓練框架例如Tensorflow等Open Source快速演進,系統訓練能力逐漸變得差異化越來越小。

ImageNet在2017年7月26日正式宣布停止再繼續圖像識別的比賽,正是因為機器學習在辨識能力已經高達將近98%,高於人眼的95%,而且各家辨識結果大多差異不大,再繼續辦下去的意義已經不太大了。

自此深度學習正式進入「資料源」的競賽。

毫無意外的,「資料」絕對是深度學習的「養分」。因為資料的取得、分析、前處理,與擁有資料的垂直產業,以及資料工程師的能力有直接關係,這時候許多「以演算法為核心」的AI公司在跑不到多久時間就宣布退出比賽了。

今年開始,人工智慧開始逐漸要從深度學習的PoC(Proof of Concept)進入實際落地階段,這讓AI新創公司開始要面對市場的現實狀況——如何避免成為一家只有演算法的公司?如何導入垂直產業的實際應用領域(Vertical AI)?

什麼叫做「能夠導入垂直產業、被實際應用的Vertical AI」?

舉個例子:棉花是大規模種植的經濟作物,有個AI的新創公司找到了個機會點,想要採用深度學習的方式來辨識「棉花植株的生長狀況如何」,而且演算法的準確率也的確高達98%。

能夠「辨別棉花植株的生長狀況如何」,聽起來似乎是個突破性的創新,而且非常「垂直領域」了。

但是實際的狀況是:這樣的技術,距離農產品業者能夠真的採用,還有很大一段距離。

想像來到了農場上,馬上會碰到的問題是:如何移動、大規模檢測?每天的日照不同,測得準嗎?就算檢測出來,馬上又會被問到的問題是:那麼多植株,每個狀況不同,哪株各需要多少農藥或肥料?有機器人可以移動並各別處理嗎?處理完後,怎麼確定植物有長得更好?

原因是,實際能夠上市的農產品檢驗設備,是「應用整合設備」──光源(高度影響判斷準確)、機器操作、噴灑控制、檢驗比對等。

由此可見,「檢驗植株生長狀況的準確率」,當然是關鍵要素,但也只是必要條件「之一」而已,此外還包括檢驗的速度、處理的品質、設備的構裝等。

而就算完成以上這些,這還只是產品本身,當先牽涉到進入此產業,還需考慮後勤、成本與技術服務移轉等。

所以要做為一Vertical AI,必須要提供的是完整的「Full-Stack Product」,是要能夠真正的依靠AI技術去解決產業的「真正痛點」,而非見樹不見林的只從單一小部分著手而已。

與其成為AI公司進入某個垂直產業,倒不如說,這本來就是某應用領域的專業公司,只是用了AI技術來做強化。

就像網際網路剛出來時沒甚麼人懂,現在普通人都可以藉由開網頁幫手,開店、開部落格,那是因為網頁只是一個「工具」,有價值的不是網頁本身,而是產業透過網頁要解決的問題。做零售業的人,因為有網頁而成為了電商。但我們不會說電商是一個做網頁的公司。因為它經營的本質不變,還是「賣東西給客人」。

深度學習用在AI,也是一個「工具」,用來幫忙「強化」原有產業的服務內容。而它就跟網頁的發展一樣,會逐漸被Commoditized。

而AI公司避免被Commoditization淘汰掉的方式,就是走「深」、走「垂直領域的Full-Stack Product」、「走Vertical AI」。

可以試想大多的AI公司都能夠明白這些道理,但是要從「技術服務公司」轉化成「應用公司」,那基本上是商業模式的重新定義。就像要寫網頁的公司變成電子商務公司一樣:前者本質是技術服務公司,後者本質是零售業。

如果我們循網頁發展的思路,來看兩到三年後可能可行的AI商業模式:目前這些AI新創公司,與其把自己定義成AI技術公司,不如仔細思考,如何善用AI技術來改善現況,但是核心應該還是以「該產業的商業模式」作為公司經營方向。

這是什麼意思?

舉個例子來說:中國很多AI公司落地是做安防產業,利用AI的辨識技術來強化安防分析的效果。但他們知道辨識技術只是其中一環,舉凡安防所要涉及的通路、經營模式、定價、產品類型,才是公司的主要方向。

當然AI的範疇很廣,不僅是垂直領域的應用而已。但對AI新創來說:

要做AI,最好能成為Vertical AI;而最成功的Vertical AI,本質上其實就是某個垂直產業應用的公司,AI只是技術強化的一部份而已。

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

立馬度

MP/《經理人月刊》百大經理人獲獎者,台灣十大國際品牌物聯網公司協理。Kathy Chang/《Girls in Tech Taiwan》”40 Under 40 Women in Tech” 獲獎者,曾任職於東南亞電商的新加坡總部,目前在歐洲做數位金融。

想做的事情太多了,不如就開始立馬度!當硬體為主流的台灣物聯網電子業,碰上新創、電商與數位金融,加上兩位作者身邊圍繞接觸的各國創業菁英,職場與生活的反覆討論思辨,可以激盪出很多想法與行動,也是我們寫作的初衷。

追蹤我們