选择比努力重要，在AI行业更加明显

技术只是起步的基础，商业模式才是王道。

在科技与商业相互交织的历史中，我们经常会看到一些技术大咖亲自上阵，担任企业CEO的例子，从苹果的乔布斯，到Mdjourney的David Holz，再到OpenAI的Sam Altman，都是如此。

这些心怀理想，又天马行空的技术狂人，时常能用自己过人的创造力，为企业带来巨大的成就。

然而，令人唏嘘的是，并非所有狂热的技术理想，最后都能造就行业佳话。

一旦这些偏执的技术追求，不慎决策错误，曾经傲人的天才，也难免会落入狼狈的境地。

而第四范式的CEO戴文渊，就是这样一个例子。

说起今天的第四范式，业内除了叹息，还是叹息。

4年亏损近50亿，三次IPO失败……

很多人不明白，这个有着红杉、腾讯、创新工厂等众多明星资本站台，且技术实力雄厚的行业独角兽，为何会陷入今天的困境。

其实，第四范式的命运，从CEO戴文渊决定专攻决策类AI的那一刻，就已经决定了。

01 选择的路径

在AI技术路径的难易度上，决策类AI的研发难度，要远超较为普遍的认知类AI。

这是因为决策类AI需要解决的问题更加复杂和动态，涉及到更多的逻辑推理、策略选择、效果评估等环节，而不是简单地识别、理解或生成数据。

既然如此，那第四范式为什么偏要选择这条崎岖的“险路”呢？这恐怕和戴文渊不凡的经历有关。

身为科学天才的戴文渊，不仅曾获得过ACM国际大学生程序设计竞赛世界冠军，而且还有幸认识了华人界首位国际AI协会院士杨强，并成为了其学生。

2015年，戴文渊创立了第四范式，开始了AI领域设计应用的探索。

一开始，雄心勃勃的戴文渊想一步到位，给所有的AI公司设计一个集成工具。

具体来说，第四范式在2015年推出了一个名为“AI Studio”的产品，旨在为AI开发者提供一个在线的集成开发环境（IDE）。

这个产品并没有得到市场的认可和响应。

一方面，当时的AI开发者还不够多，对于这样一个高级的工具产品，并没有太大的需求。另一方面，第四范式也没有足够的资源和能力来维护和更新这个产品。

经过了一年的运营，AI Studio项目最终不了了之。

在这次挫败之后，心有不甘的戴文渊，在自己之前研究成果的基础上，带领团队做出了一个号称是划时代的学习系统——先知。

之所以号称“划时代”，是因为它通过大规模分布式机器学习框架GDBT，让深度学习变得像玩乐高一样简单，只要拼接数据和算法，就可以轻松构建和部署高性能的AI应用。

产品做出来之后，一个重要的问题，就是寻找可落地的场景。

经过一番摸索之后，戴文渊决定选择决策类AI这个赛道，因为在当时，决策类AI还是垂直细分市的一片蓝海。

在AI1.0时代，许多大型企业，由于面临着复杂的业务环境、多元的业务模式，都亟需一种管理决策平台，来提升管理效率，帮助自身实现数字化转型。

例如，制造业需要对生产流程进行分析、优化；各大零售商也需要智能化的手段，预测销量制定精准营销策略。

戴文渊当时的团队，在AutoML、迁移学习、强化学习、大规模分布式优化等方面都有着领先的技术优势，曾获得过数百项专利。

这些积累，正好与决策类AI的技术路径不谋而合。

虽然这是条竞争较少，却难度较高的赛道，但凭借过人的技术实力，在短短几年内，第四范式就发展出了几十个大型客户。甚至包括了中石油、中石化、五大行等大型国有企业。

其在2020年推出的SageOne软件定义一体化解决方案，更是打破了传统机器学习的维度限制，同时可以支持万亿维特征处理，让决策类AI能够处理更复杂、更高维的数据。

然而，短暂的风光之后，各种问题却一一显现。

02 定制化之累

诚然，背靠大客户可以让第四范式拥有更高的客单价，在较少数量但更为稳定的客户中实现更大的收入。

但在另一方面，决策类AI“非通用”的特点，也造成了其一步步迈向亏损深渊的命运。

具体来说，决策类AI的特性，决定了其需与企业的具体业务、场景深度绑定，因为不同的决策问题往往有不同的目标、约束、数据、环境等。

举例来说，假设一家物流公司，想对自身的总行驶距离和总成本进行优化，那它就必须考虑到自身配送中心的数量、以及自身货车的车型、以及不同客户的优先级等等。

这些非标准、差异巨大的需求，导致了决策类AI很难用一个通用的平台，找到对所有问题一刀切的解决策略。

这就造成了第四范式需要不断针对不同的客户，进行定制化项目的研发，进而使其研发成本变得愈发高昂。

2019-2022年上半年，第四范式研发支出之中的技术服务费占比分别为30.7%、51.2%、67.3%与74.3%，占比持续增加。

更令人头疼的是，每一次高昂的定制化研发成果，却很难复用在未来的其他项目或产品上，这就造成了其研发成本无法在业务上进行摊薄。

除了定制化的研发成本之外，困难的落地化过程，也在某种程度上阻碍了第四范式盈利水平的增长。

因为第四范式提供的决策类AI平台，实际上是一种底层的技术能力，而不是单点的解决方案。客户很难直接使用，还需要根据具体业务场景和数据特点，进行定制化的开发和部署。

这就意味着，客户还需要额外花钱找技术公司来帮忙落地。

如第四范式的Sage HyperCycle自动决策类机器学习平台，Sage AIOS企业级AI操作系统，都不是一种现成的AI产品，而是一种可以根据客户需求进行定制和适配的AI平台。

在具体的部署过程中，用户不仅需要了解这些平台上，诸如深度学习、强化学习等多种算法的理论，还需要具备一定的数据处理和特征工程的技能，来对自身数据进行进行清洗、预处理和特征选择等操作。

如果没有相应的专业能力，只会让人直呼头大。

如果将AI技术落地化的过程，比喻成买车，那么百度、腾讯、阿里等巨头的做法，要么是直接造好一辆车，让客户根据不同的需求进行选择（如腾讯的大模型商店）；

要么是提供简便易用的造车平台（如百度飞浆），让用户按照自己的想法造车；

而第四范式的提供的，仅仅是一个定制化的汽车的“引擎”。

用户还需要根据自己的用途和场景，去设计和制造车身、底盘、轮胎、刹车等。这些工作不仅需要花费很多时间和精力，还需要有专业的技术知识和经验。

而所有这一切，都无形中增加了企业的使用成本，和产品的落地化难度。

03 正确的“错路”

除了高昂的研发成本、困难的落地过程之外，以大客户为主的业务模式，也造成了第四范式盈利方式上的“不灵活”。

根据IDC的统计数据，使用AI进行决策支持的企业中，有超过60%是大型企业，（年收入超过10亿美元）。

这是因为，大企业的业务，往往会涉及更多的数据、变量、场景、目标等，需要更高的决策效率和质量。

从这点上来看，第四范式选择以大企业、大客户为主要服务对象，也是件情理之中的事。

可问题是，这些大客户的需求更加复杂和多样，且与之建立信任的周期很长，在售前环节，1-2年打入供应商体系是常态；售中环节，打标竞标流程漫长，半年是常态；

因此第四范式需要投入更多的人力和资源来进行沟通、维护等工作。这就造成了其“营销费”的逐年走高。也就是业内所说的获客成本过高。

2019-2021年，第四范式在营销上的开支，在总收入的占比达29.56%、26.32%、22.54%。

其次，由于大企业在回款方面，往往有着复杂的手续，与繁琐的流程，导致第四范式的应收账款周转率低，资金回流缓慢。

从账期看，2021年第四范式有52.3%的款账期小于3个月，有28%的款账期在3-6个月，有15.5%的款账期在6个月—1年。

这样的情况，也使得第四范式的营收能力受到了限制，难以实现规模化增长。

面对上述的各种窘境，第四范式不是没有尝试过改变，例如其也尝试过在给大客户定制的功能中，集合成一些通用的模块，并导入自家的“先知”系统。

但这样的“通用”模块，只是一些较为表层的数据处理、模型训练模块，在面对不同类型的任务、场景时，仍然难以摆脱定制化的调整和研发。

用一个比喻来说，第四范式的定制化研发，就像是为每个客户量身定做一套衣服。通用模块，就像是一些基本的布料、纽扣、拉链等材料，可以在不同的衣服中复用。

然而，每个客户的身材、喜好、场合等都可能不同，所以即使有了通用模块，也需要根据客户的需求进行二次的设计和裁剪，才能做出合适的衣服。

纵观第四范式的决策类AI之路，我们可以发现，第四范式确实是走了一条正确的“错路”。

因为技术的扩张与传播，与生物体的繁衍一样，只有具备与更多环境的兼容性，才能使自身得到最大限度的延续和传承。

这样的例子，在科技发展过程中屡见不鲜。

20世纪80年代，苹果用一款名为Macintosh的个人电脑，打败了IBM体积庞大、价格昂贵的计算机。

通过图形用户界面和鼠标输入设备，计算机变成了任何普通人都能使用的工具，而非只有专业的程序员才能操作的机器。

同样地，在GPU领域的竞争中，英伟达之所以会成为当今AI领域的“基建之王”，也是由于其提供了丰富的GPU软件平台和工具，如CUDA、TensorRT、NVIDIA AI Enterprise等，帮助开发者和企业快速构建和部署AI应用。

如果说，第四范式在自身的发展过程中，真的做错了什么，那就错在其违背了这样一种普适化、泛用化的技术演化路径。

其研发的“先知”系统，难以找到将所有行业通用化、平台化的能力和工具，

而倘若不能通用化的系统取代定制化的服务，其臃肿的研发团队，高昂的研发经费，就必须一直维持下去，未来第四范式盈利的路途，也很难看到曙光。