人工智能產業的商業模式探究

周及真

【摘要】運用2×2矩陣分類法構建人工智能商業模式的分類框架，以縱軸的短期盈利高低和橫軸的可防御性高低為標準，將人工智能產業的商業模式劃分為學術分蘗型、數據即服務型、模式即服務型、機器人即服務型。由此歸納提煉人工智能商業模式的四種顯著特征——深度思維戰略、“37-78范式”、預定授粉模式、免費商業模式。在此基礎上，從地域集中分布、融資環境、增長規律等角度解析人工智能企業的運營模式，并根據人工智能產業商業模式發展面臨的眾多挑戰提出相應的對策建議。

【關鍵詞】人工智能;深度思維戰略;37-78范式;預定授粉模式;免費商業模式

【中圖分類號】 F121.3? ? ?【文獻標識碼】A? ? ? 【文章編號】1004-0994（2020）07-0130-5

中共中央總書記習近平曾強調：人工智能是新一輪科技革命和產業變革的重要驅動力量，加快發展新一代人工智能是事關我國能否抓住新一輪科技革命和產業變革機遇的戰略問題;人工智能是引領這一輪科技革命和產業變革的戰略性技術，具有溢出帶動性很強的“頭雁”效應;要深刻認識到加快發展新一代人工智能的重大意義，加強領導、做好規劃、明確任務、夯實基礎，促進其同經濟社會發展深度融合，推動我國新一代人工智能健康發展。的確，人工智能產業的激進式創新模式已徹底改變了理論界和實業界對商業模式的認知。雖然其商業模式與生物制藥等其他產業有相似之處，但其演化具有一定的獨特性。到目前為止，大多數已有文獻只涉及該產業總體或特定大公司，而并未關注其總體商業模式的具體分類、獨特性以及投資環境，因此本文將其作為研究重點。

一、文獻綜述

當前，人工智能產業方興未艾，國內外學術界專門針對人工智能產業或從人工智能角度進行學術研究的文獻層出不窮。朱巍、陳慧慧等[1] 從人工智能學科的學派與發展歷史、國際人工智能發展概況、國內人工智能發展格局等方面入手，系統分析人工智能技術與產業發展現狀，并結合我國人工智能面臨的機遇與挑戰，對發展人工智能提出對策建議。喻國明[2] 分析了人工智能的內涵、技術梯度及其在新聞傳播領域中的應用，結合美聯社的智能傳媒實踐，認為智能傳媒將導致傳播內容從單一向全息傳播轉變，傳播方式從同質化向分眾化、精準化轉變，傳播主題從受眾向人機協同轉變。周振華[3] 研究了基于情感計算的人工智能的特征、功用和經濟新實踐轉化，并對人工智能產業經濟現狀與市場前景進行分析。韓海雯[4] 則提出，我國目前的供給側結構性改革宏觀政策，應在微觀層面上落實為人工智能產業建設，以在人工智能技術帶來的智能機器和智能機器勞動這一全新變革下，促進智能機器大工業分工形態的形成和發展，克服現階段機器大工業分工形態的消極性作用，引領我國走出經濟發展新常態，邁向分工更復雜、形態更高級的社會分工高級階段。但對于人工智能產業自身商業模式的分析模型和具體分類、獨特性以及相關實證研究、基于投資環境分析提出的對策建議等尚十分欠缺。

二、人工智能產業商業模式的類型

為了將不同人工智能初創企業的商業模式進行分類，借鑒彭博社投資者于2015年提出的分類方法，考慮到太狹隘的框架可能會限制部門和機構的靈活性轉變，因此本文創建了一個2×2分類矩陣，具體如圖1所示。

1. 學術分蘗型（Academic spin-offs）。這一組企業是解決棘手問題的長期研究型企業，其團隊通常是在前沿領域獲得重大突破的、較有經驗的真正創新者。

2. 數據即服務型（Data-as-a-service，DaaS）。這一組企業收集特定的大數據集或創建與無關信息倉連接的新數據源。

3. 模式即服務型（Model-as-a-service，MaaS）。這一組企業類型最為普遍，是由大眾化企業將收入流的模式商業化，進而呈現出三種不同的形式：一是狹隘的人工智能企業，只專注于通過新數據、創新算法或更好界面來解決一個特定問題。二是價值攫取型企業，通常是通過應用程序界面或建立專門客戶平臺來提供針對特定客戶群體的解決方案或完整的集成化解決方案，提供的所有商業模式都可訓練（運營模型）或被訓練（原始模式）。三是推動型企業，使最終用戶通過一體化平臺實現自我分析，使日常工作流程更有效率，最終通過創建應用程序等中間產品來創造新機會。

4. 機器人即服務型（RaaS）。這一組企業是人們可與之交互的虛擬和物理代理，其中一部分低成本企業主要涉及虛擬代理和聊天機器人。而無人駕駛汽車、傳感器等物理系統以及無人機和真實機器人等產品凸顯出這組企業的資本集聚和人才集聚特征。

本文將該分類結果總結為矩陣，橫軸為短期盈利程度，縱軸為商業可防御性程度。對于更可行的產品而言，模式即服務型企業在短期內貨幣化其產品從而使企業獲得盈利的能力最強，但商業防御能力最弱;數據即服務型企業的短期盈利能力和有效規避復制侵權的能力都較強;學術分蘗型企業則下了長期賭注，堅實的科學研究使其具有高防御能力但短期盈利能力有限;機器人即服務型企業則可能面臨更多問題，例如過時的硬件組件和創建正確交互界面的困難。這種矩陣分類并不能說明某種類型的企業更好，也并不意味著屬于特定類型的特定公司不會盈利或成功（例如某家機器人即服務型人工智能企業也可能具有高盈利能力），這只是一種分析人工智能商業模式的有效工具。

三、人工智能產業商業模式的獨特性

1. 深度思維戰略。人工智能產業的增長模式正發生劇烈改變，現有大型企業并非與新興創業企業競爭，而是積極實施兼并收購，這種新型擴張戰略被Francesco Corea[5] 稱為“深度思維戰略”，這一理念在谷歌成功收購深度思維（Deep Mind）之后逐漸普及。人工智能是唯一一個純團隊價值超過業務價值的產業。深度思維被谷歌收購時仍處于早期發展階段，企業更多地關注于人力資本和純技術進步而非營業收入，并保持原有品牌元素、保留整個團隊、積極實施人才引進，被收購后仍保持原有總部，在實體經營和運作模式上都保持完全獨立。這種獨立性賦予了深度思維實施并購戰略的能力，于2014年并購深藍實驗室和視覺工廠，同時母公司利用子公司的服務來整合而非替換現有業務（如谷歌大腦和深度思維的整合）。考慮到收購成本遠低于隨意設置總部的機會成本，因此人工智能企業現在就應實施有效并購從而避免數年后喪失并購機會。從這個意義上來說，并購是純粹的實物期權工具，保證了現有企業未來可能獲得的收入和達到的層次。

2. “37-78范式”。人工智能顛覆了傳統的物聯網商業模式，因為其向最終客戶共享數據而實現了非集中化。人工智能促使企業在業務循環中維持顧客，主要表現在三個方面：一是建立客戶對產品和企業的信任;二是增加客戶習慣行為的忠誠度;三是通過反饋提高客戶的產品敏感性。關注那些作為產品開發重要組成部分的最終用戶具有重要意義，但人工智能正向一種新型商業模式轉型——“37-78范式”[5] 。此命名來源于2016年3月的圍棋人機大戰：微軟AlphaGo在第二場比賽的第37步擊敗了李世石，李世石驚訝于前者棋招非人類路數，在重新思考棋局后構建新思考模式，終于在第四場比賽的第78步走出了出乎對手預料的棋招并最終贏得該場比賽。“37-78范式”證明了用戶是構建有效人工智能價值的真正驅動引擎，人類與機器完全可以實現互利互惠。

3. 預定授粉模式。預定授粉模式是指由人工智能初創企業打造一家最優秀的“選手”，這可能是市場上推出的第一個版本，企業通常獲得一兩輪風險投資后得以發展并雇傭員工。一旦初創企業經營走上正軌后，員工便獲得其他風險資本業務的支持和資助而離職并開始自己創辦企業。

4. 免費商業模式。人工智能產業具有兩個發展階段，一是快速和無痛的實驗期，二是通常缺失的專利期，這迫使人工智能不斷發展并開始使用替代性收入模式——免費商業模式。現有企業投入巨額資金使得許多尖端技術和算法實現免費且便于下載，創業公司也正努力嘗試這種免費商業模式，其得益于科學家和學者倡導的共享理念并公開展示自己的研究成果。這種不基于高科技硬件的免費軟件商業模式具有多項優勢：①降低進入壁壘，拉動產品生產;②排除故障，許多技術人員可更有效地發現和修復補丁并從不同角度看待問題;③人群驗證，因為識別機制、基本原理以及影響經常是不完全清晰的;④縮短產品周期，改變了技術論文發表或軟件發布后需數周才能獲得對應產品的狀況;⑤獲得數據、吸引人才、創建基于底層技術的添加產品等多方面的競爭優勢;⑥創建數據網絡效應，最終用戶或中間用戶都能使用該軟件創建更多數據，從而使算法更精明、產品更好，最后吸引更多用戶。免費商業模式總體上運作較成功，企業無需支付任何成本、無需付出任何代價就能以最好的方式傳播技術，同時還能擁有獨特的大型數據集、共享平臺和巨大的投資擴張能力。

免費商業模式對人工智能發展的影響也是多方面的。一方面，開源模式有助于提高知識和技術的吸收能力，可通過擁有互補性資產而獲得額外利潤，這種互補性資產的價值來自于增加的新技術和新思想，同時也有利于技術人才展示技能、建立聲譽、提高市場價值;另一方面，新興的開源模式與傳統的軟件即服務型（SaaS）企業難以調和，其提高了該領域潛在競爭對手進入的技術壁壘。例如，如果要建立另一家接管谷歌的Tensor Flow公司，就應公開證明企業至少能夠提供Tensor Flow所允許的技術和算法、培育現有公司未預想到的應用案例以及開發基礎技術工具。軟件和知識是非競爭性商品，由于更多人使用而便于以低邊際成本構建應用程序和技術并修復補丁，對企業也有強大的品牌效應;但由于“搭便車”效應的長期強化，企業普遍缺乏研發投資動機并轉而投機取巧和追逐壟斷租，而現有企業也可能沒有最大限度地開放技術抑或釋放的是某種程度上將淘汰的技術。

四、人工智能企業的運營模式

為了深入研究人工智能企業的運營模式，Francesco Corea[5] 創建了一個包含13833家人工智能初創企業（業務領域包括機器學習、大數據、分析、機器人、無人駕駛飛機等）的獨特定制數據集清單，追蹤這些企業提交給美國證券交易委員會的備案文件，主要選擇Crunch base數據集對這些公司的數據進行分析。可以看出，人工智能初創企業的成功運作具有許多共性特征，企業部門的活動在很大程度上能夠影響企業結構。

1. 人工智能企業的地域集中分布。圖2和圖3分別是初創型人工智能企業在各大洲的地理集中分布和人工智能企業集群在各國的分布。

根據圖2、圖3可知，人工智能企業呈現出地理集中分布的特點。其中：北美洲的企業數量最多，占全球的比重為61.2%;其次是歐洲，企業數量（占比23.6%）不到美國的一半;之后是亞洲，大多數亞洲人工智能企業（占比9.5%）著力于硬件和機器人行業。美國擁有57%以上的全球人工智能社區，此外英國（占比6.83%）和印度（占比5.13%）也擁有重要的人工智能集群。從城市層面進一步分析，舊金山占據了幾乎整個全球市場的1/6，而倫敦或班加羅爾等城市也是重要組成部分。舊金山和紐約是全球兩大人工智能創業中心，倫敦和波士頓位居第三和第四。其中，倫敦和波士頓有很多相似之處：一是都處于強大的科學和學術三角形中間，倫敦有牛津、劍橋和帝國理工學院，波士頓有哈佛、麻省理工學院和波士頓大學，這促進了學術分蘗的商業化，并形成了學生與教授的創業文化;二是過去幾年的這種創業浪潮中不斷涌現出多樣化的加速器和孵化器，這對于人工智能企業的早期發展非常重要;三是風險投資對于人工智能生態系統的成功至關重要。總而言之，人才、基礎設施和資金是倫敦和波士頓人工智能生態系統成功的主要原因。

2. 人工智能企業的融資環境。分析人工智能企業的融資環境，可從財務角度研究兩輪融資的時間序列。從2012年開始，早期融資的比例明顯減少，后期資金重新分配，但從2015年開始融資總量又急劇增加。這表明，人工智能初創企業通常很難完成C輪或更高輪次的融資，其中的原因是沒有能力提供承諾或被大企業收購。從退出融資的人工智能企業數量和類型來看，有相當多的人工智能初創企業選擇了退出，在公共市場上能夠籌集到資金的企業很少。技術原因造成的理解產品困難，使得風險投資的貢獻有效性不足，但這僅限于用戶體驗和市場策略領域。整個人工智能環境已被推到企業并購的風口，考慮到經濟周期的資金彈性，反向收回所有投資很難在短期內看到利潤，同時可能會對整個行業產生負面影響。

3. 人工智能企業的增長規律。一是大多數人工智能初創企業擁有多達十名員工，某些企業的員工數量甚至能達到40 ～ 50人。通常最早聘請的十名員工大多是工程師或技術人員，在第一輪融資后進一步招募更高層次的員工。從員工數量每月增長角度來看，每月員工數在-10%和+20%之間震蕩，較長一段時間內許多人工智能初創企業達到40% ～ 50%的指數級增長率。二是人工智能初創企業通常通過Twitter、臉譜網和LinkedIn這樣的社交媒體對社會產生影響，每月社會媒體曝光數的增長率在-10%和+20%之間，這表明人工智能正逐漸被社會認可，大眾廣泛對這一技術持樂觀態度。三是風險投資、加速器和孵化器無法真正起到加速人工智能初創企業發展的作用，只是在夸大人工智能產業的短期影響和市場預期。事實上，風險資本并不能加速一家大型人工智能企業的發展，只能將其平均退出時間縮短到平均值即3 ～ 5年。

五、人工智能產業發展面臨的挑戰及對策

人工智能企業在早期發展階段面臨著眾多挑戰，包括融資困難、商業或運營方面的困境、硬件投資的復雜性、監管環境的缺失等。針對這些挑戰，本文提出如下對策：

1. 針對專業投資者的缺乏，應夯實資本基礎、提高風險承受能力。人工智能產業融資方面的主要問題是缺乏專業投資者。迄今為止，人工智能產業的發展一直處于缺乏資金的困境中，因而研究當前的投資市場對于識別人工智能的未來發展方向至關重要。首先應該明確，投資人工智能產業的難度較大，技術復雜程度超出一般的商業范圍，并非所有的風險投資家都能完全理解機器學習的功能細節。正因如此，“顧問”和“宅科學家”角色的重要性與日俱增，他們能夠辨別技術創新、商業模式的可行性并有助于制定正確的期望水平。人工智能產業投資者與其他投資者略有不同，他們應具備深厚的資本基礎和高于平均水平的風險承受能力。并且投資于人工智能產業是一場馬拉松，可能需要十年以上才能看到真正的回報。投資人工智能產業應幫助企業渡過潛在的“人工智能冬天”——經濟蕭條期，甚至即使損害到短期利益也仍然要堅持更高的研發強度。事實上，人工智能企業普遍并未認識到，可增加公司價值的不僅僅是資金，還包括品牌、信譽、專利等。

2. 針對硬件投資的復雜性，應加強技術理解、風險把控并創建創業團隊。人工智能的硬件投資相對于軟件開發而言具有更高的淘汰率和替換成本，因而機會成本、可靠性、速度方面的因素進一步增加了投資的復雜性。特別是如果能以更低的成本在RobotX Space（專門為人工智能創業公司提供服務的聯合辦公空間）工作，將降低投資者的風險厭惡，從而鼓勵其在低成本條件下承擔更大風險。企業創始人或CEO的技術專長能夠在早期發現潛在的良好投資機會，關鍵在于對技術的理解、對技術風險的把控、獲得更廣泛的網絡、留住杰出研究員以及建立多學科的合作創立者和研究團隊。以人為本的創業更易成功，具有創建和支持開發者社區的能力并且產品設計更易被理解將減少企業可能產生的內部摩擦。

3. 針對大數據集和持續前期投資與短期盈利策略不一致，應實施“數據陷阱”策略。這一商業方面的困境在于產品雖然非常新穎但不易被用戶理解，因此企業面臨著怎樣識別目標客戶和緊密圍繞現有資源建立開源模型，以及怎樣以更合適的方式來發布等問題。此外，人工智能的用戶體驗和設計伸手可及，這造成了企業早期發展階段在工程師、業務員和設計師之間對有限資源分配的爭奪和由此產生的摩擦。所有這些挑戰產生了兩個橫向問題：一是可能在下一個未來投資節點來臨之前企業就耗盡了資金，二是為了實現收支平衡而追求特定業務應用程序從而可能偏廢了產品開發。

單從數據的角度來看，可實施“數據陷阱”策略。風險投資家認為可提供可初始化數據網絡效應（通常是免費）的產品。數據網絡具有強大力量：用戶對該企業的產品使用越多，貢獻的數據就越多，更加智能的產品就能更好地提供服務，從而最終形成良性循環。例如，今日頭條通過打造一個高粘性的產品，從用戶處生成交互數據，這些數據被輸入到今日頭條的算法中，從而優化產品質量。最終，該公司計劃利用這一良性循環來優化他們所稱的“內容生命周期”的每個階段：內容生成、內容管理、推薦和互動。

4. 針對監管環境的缺失，政府應介入并關注可投資節點。人工智能產業的監管環境尚不完善，這就需要政府迅速采取相應措施。涉及到人工智能硬件或機器人的應用程序，投資者不應顧及沉沒成本，投資節點應緊跟技術前進步伐。技術復雜性經常使得創業企業成為黑匣子。一些狹隘的人工智能原型可能更容易建造，但總體來說創建GAI軟件的難度和不透明的收益成本分析很難吸引最初的投資基金。此時就需要政府介入并關注何時是可投資節點。

六、結語

經過上文的分析，本文認為人工智能時代商業模式的構建和創新有三個不可或缺的要求：

1. 充分利用人工智能技術，為客戶和用戶帶來更好的體驗。在人工智能時代，無論是與體驗密切相關的醫療健康行業，還是不直接與客戶或用戶接觸的工業機械行業，都應把體驗作為構建和創新商業模式的前提。真正的商業模式建構大師，永遠都是基于對“人”的理解，而不是對機器的理解。

2. 解決方案更多來源于不同算法，而不僅僅是獨特的想法。運用獨特的解決方案才能使客戶更加滿意，形成企業的核心競爭優勢。以往的獨特想法往往是由創意者靈機一動、創業者和營銷人員的經驗觀察以及技術人員的數據分析而形成的。在人工智能時代，上述做法仍會沿用且有效，但最具影響力的仍然還是算法。

3. 商業模式的底層架構仍以大數據為基礎。數據是迄今為止最完美的“商品”，其用途廣泛、可重復使用、可通過復制而實現共享、不隨時間推移而變化，這是任何機器學習企業的優勢之一。能夠提供海量用戶數據的公司、業務或模式會受到投資人和企業龍頭的追捧。但同時，數據極化可能造成嚴重的排他性，只有幾家大企業引導和吸引大部分數據流量，而其他企業幾乎完全被排擠，最終對進入企業形成巨大的行業壁壘，但也會迫使新興企業積極與現有公司建立合作伙伴關系。

【 主 要 參 考 文 獻 】

[ 1 ]? ?朱巍，陳慧慧等.人工智能：從科學夢到新藍海——人工智能產業發展分析及對策[ J].科技進步與對策，2016（21）：66 ～ 70.

[ 2 ]? ?喻國明.人工智能驅動下的智能傳媒運作范式的考察——兼介美聯社的智媒實踐[ J].江淮論壇，2017（3）：134 ～ 138.

[ 3 ]? ?周振華.情感計算：人工智能產業的經濟新實踐——兼論對山西智慧轉型發展的啟示[ J].經濟問題，2016（6）：60 ～ 63.

[ 4 ]? ?韓海雯.人工智能產業建設與供給側結構性改革：馬克思分工理論視角[ J].華南師范大學學報（社會科學版），2016（12）：132 ～ 138.

[ 5 ]? ?Francesco Corea. Artificial Intelligence and Exponential Technologies：Business Models Evolution and New Investment Opportunities[M].Poland：Springer，2017：28 ～ 38.