文 | 李大椿

2022年5月27日，有AI四小龍之稱的云從科技（688327.SH）登陸科創板，首日定價15.37元，市值不足120億元。遙想2020年5月，公司完成上市之前的最后一輪融資（pre-IPO輪），合計6億元，彼時估值已經達到130億元。上市價格低于pre-IPO價格，在A股非常罕見。

上市時距離上輪融資已過2年，公司發展和資本市場反饋均不及上一輪融資之時。云從科技一直未實現盈利。2019年-2021年，云從科技凈利潤分別為-6.92億元、-8.44億元、-6.64億元。財務指標有兩大特征：一是毛利率偏低，只有30%-40%；二是研發費用居高不下。

(資料圖)

同為AI四小龍之一的商湯（00020.HK）面臨同樣的盈利困境。2018年-2021年商湯合計虧損376.89億元，同期營收合計僅130.26億元，虧損接近營收的3倍。而且虧損額還在逐年加大。

2022年6月末一級市場投資人解禁，商湯科技日跌幅近47%。2021年12月上市時，商湯發行價3.85港元/股。上市半年，價格最低跌到2.38港元/股。

2022年之前，國內資本市場普遍看好一個方向：新技術改造傳統產業，實現國際競爭中彎道超車。其中，人工智能替代人力投入的技術特征，契合了中國人口紅利末期產業升級的需求。而且，谷歌的Alpha Go持續刷新圍棋對戰紀錄，更讓市場看到了人工智能的無窮潛力。這些都催生了國內人工智能的投資熱潮。

2015年-2017年我國新成立的人工智能公司占到近十年注冊量的50%，其中就包括大家耳熟能詳的AI四小龍。另一方面融資規模也在逐年加大，2015年-2021年行業融資金額每年以翻倍的增速上升，單筆融資額也從2015年不足1億元攀升都2021年接近3.5億元。這直接體現了人工智能行業不斷壯大、落地場景不斷豐富的特征。但也從側面反映出，行業發展依靠“燒錢”，自身造血能力弱。

人工智能行業2015年-2021年，合計融資超萬億元。雖然國家出臺各類支持政策，但是行業依舊處在大面積虧損狀態。一邊是投資熱潮、未來科技焦點，一邊是企業虧損、從業人員焦慮。

這讓我們不禁想要探求人工智能行業為什么虧損？這些企業是否真的能“燒”出一個未來？

成本端：成本剛性

人工智能企業為什么虧損？首先需要分析，為何相較一般軟件行業，其毛利率較低。

開展一個人工智能項目，并非大家想象中從零開始搭建精密的算法模型。這樣開發周期和成本均不能掌控。行業發展至今，已經形成了相對完備的模型庫。業務開發人員只需抽取相關模型，用特定數據進行訓練優化即可。

所以從開發階段劃分來看，人工智能項目大致可以劃分為四個階段：

1. 數據處理；

2. 模型設計及優化；

3. 模型評估及調整；

4. 實施部署。

各階段的成本也呈現出不同特點。數據處理階段主要為數據成本；模型設計及優化階段主要為算法成本；最后兩個階段主要是交付成本。

（1）先看數據成本

數據處理環節內容較為龐雜，不僅包括原始數據獲取或購買，還包括將數據整理成人工智能模型可識別的類型，甚至還要對數據進行裁剪、加粗等增強工作，形成適合的數據。

高質量的數據是算法模型成功的重要保障，但是數據處理并非一個技術問題。處理過程雖然簡單，但往往是大量人力堆積的結果。數據標注行業，業已成為經濟相對落后地區的重點發展產業。

自然語言處理（NLP）是一類讓計算機理解人類語言，從而快速給出海量資料分析結果的人工智能基礎技術。一個常見的NLP模型，訓練數據樣本量在5萬-10萬/標簽，稍微復雜一些的模型，訓練數據樣本量要20萬個。

文本數據標注還算簡單，但是像人臉識別類模型，需要對圖像數據進行標注。單個樣本標注處理時間是文本數據3倍-5倍。訓練一個人臉識別模型大概需要10萬的樣本量，數據整理標注成本較高。如果樣本數據需要購買，整個數據成本要占到項目總成本的接近60%。從項目開發時間來看，數據采集、清洗、標注、增強等處理時間占到整個開發周期80%。

可惜的是，花費如此高的數據成本之后，所開發模型的通用性并不高。核心在于各場景下的數據標準很難統一。例如胡同交通和馬路交通都并不一致，同樣的識別模型在兩個場景切換時就會產生巨大的效果差異。

而修改模型的成本不亞于重新開發一個模型。模型訓練所需的數據質量要求高、通用性弱，造成了數據部分成本頗為剛性。

（2）再看算法成本

算法成本，即具體應用模型的設計及開發所產生的支出，主要體現在工程師的人力成本和模型訓練所必須的硬件投入。

一般來看，一個市場定價在5萬-10萬元的常用算法模型項目，開發時間約為100小時，需要1個-2個算法工程師。單個算法工程師單月產能為8萬-10萬元。按照常用模型平均復用率3次（即同一個模型可以銷售3次）來估算，其單月創收為20萬-30萬元。然而算法工程師當前薪酬5萬-8萬元/月，人力成本不可謂不高。這也難怪一些人工智能公司常常抱怨招不起人。

而且值得說明的是，人工智能當前依舊處在高速成長期，算法人才供不應求，用工成本不會大幅下降。

模型訓練所需要硬件投入，相對數據、人力成本占比較低。而且作為固定資產，其復用率也高。其投入主要就是CPU和GPU。一塊性能中等的CPU市場均價3000元左右，一般市場定價在5萬-10萬元的常用算力模型，大概需要4塊-6塊CPU。這方面投入額不到2萬元，且各個項目通用性高，成本平攤之后相對較低。

（3）最后看看交付成本

交付成本指的是在模型驗收和實施部署階段，不能一次性成功交付，需要反復調整而產生的支出。當前國內一般項目一次性通過率不足60%。如果無法一次性成功交付，往往意味著需要補充數據和算法人員，甚至需要二次開發。這無疑會增加項目成本。

綜合來看，一般人工智能項目的成本構成如下：數據成本占到60%，人力成本20%，硬件及后續調整20%。在各項成本中，人力成本因為供不應求及市場競爭原因，短期內不存在下降的可能。只要人工智能深度學習底層框架不變，數據成本就呈現絕對剛性。整體來看，成本可下降的空間有限。

收入端：單價難提，復用有限

既然成本端支出剛性，那么收入是否會有所改觀，從而提升毛利率呢？從項目收入角度看，提高毛利率無非兩條路徑，一是提高項目單價。這除了和人工智能項目定價機制有關，也和采購客戶自身預算約束相關；二是提高項目模型的復用率。即針對某一項目開發的模型，盡可能的多賣幾家，攤薄模型開發成本。

項目單價方面。人工智能企業單一項目的報價方式普遍采用“成本加成”模式，一般在名義成本上加成20%-30%。實際上企業會虛報一點成本，這樣毛利率就可以增加些許。但是在現實中，由于現階段人工智能技術遠沒有達到高效替代人工的作用，采購客戶往往是嘗試性的消費。該種模式下，客戶不接受人工智能企業過高的成本加成比例。這導致單價提升困難。

模型復用率方面。從人工智能公司客戶分類的角度看，大致可以分為政府客戶和一般企業客戶。

政府項目完全基于特定算法模型，定制化程度高，基本不復用。該類項目受政府預算影響，并非商業化主流。企業客戶才是人工智能規模化商用的目標，也是新技術助力傳統產業升級的價值體現。

針對企業客戶，人工智能企業的商業模式是，針對各類高度細分場景，開發通用型的算法模型，提供單次數據服務或者運營報告。

這類模式下，單次服務的市場報價一般保持在模型開發成本的15%-30%。如果企業項目毛利率要達到軟件行業平均的50%-60%，算法模型復用率要達到6次-10次，且每次復用模型的二次開發或者調整成本較低。

如此高的復用率就要求模型所針對的細分行業內人工智能應用較為普遍，這類細分行業一般具備以下特點：

1. 主要為簡單重復性工作；

2. 場景標準化程度高，數據差異小；

3. 依靠大量人力。

同時具備這三類特征的細分行業主要集中在工業生產領域。而且，具備高度自動化物理設備的環境，才能充分展現人工智能的價值。然而當前工業自動化水平不高，單獨的人工智能技術難以施展威力。

能夠具備以上三個特點的上游行業通常存在很強的規模效應，行業規模相對集中。例如視頻監控領域。大規模視頻監控產生了大量標準化的圖像識別需求，過往需要大量人力進行篩查，人工智能的出現能夠大幅提高效率。

智能分析企業相對視頻監控企業集中度低，加之模型技術難度壁壘不高、競爭激烈，導致該類人工智能企業的市場話語權低。它們需要依附上游企業，盈利能力被壓制。

綜合來看，人工智能使用效果不顯著，導致下游客戶嘗試型采購，項目單價難以提高。未來技術持續進步，項目單價可能帶來提升。但是從模型復用率看，人工智能高度依賴數據訓練，而下游各細分場景數據差異性大，導致模型普適性不高，單一模型復用率低，成本無法實現攤薄。

在當前技術階段，項目單價不能快速提高的客觀現實下，如何提高模型復用率成為人工智能企業盈利關鍵。

費用端：技術與資本合力推高

毛利率無法改善、收入難以提升、銷售費用率難以降低，一般企業已經處在虧損邊緣。而企業居高不下的研發費用更讓這些企業雪上加霜。一般來說，當前行業普遍的研發費用達到銷售收入的20%以上。

人工智能企業融資的用途一般在兩項，一項是給即將交付的項目墊支，維持企業正常運行，另一項便是研發更高精度、適用場景更多的算法模型。

當前高比例的研發費用是技術博弈和現實融資要求共同作用的結果，企業很難削減該部分支出。

從技術上看，高額研發投入也是行業發展階段的必需?，F階段人工智能面臨各種各樣的問題，歸根到底還是技術水平不能滿足商業需要。

高額研發費用的持續投入成為企業博弈未來的必經之路。作為典型技術驅動的行業，技術迭代快速，如果企業在技術上不能保持相對領先地位，很快便會失去現有市場地位。

從企業生存角度來看，在企業尚不能自身造血的情況下，生存基本依賴外部融資。如何證明技術先進性，成為人工智能企業必須向外部投資人回答的問題。

本來當前算法研發迫切需要解決模型復用率低的問題，但單個企業無法解決此問題。

所以實際情況下，企業將更多的研發費用花費在算法精度提升上，參加各類人工智能競賽，博取名次。用比賽成績以及高精度量化指標，向資本市場展示其技術水平和技術持續進化的潛力。

現階段人工智能企業均配備高質量研發團隊專門進行技術比賽，但是由于比賽場景和現實場景數據差異過大，其研發的模型與商業應用相去甚遠。

人工智能企業的三種模式

當前算法模型對數據質量及數量高度依賴，導致數據獲取及整理成本居高不下。再加上行業競爭加劇帶來的人才搶奪在不斷推高人力成本，成本較為剛性。

收入端因為人工智能技術的發展階段尚不能實現對人力大量替代，實用性需求不足，項目單價提升困難。而細分場景數據差異性大，導致已開發模型復用率低。

這些原因導致人工智能行業毛利率遠低于軟件行業。另一方面受行業本身技術發展要求以及后續融資的考慮，企業又不得不保持較高的研發投入。種種原因導致了這個在中國發展近十年的行業，依舊普遍虧損。

在這種殘酷現實條件下，人工智能行業大致分化成三類企業：

第一類企業專注于常用復用率較高的算法模型。這類項目所需技術簡單，對準確率以及速度要求不高。企業往往針對某一個項目開發模型，并將其進行大規模復用。其盈利模式也從單純的“項目制”一次性收費，轉向“運營制”按次數收費（提供咨詢報告模式）。

這類模式雖然實現自身造血，但是存在兩個方面的問題。一方面是模型復用率雖然有所提升，但是因為現實環境下數據復用的場景不多，企業需要不斷尋找細分落地場景。

另一方面是融資難，該類模式下所開發的模型均使用較為普遍型技術。在行業技術不斷迭代的階段，資本市場認可度差。這類企業為解決這個問題，往往會引入成建制的研發團隊專門打比賽刷模型數據。這類企業依舊保持巨額的研發費用支出，容易產生虧損。

第二類企業專注在政府項目，這往往是人工智能產業頭部企業。政府項目單價高，定制化程度也高，這些項目更偏向與行業內知名公司合作。

這種模式雖然有利于公司擴大行業影響力，項目利潤率也高，但是缺點在于項目定制化程度高，所開發的模型基本不形成復用。

另外政府項目來源并不穩定，很考驗企業渠道能力。近年來隨著人工智能企業不斷涌現，獲取項目的競爭加劇。從企業經營來看，前端項目來源不穩定，后端人員成本支出剛性，再加上政府項目回款普遍較慢，企業需要大額流動資金。這類企業現金流會始終處在緊繃狀態。

第三類企業專注視頻圖像分析領域。這是為數不多的場景高度重復且市場規模較大的細分領域。從商業模式上看，上游數據源源不斷，算法模型可以實時訓練?；谶@些數據可以衍生很多服務項目，天然具備從單純的項目制收費轉向持續性運營收入。例如短視頻領域的信息流推薦系統，推薦算法在短視頻平臺源源不斷的數據中進行不斷迭代，精準流量推送成為獲取高額廣告費用的保障，平臺與算法實現了高度契合。

近年來人工智能的創業多聚焦于此。但是該行業用戶的市場集中度高。監控視頻領域?？低暎?02415.SZ）和大華股份（002236.SZ）接近雙寡頭壟斷；互聯網領域也高度集中于少數幾家巨頭。這些企業把握核心數據流量，目前積極建立自己的人工智能團隊，打造新的業績增長點。第三方人工智能企業只能輔助應用開發，產業鏈話語權低。

結語

從2013年開始的人工智能投資熱潮，持續至今已將近十年，行業依舊面臨大額虧損。而且從已上市企業財務情況看，虧損逐年加大，生存高度依賴外部融資。

它們是否真的能夠“燒”出一個未來呢？

我們認為人工智能當前尚處發展初期，技術、產品、商業化均面臨重重矛盾。未來行業極有可能從基礎技術底層框架角度進行變革，當前領先的人工智能企業亦面臨技術迭代帶來的行業洗牌風險。

當前企業毛利率偏低且無法改善，技術持續迭代導致高額研發投入無法消減，行業實現盈利尚需時日。

關鍵詞： 人工智能