首页 >热门资讯> 数据分析 > 四大行中三家注资第四范式,这是AI垂类技术创业不再「吃香」的一种预兆? >

四大行中三家注资第四范式,这是AI垂类技术创业不再「吃香」的一种预兆?

转载时间:2021.09.11(原文发布时间:2018.01.27)
239
转载作者:36氪企服点评小编
阅读次数:239次

编者按:本文来自公众号机器之能(ID:almosthuman2017),作者:宇多田。36氪经授权转载。

综合了近期采访过的创业公司,我们发现,在人工智能创业圈里,正在发生这样一种变化:

•  一些公司从喜欢讲「自己得了某某比赛的第一名」来凸显自己技术能力的强劲,转而开始倾向于「晒大订单」来显示自己真正沉入了产业

•  许多公司与投资人都曾强调要通过落地垂直场景,建立某种单点技术高壁垒的「从面到点」;但最近陆续有公司开始表示要做多维度技术,继而将全面 AI 能力扩散至公司及产业的全生命周期的「从点到面」

这种变化,如果从行业客户角度来看,也在暗示他们对人工智能应用的态度有了微妙的改变,正在进入一个更深层次利用 AI 的阶段。

中银国际董事总经理王立新在接受我们采访时已经证明了这一点:

「银行近年已经依靠技术提升了不少综合服务水平,但还不够,我们希望 AI 的应用可以进一步帮助银行更好地了解客户。」

因此,对于此次国内四大行中的三大行(中国工商银行、中国银行、中国建设银行及其所属基金联合战略出资)宣布注资 AI 公司第四范式的原因,创始人兼 CEO 戴文渊在接受我们独家采访时解释,这正是出于一种「行业实际需求的转变」:

「如果说此前很多银行都是『按需购买』各种垂类技术,那么现在的趋势就是,他们会在部署单个场景的 AI 能力过程中慢慢发现这种形式的不足,然后发现,从整体和根本上提升 AI 能力才是一个终极目标。」

从三大行给予我们的独家反馈信息来看,他们此次战略投资是希望将第四范式视为长远发展的重要伙伴,「同时也期望通过一系列更加紧密的合作推动金融业的智能化转型」。

通常情况下,一家银行如果需要人脸识别系统,往往寻找这种垂类技术的供应商,采买单个解决方案,解决某个场景中的具体需求。

换句话说,这类 AI 企业服务就是「我需要什么,我去找一家公司给我提供什么工具」。

戴文渊认为,这种单点技术公司解决问题的方式,对于甲方来说其实是一种「断裂式的功能集成」。因为它在无法解决所有问题的同时,也无法让 B 端用户从内在主动产生智能的风控能力。

「我们与垂类公司的区别可以这么理解:他们都是在帮你闻东西、听东西、看东西,那你自己还要不要嗅觉、听觉和视觉?」

第四范式已经成立 3 年,所谓 3 年一个生死槛,从人工智能尚未爆发前就一直在这里面默默垦殖。

作为创立于中国早期的 AI 技术创业公司之一,他们能发展到现在着实不易。

然而从他们这些年对外释放的信息来看,我们更多地是了解这家公司的技术方向,面向开发者与企业的技术产品,却很少清楚他们的具体商业化路径。

按照官方较为抽象的说法是,其发布的上一代「先知」系统,在完成全面升级后,定位已经从原有面向开发者的机器学习平台,迭代为面向 B 端企业经营管理人员服务的一体化「企业 AI 核心系统」。

其实他们想做的事,通俗来理解非常简单:

在 AI 时代让公司运行的整套系统逻辑发生了彻底变化的前提下,他们想按照「机器学习」的逻辑,帮企业把一整套需要 AI 能力的系统搭建起来,让企业自己产生 AI 能力。

「其实核心系统是一个企业的大脑,衣服不是核心,可以去买;但是大脑绝对不能借别人的,还是要靠自己。」

从某种程度来说,其做技术及服务的广度和深度被骤然拉大了:

•  首先,这几年时间搭建起来的 AI 核心系统平台,让公司收集和分析了大量数据,建立起若干种不同的算法模型,掌握了丰富的数据分析方法。

•  同时,在 3 年内积累起来的还有人才规模从几个人快速增长到 300 人左右,其中不乏非常资深的数据分析与算法工程师,并且仍在高速增长。

•  有了相对成熟的平台与人才,公司开始在平台上利用各种已有的算法模型给企业做「系统改造」。

那么,这里的“系统改造”究竟指的是什么?

也就是说,在已有的数据与算法基础上,一方面,他们为企业搭建定制化的大脑系统,在这个核心系统上「再衍生出属于自己的 100 个,甚至 1000 个 AI 应用」。

以广发银行为例,在第四范式为其做核心系统的过程中,2017 年已经在基础平台上延伸出包括反欺诈、智能客服等逾 10 个不同的应用。在 2018 年,这家银行还将继续在系统中增加更多智能驱动型应用。

另一方面,他们也会邀请一些整体方案提供商到平台上开发方案,因为对于一家核心系统公司来说,外围需要很多解决方案来支撑。

譬如,一家智能网点改造公司,也要借助第四范式的 AI 技术完成整套软硬方案。这个时候,第四范式更像是一个二级供应商角色。

「对于一个核心系统公司来说,外围需要很多解决方案来支撑,从营销到分拣,到定价,反欺诈,再到手写识别、智能客服,这些都涵盖在里面。我们可以自己做,但同时也有很多集成式合作伙伴」戴文渊认为,为行业做全面 AI 升级,本质上需要解决的是生态问题,

「当然,生态不是指我们自己营造的生态,而是在做整体改造过程中,从最里(核心系统)到外(方案)自发形成的由不同企业共同完成的产业链条。」

虽然说「生态」有点虚,但这种「生态」其实有个明显的好处,就是不必让银行为「是否要把鸡蛋放在一个篮子」而发愁。

当然,基本上对于像银行这种「经营货币与风险」的特殊企业,完全把某项系统升级改造任务交给一家公司的情况也不可能出现。

就像大型车企一样,连发动机这样核心而特殊的零部件,都需要至少两家供应商;那么对于银行来说,把订单小心谨慎地分批次分轻重交给创业公司,就显得再正常不过。

「我们都是从某个细小环节切入这个市场的,譬如反欺诈系统,再譬如智能营销,没有一家大型银行会一开始把一份相当重的任务交给公司。所幸我们 3 年时间熬过来了,也收到了银行的『信任卡』,但是即便未来做全面升级,也是循序渐进的。」

这种受行业特殊性影响的商业化思路,也让我们想到了另外一家在最近刚刚宣布融资的创业公司爱笔智能。

这家由林元庆创立的公司也表示将以「行业整体改造者」的角色切入零售业。

虽然两家公司的最终目标大致相同,都是率先为行业内标杆企业做整体改造,但由于行业不同,因此他们面临的难点也有一定的差异。

•  在数据虽然规整但风险较高的金融行业,要想深入银行后台系统进行 AI 升级,建立信任是一个必然的优先级事项;

•  而零售产业基于盈利性质与公司大小规模不同,虽然数据较为分散,且店面设计、供应链与货运链等叠加的场景较为复杂,但对创业公司的接受度相对更高一些。

因此,在金融行业的技术供应商之争中,也无怪乎戴文渊把「资历」放在首位,同时也把「信任问题」视为拿下银行客户最大的挑战:

「我们几个创始人,在业界都有一定的影响力,但是对于银行等金融客户,这些几乎可以忽略。

在创业初期,你跟客户之间没有所谓的 credit,所有选择你的公司都是要承担很大风险的,不管你这波人再靠谱,承诺地再好,但是你这家有限责任公司半年倒闭了,你只负『有限责任』,那些合同就不做数了。」

他认为,很多传统大型企业愿意与 IBM 等科技巨头进行合作的原因也正在于此,因为这些公司不会轻易死掉;当然,也不会轻易转型:

「另一种让金融客户措手不及的情况也蛮常见的,就是一家创业公司在早期会频繁更换主体业务。譬如我们见过一家公司一开始是做企业服务的,做了半年发现根本搞不定,就摇身一变去做金融放贷了,最后成了自己客户的竞争对手。」

就像一个人的信用卡额度是随着时间推移逐渐累积起来的一样,创业公司也是随着存活时间的长度与业界口碑一步一步建立起自己的「信任壁垒」,而这正是 2B 创业公司普遍面对的一个残酷事实。

「现在有不少公司出来跟第四范式讲一样的故事,但是他们『信用卡的额度』比第四范式的要小太多,我们需要察觉,但是不必有太多顾虑。」

也许在这一纸融资合同中,人才也是一个关键筹码。

当下,「人才匮乏」几乎在 AI 圈成了一项「常识」。对于这种境况,有公司选择加大招聘力度;有公司选择与大学搞好关系,建立大学生直输通道;也有公司选择「反其道而行之」,「兼职」做教育,自己培养 AI 人才。

第四范式属于第三种。

他们做了一个叫做「范式大学」的项目,陆续招募了一些行业从业人员。

通过范式大学里科学家的培训,这些学员在几天时间里快速学习一些人工智能方面的基础知识后,甚至可以利用先知平台等便利工具,做出一些马上就能上线上生产的模型。

「这是一个从 0 到 1 的过程。可能我原来做一个模型要花两个月,但是我用先知平台,经过 4 天的课程就能做出来了。」

这种教学采用「导师制度」,由一位数据专家带几个学生,无论是在课程进行中,还是「毕业」后,前者都会对后者进行持续指导。

此外,学员有机会在范式大学毕业后,通过持续学习,逐渐成长为 AI 领域的高端人才。

有意思的是,这种培训过程还在「评分机制」基础上建立了「香火传承制度」。

举个例子,当学生持续学习的分数达到 80 分以上,他们就可以出师了——成为新导师,继续培养学生。

戴文渊解释,在很多时候,由于技术的更迭速度较快,且应用到产业中的难度并没有想象中高,因此「范式大学」在算法工程师匮乏的当下不失为一种实用的人才培养方式。

「现在我们团队里有一部分是范式大学培养出来的人,他们完全有能力对 B 端客户的某些项目做一些数据支持工作。」

这就回到了刚才提到的「人才筹码」上。

虽然第四范式没有明确告诉我们,自己得到三大行的青睐是否有人才培训机制的加持,但戴文渊明确表示,范式大学中会陆续接纳更多来自银行的业务专家,通过短期学习建模最基本的东西,做出自己想要的模型。

也就是说,银行的 AI 人才培养计划也有第四范式的参与。

「银行也分业务和技术部,很多业务专家没有较深的人工智能背景,但他们其实也希望用机器学习的方式去服务自己的客户。

对于那些技术人员,他们在建模过程会遇到一些难点,而先知平台会提供一些简单的模块化操作,化繁为简。」

在收费机制方面,虽然公司不愿透露更多,但承认,根据项目的不同,免费与收费课程将会并存。

「这个也算是解决了我们自己的问题吧。你看外面坐着的那一片人,都是范式大学培训出来的数据分析工程师,」在接受采访当天,第四范式市场部曾带我们参观了这家技术创业公司颇具硅谷随性气质的办公区域:

在 1 年多的时间里,规模已经从 60 多人,迅速扩大至现在的接近 300 人,其中,产品团队占据着不小的份量。

可以理解的是,既然要从一家标杆企业入手做深做透整个行业,吞食人才的胃口必然会比单点技术公司大几倍,而「自产自用」不失为一种不错的形式。

因此,究竟「做面」好,还是「做点」好,戴文渊并没有直接回答。而是表示,垂类公司能做的,系统里承载的能力都可以覆盖:

「我们也可以做图像识别、也可以做语音语义,也可以做客服机器人,这对我们来说非常简单,这些都是 AI 系统的一部分,很快就能部署。」

「要记住,没有一家公司不想自己做这些东西。」

第四范式想做的事,让我们想起了著名对冲基金经理人 Bradford Cross 在 2017年初做的那个预测:

低层且基于单一任务的人工智能可以很快被商品化,但是这就意味着你并未解决足够高级的全栈式问题。这样,你就会陷入低级人工智能服务的商品世界,最终的结果可能是慢性死亡。

而这里的「全栈」,究竟指的是什么呢?

36氪企服点评

数据分析相关的软件

行业专家共同推荐的软件

限时免费的数据分析软件

新锐产品推荐

消息通知
咨询入驻
商务合作