是科学家的狂欢吗?

商汤本可以避免如今的困局，但对AI前景的误判导致了其在商业模式和融资节奏上的战略错误。不管商汤最终走向何方，只要上市，前期大股东都能全身而退，只是苦了后面入局的接盘侠。

AI之殇

商汤的战略错误的根源不复杂，就是高估了深度学习的能力边界。

按照成立初期的设想，深度学习包打天下，只需开发通用任务的组件，就可以在所有场景中自由复用，无需定制化开发。这就是为什么AI公司沉迷刷榜——既然组件是通用的，那么算法榜单上最优的组件就可以在所有场景中取得最佳的性能，潜在客户可以通过榜单来筛选供应商，榜单就是天然的广告位。

后面的事情大家都知道了，神经网络的稳健性根本不足以支撑大规模的跨场景复用。相比传统的基于人类判断的统计模型，神经网络的表现在更大程度上依赖数据，输入是啥，输出就是啥，跨场景中截然不同的数据会直接导致模型失效。在可以快速训练的高性能小样本模型诞生前，针对不同场景搜集大数据进行定制化开发成为AI公司不得不面对的现实。

深度学习的局限性不会让一家公司陷入困境，看看字节跳动、科大讯飞等垂直行业龙头，但为一项有局限的技术套上超出其能力范围的商业模式则是场灾难。

商汤的问题就是蓝图太宏大，扩张太激进，融资太贪婪。

如果跨场景复用组件的设想能实现，那商汤作为一次开发、赋能百业的平台型公司，的确有资格与云计算巨头平起平坐。即使组件的单价很低，但凭借海量的客户应用，近乎为零的边际成本，商汤也能取得类似于2C平台公司的超大规模和超高毛利。在这种情况下，商汤完全能支撑起目前过百亿美元的估值。

但如果组件必须定制化开发，商汤和传统的外包公司没有本质区别，只是专注于人工智能。这意味着商汤在项目开发上会处处受到甲方掣肘，客户的数据、对功能的特色要求、与其它供应商的整合等都会延缓项目交付，进而拖累现金流转。此外，由于深度学习在稳健性上的根本缺陷，模型的实验室表现对现实场景没有太大的参考价值，榜单上微弱的差距无法保证商汤在实际落地中能比竞争对手做得更好，因此甲方有充分的理由选择价格更低、更愿意配合的供应商，而不是高高在上的榜单第一。

外包性质还意味着商汤的规模上限远远小于平台型经济。外包需要分配团队到一个个项目，因此：(1) 人手与项目数存在冲突，人手太少，无法最大化营收；人手太多，一旦市场不景气，就会带来沉重的财务负担。(2) 边际成本高，毛利率低，商汤的毛利率只有50-60%，远低于软件服务业常见的70-80%。(3) 项目时间长且各自为战，营收规模只能线性增长，无法像平台型经济那样指数扩张。

总之，一旦进入定制化开发，商汤通过刷榜建立的优势将灰飞烟灭，规模增长速度慢和利润率大跳水的麻烦也将接踵而至，所有的一切都无法支撑目前的高估值。

虚假的繁荣

不知道是盲目乐观还是贪婪使然，商汤从一开始就走上了激进扩张、大额融资的道路。

大跃进式的融资是很危险的，如果前一轮把估值推到了很高的价值，一旦后续轮融资时业绩不佳，无法达到上一轮的估值，就会直接导致融资失败，资金链面临断裂的风险。

如此疯狂的融资自然是为了激进的扩张：超过5000名员工，七成为研发人员，其中有40名教授和250余名博士；基础设施方面则包括两万块GPU，以及将于2022年交付的亚洲最强超算之一的上海临港AI数据中心。

很难理解，一家外包公司会需要如此多的顶尖人才，建设如此庞大复杂的超算集群。明星云集的结果就是超高的薪资，2020年3593名研发人员共计获得15.7亿人民币的薪资，人均年入43万；更夸张的是10名董事和高管共获得6.8亿薪酬，人均年入6800万。

商汤这般狂飙，就是认准了深度学习具有颠覆各行各业的潜力，甚至是通往强人工智能的钥匙。因此商汤必须大额融资，抢在所有竞争对手之前形成AI技术霸权。为了获得投资人的青睐，商汤组建了全明星团队，刷榜算法竞赛，这些都是面子，是为将来的技术演进提供资金而做的公关。

在AI最火的那些年，商汤是真诚地希望通过融资来加快人工智能的到来，但随着AI革命美梦的破灭，此前的大额融资把估值推到了一个无法回头的水平。商汤和早期投资人都知道当前的估值不可持续，但真金白银已经砸下去了，无论如何都不能让估值下跌。因此大机构加码投资，一方面是寄希望于某一天技术突破的来临，另一方面是制造商汤欣欣向荣的假象，从而吸引后续资本接盘。

从上图可以看到，早中后期投资商汤的机构具有明显的分隔，早期机构鲜少投资中后期，甚至连中期机构都很少跟投pre-IPO轮。如果一家公司真的具有高成长性，那早期大股东不会放任股份稀释，必然会持续投资。另外，早中后轮次的机构性质也有很大区别。早期股东以注册地在美国、香港和开曼群岛的美元基金为主，而中后期主要是国有人民币基金。早中后期的明显分界线和机构性质说明逐利的早期私人资本并不看好商汤的前景，只想拉高估值让后续股东接盘，而为了保持我国人工智能的竞争力，国有资本只能接下商汤的烂摊子，尽力维持其运营，等待商业转机。

在机构博弈的过程中，商汤创始人的心态也发生了变化。如果说成立初期的大额融资是为了后面的技术发展，那即便公司严重亏损，创始团队也仍然获得了远超上市公司高管平均薪酬的现象，只能说明相比把公司长期发展好，创始团队更在意利用商汤的平台攫取短期利润。融资不再是为了生死存亡，而是以战略储备之名行维系估值和掠夺投资者财富之实。

资本不愿承认商汤的本质是外包公司，其真实价值只有估值的几分之一，而是通过砸钱来维持泡沫。即便这样，商汤2020年的营收也只有34亿人民币，相比2019年的30亿仅增长13%。作为对比，商汤在同期的估值从75亿美元增长到120亿美元，提高60%。没有营收，拿什么来撑估值？于是创始团队转而营造公司高增长的前景，企图继续通过公关来形塑AI领导者的地位，抛出了AI大装置这种唬人的说辞，为的就是上市后拉高股价、收割股民。

反思与未来

商汤的困顿来源于愿景与现实的巨大落差，当下的AI技术无法实现平台型的商业模式，而碎片化的定制场景无法支撑过高的估值。

商汤的现状警示所有后来者，平台型经济惯用的高融资、高估值和快速扩张的模式并不适用于AI公司。平台型经济是模式创新，AI公司是技术创新。在很多方面，AI与数据库、操作系统等没什么不同，它需要强大的工程能力、庞大的知识体系、深厚的经验积累和坚定的战略执行，绝不是堆钱堆人追潮流就能实现的。在深度学习野蛮生长的第一阶段，以商汤为首的中国AI公司迅速摘取了人工智能中最低垂的果实，但投机取巧的后果就是不能啃硬骨头、攀技术的高峰。过快的扩张带来过早的回报，反而让创始团队疏于规划长期战略。

从某种意义上说，AI之于软件就像机床之于工业，都是行业底层的引擎。正如最精密的机床也无法加工所有的器件，当前最先进的AI也只能适用于一小部分领域。与其打造全场景的AI平台，专注于垂直行业是更切实可行的路线。

(1) 垂直行业的规模必然小于平台，很难出现千亿市值的巨无霸，但在利用AI颠覆制造业和农业等细分领域，百亿规模的可盈利企业将会兴盛。深耕垂直行业或许无法带来规模效应，但千万级的大单辅以10-20%的净利润仍然能给创始团队带来可观的回报。

(2) 收支平衡将成为运营的重中之重。既然高额投资不能加速技术突破，随之而来的融资与估值缩减就迫使企业高效利用资源，谨慎扩张，保证长期的生存和竞争力。AI公司不应假设融资是收入的一部分，它们必须控制追求短期利益的胃口。企业可以不赚钱，但不能亏损。

(3) 占AI公司支出大头的是硬件开销和人力成本。当前AI公司广纳顶尖人才，但却没有很好地量化他们为公司创造的价值，公关意义大于实际。学术明星或许有很好的科研点子，但AI公司更需要的是落地业务的工程能力。诚然，学术明星对引领公司的战略发展、技术突破具有无可替代的意义，但这不意味着他们应该成为公司的主流。AI公司应该谨慎考量团队中科学家和工程师的组合。

(4) 对于个人来说，如果AI不能在深度学习之外带来新一轮的范式革命，那行业的萎缩不可避免。少量巨型公司会被大量小而美的垂直型企业取代，这些中小企业的盈利能力更强，但对于人力成本的考量更谨慎。行业对博士的吸纳能力会下降，同时薪资也很难高歌猛进。这不意味着AI的没落，只是行业回归理性。

回到商汤，它的结局显而易见——价值回落到外包公司应有的估值。或许它会继续外包的路线；或许在资本退出后，没有了维持估值的压力，商汤会大幅裁撤臃肿的团队和业务，转而专精优势领域；又或者它沉湎于往日的荣光，不愿壮士断腕，最终资金无法维持庞大的基础设施，导致破产重组，公司资产被传统大厂收购，成为各行各业转型人工智能的养料，以另一种方式实现“赋能百业”。

商汤代表了深度学习第一阶段的狂飙，它的上市和最终落幕将开启下一个阶段，一个更加理智地认识到目前AI的能力边界，把AI深度嵌入到垂直业务中的新阶段。