之前，我与某人工智能创业公司联合开创者S君聊天，他给我讲了一个听起来非常肉疼的真实故事。
S君所在的公司主攻深度学习技术，他们和某银行顾客合作一个零售顾客成交预测项目。
洽谈初期，银行方面告诉他们：自己已积累了上千万顾客历史行为的多维度的清洗数据，包含全方位顾客画像、行内买卖流水、行外采购数据等。
下面，S君团队一边着手设计策略，一边进行数据对接。
设计策略这条线进行得有条不紊；但数据对接方面却一再卡壳。
经过层层关卡，在项目开始一个半月后，S君的团队终于拿到银行口中上千万且多维度的清洗数据，结果却让人崩溃千万用户中，大多数用户数据紧急不符合需要，满足多维度清洗数据条件的只有数千人。
已经开始一个半月的原策略几乎打水漂。
团队傻眼，顾客摊手，只得从头来过。
不是傻纯真无邪地去相信。
顾客说有，假如你不信那就别做了呗。
我问S君是否傻，他不屑又无奈。
这是由多方面缘由导致的：其一，银行数据保密度高，需要层层审批；其二，体制内工作效率低下；其三，银行不同部门之间的数据隔离会妨碍数据调用。
往更深层次说，这会牵扯到银行内部领导的政治关系。
S君说，这类原因均不可控，但这就是现实。
对于一个像S君所在的才二十来号人的小规模创业公司来讲，这无疑是人力、时间本钱的惨重损失：几十个日夜的心血付诸东流，难免会挫伤团队积极性；而再进一步，这每天每夜烧的都是投资人的钱和耐心，还有创业企业的剩余寿命。
可如此的故事，天天都在上演。
困于外包S君的故事于我，就像看了一张撕倒刺的图片深深地肉疼。
而对于身处于人工智能行业的一线从业者来讲，每一个故事背后都是肉包子打狗式的时间、心血与热情。
一个做深度学习商品经理的老友告诉我：他们公司有40%的项目都无疾而终；另一个原阿里云的朋友则表示：阿里云不少项目做了3、4个月将来，才发现这并非靠机器学习能解决的问题，无疾而终率高达50%。
还处于baby阶段的人工智能创业公司虽集万千资本溺爱于一身，但高高在上的无疾而终率不能不叫人怀疑这个市场的健康性。
投资者的钱是不是可以烧得其所？携带这个问题探寻答案，一圈采访下来，我的结论是：现在绝大多数to B的人工智能初创企业的商业模式本质是外包，而实质性价比却远不如一般行业的外包。
这个看法或许不讨喜，甚至得罪人。
外包二字在技术圈的地位向来偏低，由于从传统定义上来讲，外包是劳动密集型工种，在知乎关于外包的问题下，甚至有一部分网友明确表示看不起干外包的。
然而，纵览to B的人工智能企业近况，除安防范围以外，几乎没公司能将技术以规模化、商品化的方法输出。
比较大多数to B的人工智能初创公司业务模式和一般行业的外包者，相似性摆在眼前：从工作步骤上来看，两者一同点在于第一步，交流需要和可行性；第二步，工作量评估、价格、进度安排；第三步，签署项目合同；第四步，设计、研发、测试、上线；第五步，出货有关文档与网站源码，技术输出；第六步，提供维护、迭代等服务。
从合作方法及定价上来看，两者一同点在于case by case；没一套适用于所有顾客的规范化定价指标；客单收益偏低；定价分歧时有发生。
从公司结构、商业模式上来看，两者一同点在于想挣得多只能多接活儿，多接活儿只能多招人，技术被需要牵着鼻子走。
从进步空间上来看，两者一同点在于只能N倍增长，没办法达成N方增长，想象力和进步空间均被局限。
但为什么说人工智能行业实质性价比还远不如一般行业的外包？第一，外包的首要条件，是时间和本钱的可预估。
但就现在大多人工智能公司实质业务状况来看：时间、本钱均不可预估，项目进行两三个月后才发现此路不通的状况比比皆是。
其二，人力本钱是决定外包公司存活水平的要紧原因。
而人工智能行业中，本钱高昂的人才争夺战从未停止，用外包收入去养天价人才，其逻辑不攻自破，后果很难估量。
由此，人工智能与一般行业的外包相比，共性之余，相形见绌。
行业困于外包模式，直接致使造血能力低下、已有技术没办法输出、技术研发得不到支持。
假如说外包只不过人工智能存活的第一阶段，现在，投资人看指标的时节正在步步逼近正如非洲大草原旱季到来之时，只有生命力最顽强的动物得以幸存。
缘由何在？现在人工智能困于外包模式，究其缘由，可分为客观规律、内因、外因三方面。
第一，客观规律：驭势科技联合开创者兼项目部负责人彭进展告诉我，每一个新技术问世所带来的产业进步都将历程递进三阶段：第一阶段是技术驱动，发现技术，持续钻研，早期主要以科学家、工程师、研发职员带动；第二阶段是应用驱动，技术得到认同后，通过商品化逐步落地，并应用于不一样的垂直范围中，此阶段由开发工程师主要推进；第三阶段是商业模式驱动，此时，商品、技术和应用已进入成熟期，有效的商业模式革新能带来爆发式增长。
与三个阶段所对应的还有三个验证关卡：技术验证、商品验证、量产验证现在的人工智能行业卡在了第二阶段。
第二，内因：人工智能技术具备典型的落地口径窄，需要不稳定特点，这使得其行业商业化探索阶段会愈加漫长。
图灵机器每人才策略官黄钊在他知名的200多页PPT《AI商品经理的新起点》中讲解到：人工智能年代有两大要紧特质高维+突变。
他告诉我：正是因为这两大特质，人工智能范围需要的特征是：机会多、困难程度大、变化又快又大。
最后，外因：在现在人工智能行业中，顾客的期望控制与管理是很难绕开的大坑。
顾客期望由三方面所影响：对人工智能技术的认知、对自己条件的认知、对自己需要的认知。
然而不幸的是，就现在市场近况来看，大多数顾客三方面的认知都不完善。
最容易见到的状况是，代表顾客和人工智能公司对接的员工因为以上三方面认知不完善，提供错误信息，直接致使策略在设计环节中出现偏差，紧急减少工作效率。
王汉洋生于1994年，是泛化智能的CEO。
在这个坑上，他非常有发言权。
他本科就读于加拿大滑铁卢大学习数学专业，主修计算机。
刚念完大二，他便选择休学，回国创业。
其公司专注于机器学习与计算机视觉，并在电力、机场、无人机控制等方向完成行业颇有竞争优势的技术积累。
由于泛化智能的顾客大多来自体制内的传统行业，所以对此感受深刻。
我现在没碰到任何一个顾客了解理解深度学习是什么，关于机器学习都是听罗振宇讲的。
为此他们专门制作了一套文风指南，用途是在见顾客的时候帮助他们正确的理解人工智能，消除认知偏差。
第一条，不要写任何术语。
譬如子集，不少顾客不了解什么是子集，你应该说它包含了什么东西。
除去顾客认知问题外，数据也是外因中至关要紧的点。
前不久，吴恩达在旧金山发表名为人工智能 Is the new electricity的主题演讲，反复强调数据对于人工智能的重要程度。
他觉得，普及数据统一存储是人工智能技术大规模用的首要条件。
顾客有没数据、给不给数据、数据是不是有效将直接影响到项目或商品的效率提高。
从何突围？致力于塑造通用型AI平台的第四范式网络业务负责人周发展如此觉得：纵横两条线一块推进。
一方面，开发低耦合、通用型的商品，解决基础需要；其次，选定特定的垂直行业深扎，积累了足够深刻的认识和经验后，会发现问题变得愈加简单，方向也渐渐明确起来，也能与角逐对手拉开距离。
但至于纵、横两方面该怎么样平衡、什么行业值得深扎，则需要依据不同企业自己的条件和策略去考量。
泛化智能王汉洋的思路则更为特别。
大家目前就是外包模式。
遇见聊得很好的投资人我会直接跟他如此讲，他要不认可这事儿，他就是不客观。
王汉洋觉得，现在市场近况就是如此，摆正外包心态来做事是脱离外包模式的首要条件。
他觉得，外包本身是一件很有价值的事情其一，用新技术帮用户解决问题是对技术的认同；其二，外包是赚钱的，能让 人工智能 行业防止沾上共享经济那种荒诞花钱的属性；其三，外包模式下，协调多变的需要、维护顾客关系这种脏活累活，正好让目前 人工智能 行业高谈阔论却不想脚踏实地做实事的风气有所改观。
王汉洋向我介绍了其公司现在的业务状况：像电网如此的大行业顾客初期客单价非常低，一单在十几万元左右；若是一次性合作的小公司，一单则从几十万到上百万不等。
王汉洋的公司现在只有十来人，本钱不高，但能同时接四个项目。
每一个月只须有一单我就能盈亏平衡了，再多一单我就挣了。
公司大多数顾客前期交流时间长，而实质服务周期不到一个月，但也不乏有长达三四个月的大单子。
大单子不同，基本源于大行业、真需要，一边赚钱一边学习实践，很值！王汉洋感到的值和线性资本创始合作伙伴王淮的怎么看不谋而合。
王淮觉得，面对真顾客，赚钱吗不是非常重要的。
举例，倘若你是一家做Fintech的公司，你和宇宙第一大行工商银行合作，并且拿到他们核心的放贷业务，那这个顾客就是真顾客。
王淮说，假如有这种历程，就像是把新兵放到真实战场中去操练一样，出来之后无论是能力、眼界还是信用度都会得到很大的提高，就算赔钱也必须要做的！至于具体该怎么样脱离外包模式，王汉洋也没十足把握。
得深入到产业中去，先做，做得多了才有机会突破。
这个探索的过程就像是探寻树叶上的脉络一样，找到这类脉络，才能勾勒出商品的形态。
我用Siri好多年，到目前还常常让人当白痴。
但我是做人工智能的，要我一个人都不相信它，我为什么还做这行？当年智能手机刚出时，大伙还感觉拿手机上网奇怪呢。
王汉洋感觉无论是Siri还是我们的外包公司，伴随技术的进步和自己努力，都会变得愈加好。
不是我精神分裂了，而是我不期望人工智能一直都这么像外包，或者满足于这个近况。
王汉洋说，主动去感知这类痛，是由于不想粉饰太平，而他相信，这类痛终将成为过程。
始于外包，终于何？倘若把人工智能创业企业的角逐看做足球世界杯，目前是小组预选赛最初，大多数公司在让世人了解之前就会死掉。
明势资本合作伙伴黄明明说。
马太效应、二八定律几乎用途于所有和人有关的范围，到投资人看指标时，死一大片公司是非常正常的事情。
王淮和黄明明持同样的看法。
对于外包，王淮话语犀利：是否外包模式是一回事，心里承否认又是另一回事。
就仿佛以前的gcd地下党一样，虽然你身在gmd阵营，但你内心要了解我们的目的和阵营。
如果心里面就承认了自己就是gmd，那就没得玩了。
他说，人内心的力量是非常强大的，强大到足以影响到自己的行为，但承认并非改变的必要首要条件。
对于常常把这个业务没钱赚，大家要存活下去挂在嘴边的公司，王淮基本不会再深入知道，如此的团队其实内心已经屈服了，让他们安心的做一个外包公司不挺好？既然拿着锤子找钉子是现在人工智能商业化落地进程中最大的逻辑问题，王淮相信，依据各家自己的不同特征，将手中锤子的能力最大化，才是提升存活概率的解决之道。
作为过去的Facebook最早的技术职员，王淮对此有深刻的考虑。
他觉得，最后只有三种商业模式的人工智能公司可以进步壮大，成为行业头部公司：其一，工具箱化。
在向顾客提供锤子的同时，还要配套提供钳子、锯子、螺丝刀。
比如，Stanley Black Decker是美国一家生产并销售工业工具及安全策略的公司，现在市值已经超越200亿美金。
这是一种偏传统的思路，比得是比同行活得更久，对团队的技术能力需要特别高，也是最难成功的一种。
其二，自成一体化。
和工具箱化不同，自成一体化需把提供锤子的能力服务于顾客的思路转变为，将自己锤子的技术用于打磨自己业务，而不是向外面输出。
等于自己经营一家五金店，典型的成功案比如快手今日头条。
其三，经验共享化。
将自己变为一个工程队，在运用锤子技术解决顾客问题的同时积累更多的技能点。
典型例子是人工智能反欺诈范围公司同盾科技，他们早期向顾客提供征信黑名单的首要条件，需要顾客把我们的黑名单给到他们，这种形式的优点在于提供技术的同时构建起自己互联网化、共享化的能力。
科幻小说巨匠阿西莫夫提出过一个理论：电梯效应。
大意是讲，假如给一个 1850 年的科幻作家看二十世纪曼哈顿摩天大楼的照片，当他看到一幢幢超越 20 层甚至 100 层的建筑物会如何想？或许你用最大的想象力却只能得出如此的结论：由于上下楼非常难，所以每一个楼都会进步出独立的经济体系；摩天大楼里也会有文明生活活的需要设施，譬如餐厅，理发厅，健身俱乐部等；由于大部分人不会爬太多层，所以这类设施过几层就会循环出现；底层由于出来容易，房价要比顶层高作家越想越细，愈加多但当电梯出现时，这类假设全部变得毫无意义。
纵览过去几十年计算机历史，苹果、英特尔、Microsoft、Google所有伟大或者过去伟大过的技术公司都因创造出了能服务于整个社会的商品。
做外包不是不可以，但毕竟历史上无人因外包而伟大。
而古往今来，真的的革命性技术会从底层来重塑人与人，人与社会的关系。
正如王汉洋告诉大家的：假如大家没比前人更宏大的追求，那大家又有哪些理由过的比前人更好呢？假如人工智能行业止步于外包，便浪费了一个技术变得更伟大的机会。
