在科技與商業(yè)相互交織的歷史中，我們經常會看到一些技術大咖親自上陣，擔任企業(yè)CEO的例子，從蘋果的喬布斯，到Mdjourney的David Holz，再到OpenAI的Sam Altman，都是如此。
這些心懷理想，又天馬行空的技術狂人，時常能用自己過人的創(chuàng)造力，為企業(yè)帶來巨大的成就。
然而，令人唏噓的是，并非所有狂熱的技術理想，最后都能造就行業(yè)佳話。
一旦這些偏執(zhí)的技術追求，不慎決策錯誤，曾經傲人的天才，也難免會落入狼狽的境地。
而第四范式的CEO戴文淵，就是這樣一個例子。
說起今天的第四范式，業(yè)內除了嘆息，還是嘆息。
4年虧損近50億，三次IPO失敗……
很多人不明白，這個有著紅杉、騰訊、創(chuàng)新工廠等眾多明星資本站臺，且技術實力雄厚的行業(yè)獨角獸，為何會陷入今天的困境。
其實，第四范式的命運，從CEO戴文淵決定專攻決策類AI的那一刻，就已經決定了。
01 選擇的路徑
在AI技術路徑的難易度上，決策類AI的研發(fā)難度，要遠超較為普遍的認知類AI。
這是因為決策類AI需要解決的問題更加復雜和動態(tài)，涉及到更多的邏輯推理、策略選擇、效果評估等環(huán)節(jié)，而不是簡單地識別、理解或生成數(shù)據(jù)。
既然如此，那第四范式為什么偏要選擇這條崎嶇的“險路”呢？這恐怕和戴文淵不凡的經歷有關。
身為科學天才的戴文淵，不僅曾獲得過ACM國際大學生程序設計競賽世界冠軍，而且還有幸認識了華人界首位國際AI協(xié)會院士楊強，并成為了其學生。
2015年，戴文淵創(chuàng)立了第四范式，開始了AI領域設計應用的探索。
一開始，雄心勃勃的戴文淵想一步到位，給所有的AI公司設計一個集成工具。
具體來說，第四范式在2015年推出了一個名為“AI Studio”的產品，旨在為AI開發(fā)者提供一個在線的集成開發(fā)環(huán)境（IDE）。
這個產品并沒有得到市場的認可和響應。
一方面，當時的AI開發(fā)者還不夠多，對于這樣一個高級的工具產品，并沒有太大的需求。另一方面，第四范式也沒有足夠的資源和能力來維護和更新這個產品。
經過了一年的運營，AI Studio項目最終不了了之。
在這次挫敗之后，心有不甘的戴文淵，在自己之前研究成果的基礎上，帶領團隊做出了一個號稱是劃時代的學習系統(tǒng)先知。
之所以號稱“劃時代”，是因為它通過大規(guī)模分布式機器學習框架GDBT，讓深度學習變得像玩樂高一樣簡單，只要拼接數(shù)據(jù)和算法，就可以輕松構建和部署高性能的AI應用。
產品做出來之后，一個重要的問題，就是尋找可落地的場景。
經過一番摸索之后，戴文淵決定選擇決策類AI這個賽道，因為在當時，決策類AI還是垂直細分市的一片藍海。
在AI1.0時代，許多大型企業(yè)，由于面臨著復雜的業(yè)務環(huán)境、多元的業(yè)務模式，都亟需一種管理決策平臺，來提升管理效率，幫助自身實現(xiàn)數(shù)字化轉型。
例如，制造業(yè)需要對生產流程進行分析、優(yōu)化；各大零售商也需要智能化的手段，預測銷量制定精準營銷策略。
戴文淵當時的團隊，在AutoML、遷移學習、強化學習、大規(guī)模分布式優(yōu)化等方面都有著領先的技術優(yōu)勢，曾獲得過數(shù)百項專利。
這些積累，正好與決策類AI的技術路徑不謀而合。
雖然這是條競爭較少，卻難度較高的賽道，但憑借過人的技術實力，在短短幾年內，第四范式就發(fā)展出了幾十個大型客戶。甚至包括了中石油、中石化、五大行等大型國有企業(yè)。
其在2020年推出的SageOne軟件定義一體化解決方案，更是打破了傳統(tǒng)機器學習的維度限制，同時可以支持萬億維特征處理，讓決策類AI能夠處理更復雜、更高維的數(shù)據(jù)。
然而，短暫的風光之后，各種問題卻一一顯現(xiàn)。
02 定制化之累
誠然，背靠大客戶可以讓第四范式擁有更高的客單價，在較少數(shù)量但更為穩(wěn)定的客戶中實現(xiàn)更大的收入。
但在另一方面，決策類AI“非通用”的特點，也造成了其一步步邁向虧損深淵的命運。
具體來說，決策類AI的特性，決定了其需與企業(yè)的具體業(yè)務、場景深度綁定，因為不同的決策問題往往有不同的目標、約束、數(shù)據(jù)、環(huán)境等。
舉例來說，假設一家物流公司，想對自身的總行駛距離和總成本進行優(yōu)化，那它就必須考慮到自身配送中心的數(shù)量、以及自身貨車的車型、以及不同客戶的優(yōu)先級等等。
這些非標準、差異巨大的需求，導致了決策類AI很難用一個通用的平臺，找到對所有問題一刀切的解決策略。
這就造成了第四范式需要不斷針對不同的客戶，進行定制化項目的研發(fā)，進而使其研發(fā)成本變得愈發(fā)高昂。
2019-2022年上半年，第四范式研發(fā)支出之中的技術服務費占比分別為30.7%、51.2%、67.3%與74.3%，占比持續(xù)增加。
更令人頭疼的是，每一次高昂的定制化研發(fā)成果，卻很難復用在未來的其他項目或產品上，這就造成了其研發(fā)成本無法在業(yè)務上進行攤保
除了定制化的研發(fā)成本之外，困難的落地化過程，也在某種程度上阻礙了第四范式盈利水平的增長。
因為第四范式提供的決策類AI平臺，實際上是一種底層的技術能力，而不是單點的解決方案。客戶很難直接使用，還需要根據(jù)具體業(yè)務場景和數(shù)據(jù)特點，進行定制化的開發(fā)和部署。
這就意味著，客戶還需要額外花錢找技術公司來幫忙落地。
如第四范式的Sage HyperCycle自動決策類機器學習平臺，Sage AIOS企業(yè)級AI操作系統(tǒng)，都不是一種現(xiàn)成的AI產品，而是一種可以根據(jù)客戶需求進行定制和適配的AI平臺。
在具體的部署過程中，用戶不僅需要了解這些平臺上，諸如深度學習、強化學習等多種算法的理論，還需要具備一定的數(shù)據(jù)處理和特征工程的技能，來對自身數(shù)據(jù)進行進行清洗、預處理和特征選擇等操作。
如果沒有相應的專業(yè)能力，只會讓人直呼頭大。
如果將AI技術落地化的過程，比喻成買車，那么百度、騰訊、阿里等巨頭的做法，要么是直接造好一輛車，讓客戶根據(jù)不同的需求進行選擇（如騰訊的大模型商店）；
要么是提供簡便易用的造車平臺（如百度飛漿），讓用戶按照自己的想法造車；
而第四范式的提供的，僅僅是一個定制化的汽車的“引擎”。
用戶還需要根據(jù)自己的用途和場景，去設計和制造車身、底盤、輪胎、剎車等。這些工作不僅需要花費很多時間和精力，還需要有專業(yè)的技術知識和經驗。
而所有這一切，都無形中增加了企業(yè)的使用成本，和產品的落地化難度。
03 正確的“錯路”
除了高昂的研發(fā)成本、困難的落地過程之外，以大客戶為主的業(yè)務模式，也造成了第四范式盈利方式上的“不靈活”。
根據(jù)IDC的統(tǒng)計數(shù)據(jù)，使用AI進行決策支持的企業(yè)中，有超過60%是大型企業(yè)，（年收入超過10億美元）。
這是因為，大企業(yè)的業(yè)務，往往會涉及更多的數(shù)據(jù)、變量、場景、目標等，需要更高的決策效率和質量。
從這點上來看，第四范式選擇以大企業(yè)、大客戶為主要服務對象，也是件情理之中的事。
可問題是，這些大客戶的需求更加復雜和多樣，且與之建立信任的周期很長，在售前環(huán)節(jié)，1-2年打入供應商體系是常態(tài)；售中環(huán)節(jié)，打標競標流程漫長，半年是常態(tài)；
因此第四范式需要投入更多的人力和資源來進行溝通、維護等工作。這就造成了其“營銷費”的逐年走高。也就是業(yè)內所說的獲客成本過高。
2019-2021年，第四范式在營銷上的開支，在總收入的占比達29.56%、26.32%、22.54%。
其次，由于大企業(yè)在回款方面，往往有著復雜的手續(xù)，與繁瑣的流程，導致第四范式的應收賬款周轉率低，資金回流緩慢。
從賬期看，2021年第四范式有52.3%的款賬期小于3個月，有28%的款賬期在3-6個月，有15.5%的款賬期在6個月1年。
這樣的情況，也使得第四范式的營收能力受到了限制，難以實現(xiàn)規(guī)模化增長。
面對上述的各種窘境，第四范式不是沒有嘗試過改變，例如其也嘗試過在給大客戶定制的功能中，集合成一些通用的模塊，并導入自家的“先知”系統(tǒng)。
但這樣的“通用”模塊，只是一些較為表層的數(shù)據(jù)處理、模型訓練模塊，在面對不同類型的任務、場景時，仍然難以擺脫定制化的調整和研發(fā)。
用一個比喻來說，第四范式的定制化研發(fā)，就像是為每個客戶量身定做一套衣服。通用模塊，就像是一些基本的布料、紐扣、拉鏈等材料，可以在不同的衣服中復用。
然而，每個客戶的身材、喜好、場合等都可能不同，所以即使有了通用模塊，也需要根據(jù)客戶的需求進行二次的設計和裁剪，才能做出合適的衣服。
縱觀第四范式的決策類AI之路，我們可以發(fā)現(xiàn)，第四范式確實是走了一條正確的“錯路”。
因為技術的擴張與傳播，與生物體的繁衍一樣，只有具備與更多環(huán)境的兼容性，才能使自身得到最大限度的延續(xù)和傳承。
這樣的例子，在科技發(fā)展過程中屢見不鮮。
20世紀80年代，蘋果用一款名為Macintosh的個人電腦，打敗了IBM體積龐大、價格昂貴的計算機。
通過圖形用戶界面和鼠標輸入設備，計算機變成了任何普通人都能使用的工具，而非只有專業(yè)的程序員才能操作的機器。
同樣地，在GPU領域的競爭中，英偉達之所以會成為當今AI領域的“基建之王”，也是由于其提供了豐富的GPU軟件平臺和工具，如CUDA、TensorRT、NVIDIA AI Enterprise等，幫助開發(fā)者和企業(yè)快速構建和部署AI應用。
如果說，第四范式在自身的發(fā)展過程中，真的做錯了什么，那就錯在其違背了這樣一種普適化、泛用化的技術演化路徑。
其研發(fā)的“先知”系統(tǒng)，難以找到將所有行業(yè)通用化、平臺化的能力和工具，
而倘若不能通用化的系統(tǒng)取代定制化的服務，其臃腫的研發(fā)團隊，高昂的研發(fā)經費，就必須一直維持下去，未來第四范式盈利的路途，也很難看到曙光。
