2022年5月27日，从云科技(688327。SH)，号称AI四小龙，登陆科创板，首日定价15.37元，市值不足120亿元。回溯到2020年5月，公司完成上市前最后一轮融资(pre-IPO轮)，总额6亿元。当时估值已经达到130亿元。上市价格低于上市前价格，这在a股非常少见。

上一轮融资已经过去两年了，公司发展和资本市场反馈都不如上一轮融资。云技术从来没有盈利过。2019年至2021年，从云科技净利润分别为-6.92亿元、-8.44亿元和-6.64亿元。财务指标有两个特点:一是毛利率低，只有30% ~ 40%；第二，RD费用居高不下。

商汤(00020。AI四小龙之一的HK)也面临着同样的盈利困境。2018年至2021年，商汤亏损总额为376.89亿元，同期总营收仅为130.26亿元，亏损接近营收的3倍。而且亏损额还在逐年增加。

2022年6月底，一级市场投资者解禁，商汤科技日跌幅近47%。2021年12月上市时，商汤的发行价为3.85港元/股。上市半年后，最低价降至2.38港元/股。

2022年之前，国内资本市场普遍看好一个方向:新技术改造传统产业，在国际竞争中实现弯道超车。其中，人工智能替代人类投入的技术特征，满足了中国人口红利末期的产业升级需求。而且谷歌的Alpha Go不断刷新围棋对战记录，让市场看到了人工智能的无限潜力。这些都催生了中国人工智能的投资热潮。

从2015年到2017年，中国新成立的人工智能公司占过去十年注册量的50%，包括大家熟悉的AI老虎。另一方面，融资规模也在逐年增加。从2015年到2021年，行业融资额每年翻倍，单笔融资额从2015年的不足1亿元攀升至2021年的近3.5亿元。这直接体现了人工智能行业不断发展，落地场景不断增加的特点。但也从侧面反映出行业发展靠“烧钱”，自身造血能力较弱。

2015年至2021年，人工智能行业融资总额超过万亿元。虽然国家出台了各种扶持政策，但行业仍然处于大面积亏损的状态。一方面是投资热潮，是未来科技的焦点；另一方面是企业的亏损和员工的焦虑。

这让我们想知道为什么人工智能行业会亏损。这些企业真的能“烧”出一个未来吗？

一、成本端:成本刚性

为什么人造企业会亏损？首先我们需要分析一下为什么它的毛利率比一般的软件行业要低。

开展一个人工智能项目，并不是像大家想象的那样，从零开始建立一个精确的算法模型。所以开发周期和成本都失控了。到目前为止，行业已经形成了比较完整的模型库。业务开发人员只需要提取相关模型，使用特定数据进行训练和优化即可。

所以从发展阶段来看，人工智能项目大致可以分为四个阶段:

1.数据处理；

2.模型设计和优化；

3.模型评估和调整；

4.实施部署。

每个阶段的成本也呈现出不同的特点。数据处理阶段主要是数据成本；模型设计和优化阶段主要是算法成本；后两个阶段主要是配送成本。

1.先看数据成本。

数据处理的内容比较复杂，不仅包括原始数据的获取或购买，还包括将数据整理成人工智能模型可以识别的类型，甚至对数据进行切割和加厚，形成合适的数据。

高质量的数据是算法模型成功的重要保证，但数据处理不是技术问题。治疗过程虽然简单，但往往是大量人力积累的结果。数据标签产业已经成为相对落后地区的重点发展产业。

自然语言处理(NLP)是人工智能的一种基础技术，使计算机能够理解人类语言，从而快速给出海量数据的分析结果。对于一个常见的NLP模型，训练数据样本量为50000 ~ 100000个/标签，而对于稍微复杂一点的模型，训练数据样本量为200000个。

文本数据标注很简单，但是和人脸识别模型一样，需要标注图像数据。单个样本的标注处理时间是文本数据的3 ~5倍。训练一个人脸识别模型大约需要10万个样本，数据处理和标注的成本很高。如果需要购买样本数据，整个数据成本要占到项目总成本的近60%。从项目开发时间来看，数据采集、清洗、标注、增强的处理时间占整个开发周期的80%。

可惜花了这么高的数据成本，开发出来的模型通用性不高。核心是不同场景下的数据标准难以统一。比如胡同交通和马路交通并不一致，同样的识别模型在两个场景切换时会产生巨大的效果差异。

而且修改一个模型的成本不亚于重新开发一个模型。模型训练所需的数据质量高，通用性弱，导致数据部分的成本比较刚性。

2.看算法的成本。

算法的成本，即具体应用模型的设计开发所产生的支出，主要体现在工程师的人力成本和模型训练所必须的硬件投入上。

一般来说，一个市场价5 ~ 10万元的常用算法模型项目，开发大概需要100个小时，需要1 ~2个算法工程师。单个算法工程师月产能8 ~ 10万元。按照常见机型平均3次重复使用率计算(即同一机型可销售3次)，其月收入为20 ~ 30万元。不过算法工程师目前工资在5 ~ 8万元/月，人力成本不算太高。难怪一些人工智能公司经常抱怨招不到人。

而且值得注意的是，人工智能仍处于高速成长期，算法人才需求紧缺，人力成本不会大幅下降。

模型训练所需的硬件投入在相对数据和人力成本上相对较低。而且作为固定资产，它的重复使用率也很高。它的投入主要是CPU和GPU。一个中等性能的CPU市场平均价格在3000元左右，一般市场价格在5-10万元的普通计算机型大约需要4-6个CPU。这方面的投入不到2万元，每个项目通用性高，平摊后成本相对较低。

3.最后，看配送成本

交付成本是指在模型验收和实施部署阶段，无法一次性交付成功，需要反复调整的支出。目前国内一般项目一次性通过率不到60%。如果不能一次性交付成功，往往意味着需要补充数据和算法人员，甚至二次开发。这无疑会增加工程成本。

综合来看，一般人工智能项目的成本构成如下:数据成本占60%，人力成本占20%，硬件及后续调整占20%。在所有的成本中，由于供应短缺和市场竞争，劳动力成本短期内不存在下降的可能性。只要人工智能深度学习的底层框架不变，数据成本就是绝对刚性的。综合来看，在空室可以降低成本。

二、收益端:单价难提，复用有限。

既然成本端支出是刚性的，收入会不会提高，从而提高毛利率？从项目收入来看，提高毛利率的方法只有两种。一个是提高项目单价。这既与人工智能项目的定价机制有关，也与购买客户本身的预算约束有关；二是提高项目模型的复用率。即针对某个项目开发的模型要尽可能多的卖出去，摊薄模型开发的成本。

就项目单价而言。人工智能企业的单个项目报价一般采用“成本加”的模式，一般在名义成本的基础上增加20%~30%。其实企业会虚报成本，这样毛利率可以稍微提高一点。但在现实中，由于现阶段的人工智能技术远未有效替代人工，购买的客户往往是尝试消费。在这种模式下，客户不接受人工智能企业过高的成本加成比例。这就很难提高单价。

模型重复使用率。从人工智能公司的客户分类来看，大致可以分为政府客户和一般企业客户。

政府项目完全基于特定的算法模型，定制化程度高，基本没有复用。这类项目受政府预算影响，不是商业化的主流。企业是人工智能大规模商业化的对象，也是新技术助力传统产业升级的价值体现。

对于企业客户，人工智能企业的商业模式是针对各种高度细分的场景开发通用算法模型，提供单一的数据服务或运营报告。

在这种模式下，单个服务的市场报价一般保持在型号开发成本的15%~30%。如果企业项目的毛利率要达到软件行业平均水平的50%~60%，算法模型的复用率要达到6 ~10倍，每个复用模型的二次开发或调整成本低。

如此高的重复使用率要求人工智能在模型所针对的细分行业中的应用更加普遍。这类分部门一般具有以下特点:

1.主要是简单重复的工作；

2.场景标准化程度高，数据差异小；

3.依靠大量的人力。

同时，具有这三个特征的子行业主要集中在工业生产领域。而且，拥有高度自动化的物理设备的环境，可以充分展示人工智能的价值。但目前工业自动化水平不高，单靠人工智能技术很难发挥威力。

具备上述三个特征的上游行业通常具有较强的规模效应，行业规模相对集中。例如视频监控领域。大规模的视频监控产生了大量标准化的图像识别需求，以前需要大量的人力进行筛选。人工智能的出现可以大大提高效率。

与视频监控企业相比，智能企业集中度低，模式技术壁垒低，竞争激烈，导致这类人工智能企业的市场话语权较低。他们需要依附于上游企业，盈利能力受到抑制。

整体来看，人工智能的使用效果并不显著，导致下游客户试购，项目单价难以提升。随着未来技术的不断进步，项目单价可能会有所提高。但从模型复用率来看，人工智能高度依赖数据训练，而下游子场景数据差异较大，导致模型通用性低，单一模型复用率低，无法摊薄成本。

在当前技术阶段，项目单价无法快速提升的客观现实下，如何提高模型复用率成为人工智能企业盈利的关键。

三、成本端:技术和资本合力推高

毛利率提高不了，收入提高不了，销售费用率降低不了。一般企业都处于亏损边缘。然而，企业的高RD费用使这些企业雪上加霜。一般来说，目前行业内一般RD费用达到销售收入的20%以上。

人工智能企业融资的用途一般有两种，一是将待交付的项目提前，以维持企业的正常运转，二是开发精度更高、适用场景更多的算法模型。

目前研发支出比例高是技术博弈和现实融资要求共同作用的结果，企业很难削减这部分支出。

从技术角度来看，高RD投资也是行业发展阶段所必需的。目前人工智能面临各种问题。归根结底是技术水平满足不了商业需求。

高RD费用的持续投入成为企业未来博弈的必由之路。作为典型的技术驱动型行业，技术迭代快，企业如果不能在技术上保持相对领先的地位，很快就会失去现有的市场地位。

从企业生存的角度来说，企业的生存基本上是靠外部融资，即使自己造血不了。如何证明技术的先进性，成为人工智能企业必须向外部投资者回答的问题。

本来现在的算法研发急需解决模型复用率低的问题，但是单个企业解决不了这个问题。

所以在现实中，企业把更多的RD费用花在提高算法的准确率，参加各种人工智能比赛，争取排名上。用竞赛成绩和高精度的量化指标向资本市场展示其技术水平和持续技术进化的潜力。

目前人工智能企业都配备了高素质的RD团队进行技术比拼。但由于比赛场景与真实场景的数据差异较大，其开发的模型与商业应用相差甚远。

四。人工智能企业的三种模式

目前的算法模型高度依赖数据的质量和数量，导致数据获取和整理的成本很高比特币新闻（比特币新闻最新资讯）。再加上行业竞争加剧，对人才的争夺也在不断推高人力成本，成本相对刚性。

收益是由于人工智能技术发展阶段无法实现对人力的大量替代，实际需求不足，项目单价难以提升。但细分场景数据差异较大，导致开发的模型复用率较低。

由于这些原因，人工智能行业的毛利率远低于软件行业。另一方面，由于行业本身的技术发展要求和后续融资的考虑，企业不得不保持较高的RD投资。种种原因导致这个在国内发展了近十年的行业，依然普遍亏损。

在这种残酷的现实下，人工智能行业大致分为三类企业:

第一类企业专注于复用率高的常用算法模型。这类项目要求技术简单，对精度和速度要求不高。企业往往为某个项目开发模型，大规模重用。其盈利模式也从单纯的一次性收费的“项目制”转变为一次性收费的“运营制”(提供咨询报告模式)。

这种模式虽然实现了自身造血，但是有两个问题。一方面，虽然模型复用率有所提高，但由于现实环境中的数据复用场景并不多，企业需要不断寻找细分场景。

另一方面是融资难，这种模式下开发的车型都是采用通用技术。在行业技术迭代阶段，资本市场的认可度较差。为了解决这个问题，这类企业往往会引入老牌的RD团队做游戏，刷模型数据。这样的企业仍然保持巨大的RD费用，并且容易亏损。

第二类企业以政府项目为主，往往是人工智能行业的头部企业。政府项目单价高，定制化程度高。这些项目更倾向于与业内知名公司合作。

这种模式虽然有利于公司扩大行业影响力，项目利润率高，但缺点是定制化项目高，开发出来的模型基本没有形成复用。

另外，政府项目来源不稳定，考验企业的渠道能力。近年来，随着人工智能企业的不断涌现，获取项目的竞争愈演愈烈。从企业管理角度看，前端项目来源不稳定，后端人员成本刚性，政府项目回款普遍较慢，企业需要大量流动资金。这类企业的现金流会一直紧张。

第三类企业专注于视频图像分析领域。这是为数不多的场景重复度高、市场规模大的细分领域。从商业模式来看，上游数据是连续的，算法模型可以实时训练。基于这些数据，可以衍生出很多服务项目，自然有能力从单纯的项目式收费转向持续的经营收入。比如短视频领域的信息流推荐系统，推荐算法在短视频平台的持续数据中不断迭代，精准的流量推送成为获取高额广告费用的保障，所以平台和算法高度兼容。

近年来，人工智能的创业都聚焦于此。但是这个行业的用户市场集中度高。在视频监控领域，海康威视(002415。SZ)和大华股份(002236。SZ)接近双头垄断；互联网领域也高度集中在少数巨头。这些企业抓住了核心数据流，正在积极打造自己的人工智能团队，打造新的增长点。第三方人工智能企业只能辅助应用开发，产业链话语权低。

标签

始于2013年的人工智能投资热潮已持续近十年，行业仍面临较大亏损。而且从上市公司的财务状况来看，亏损在逐年增加，其生存高度依赖外部融资。

他们真的能“烧”出一个未来吗？

我们认为人工智能还处于发展初期，技术、产品、商业化都存在很多矛盾。未来，从基础技术的底层框架来看，行业很可能会发生变化。目前领先的人工智能企业也面临着技术迭代带来的行业洗牌风险。

目前企业毛利率低，无法提高。技术的不断迭代导致无法降低的高RD投资。这个行业实现盈利还需要时间。

欧易okx交易所：点击注册
全球第二加密货币交易所，注册即领最高￥3000数字盲盒。 版权声明：本文来自互联网，该文仅代表作者本人，不代表本站立场，不承担相关法律责任，如有涉嫌抄袭、侵权和违法违规内容，请联系我们QQ:8136336，查实将立刻删除。
本文链接：http://www.yuanhehe.com/zxzx/31811.html