李開復護航的“AI鏟子第一股”,並不十分硬核

李開復護航的“AI鏟子第一股”,並不十分硬核

圖片來源@視覺中國

文 | 錦緞

近一個月,AI公司再次博得市場極大的關注:前有幾經輾轉的商湯-W(HK:00020)成功上市,4個交易日股價翻倍;後有李開復擔任董事長的

創新奇智

在港交所二次交表,“AI製造第一股”的噱頭風頭無兩。

港股投資者對AI公司可以說又愛又怕:

可愛之處,毫無疑問體現在科技是第一生產力,而AI是科技的前沿之一。可怕之處,在於AI公司仍無造血能力,除了現金流雄厚的商湯,IPO在為數不少的人眼中仍是保命的舉措,這一點可能被不喜虧損的港股市場無限放大。

創立於2018年“AI寒冬”的創新奇智對於虧損是有切膚之痛的。所以上市不足一年它就調整了業務方向:從面向終端使用者的AI公司,變成面向系統整合商的“AI鏟子”,2018年-2020年其按客戶型別劃分的收入明細足以佐證。

李開復護航的“AI鏟子第一股”,並不十分硬核

創新奇智轉向成鏟子票,似乎運營複雜度就能下降(銷售和實施層面),從而脫離虧損的泥潭。但事實卻並未如此,我們應該怎樣衡量AI鏟子呢?

01 AI鏟子的基本面

據招股書顯示,創新奇智是企業AI解決方案提供商,擁有專有計算機視覺和機器學習AI技術,並提供全棧式AI產品和解決方案。從而幫助客戶最佳化業務或生產流程,繼而降低成本,提高營運效率、生產靈活性及實現業務運營及資訊管理的智慧化轉型。

以上官方介紹不容易弄懂,你可以這麼理解:創新奇智的商業模式大部分是定製符合客戶需求的軟硬體,再交給系統整合商實施的軟體開發商。

公司主要客戶行業按照收入分為三類:

◆製造業,主要是汽車裝備(摩托車發動機)、3C高科技(電子產品)、OLED面板製造等。

◆金融業,主要是面向銀行、保險。

◆其他,包含零售等。

對上述製造業來說應用場景主要是:利用機器視覺進行產品檢驗,園區送料小車自動駕駛,實時評估建築工程整體情況,監控風電裝置運轉情況等。對金融行業來說是整合和管理不同型別的資料庫和協助決策軟體等。

從技術維度看,創新奇智在AI方面擁有三個自建平臺:Orion,負責模型訓練;ManuVision,負責計算機視覺;MatrixVision,負責邊緣影片分析。

例如在風電的應用中,透過在現場佈置攝像頭來監視裝置運轉情況。ManuVision來回答拍攝物是什麼的問題。如果風力發電機在運轉中突然轉速異常,且需要及時上報並解決問題。這可以在現場附近架設小型計算裝置的方式透過ManuVision來識別情況。影片分析允許動態的捕捉鎖定監視的物件,而邊緣計算允許在監視器周圍就近的分析問題。兩者結合就能做到快速高效的反應。最後,Orion負責這些分析和判斷的準確度進一步強化提升。

AI產品的功能看似簡單,但在這條賽道上的公司們目前基本都沒能實現盈利。那麼在今天,尤其是在AI製造這條細分賽道上,資本看重的是什麼?是一旦產品能夠標準化,整體行業帶來的蛋糕實在是太大了。

01

近年來有關雲計算、SaaS、大資料、AI這樣的新名詞層出不窮,但實際上AI科技公司的交付物,仍然和傳統解決方案提供商沒什麼不同。本質上都還是為了滿足客戶提出的要求。

只不過之前是客戶要求提高工廠產能利用率,承包商們優化工廠物流。現在則是承包商不僅優化了工廠物流路線,甚至把人工剔除,轉而使用AI來代替。AI在這其中的位置就是取消掉人工所不能避免的疏忽和不精準。

在創新奇智與中冶賽迪的合作中,就使用了這種方式來轉運鐵水。提高效率,節省人力。而另外一家客戶同樣也反應得益於AI最佳化帶來的成本降低,每年每個熔爐場地節省四百萬元。

按照2020年中國鋼鐵協會關於人力資源情況的報告,我國現存工人數有176萬人,平均工資約為10萬元。若AI能夠節省行業20%的人力,則AI能為產業帶來352億元的開支減免。

在現存的成熟製造業進行人工替代以外,光伏和風電等未來趨勢明顯的行業同樣應用廣泛。如計算機視覺監控下的光伏運營中,通常10MW的光伏電站配備5-8名人員來負責維修和運營。

李開復護航的“AI鏟子第一股”,並不十分硬核

而截止統計到2021上半年,我國新光伏裝機發電量達到2。6億千瓦時。在這個基礎上若能使用AI技術進行合理替代人工,那未來的需求強度會隨著專案成熟度進行爆炸式增長。創新奇智在近幾年的業務中也反映了這種潛在的龐大需求,從2019年接到鋼鐵冶煉和能源電力的專案,到2021年9月為止,收入增長334%。

這種應用於製造業的AI,並不像自動駕駛一樣需要軟體擁有極高的智慧度,但就對生產來說,僅能完成單一的替代就已經足夠了。而且還不需要那麼難。

如在生產線的缺陷檢測環節,原來人工的形式難免無法處理針對每一個產品的檢查。而機器視覺的方式可以,深度學習計算機視覺可以與工業攝像頭和照明裝置進行聯動,保證每次生產的缺陷能夠被正確識別和分類。

但由於工業產品缺陷的可重複和情況有限性,利用少樣本學習就足夠應對。在最近創新奇智的一份專利表明,是基於神經網路遷移標註方法表明其採用的資料分析方法屬於小樣本學習。小樣本學習允許AI在不需要大樣本和大模型的方式對視覺內容判斷,該方法的優勢在於輸出結果更為直觀和便於計算和公式化,而劣勢在於設計較難和對識別物件具體區別上難以把控。

有趣的是,對一家以AI作為軟體解決方案的公司來說,是否能提供標準化的解決產品極為重要。而工業生產的缺陷在被要求檢出的重要性也遠遠大於理解這些缺陷到底“長得”有多不同(圖片來自招股書)。

李開復護航的“AI鏟子第一股”,並不十分硬核

小功能,大回報。創新奇智牢牢把握著自己擁有演算法和平臺的優勢,或許能做到的事情並不如百度、特斯拉、商湯等大型AI公司那麼多,但工業+AI一旦能夠在業界被廣泛認可,那基本盤著實不小。

AI鏟子的基本面

創新奇智在商業模式上跟“AI四小龍”不太一樣,它把不賺錢的部分都剝離掉了。

從下游合作方來看,到2021年九月份,創新奇智主要的客戶是系統整合商。從上游採購的情況來看,不僅是定製硬體,創新奇智把資料標記和軟體外觀開發的任務也交給了第三方。如此一來,該公司的在業務上的位置就清晰了起來。

得益於業務的拆分,創新奇智不再需要承擔與核心技術不相關的專案實施所需要的開支,也不用承擔簡單重複的開發工作帶來的人員成本。但與此相對的代價是毛利隨著合作客戶的穩定,最終落在30%(見下圖),而“四小龍”的毛利基本都維持在60%-70%這個水平區間。

李開復護航的“AI鏟子第一股”,並不十分硬核

創新奇智透過堅持核心生產力的方式,來達到其他AI科技公司暫時做不到的成本控制。

但我們先暫且把利潤率降低的代價放到一邊,我們來思考這樣的個問題:如此的AI三平臺真的能夠形成壁壘嗎?

我們的答案是很難。

02 背靠行業基本盤的大蛋糕

創新奇智選擇投入做研發的大部分資金並不在AI模型本身上,而在於對客戶的定製化開發。

相對於其他大模型AI,如自動駕駛、語音識別等,工業生產產生的資料太少了。這種資料少分為兩個含義,第一個含義是AI對意外情況的反應條件非常單一;另一個是因為工業產品本身能夠產生的情景多樣性就少,這使得創新奇智的AI三平臺應用上限不高。

02

,堅持AI相當於要和後來者在技術上硬碰硬,但AI技術在行業內的專利壁壘不容易搭建。

AI技術在今天還在一個早期探索的階段,每天都有數個新演算法誕生,這些演算法又相互利用開源平臺,或者本就是開源的。同時,創新奇智目前使用的小樣本學習方案雖然目前被認為建立模型難度較高,但其實難度主要來源於該技術被提出的時間非常短。

背靠行業基本盤的大蛋糕

,創新奇智沒有AIDC。

AIDC是專門用來執行AI任務的資料中心,這些年被國際AI技術巨頭熱衷建造。原因之一就是AIDC能夠執行大資料任務。

來自於創新奇智在上述兩點的劣勢,這很容易設想其被AI巨頭降維打擊的可能性,和今後若要求工業AI執行更多複雜操作的限制。但創新奇智在目前的應用與未來的募資說明中都沒有看到類似的展望,甚至其在利用雲計算服務已經開始佔據五大供應商的位置。

李開復護航的“AI鏟子第一股”,並不十分硬核

創新奇智選擇在開年第一天再度衝刺IPO或許在釋放著這樣一個訊號:綜合公司成立以來的增長和商業模式來看,AI製造已經開始走向成熟。但這同樣也意味著其作為一家AI科技公司,戰略越來越不“硬核”。

現在的繁榮或許是因為傳統工業和金融業的資料整理在一個呼聲甚廣的時候,AI的先發優勢可以背靠這塊蛋糕吃的滿嘴流油。但在數字化和智慧化的未來,卻預見著終有一戰。

頂部