根据调研机构CB Insights日前发布的“AI状况”季度报告，与资本市场当前状况一致，AI的投资持续放缓。

自上季度以来，AI初创公司的总投资下降了31%，降到2020年第三季度以来的最低水平。大型融资(1亿美元以上)与上季度相比下降39%，创下9个季度以来新低。

尽管AI融资的停滞将会减缓该领域的发展，但它也促使投资者将更多注意力放在可能实现持续发展的AI项目上。投资者需要了解获得融资的AI初创公司，以对AI行业在未来几个月的发展趋势有大致的了解。

AI为何变现难？

1、缺乏消费级AI场景

从移动互联网的野蛮规模性发展可知，引爆增长，只需在消费级市场创造一款应用杀手锏，如阿里之于淘宝/支付宝，腾讯之于微信，百度之于搜索——这也是BAT巨头立足的根本。AI如引发消费级场景，肯定会诞生BAT外其他系列巨头。应用的诞生，不仅仅需要创意，也需要底层硬件算力的突破。

目前我们还处于智能手机时代，智能机的核心在人类的信息交流，尽管也在集成各种GPU芯片，让人类受惠各种AI场景，但因手机本地算力短板，也仅限于轻量级AI场景，如人脸识别，手势识别等小工具场景。稍重量级的算法应用，本地承载不了，只能放到云端，云端到客户端的延迟性又让人拥有极差体验。在消费级来看，未来可以承载算力的硬件平台有两大类：新能源车，AR/VR平台。

电影《头号玩家》让我们了解，一个游戏公司正在创造另一个虚拟社会，跨国世界。这一切的承载就是一个AR。特斯拉第一辆车下线后，已经告诉世界，未来的车需要软件定义，其中很大一部分就是算法。

区别智能机，AR/VR作为未来AI承载平台，已经被定义，罗永浩老师说到下一个创业方向时，也诠释了为何选择AR——未来的AI承载平台，全世界还没有企业对其实现实质性探索，也无实质性突破。新能源车除了本地决策算法，目前依然在忙着将智能手机的娱乐应用，向车载移植，新能源车作为AI平台，未来价值也将亟待挖掘。

2、行业突破难

移动互联网红利见顶，TOB成为科技企业重点，也是AI企业当下核心。

TOB是一个缓慢的进程。所谓行业的AI，即将传统老师傅的工作经验，形成数字模型，看似容易，实则不是一般的难——经验有时是一个凭感觉的东西，本身很难数字化，AI则需要无数实际数字，及案例模型的训练，完成初步建模。同时，传统行业与IT科技，还存在专业知识与IT知识的断层，这都为行业突破带来难点——这也是世界性AI与行业融合的难题。

如IBM花费十年，投重资本打造的Watson，意欲让AI完成医生替代，可以在积累十年后，AI依然无法有效临床，最终IBM只有将其拆分售卖。同样的事情发生在谷歌大健康，以及国内的依图。

解析背后原因，行业高质量数据欠缺（需数据治理），AI底层运算逻辑需要突破，尚无某一场景的AI实际性突破。再谈下，我们当前热烈期盼的工业互联网，实际中国工业大多都未实现信息化，也即没有实现基本数据收集，也意味缺少用于工业AI训练的基本数据，由此可见，中国工业AI的爆发，依然同样任重道远。

3、与传统安防巨头的竞争

在项目落地中，四小龙的AI应用需要硬件承载，即安防摄像头。安防硬件是海大宇（海康、大华、宇视）的市场。AI企业提供软硬一体的服务，就是在争抢传统安防的市场。AI视觉同样也是传统安防早就有的方向，在十多年前，安防企业就在高速模糊车牌复原、人脸识别等方向拥有软硬件方案。两类企业在智慧城市、智慧金融、智慧园区、智慧交通等各种业务直接竞争。不过AI企业在硬件产业链的短板，注定面对传统安防企业竞争，存在天生的底气不足。

摆脱硬件，在云端以API的形式为第三方提供服务，但又与云平台服务商可能存在业务重叠，而且相比云服务商云产品的组合拳，AI企业仅某些API算法接口服务，又显得太过单薄。

AI商业化落地的破解之道

落地难一直困扰整个人工智能行业的难题。华先胜认为，首先，需要整个行业有一个共识，就是人工智能无处不在，而且一定是未来的发展方向。一方面是未来，另一方面又面临诸多挑战——其价值和规模化落地到底如何实现？

在他看来，人工智能的商业化落地必须要做到三件事。首先是不可替代的价值，如果只是“锦上添花”的价值，那就很少有人会为其买单，只有拥有不可替代的价值，让人离不开它，自然会有人买单；其次是规模化，即使有了不可替代的价值，但无法实现规模化，就依然不能实现商业化落地。以科研成果为例，如果只能作为示范，或者为了融资讲故事，无法真正实现大规模落地，显然是不可取的；再者是拥有核心竞争力，对于企业来说，必须自己拥有差异化的竞争能力，才能有领先他人的不同之处，进而才能生存和发展。

华先胜进一步提出了“平台化”“系统化”两个关键词，他强调：“不只是一个算法和技术，而是一个完整的平台或系统，同时两者都需要具备不断扩展、不断进化的能力，而不是一个静态的。”因为每个场景都在不断发生变化，技术或产品如果一成不变，效果就可能越来越差，这是一个缓慢变化的过程。如果形成平台或系统的话，就能通过自我的更新和迭代，自我的扩张和进化，以应对变化。此外，还需要吸引更多的生态伙伴的加入，最终形成完整的生态体系。

有商业化路径的AI公司才拿得到钱

在2022年第三季度获得巨额融资的初创公司中，美国初创企业Afresh在今年8月获得了1.15亿美元的B轮融资。该公司使用机器学习帮助杂货店经营者减少高达25%的食物浪费，即平台跟踪新鲜食品的销售，帮助预测未来的客户需求。供应链团队可以使用该平台优化采购，用户可以直接使用该平台向供应商下订单，以减少食物浪费。

该公司已经在美国40个州拥有数千个客户，后续将利用新融资实现业务增长，将市场扩大到其他国家和地区，并增加新功能，以增加其产品的价值和市场覆盖率。

另一家获得巨额投资的公司是总部位于意大利的移动应用开发商Bending Spoons，该公司在今年9月份融资了3.4亿美元。Bending Spoons主要开发移动视频和照片编辑应用程序，这些应用使用机器学习来执行复杂的任务，例如背景删除、自动字幕和照片增强。

该公司的应用采用免费增值模式，用户可以免费使用基本功能，但如果使用高级功能必须付费。成立于2013年的Bending Spoons下载量已超过5亿次，年收入已持续数年超过1亿美元，下一步将利用新融资资金开发新产品和进行收购，向现有客户推销其新产品，并收集更多的数据，进一步扩大相对竞争对手的领先优势。

AI初创公司是一个模糊的术语，通常适用于所有类型的公司，其范围从专注于提供AI工具（例如MLOps、预测分析工具、无代码/低代码模型开发）到在产品中使用AI的公司（例如使用机器学习预测风险的保险科技公司）。

然而，有一些因素决定了围绕AI和机器学习形成的商业模式的成功。以下是其产品的一些共同原则：

1、产品/市场的契合度：AI产品必须解决未解决的问题，或者在现有的解决方案上提供足够的附加值。

2、增长策略：必须有可扩展的渠道，让产品向目标用户传递其价值(例如付费广告以及与现有应用的整合)。这些渠道必须是防御性的，并使竞争对手难以抢占市场份额。

3、目标市场：投资者希望获得投资回报。其产品必须有一个相当大的市场才能增长并达到目标估值。如果产品太小众，很少有人问津，那么投资者也不会有兴趣为其提供资金。

除了上述原则，使用AI和机器学习的产品还必须解决一些其他问题：

1、训练数据：产品团队需要有足够的高质量数据来训练和测试其模型。在某些情况下，这些数据很容易获得(例如公共数据集和企业数据库中的现有数据)；在其他方面则比较难以获得(例如健康数据)。对于某些应用，数据在不同的地理区域和受众之间可能存在细微差别，这需要它们自己进行数据收集工作。

2、持续改进：AI和机器学习模型需要随着世界的变化而不断更新。在部署机器学习模型之后，产品团队必须有持续收集数据以更新和改进模型的策略。这种不断的改进也加强了产品对竞争对手的防御能力。

本着这些原则，根据CB Insights公司的调查报告，需要了解在经济低迷的情况下，AI初创公司是否存在为其AI计划吸引资金的模式。

穿越周期的AI投资法则

如果深入研究接受融资的AI公司，就会获得更多信息，但注意以下几点：

1、坚持良好的产品原则：无论AI有多好，都需要一个能解决实际问题的产品，它比其他产品要好得多，而且采用的阻力更小。同时AI产品还需要有一个庞大的市场、扩张空间和可持续增长的清晰愿景。

2、B2B AI是最重要的：虽然AI驱动的应用为消费者提供了便利，但它们对企业的价值要大得多，尤其是在经济进入衰退的情况下。实施良好的AI可以减少资金浪费、优化推荐和自动化人工功能，所有这些都会影响AI公司的开支和收入。

3、在未解决的问题中寻找新的AI市场：在AI领域，已经建立的市场很难被征服，因为现有的AI公司已经拥有更好的数据集来训练他们的模型。而进入新市场更容易，成本更低，特别是如果能在竞争对手之前快速收集数据来训练机器学习模型。

4、降低获取数据的成本：在数据已经存在并有注释的地方寻找AI创意（例如，金融交易、销售历史、患者病历）。或者寻找生成模型所需数据的解决方案，以减少数据收集的需要。如果企业的应用需要一个新的管道来收集、清理和注释数据，那么将需要更多的时间、人才和资金，这在当前情况下很难实现。

5、拥有知名度高的创始人将会吸引更多投资：大型科技企业工作过的创始人更有可能为AI公司（例如Web3AI的数据基础设施）吸引更多和投资。

文章来源： 智能数字化，福布斯，极客网