詳解AI公司三大類別，哪種商業模式將成為最后贏家？
在AI型公司的混戰中，我們已看到了數不勝數的公司相繼倒下。在剩下的AI巨頭和后起之秀中，m.dekuna.com，哪類公司又能成為最終的贏家呢？
從ElementAI，Databricks到DigitalGenius，AI型公司鋪天蓋地席卷而來。各類公司分化出了不同的特性，也選擇了不同的戰略發展方向。
在他們中，我們能夠看到為客戶提供定制解決方案的數據科學咨詢公司，為AI解決方案提供底層基礎構架的AI平臺公司，以及通過產品化解決方案解決某個特定商業問題的垂直整合AI公司。
在我看來，能夠突破這一三足鼎立的局面笑到最后的，應當是垂直整合AI公司。
為什么這么說呢？
首先讓我們從這三類公司的定位講起。
數據科學咨詢公司：產品化程度低
AI平臺公司：產品化程度高，解決方法針對用例數多
垂直整合AI公司：產品化程度高，解決方法針對用例數少
圖片縱軸：（下）定制；（上）產品化
圖片橫軸：（左）單個用例；（右）多個用例
圖片內容：（左上）垂直整合AI公司；（右上）AI平臺公司；（下）數據科學咨詢公司
任何一類公司都有自己的優勢和劣勢。任何一個類別中也都有最優秀的公司。但是我認為最成功的公司會集中在垂直整合AI公司中。讓我們一個個來分析看。
數據科學咨詢公司
數據科學咨詢公司的產品化程度較低。由于AI模型極其依賴于客戶提供的數據，這類公司的主要優勢在于他們更容易交付給客戶更好的結果。這類公司的劣勢在于不能很快的規�；Ｈ绻酒谕杆僭鲩L，他們應該設法向其他類別的方向發展。
現在這類公司的數量越來越多。很多公司甚至并沒有意識到他們已陷入了這個類別直到他們發現公司規�；霈F困難或者很難找到可以重復的用例。這些公司也許有獨一無二的技術，可以獲得很多客戶，甚至有別的公司愿意高價收購。但是，要想發展超出一定的規模，他們一定要成長，并且把解決方案產品化。AI解決方案產品化是極其困難的，有兩個主要原因。首先，如上文所述，很多AI產品極其依賴數據，而每個客戶提供的數據各不相同。更進一步說，客戶的確切需求也有很大差別。
ElementAI是一家典型的數據科學咨詢公司，這家公司今年夏初拿到了高達1億200萬美元的A輪投資。但目前為止，這家公司還沒有一個具體的產品或者解決方法。他們的解決方法組合網頁列出了15條不用的用例；解決方法網頁介紹說他們構建易于整合入現有流程的定制應用程序�；谒麄儷@得的大量投資，ElementAI未來應該會有所成長，并將他們的AI解決方案產品化。
產品化究竟是什么意思？如果一個解決方法可以多次安裝，過程中幾乎不需要定制，就可以說這個解決方法已經產品化了。產品化可以讓公司收入增長速度遠超成本增長速度。相反的，一個咨詢公司雇傭的員工數量與公司同期的業務數量是大致成正比的。
幸運的是，對于ElementAl和與其類似的公司而言，他們不需要做到完全產品化（即解決方案安裝時完全不用定制）。舉個例子，某AI公司決定要在產品化上投入工程師人力資源，KUKA機器人維修，目標是解決方案每次安裝時定制成本降低80%。與達到完全產品化相比，完成80%的目標可能只需要20%的人力資源。剩下20%的解決費用可以作為合理的一次性安裝費用轉嫁給客戶。因此，實現80%產品化的目標或許足以達到產品規模化的目的。
圖表橫軸：工程師人力；總軸：產品化
產品化還有其他好處。產品化可以給其他新入行的公司設置障礙。在其他新公司努力解決規模化問題的時候，本公司可以更快的整合，技術團隊也可以把工作重心投入到開發公司的核心知識產權上。
AI平臺公司
AI平臺公司提供底層基礎構架，而具體的AI解決方案可以在上面運行。AI平臺允許終端客戶導入數據，清理和變換數據，訓練模型和驗證模型。AI平臺公司的例子包括H2O.ai公司，Skytree公司，和（最近轉型的）Databricks公司。
這類公司有不少獨特的優勢。首先，他們面向的市場巨大。任何企圖擴充自己AI工具的公司都是他們的潛在客戶。除此之外，AI平臺公司產品化程度高，因為平臺僅僅基于底層運算構架，操作系統，和支撐硬件。最后，他們有一個產品粘性優勢，意思是一旦某個公司依賴這個平臺，該公司就很難離開這個平臺了。
但是，大多數AI平臺公司的生存空間也受到威脅：
開源AI項目數量和質量增長
會使用這些開源項目的程序員數量增長
近年來，開源項目在質量和可選性上取得了令人震驚的進步。谷歌TensorFlow庫最初僅專注于深度學習，現在其覆蓋范圍已經拓展到訓練、測試和機器學習模型維護等領域，并獲得了廣泛認可。TensorFlow一方面能夠輕松訓練出好用的模型，另一方面還能夠憑借各種特性將模型應用到生產環境中（比如TensorFlowServing）。此外，眾多其他公司和個人的貢獻也是開源環境發展的一大助力。雅虎旗下的一個開源項目就在ApacheSpark上運行TensorFlow。臉書此前已經開放了其內部AI平臺FBLearnerFlow的代碼，對開源機器學習庫Torch也貢獻良多。開發者DavidCournapeau于2007年創立的Scikit-learn也是大熱的AI庫之一，目前平臺貢獻者數量已超過900名。
越來越多的程序猿能夠得心應手地使用這些開源工具。供給在需求的刺激下不斷攀升，而未來五年，數據科學相關崗位需求量預計將增長15%。此外，新一代數據科學家相比前輩分析人員也刷新了不少技能點：前者能夠熟練運用數據科學課程中涉及的標準化開源AI工具，而后者主要是通過SAS、Excel、Alteryx和MATLAB等封閉式平臺來學習數據操作和建模。
在上述兩大趨勢的推動下，大多數企業都會投向開源工具的懷抱，有些還會聘請咨詢顧問來協助工具的具體落實；而真正的AI平臺公司可以施展拳腳的余地也就所剩無幾了。
AI平臺公司的日子并不好過，市場上已經出現了這方面的跡象。H2O.ai在2016年9月裁員10%，力圖從廣撒網式銷售模式轉型為針對少數精選客戶的深耕細作。公司有可能沿著產品化軸線深入發展，推出的解決方案在定制化色彩更加濃厚的同時也能為公司帶來更大的訂單（銷售團隊規模也更小）。另一個比較常見的發展方向是專注某一個用例集，最終演變為垂直AI公司。
Databricks憑借其全球領先的ApacheSpark專業知識和人才，有可能打造出無與倫比的AI平臺。舉例來說，他們可能會專為推動AI而對Spark進行重大改進，而這正是其他公司很難復制的。在與開源解決方案難分伯仲的情況下，Databricks的競爭對手就會變成采用開源解決方案的內部團隊和其他公司（比如IBM的DataScienceExperience就推出了在Spark上運行的Jupyter筆記本電腦）。換個思路，Databricks也可能專攻垂直AI解決方案，并將之作為主要收入來源。
垂直AI公司