AI进入下半场，打法上的一些变化

身边做AI的人太多了，这个领域的企业在这两年有一个显著的打法变化，业内人士常戏称“人工智能进入下半场”：上半场指代to-C，下半场指代to-B。这个上下半场的划分偏绝对，反例很好举，但我们谈论的是总体趋势，求不杠精。

这两类最大的差别，是AI的命门 - 数据，是从哪来的：一个（往往）是新产品新场景里产生的，一个（往往）是老系统里积累的。

上半场to-C，都是跟老百姓衣食住行有关的，产品为王。一个好的产品（阿里/腾讯/头条/大众点评。。）直接可以让你把控住一个生态，然后生态内部源源不断的数据，支撑了AI的迅猛发展。最好的例子就是alexa: 一开始回答蠢的跟狗一样（现在也蛮蠢的。。。），但大姐夫有vision，就是能比别人先把产品做出来把场景抢下来，自然反哺出很多好的技术来。

但这两年随着国内外衣食住行的AI化已经搞得差不多，新的没开发的场景没剩几个了。新型的公司但凡有点AI基因的也开发的差不多了。

进入下半场，to-B端剩下蛮多可以做的：传统金融，传统工业，传统制造业，传统法律/咨询公司。。。聪明的你也看出来了，这些企业的共同特点是：传统老牌企业。都不缺钱（大家抢着为他们服务），都不缺数据（都是积累了很久很久的，甚至几十年），公司整天都在鼓吹着要搞AI（因为大老板吹逼的需要，而且确实也不能浪费了这么多数据资源）。有钱有数据有意愿有robust商业模式，前途一片大好！

但真正做起来，确是难上加难，举步维艰。

为什么会这样？不妨让我们看看两类非常常见的玩家的日常：

1）玩家1：传统企业内部的AI团队。你需要绕过重重叠叠的部门和politics，拿到你所需要的数据。没有足够的senior leadership support, 在在这一步已经没戏了。假设你拿到了，你大概率发现数据都非常dirty（很多都在legacy system里面存着， 然后meta data根本找不到，你连每行每列什么含义都很难搞清）。我们假设你最后通过艰苦卓绝的努力把数据清洗干净了，一顿操作搞出了一个性能优良的new AI system。然后，你就会发现你面前又叠着几座大山：有些领导可能会强烈质疑目前复杂的模型的可解释性，然后把你否了。毕竟他虽然嘴上鼓吹但自己对于ML理解基本为0，所以极其没有安全感；还有些产品部门，有非常复杂的产品逻辑，在你建立的AI模型上面会加上非常多的rule，然后基本进到production里你的模型就被阉割的面目全非了；还有些其他部门大领导，根本就不想让你碰一些legacy model，因为否定了legacy model就是否定了他自己过去的功绩，所以会万般阻挠。

2）玩家2: 外部想要做为传统企业服务的AI startup团队。你会发现，光是拿到这个行业高质量数据这一项就能要你命：好的数据都在大公司手里，人家凭什么给你？而且除了在面对其他类似startup competitor的时候，你还有一个隐形的竞争者 - 你想要销售的公司客户的内部data science组：买了你们的产品，不相当于削弱了他们自己的团队重要性么！所以很多内部的人会想尽办法证明你的产品不行。有人可能说：我去卖给雇不起data science团队的中小型公司不就好了么？well，去了解一下中小型公司有多抠，你或许就明白为什么大家还是希望跟大公司做生意了。假设你找到了数据提供商，招到了一个好的ML团队做出了好的product，并且有客户愿意用，另一个很恶心的事情很可能发生：数据提供方会想要拿走大部分的利润。原因很简单：你不做它可以找别人做，想做的人排长队，但你没有数据，就等于宣判了死刑。你被人家掐住了蛋，动弹不得。


更不用提在很多类似领域监管非常严厉。



所以下半场，做to-B的从业者必须有非常大的耐心和决心深入一个具体的领域，把领域内部的根本逻辑熟悉，把你想要开展工作的工作关系/客户关系manage好，并且为自己找到一个别人拿不走的利润空间，才有可能为做出好的AI铺垫出一块温床。

用一个有点绝对的比喻：上半场做to-C AI像是给新车造轮子，下半场做to-B AI像是给老车换轮子， 而这个操作最大的特点是：你要在老车还在行驶的时候完成拆+换的全部动作，难度之大可想而知。
所以to-B太难，就不值得做了？完全不是。to-B难度系数高的同时也意味着：一旦做出来一款好的产品，基本上意味着一定程度的垄断，不论你是传统企业的内部还是外部。一个老车不会轻易换轮子，你吭哧吭哧给它换好了，它不会也afford不了明天再换另一个。而垄断，不正是是每一个在商海沉浮的人都想追求的么。

抛砖引玉，求点大米，之后有机会会分享更多to-B端AI的故事。

一点个人补充和看法，欢迎讨论：

传统行业既不缺数据，也缺数据。这涉及到数据的时效性，产品在变，工艺在改善。虽然积累了十几年的数据，但可能一两年前的数据已经毫无用处了。而要对一个新产品建模，近期的数据量其实是不足的。当对近期数据建好模型，工艺流程可能又改善了，导致模型上线的表现并不一定好，需要长期有人维护。

至于外部公司想得到数据是很困难的，主要涉及到专利和公司对自家产品的遮丑。虽然对外宣称产品质量过硬，但内部数据会显示产品的一些不想让客户知道的问题。所以基本上只有内部team才有机会染指。

另外利用ML是能够生产工艺等进行改进，但落实到具体生产线/产品，产生的效益不一定很大。因为公司有几十上百条新老不一的生产线，每条生产线的配置都有所不同，没法做到一个模型适用所有生产线，只能对特定的生产线建立相应的模型。这样拉一个七，八个工程师组成的项目小组，花几个月时间采集数据，建一个模型，收益可能也就几万到几十万，都未必够发工资。

传统行业很多不缺数据，但是缺AI能够使用的数据，当开发AI应用时，越深入越发现，现有的数据虽然够，但缺了一些重要的field，因而能够做出的AI模型比较差，可是又没有积累下来那些缺失的field的数据，。

Sunny.Day 发表于 2020/05/17 02:47:49
非常同意，所以我看到的成功的例子是，直接给传统行业做信息化系统。但这玩意门槛之高，需要的关系之硬，很多时候超过天际

是这样的，而且你会发现企业收益最大真不是什么AI，而是效率优化和流程自动化，但这个在传统行业是动蛋糕的事…

补充内容 (2020-5-16 12:04):
以我LP经验为例，在前东家大力推进系统化得罪了一票人，一些猫腻玩不下去被劝离的人都有好几个，最后她VP欣赏也升不动她；现在在金融行业AI项目，正儿八经AI项目压根落不了地，做了些工具化的项目广受好评…

点个赞，传统行业做AI的最大问题在于并没有直接做AI的基础，信息化程度都不太够

补充内容 (2020-5-16 11:41):
不过我不是很认同赢家通吃，你的观点在于定制化搞定全链条，如果是这样你会发现AI本身是其中最不重要的一环。
多半有些企业真做到了AI可介入的时候，往往你也可以被取代了

fabulousz 发表于 2020-5-17 02:38
点个赞，传统行业做AI的最大问题在于并没有直接做AI的基础，信息化程度都不太够

补充内容 (2020-5-16 11:4 ...

非常同意，所以我看到的成功的例子是，直接给传统行业做信息化系统。但这玩意门槛之高，需要的关系之硬，很多时候超过天际

为什么player里面没有 gg cloud ai和aws machine learning

fabulousz 发表于 2020/05/17 03:01:08
是这样的，而且你会发现企业收益最大真不是什么AI，而是效率优化和流程自动化，但这个在传统行业是动蛋糕的事…

补充内容 ...

是啊，工具化的项目不挣钱，花架子倒是不小，不容易

阿钟 发表于 2020/05/17 04:00:06
为什么player里面没有 gg cloud ai和aws machine learning

当然有了！大场ai team我还真知道很多例子。大部分靠向外部企业卖ai product的team基本亏钱，但公司亏得起，并且需要技术发展给公司做branding，并且反哺其他业务，所以一直存在。但你永远是一个依附于公司的科学家角色。公司不会fire你，但你觉得自己有技术出去扯一个公司，基本痴人说梦（我应该加一个player 3的的哈哈）

这个学期刚好在做RL，其实对一些特定场景来说，数据本身是可以被模型自己生产出来的。我在训练的机器人甚至物理上根本就不存在（后期会把灵魂放进肉体里）

Sunny.Day 发表于 2020-5-17 05:37
当然有了！大场ai team我还真知道很多例子。大部分靠向外部企业卖ai product的team基本亏钱，但公司亏得起 ...

这一类就是data robot 或者h2o一类的customer data scientist 专门给别的公司培训怎么用他家产品

个人的一点看法 传统行业 特别是金融 内部做AI的的一个难点是这个团队大部分情况下不是一个BU 所以手上大多没有项目 都得去别的BU要项目 这个情况让整个进程更加困难