旷视科技：安全与盈利，AI难以逾越的两座山？

    工业革命促进了技术进步：第一次工业革命把人类带入了工业化时代；第二次工业革命让人学会用电；第三次催生了生物医学等新技术；而目前我们正身处第四次工业革命--成为这一赛道福祉的获益者。

　　而仅过一年，商汤科技估值已蒸发近2500亿元，剩740余亿元；带着“国家队”标签的云从科技上市首日涨幅近40%，收报21.4元/股，总市值158.5亿元。这与两年前的估值相比缩水了近100亿元。

　　这些曾经带有光环的独角兽们正受困于“何时盈利、技术落地和业绩下滑”的问题。随着AI变得越来越平平无奇，抛开最初为之欢呼鼓舞的想象空间，我们将焦点放回企业本身，以四小龙之一的旷视科技为例，聊聊AI行业的近况：一是盈利；二是安全。

　　01 高科技公司，是不是就得亏损？

　　生物医药、量子通信，甚至过去的O2O，打车软件，都喜欢标榜自己是高科技公司。一提到高科技，就会联想到“烧钱”，和平凡产业相比，高科技需要更多的资金，而对于如何合理地烧钱，投资人看重两件事：一是烧钱能烧出极速增长；二是烧钱烧得有效率，能烧出一个稳得住的企业。

　　在实际操作中，这些企业试图通过低价策略淘汰竞争者，剩者谋求成王；或者通过大幅让利，打入重要客户供应体系；或者把利润让给低税率主体，以亏损来避税。在投资领域中也有极端情形，比如，通过“大幅亏损故弄玄虚”来吸引融资。这个有点像不法商人苏洪波的套路，让人捉摸不透自身业务来增加“硬科技”隐蔽色彩。

　　

　　我们来看下AI四小龙的财务情况，清一色“营收越大，亏得越多”。不仅是利润表的亏损，现金流量也净流出。在2022年，亏钱依然是它们逃不开的魔咒。据机会宝统计，按已有数据计算（除依图和旷视部分数据暂缺），2019~2021年，四家企业的累计亏损合计高达500亿元。其中，商汤科技的亏损额分别为34.28亿元、49.63亿元、121.58亿元和171.40亿元，四年累计亏损376.89亿元；云从科技的归母净利润金额则分别为-1.81亿元、-6.40亿元、-8.13亿元和-6.32亿元，累计亏损额也是多达22.65亿元。

　　据机会宝统计，2018~2020年，旷视科技分别实现营收8.54亿元、12.60亿元和13.91亿元，整体有所增长，但其年度亏损额却分别高达28亿元、66.39亿元和33.27亿元。至于依图科技，由于企业早在2021年6月便主动撤材料，但也能看出来它在申报IPO时同样处于亏损状态。

　　

　　

　　

　　为什么会亏损这么多？巨额亏损的背后，是企业们高企的研发费用、高额的薪酬成本和漫长的产业化之路。

　　就以AI四小龙之首——商汤科技为例，2018~2022H1，商汤科技的研发费用率分别高达45.82%、63.30%、71.21%、76.89%和143.82%，远超其他期间费用，绝对值甚至超过营业成本；再以今年上市的云从科技为例，2018~2022Q3，云从科技的研发费用率也是分别为30.61%、56.25%、76.59%、49.67%和94.24%，同样相对较高。

　　而在研发费用中，人工成本即技术人员薪酬又占据了很大一部分。以云从科技为例，招股书及财报显示，2019~2022H1，云从科技的研发人员薪酬费用分别为2.24亿元、3.20亿元、2.98亿元和1.13亿元，占当期研发费用的比例均在40%以上。

　　

　　

　　而旷视科技404个管理人员，总薪酬高达3.55亿，人均88万元；293个销售人员，薪酬2.99亿，人均102万元；1345个研发人员，薪酬5.67亿。

　　除了研发费用外，对四小龙净利润造成影响的，还有一个最重要的因素，那就是产品转化有限导致创收能力较弱。

　　在笔者看来，在产品转化方面，现有的人工智能技术，一是依赖于大量高质量的训练数据，二是对长尾问题的处理效果不好，三是依赖于独立的、具体的应用场景，通用性很低。目前，四小龙实现商业化的产品，主要被限制在计算机视觉领域。除了摄像头、门禁应用，主要涉及数据处理、决策的应用等。这也决定了目前的AI技术承担的更多是“基础赋能“的角色。比如，更精确的人脸识别实现更快的手机解锁，更多的摄像头可以更好地管理城市，甚至AI在医学上更快地进行癌症筛查，但本质上仍是“锦上添花”。并未解决、突破“卡脖子”的问题。

　　实际上，这是由AI技术变现路径决定的。AI技术如果按落地模式来划分，第一种是项目制，单价高，但是定制化程度也高，难以复制；第二种就是简单易复制的AI技术，可以大规模复用，一项技术多次出售。

　　两种模式都算不上太好优秀，第一种项目来源不稳定，大多是政企机构，回款周期长，而且需要大量研发费用投入；第二种虽然可以复用增加企业造血能力，但是能够复用的场景有限。

　　而计算机视觉是极少数拥有大量可复用场景而市场较为广阔的领域，不管是智慧城市中的摄像头，还是金融上的人脸验证亦或者自动驾驶中的视觉算法方案，都离不开视觉二字。

　　而人工智能的两大重要资源-研究人才和数据“原料”需要付出庞大的成本。拿数据为例子，AI技术的成本构成中，基本半数以上都是数据成本，从大量数据中提取各种规律，供试用的数据越多，算法学到的东西越多，人工智能所提供的服务越智能而对数据的采集、清洗、标注、增强等处理过程，往往是大量人力堆积的结果。

　　这就导致覆盖AI领域之广同样意味着企业亏损之巨。这也是云从科技为什么一定要讲元宇宙故事的原因，因为云从科技们非常清楚，即便其涉足的AI领域初步实现商业化落地，或许仍然难以满足其亏损的巨口。

　　也就是说，在相当长的一段时间内，高科技产业会没有利润。实际上，全球的计算机产业始于1947～1948年。直到20世纪80年代初期，也就是30年后，整个产业才达到盈亏平衡点。但确切地说，即使这样，但在当时，确有几家公司（实际上都是美国公司）在更早的时候就开始赚钱了，而业界领袖IBM公司，在更早的时候就赚了大钱。

　　为了处于不败之地，高科技必须越跑越快。

　　02 安全：永远不能突破的底线！

　　在大力鼓励AI发展的同时，政策也高度重视引导AI向善，对技术隐私安全与伦理问题的关注程度也在同步提升。AI技术引发的隐私保护、AI技术滥用、算法不可解释等伦理问题，是技术“双刃剑”的典型体现。中国相继出台多项法律法规，加强与AI技术相关的数据安全管理。

　　旷视科技此次IPO的注册申请是在2021年9月30日正式提交的。在此前的2021年9月初召开的上交所科创板上市委2021年第66次审议会议上，旷视科技IPO申请才刚刚顺利获得了上交所的审核通过。

　　一年多时间过去了，旷视科技依然还在证监会拟科创板IPO企业待注册的队伍中等待着。云从都上市了，旷视难道有什么问题吗？

　　在等待IPO过程中，旷视受到媒体质疑多集中在：公司股权结构比较特殊，其中有采用协议控制架构；研发资本化；部分硬件毛利率为负；核心研发人员去世等等。

　　但笔者认为，旷视与其它AI公司的不同在于股东比较特殊。

　　阿里旗下的蚂蚁集团为旷视科技第一大机构股东，蚂蚁集团通过全资子公司API（HONGKONG） Investment Limited间接持有旷视科技15.08%，而阿里则通过淘宝中国间接持有旷视科技14.33%股份；二者共同持有旷视科技高达29.41%的股份。

　　还有就是数据安全问题。安全是底线中的底线，比任何关联交易、输送利益等等问题都更加重要。蚂蚁和阿里，可能涉及半个中国的人民的隐私数据，各种金融资产、密码、人脸、购物记录、家庭住址等各种信息。谁敢想象，这种信息一旦泄露会造成什么问题？

　　旷视作为人工智能算法公司，人脸识别算法技术是其核心技术之一。其号称拥有规模领先的计算机视觉（Computer Vision）研究院，主要业务就是处理各种数据，而且极有可能是极其隐私的数据。美国为什么要针对华为、针对大疆、针对TIKTOK、针对中国诸多公司，给出的理由都是威胁到国家安全。旷视的高管中，大多拥有海外留学、从业经历，三位独董中两位拥有中国香港籍，如何保证旷视接触到的数据安全，是一个必须要重视的安全。

　　二十大核心关键词就是“安全”。在如今的互联网、大数据时代，数据安全已经成为核心安全环节。笔者相信，旷视一定是考虑过数据安全问题，可能做了一些准备工作，例如脱敏、搭建安全环境等来保证数据的安全，但是，如何从机制、技术上保障数据安全的万无一失，可能是摆在四小龙面前一个很大的问题。

　　03 实现安全和盈利，AI还要等多久？

　　从1988年第一个网络蠕虫病毒诞生以来，互联网危机四伏的观念就已经深入人心。如果只是这样，不给电脑联网、禁止使用任何可移动储存介质，数据就安全了吗？来自以色列本·古里安大学的Mordechai Guri教授甚至提出了一种名为AiR-ViBeR的数据窃取技术。令人震惊的是，这种技术的窃取方式是借助电脑内部的风扇振动。

　　我们的四小龙，在巨大的盈利压力面前，是否投入足够的资金和人力来保障数据的绝对安全。在安全的基础上，未来能够盈利的商业模式又在哪里？从目前发展进度可以发现，AI的商业模式无非是2B和2C。

　　无论是哪一种，近况都比较接近，产品缺乏明显的效率提升效应。曾有人开过一个玩笑：搞一套矿山自动驾驶软件如果需要一百万/年的成本，为什么不请一个司机呢？也就是说，锦上添花的产品往往是无法获取高毛利的。对于AI公司的挑战在于，核心技术的突破和规模商业化。

　　普遍观点认为，人工智能领域目前尚未有科学原理层面的成果，也尚未产生支撑一个产业的基础共性技术。它基于目前的系统级技术，如操作系统、数据库、集成电路，得以规模化落地。

　　从未来看，人们对人工智能的定位绝不仅仅只是用来解决狭窄的、特定领域的某个简单具体的小任务，而是真正像人类一样，能同时解决不同领域、不同类型的问题，进行判断和决策，也就是所谓的通用型人工智能。