被奉為硅谷創業聖經的《從0到1》這本書中提過，壟斷型企業都有自己的壁壘，無外乎是：專利技術、網絡效應、規模經濟或品牌優勢。被資本界譽為“AI第一股”的曠視科技即將登陸港股交易所，招股書中最開始是CEO印奇寫給投資人的信函，最開始便說到“深度學習是曠視的核心競爭力”。
深度學習？這似乎與書中提到的四個指標都不太相符。以曠視為代表的AI公司，他們的核心競爭力到底是什麼？而要弄明白這個問題，必須先理解他們的商業模式究竟是怎樣的？於是我一口氣想到了以下幾個問題：
- AI公司是軟件公司嗎？是SaaS、PaaS還是傳統軟件廠商？
- AI公司是解決方案商嗎？是集成商？還是外包公司？
- AI公司的壁壘究竟在哪裡？真的是“深度學習”所代表的的AI技術？
文 | 高 寧
編 | 賈 偉
2016年Alpha Go開啟了所謂“人工智能的元年”，但才過去了兩三年卻發現“投資人逃離人工智能”。外界質疑的焦點無非是技術突破遇到“瓶頸”和商業模式“不清晰”。
印奇關於“深度學習是曠視的核心競爭力”那句話像在回應第一點，而第二個問題則需要完整的數據支持和嚴謹的邏輯分析，直接憑資本走向和主觀感受來臆斷，我認為是一個投機取巧的行為。所以，以下內容希望能帶領大家逐一解答上述疑問，並最終解鎖一個更核心的話題：
類比SaaS對傳統軟件的革命，以曠視為代表的AI公司在商業模式上是否真的也存在顛覆式創新呢？
無論答案與否，只有搞清楚了這個問題，我們才可能客觀地去判斷AI公司的核心指標、競爭力、還有未來。
1、何謂 “ AI 公司 ”
首先，我們需要對以曠視為代表的的AI公司下一個基本定義，這裡特指自主研發以人工智能為原生且不可替代的技術，同時具備或已經向垂直行業拓展，並形成相關產品或解決方案的企業。
為了更形象地理解這句話，參照2016年雲棲大會上阿里雲發佈的《人工智能：未來制勝之道》報告，行業對AI產業鏈已達成了以下共識：
在基礎層，傳統互聯網公司和芯片大廠具有明顯先發優勢。因此，大部分國內AI公司都會從技術層或應用層切入，並且隨著技術的沉澱和業務的拓展，兩層的界限如今逐漸模糊。但整體來說初創公司有兩條發展路徑：
- 以一個場景（如人臉識別）作為突破口，通過連接企業客戶內部系統或自建場景入口如傳感器等方式獲取數據，基於多維度的數據不斷訓練模型、優化算法，在某一個場景問題中找到最佳解，再向其他行業中相似的場景複製；
- 以一種通用技術（如機器視覺）作為突破口，深耕算法和底層框架，尤其當機器學習被工業界接納後，從底層驅動訓練模型，不僅能提升方案在不同場景下的普適性和運算效率，也最終提升了實際應用效果。
前者由於對場景理解深刻，便於觸達客戶、累積數據，因此產品更容易被客戶接受，變現能力較強；後者希望藉助算法和底層框架的優勢高效地觸達更多行業，賦能業內合作伙伴，通過開放合作的方式獲取數據，其間未必能直接觸達客戶，因此覆蓋範圍廣，但變現能力較弱。
我們暫不討論哪種路徑更優，需要達成共識的是：接下來我論的“AI公司”也是從技術或應用層切入，沿著上述任何一種或多種發展路徑成長起來，並以AI技術為核心不可被其他計算方式所替代為前提。
公平起見，我會選取被資本界及業內人士公認的相關AI公司及其公開數據。去年7月，將視覺技術主要用於手機鏡頭上的虹軟科技登錄科創板；8月“CV（機器視覺）四小龍“之一曠視科技向港交所提交了IPO招股書；而最近，以語音識別為核心技術的A股上市公司科大訊飛也迎來兩年來市值的最高點，不一而足。
因此，想不到任何比現在更合適的時間點來思考前面提出的疑問了。
2、曠視的基本面，也是AI的真相
我一直非常重視在深入分析之前先了解企業的歷史沿革和發展里程碑，這不僅能揭示創始人創業的初衷，更展示了企業在取得每一次突破背後的驅動力到底是什麼，基於此才能對企業的戰略、風險及發展目標做出獨立而客觀的判斷。
從知乎上了解到，2013年的時候，曠視曾數次嘗試在消費端做基於人臉識別的解鎖類App，甚至還做了一款娛樂應用“面相大師”。那時候正值移動互聯網創業的熱潮，這個選擇無可厚非。而直到2015年與螞蟻金服合作的支付寶項目“微笑支付”落地，才正式開啟了公司商業化並深入行業的道路。曠視的發展與上面講的第二種路徑相似，但有意思的地方是在公司成立的第二年，Face++平臺便對外開放，似乎預示了往後的技術路線和戰略方向。
2.1 曠視的業務及經營模式
根據招股書，我將公司的產品、商業化以及經營模式詳細梳理如下：
再結合截止到2019年6月30日（2019H1）的相關財務數據，我們便能初步掌握曠視的運營狀況。
2019年僅僅是曠視營收破億後的第三年，看總體營收及增速的意義不大。而仔細觀察每一塊業務的經營模式和財務數據後，我發現了三處“不尋常”的地方，後面將逐一探究：
- 面向垂直行業提供雲端身份識別的“行業SaaS”毛利率波動較大，不同於美國一系列典型SaaS上市公司的毛利率表現；
- “個人設備”業務毛利率在2019年驟降，照理來說，越早商業化的業務毛利率應該隨邊際成本下降而上升或至少保持穩定；
- 城市與供應鏈物聯網解決方案是當前商業化的主戰場，但以偏傳統的項目制模式對抗市場中的各路玩家，曠視能繼續保持同樣的競爭力嗎？
2.2 揭開曠視商業化的面紗
首先，我把美國四家典型SaaS上市公司的毛利率與曠視的“行業SaaS”進行比較：
回憶一下SaaS的基本特徵：穩定的高毛利、按需付費、高度產品化及自傳播（類似“網絡效應”），後兩者也成為了SaaS企業不斷加深的壁壘。曠視所謂“行業SaaS”的毛利率雖然逐年上升，去年上半年達到87%，甚至還高於不少SaaS公司，但從42%到87%的陡坡到底是什麼造成的呢？
進一步看成本結構，果然在招股書第230頁找到一段話：“個人物聯網解決方案（SaaS）的銷售成本主要包括數據源成本和雲端服務成本”，以及“數據源成本主要包括我們就提供Face ID解決方案調用第三方數據源而產生”。
對於典型SaaS企業，銷售成本主要是向雲服務商支付的服務器使用成本，因此，曠視的“行業SaaS”與典型SaaS產品唯一的差別就是數據源成本了。這個佔比有多大，以下兩張圖供參考。
（↑ 上圖為數據源成本佔行業SaaS、總營收和成本比重對比，
↓ 下圖為總銷售成本中各類成本佔比情況）
通過以上圖表，我們可以發現：
- 相對雲服務成本，數據源成本佔行業SaaS銷售成本大頭，接近60%。由於2018年全年平均比例大於2018年上半年，我們有理由認為2019年全年平均比例也會比2019年上半年的數字有所提升，近兩年呈上升趨勢；
- 從佔行業SaaS營收比重來看，數據源成本的確呈下降的趨勢。但是to B行業普遍在下半年進入業務高峰，同樣參照數據源成本在2018年的表現，即便2019年上半年成本比例已經下降到7%，並不能說明2019年全年平局比例會顯著下降；
- 當前行業解決方案大多以人臉識別為典型使用場景，而當識別技術拓展到人體、物體、文字等其他種類的時候，自然需要採購豐富且必要的第三方數據用以模型訓練，那麼未來數據源成本佔比可能不會延續逐年下降的趨勢；
- 最後從公司整體銷售成本結構來看，除了硬件，外包、雲服務和數據源是剩下的三大成本。而AI三要素：算法、算力和數據，後兩者都與之息息相關。
不禁要問：過去被人們高呼新一代生產力的“AI”難道如今會成為企業的“成本中心”嗎？
這才是第一個”不尋常”之處的本質。
2.3 如何解決AI的“成本中心”？
接著往下看，第二塊“個人設備”業務起步最早，毛利率在保持90%以上三年之久後卻在2019年上半年出現明顯下滑。這塊業務包含兩類產品：第一個是為消費電子設備提供基於人臉識別的解鎖功能，類似蘋果手機上的“Face ID”採用的就是自研的方案；第二個是通過提高圖像質量的AI算法來提升手機攝像效果，俗稱“美顏”。值得注意的是AI體現在“攝中處理”，而不是通常我們對拍攝後的相片或視頻上用修圖軟件來美化。
因此，手機廠商需要將攝像頭模塊與優質算法結合後再完成組裝，招股書中說：“個人設備的銷售成本主要包括：硬件成本及項目外包或技術服務成本”，對毛利下降的解釋是“期內交付的攝像頭模塊（毛利率相對較低而銷售成本較高的硬件產品）增加”所致。
按照這個說法，個人設備業務不僅向客戶提供優質的算法，也開始供應搭載了算法的硬件模塊。這個行為是否合理，以及會是未來的趨勢嗎？正好，國內有一家可以參照的公司叫虹軟科技，核心業務就是向智能手機廠商提供AI視覺解決方案，客戶包括三星、華為、小米、OV等。去年7月登陸科創板，目前市值約300億人民幣。用下面這張圖做個簡單對比：
虹軟無論從營收還是毛利上均顯示正步入成熟階段，綜合招股書和財報，有以下三點結論：
- 2018年個人設備業務營收已佔總營收96%，可以認為虹軟的主營業務就是為手機廠商提供視覺技術方案，與曠視“個人設備”業務基本一致；
- 虹軟的個人設備業務通過合約的方式授權給手機廠商，允許客戶將相關算法軟件或軟件包裝載在約定型號的設備上，以此收取技術和軟件授權使用費，收費模式也與曠視一致；
- 此塊業務的營收成本主要來自工資薪金及相關費用計入公司營業成本的技術人員，而數量佔公司總人數比例較低（2018年僅為10%），且公司授權許可的相關算法軟件或軟件包一般無需實體硬件的生產、包裝及運輸，因此毛利較高。
我也沒有在招股書中找到虹軟在發展早期是否會提供攝像模塊等硬件的描述，不過在研發模式上，看到這樣一個流程圖：
當今智能手機更新換代非常快，而攝像功能又成了款式更新中的主要升級對象，那麼背後的AI算法也需要進行迭代。如果參照上圖中項目制的研發模式，最考驗的就是企業的產品化能力和交付效率。虹軟認為自己的主要優勢就體現在：
- 充分考慮移動終端上的硬件限制，在不犧牲效果的基礎上對算法進行了大量簡化和優化；
- 累積了大量模塊化的產品和底層算法庫；
- 與攝像頭產業鏈深度合作，比如開發的智能模組產線標定方案、智能手機組裝線標定方案為廠商節省了大量硬件和製造成本，達成快速量產。
因此對於第二點毛利率下降的疑問，我大致做出以下兩點推測，也希望曠視在今後的報告中能披露更多相關信息，
- 由於曠視目前業務規模仍相對較小，不具備與攝像頭廠商深度合作的能力，那麼為了提升向手機廠商的交付效率同時保證品質，需要向攝像頭廠商提前採購攝像頭模組，用於快速研發並適配特定手機型號的視覺算法，組裝測試後再向手機廠商統一發貨；
- 因此，曠視個人設備業務在2019年上半年出現毛利率下降的情況可能是暫時的，硬件成本的支出增加只是當下在供應鏈策略上的臨時選擇，未來銷量達到一定規模後，毛利率將可能恢復到與虹軟相似的水平。
同時，虹軟在去年的年中報裡提到了一個重要工作方向——“AI開放平臺”，升級了人臉識別、檢測的核心引擎並且在人體檢測部分升級了核心算法，供有需求的企業和個人免費試用，以此拓展更多場景應用。平臺開放的目的，也是為了加強企業在業務橫向拓展中的產品化能力，這才是決定企業今後毛利率的關鍵。
我們把這個發現與之前被擱置的第一個問題放在一起：
如何避免AI成為企業的成本中心？關鍵看產品化能力，如何像當年福特發明高效流水線一樣生產“AI” ——即規模化生產算法，同時儘可能降低數據源成本和算力消耗（雲服務成本）。
雲服務成本相對可控，可是作為AI算法優化中必要的數據集，它的邊際成本真的可以無限下降嗎？用SaaS或互聯網產品的話來說，數據集真的具有“網絡效應”嗎？
答案是不一定，尤其在AI的場景應用下。
“網絡效應”用通俗的話講就是當一個產品使用的人越多，它的價值便越大，例如社交軟件。放到AI的場景中，數據的“網絡效應”體現在當數據量越多時，訓練出來的AI算法質量將越高，體現為識別效果越好或準確率越高，最後投入到實際應用中產生的商業價值就越大。那麼當越來越多場景使用高質量算法的時候，數據集的獲取成本分攤下來就會越來越低。
然而上述這一切真的合理嗎？
美國知名風投機構A16Z在一篇叫《The Empty Promise of Data Moats》（數據壁壘裡落空的承諾）的文章中提到，儘管大部分條件下數據的確具有前面講到的“網絡效應”，通過海量數據訓練得到的算法通常能將準確率提高到50%甚至更高，但想要再往上提升將變得非常困難。文中引用了把自然語言處理（NLP）技術用在信用卡中心智能客服上的例子：
藍色線代表每一個用戶請求（例如“我想要更新個人信息”等），紅色區域代表累積的請求，研究發現當用於訓練的數據（來自客服中心的文稿）累積到20%的時候，基本能覆蓋20%的用戶請求，但再往上可以看到曲線逐漸平緩，即用於訓練的數據越多，橫軸所代表的場景覆蓋率卻沒有隨之線性增長，最終僅停留在40%左右。往後這套智能系統就無法再處理剩下60%的客戶電話了。
結合這項調研和對AI的基本認識，我認為主要原因如下：
- 模型訓練需要引入機器學習甚至深度學習，由於深度學習用到的多層神經網絡仍是“黑箱”型，即技術人員很難徹底瞭解深層網絡的內核，也無法完全掌握輸入與輸出、各參數間相互影響等關係，因此調參並優化是一個非常緩慢的過程；
- 深度學習需要大量的數據或樣本，並且數據量越大，對數據質量的要求也越高，需要儘可能覆蓋真實場景中的極端案例（corner case）。比如在客服場景中，用戶問“我想查一下在前天下午去星巴克買卡布奇諾之前在學校食堂花了多少錢？”，而一般第三方數據公司提供的問題集很難達到如此細的顆粒度，想要進一步優化算法，便需要在系統內部或真實場景中補全極端案例了。
所以當AI公司剛進入新場景時需要至少得到一套最小价值數據源（minimum viable corpus）進行訓練，找到滿足基本場景的算法組合，然後再收集儘可能多的極端案例進行持續迭代。這背後會造成兩個問題：
- 數據獲取成本將隨著算法升級而越來越高；
- 同時數據很可能會過時，老舊的數據需要及時被剔除或重新標註。
並且，由於越往後算法迭代的耗時越長，一方面會導致服務器成本（通常在雲端）呈非線性增長，另一方面在數據處理上人為干預就很可能是必要的。
從曠視招股書中的人員結構上也能看到，“數據標註”人員佔公司全員比例達17%，僅次於研發團隊。
那麼，要如何解決“數據網絡效應”在AI中逐漸失效並隨之引發的各類成本問題呢？
曠視給出的答案就是利用自動機器學習（AutoML）等技術，自主研發的深度學習平臺“Brain++”和數據管理及標註平臺“Data++”。
根據曠視研究院的相關介紹，Brain++已經發展成為一個支撐算法研究和開發的基礎底層，由三個模塊組成：深度學習框架MegEngine、深度學習雲計算平臺MegCompute和數據管理平臺MegData（也就是後來的Data++），對應AI的三大要素。覆蓋的功能從數據的獲取、清洗、預處理等，到研究人員設計算法架構、實驗環節、搭建訓練環境、訓練、調參、模型效果評估，再到最終的模型分發和部署應用，其中特別強調了幾個獨特的優勢：
- 針對計算機視覺任務做了定製化的優化，尤其面對大量圖像或視頻訓練任務；
- AutoML技術自動化設計深度神經網絡，將算法的生產自動化，從而讓研究人員用最少的人力和時間針對垂直領域碎片化的需求定製多種算法組合，包括“長尾需求”（即極端案例）；
- 通過對基礎設施、數據存儲和計算的智能調動來保證多用戶多任務操作，提升訓練效率，也變相降低了雲服務成本；
我不是AI專家，在這裡對Brain++的性能和技術高度不展開討論。但之前的疑問逐漸得到了解答，曠視之所以如此重視對Brain++的投入並稱之為公司的“核心競爭力”，是因為深度學習框架在我看來像一個操作系統，幫助研究人員根據場景應用的不同、終端硬件條件的差異以及投入回報的高低而儘可能自動化地尋找最優方案。同時Data++所支持的半自動數據處理和標註功能，允許多個人同時訪問同一套數據進行訓練，目的也是希望從根本上降低帶寬和標註成本。
這也解釋了為什麼去年初曠視發佈了一個涵蓋14個大類26個小類超過70萬張圖片的數據集Objects365，其中包含超過一千萬個標註框，是目前世界上最大的物體檢測數據集。因為只有內生的數據集覆蓋範圍越全、質量越高，外購的需求才會越少。
雖然數據源成本可能會因為被內化而逐漸下降，但這僅是成本的轉移，未來這塊AI特有的成本能否被徹底消除，目前還不能妄下定論。而Brain++的發展的確正有效地避免AI成為曠視不可忽視的成本中心。它不僅具有科研價值、技術壁壘，從某種意義上來說還有重要的商業價值。
回到一個根本問題：因此按調用次數收費的雲端身份識別服務真的是SaaS嗎？
不是：因為不穩定的數據源成本導致業務暫不能保持一個高確定性的毛利，產品化程度也不像主流SaaS公司一樣會根據客戶規模而開發不同版本；但是，靈活的付費方式以及通過底層設計驅動產品化的技術路線又像極了SaaS。
在這種商業模式演進的過程中，我們需要核心關注由AI特殊性所帶來的不可避免的額外成本，並且要留意當在進行行業商業化的時候對企業產品化能力的挑戰。
這才是對前兩年市場上鼓吹的“AIaaS（AI as a Service，AI即服務）”這種獨特模式的正確打開方式。
2.4 究竟什麼是“AIaaS”的護城河？
再來看第三個疑問，城市物聯網方案已經成為營收主力，2019年上半年的收入貢獻超過70%。而去年初曠視還宣佈投入20億在供應鏈物聯網業務上，與合作伙伴加快機器人落地產業。可是無論從與集成商合作為主的項目制模式，還是近年來推出的一系列傳感器和物流自動化設備線來看，這與市場上對AI公司的認識都有不少偏差。
何況在城市安全管理領域有海康大華等巨頭坐鎮，智慧物流也要面對Geek+、快倉等新興倉儲機器人公司的圍追堵截，曠視將如何保證自己的競爭力並在未來發展中不會掉隊呢？
我們從上圖海康威視的核心財務數據中能對這家傳統巨頭近年來的戰略窺視一二，公司在2018年提出“AI Cloud”，核心是覆蓋從前端多維度採集、智能分析、到後端算法迭代和資源調度的端到端的計算架構。回顧前面對Brain++的討論，相信大家能比較容易理解“AI Cloud”的核心理念和下圖展示的產品形態了。
對於曠視而言，如果與同類AI機器視覺公司比，Brain++是他們在技術上的尚方寶劍；那麼在商業化的進程中，一個結構化的底層系統才可能讓他們在與巨頭的持久戰中笑到最後。這個邏輯跟開發Brain++是相似的，只有用開放的系統平臺去同時兼容存量市場和新增需求，尤其面對錙銖必較的企業級客戶，如果能通過連接客戶現有的設備和相關軟件來提供更好的分析效果，這將會大大降低客戶和合作夥伴的使用門檻。曠視把這個底層系統叫做“平臺軟件”。
這張圖不僅讓我想到“中臺”的概念（可以移步上篇文章《Slack、Zoom們全軍出擊（上）》），還想起曾投資過Cloudera、Docker等明星企業服務公司的風投機構Greylock提出的一個概念叫“Systems of Intelligence（智能系統，如下圖）”。我認為這將是新一代企業尤其是AI公司構建護城河的基礎。
簡單來說，智能系統層能夠跨平臺地獲取並整合底層一切信息和數據源，結合ABC（AI、Big data、Cloud）能力，為客戶提供實時、精準或個性化的分析。未來的護城河之戰將從“如何獲取更多數據”轉為“如何更智能地利用數據”，這是一個持續迭代的過程，壁壘也將越來越高。
因此，從兩年前提出“城市管理大腦”到去年初發布兼容多類型機器人的操作系統“河圖”，曠視的確認識到了系統軟件才是AI商業化的核心，未來的戰略並不是向客戶銷售更多的智能硬件產品，以便在市場中分一杯羹而已。
（“河圖平臺”的生態連接設計）
我們經常聽到一個詞叫“商業閉環”，建立一個智能系統層正是實現對內與對外雙向交互並實現閉環的過程。更重要的是，一旦形成從數據採集、傳輸、分析到決策反饋的流動閉環，以銷售硬件產品為核心的傳統方式將逐漸變為以軟件驅動硬件產生實時效果的服務模式，客戶可按需或按效果靈活付費。基於國情，這可能在城市物聯網管理及安防市場中不會得到理想化體現，但在物流、零售、泛金融甚至海外市場肯定能找到合適的落腳點。
以AI為核心的智能系統不僅能為企業建立更強大的護城河，更可能用一種類似SaaS的商業模式挑戰傳統行業的老玩家，正如當年Salesforce對Oracle的撼動。從這個角度來說，曠視所代表的“AIaaS”在商業模式上似乎在未來會無限“趨近”於SaaS。
回顧最開始提出的核心問題：
- “AI”真的會成為曠視的“成本中心”嗎？公司該如何解決看似無法消除的數據源及雲服務成本問題？
- 曠視提到的“行業SaaS”真的是SaaS嗎？而曾經被高呼的“AIaaS”到底是什麼模式？
- “AIaaS”的護城河究竟在哪裡？曠視又是如何做的？
最後我的回答是：
- 我們仍不能把曠視當前業務中的“行業SaaS”與市場上普遍理解的“SaaS”產品畫上等號，原因在於暫時無法避免的數據源成本導致不可預測的毛利率波動；
- 數據在算法模型迭代的過程中並不會產生理想化的網絡效應，要避免數據、計算等資源成為成本中心，自動化的算法生成和數據標註可能是最高效的解決辦法，所以這更考驗公司在深度學習等底層技術上的造詣以及戰略規劃；
- AI公司在商業化上將會遇到各路阻力，唯有將產品銷售思路轉為可持續性的服務模式，才有機會突圍。核心在於從戰略上一開始便進行智能系統層的設計，建立生態連接。
3、“ AI 第一股 ” 的未來
既然已經對曠視的歷史與基本面刨根問底，順道展望一下未來。
有幾個事情我想可能適合曠視在上市後去考慮的：
- 開源（或部分開源）Brain++：當前兩大開源深度學習框架Google的TensorFlow和Facebook的PyTorch正打得不可開交，性能優劣不予置評。而有意思的是，先進入主流的TensorFlow憑藉性能穩定與安全牢牢佔據著工業界，而後入者PyTorch則通過易上手和操作簡單在學術界撕開了一道裂縫。對比之下，曠視的優勢一定在引以為豪的機器視覺垂直方向上，而保持該領域領先地位的重要方式則是建立開發者生態。基於國內得天獨厚的數據及商業場景的優勢，未來如果當機器學習甚至深度學習成為下一代IT建設的標配時，至少在視覺領域曠視便可佔盡天時、地利與人和；
- 為模型訓練創造一套標準語言並向生態開放：聽聞從2018年起團隊就在規劃一種用於深度學習訓練的編程語言，用於協調訓練所需要的靈活性以及推理所需的性能要求。去年2月Facebook首席AI科學家Yann LeCun也提到了是否需要一種比Python更靈活的語言來進行深度學習設計。所以行業內的探索在國內外都尚處早期，既然在機器視覺上曠視乃至國內同行都能與國際巨頭不分伯仲，我相信這個機會屬於提早佈局的人;
- 佈局製造業：製造業佔我國GDP近三分之一的比重，機器視覺最先在國外進入工業領域，主要用於尺寸測量與外觀檢測。如今在硬件端，從自然光、紅外到激光，從2D到3D攝像頭，百花齊放。海康威視也於2017年發佈了工業相機產品系列。而在軟件端AI的探索才剛剛開始。儘管樣本數量與質量的匱乏對深度學習的落地造成了一定阻礙，或許這正好是曠視和其開放生態的機會。待真實場景和需求明確之前，提前進行相關佈局，這又是一個百億級的市場。
前不久曠視對外表示正在更新材料，繼續推進上市進程。有耐心的你們
讀到這裡，想必對曠視的業務邏輯、商業創新以及競爭力有了基本認識。
投資人正在逃離AI嗎？相信各位也有了自己的判斷。
祝願曠視能順利上市，尤其在當前國外資本市場變化莫測、國內科技板塊暗流湧動之下，大家將如何對待這隻40億美金的獨角獸呢？我們拭目以待。
閱讀更多 AI科技評論 的文章
