这篇文章从商业模式的角度入手，将 AI 创业公司与传统软件公司做了对比，你会发现其中有太多值得思考的问题，我将其称之为「AI 创业公司的死穴」

云服务的成本

AI 创业公司热衷于使用云服务，云服务的确可以帮助 AI 创业公司快速完成机器学习模型的搭建与部署，并借助其弹性的特点，使得 AI 创业公司可以应对突发的流量压力。

但这个看似甜蜜的方案背后，隐藏了众多「套路」，一方面，整个机器学习模型训练所需的计算、存储、网络资源非常高，这也是一个巨大成本，FT 此前的一篇报道称，创业公司在云上的花费，为 AWS、微软贡献了巨额收入。

另一方面，云服务的隐形成本还包括机器学习模型在云服务商不同区域的迁移，以及在不同云服务商之间的迁移等等。

更重要的一点还在于，困扰整个 AI 发展的算力问题，短期来看几乎只能靠钱来解决，摩尔定律已经失效，而 OpenAI 指出的巨大算力需求与英伟达单个 GPU 实际算力提升之间形成了鲜明的反差。

或许会有人说，分布式计算就是为了解决这个难题而出现的，但正如 a16z 分析师所言，这个方案解决的是速度，而不是成本。创业公司对于分布式计算的迷恋，无异于「财务自杀」。

人类的位置与成本

如果你听过「没有数据就没有智能」，还需要记住另一句：「没有大量被人类标注的数据，就没有足够的智能」。

这就涉及到了整个产业链上的人类成本。过去几年时间里，媒体热衷于报道哪家公司年薪百万招募机器学习博士，但很少听到哪家 AI 公司为获得人类标注数据所付出的成本，a16z 给出的数字，这个数字占据了企业营收的 10%—15%。

另一个佐证是，在被誉为「AI 第一股」的旷视科技招股说明书里，「数据标注」人员占公司全员的比例为 17%。

这也可以解释为何数据标注已然成为一个巨大的产业，利用中国天然的劳动力优势，数据标注产业的发展[4]势头也非常凶猛。

如果说数据标注只是一种外包的人力成本，那么 AI 创业公司还需要另一层人力成本，当 AI 产品渗透到各个行业，创业公司们所面对的是一个巨大而又需要定制化的市场，换句话说，这需要大量人力去维持、开拓。

这又和传统软件公司不同，在传统软件公司，软件的一个功能可以适配足够多的企业和行业，但在 AI 领域，数据源的不同所带来的连锁反应到底有多大呢？a16z 分析师举了一个例子，两家汽车制造商的车辆缺陷检测，看似相同，但不同数据来源决定了整个模型训练、部署会出现巨大差异。

AI 服务化是个不得已的选择

「AI 服务化」与其说是 AI 创业公司的营销词汇，倒不如说这是一个无奈选择，当云服务成本无法通过规模化降低，当人力成本在数据标注与行业扩张中居高不下，留给 AI 创业公司的选项委实不多。

a16z 分析师最后的总结指出，当下很多 AI 创业公司更像是一个服务公司而不是软件公司，「你可以代替某些服务公司，但无法代替服务」。

对于崇尚「软件吃掉世界」的 a16z 而言，这个推论也向世人展示了其对于 AI 创业的看法，当 AI 创业公司被看作服务的时候，AI 创业公司的估值与增长空间已经被限定，至少在硅谷，软件/技术公司的估值为其营收的 10-20 倍，而服务类公司的只是 2 倍。

这也抛出了另一个问题：是不是即将迎来又一个「AI 冬天」？从我的角度去看，这个时期更像是「秋天」，无论资本市场还是国内外的巨头公司，正在更理性地看待 AI 技术与产品，同时也在评估其对于未来行业发展的影响。

所有这一切都在展现一个事实：AI 创业公司的热潮已经过去了。