您的位置 经济生活金融

李开复护航的“AI铲子第一股”，并不十分硬核

喜欢

来源：互联网
|
2022-01-11
|
0 条评论
|
我要分享
|
T小字　 T大字

本文系基于公开资料撰写，仅作为信息交流之用，不构成任何投资建议。

近一个月，AI公司再次博得市场极大的关注：前有几经辗转的商汤-W(HK:00020)成功上市，4个交易日股价翻倍；后有李开复担任董事长的创新奇智在港交所二次交表，“AI制造第一股”的噱头风头无两。

港股投资者对AI公司可以说又爱又怕：

可爱之处，毫无疑问体现在是第一生产力，而AI是科技的前沿之一。可怕之处，在于AI公司仍无造血能力，除了现金流雄厚的商汤，IPO在为数不少的人眼中仍是保命的举措，这一点可能被不喜亏损的市场无限放大。

创立于2018年“AI寒冬”的创新奇智对于亏损是有切肤之痛的。所以上市不足一年它就调整了业务方向：从面向终端用户的AI公司，变成面向系统集成商的“AI铲子”，2018年-2020年其按客户类型划分的收入明细足以佐证。

创新奇智转向成铲子票，似乎运营复杂度就能下降（销售和实施层面），从而脱离亏损的泥潭。但事实却并未如此，我们应该怎样衡量AI铲子呢？

AI铲子的基本面

据招股书显示，创新奇智是企业AI解决方案提供商，拥有专有计算机视觉和机器学习AI技术，并提供全栈式AI产品和解决方案。从而帮助客户优化业务或生产流程，继而降低成本，提高营运效率、生产灵活性及实现业务运营及信息管理的智能化转型。

以上官方介绍不容易弄懂，你可以这么理解：创新奇智的商业模式大部分是定制符合客户需求的软硬件，再交给系统集成商实施的软件开发商。

公司主要客户行业按照收入分为三类：

◆制造业，主要是汽车装备（摩托车发动机）、3C高科技（电子产品）、OLED面板制造等。

◆金融业，主要是面向银行、保险。

◆其他，包含零售等。

对上述制造业来说应用场景主要是：利用机器视觉进行产品检验，园区送料小车自动驾驶，实时评估建筑工程整体情况，监控风电设备运转情况等。对来说是整合和管理不同类型的数据库和协助决策软件等。

从技术维度看，创新奇智在AI方面拥有三个自建平台：Orion，负责模型训练；ManuVision，负责计算机视觉；MatrixVision，负责边缘分析。

例如在风电的应用中，通过在现场布置摄像头来监视设备运转情况。ManuVision来回答拍摄物是什么的问题。如果风力发电机在运转中突然转速异常，且需要及时上报并解决问题。这可以在现场附近架设小型计算设备的方式通过ManuVision来识别情况。视频分析允许动态的捕捉锁定监视的对象，而边缘计算允许在监视器周围就近的分析问题。两者结合就能做到快速高效的反应。最后，Orion负责这些分析和判断的准确度进一步强化提升。

AI产品的功能看似简单，但在这条赛道上的公司们目前基本都没能实现盈利。那么在今天，尤其是在AI制造这条细分赛道上，资本看重的是什么？是一旦产品能够标准化，整体行业带来的蛋糕实在是太大了。

背靠行业基本盘的大蛋糕

近年来有关云计算、SaaS、大数据、AI这样的新名词层出不穷，但实际上AI科技公司的交付物，仍然和传统解决方案提供商没什么不同。本质上都还是为了满足客户提出的要求。

只不过之前是客户要求提高工厂产能利用率，承包商们优化工厂物流。现在则是承包商不仅优化了工厂物流路线，甚至把人工剔除，转而使用AI来代替。AI在这其中的位置就是取消掉人工所不能避免的疏忽和不精准。

在创新奇智与中冶赛迪的合作中，就使用了这种方式来转运铁水。提高效率，节省人力。而另外一家客户同样也反应得益于AI优化带来的成本降低，每年每个熔炉场地节省四百万元。

按照2020年中国钢铁协会关于人力资源情况的报告，我国现存工人数有176万人，平均工资约为10万元。若AI能够节省行业20%的人力，则AI能为产业带来352亿元的开支减免。

在现存的成熟制造业进行人工替代以外，光伏和风电等未来趋势明显的行业同样应用广泛。如计算机视觉监控下的光伏运营中，通常10MW的光伏电站配备5-8名人员来负责维修和运营。

而截止统计到2021上半年，我国新光伏装机发电量达到2.6亿千瓦时。在这个基础上若能使用AI技术进行合理替代人工，那未来的需求强度会随着项目成熟度进行爆炸式增长。创新奇智在近几年的业务中也反映了这种潜在的庞大需求，从2019年接到钢铁冶炼和能源电力的项目，到2021年9月为止，收入增长334%。

这种应用于制造业的AI，并不像自动驾驶一样需要软件拥有极高的智能度，但就对生产来说，仅能完成单一的替代就已经足够了。而且还不需要那么难。

如在生产线的缺陷检测环节，原来人工的形式难免无法处理针对每一个产品的检查。而机器视觉的方式可以，深度学习计算机视觉可以与工业摄像头和照明设备进行联动，保证每次生产的缺陷能够被正确识别和分类。

但由于工业产品缺陷的可重复和情况有限性，利用少样本学习就足够应对。在最近创新奇智的一份专利表明，是基于神经网络迁移标注方法表明其采用的数据分析方法属于小样本学习。小样本学习允许AI在不需要大样本和大模型的方式对视觉内容判断，该方法的优势在于输出结果更为直观和便于计算和公式化，而劣势在于设计较难和对识别对象具体区别上难以把控。

有趣的是，对一家以AI作为软件解决方案的公司来说，是否能提供标准化的解决产品极为重要。而工业生产的缺陷在被要求检出的重要性也远远大于理解这些缺陷到底“长得”有多不同（图片来自招股书）。

小功能，大回报。创新奇智牢牢把握着自己拥有算法和平台的优势，或许能做到的事情并不如百度、特斯拉、商汤等大型AI公司那么多，但工业+AI一旦能够在业界被广泛认可，那基本盘着实不小。

一亩三分田的隐忧

创新奇智在商业模式上跟“AI四小龙”不太一样，它把不赚钱的部分都剥离掉了。

从下游合作方来看，到2021年九月份，创新奇智主要的客户是系统集成商。从上游采购的情况来看，不仅是定制硬件，创新奇智把数据标记和软件外观开发的任务也交给了第三方。如此一来，该公司的在业务上的位置就清晰了起来。

得益于业务的拆分，创新奇智不再需要承担与核心技术不相关的项目实施所需要的开支，也不用承担简单重复的开发工作带来的人员成本。但与此相对的代价是毛利随着合作客户的稳定，最终落在30%（见下图），而“四小龙”的毛利基本都维持在60%-70%这个水平区间。

创新奇智通过坚持核心生产力的方式，来达到其他AI科技公司暂时做不到的成本控制。

但我们先暂且把利润率降低的代价放到一边，我们来思考这样的个问题：如此的AI三平台真的能够形成壁垒吗？

我们的答案是很难。

首先创新奇智选择投入做研发的大部分资金并不在AI模型本身上，而在于对客户的定制化开发。

相对于其他大模型AI，如自动驾驶、语音识别等，工业生产产生的数据太少了。这种数据少分为两个含义，第一个含义是AI对意外情况的反应条件非常单一；另一个是因为工业产品本身能够产生的情景多样性就少，这使得创新奇智的AI三平台应用上限不高。

第二，坚持AI相当于要和后来者在技术上硬碰硬，但AI技术在行业内的专利壁垒不容易搭建。