'從《華為的冬天》到AI的冬天'
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
在數據行業摸爬滾打多年、最近轉行到AI創業公司的數據分析師“小J”頗有感悟： “這些年，媒體和各行各業言必稱大數據，客戶看到自己數據庫存了多少TB甚至PB了，就以為自己有大數據；問客戶某某數據有沒有，客戶滿口說有。等實際入場後才發現，數據根本不可用，有些字段錯得離譜，有些字段又太稀疏，等你做完清理後，剩下的數據可能跑個邏輯迴歸都夠嗆，根本沒法上深度學習。 有些數據需要手工生成，質量也不可靠。有一次做浙江某輪胎廠的故障檢測項目，故障樣本是工廠每月被客戶退回來的問題輪胎，幾百上千個在露天的空場上堆成小山，落滿了灰，只好僱人爬上去把灰擦一擦看清楚型號批次，再把信息和故障記下來。大熱天的，又髒又累，後來就有人學會了偷懶，假造數據。 還有數據孤島，比如A、B企業的數據維度都比較單一，但可以互補，需要放到一起才有價值，而A和B出於監管考慮又不能交換數據。一些大企業內部也有數據孤島，實質是部門競爭、不願配合，非要鬧到大老闆那兒去。即使老闆拍板下來要打通，也有各種手段讓你的效果大打折扣，脫敏、二次加工、延時等等。 數據來源有時打打擦邊球也是公開的祕密了。在一些信息安全措施不那麼嚴格的行業，找內部人員用硬盤拷數據是最經濟有效的。幾乎所有公司都在用爬蟲，前不久有公司剛被抓，爬簡歷上的個人隱私牟利，算是行業反面教材了。”
Gap 2：AI訓練測試數據VS實際運行環境數據 Facebook的LÉON BOTTOU在ICML大會的演講“Two big challenges in machine learning”中指出，機器學習給軟件工程帶來了新的混亂，原因是
生產環境下，數據必然變化，使AI模型或算法無法按預期輸出穩定結果。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
在數據行業摸爬滾打多年、最近轉行到AI創業公司的數據分析師“小J”頗有感悟： “這些年，媒體和各行各業言必稱大數據，客戶看到自己數據庫存了多少TB甚至PB了，就以為自己有大數據；問客戶某某數據有沒有，客戶滿口說有。等實際入場後才發現，數據根本不可用，有些字段錯得離譜，有些字段又太稀疏，等你做完清理後，剩下的數據可能跑個邏輯迴歸都夠嗆，根本沒法上深度學習。 有些數據需要手工生成，質量也不可靠。有一次做浙江某輪胎廠的故障檢測項目，故障樣本是工廠每月被客戶退回來的問題輪胎，幾百上千個在露天的空場上堆成小山，落滿了灰，只好僱人爬上去把灰擦一擦看清楚型號批次，再把信息和故障記下來。大熱天的，又髒又累，後來就有人學會了偷懶，假造數據。 還有數據孤島，比如A、B企業的數據維度都比較單一，但可以互補，需要放到一起才有價值，而A和B出於監管考慮又不能交換數據。一些大企業內部也有數據孤島，實質是部門競爭、不願配合，非要鬧到大老闆那兒去。即使老闆拍板下來要打通，也有各種手段讓你的效果大打折扣，脫敏、二次加工、延時等等。 數據來源有時打打擦邊球也是公開的祕密了。在一些信息安全措施不那麼嚴格的行業，找內部人員用硬盤拷數據是最經濟有效的。幾乎所有公司都在用爬蟲，前不久有公司剛被抓，爬簡歷上的個人隱私牟利，算是行業反面教材了。”
Gap 2：AI訓練測試數據VS實際運行環境數據 Facebook的LÉON BOTTOU在ICML大會的演講“Two big challenges in machine learning”中指出，機器學習給軟件工程帶來了新的混亂，原因是
生產環境下，數據必然變化，使AI模型或算法無法按預期輸出穩定結果。
機器學習模型軟件模塊的合約舉例 如果把訓練好的模型作為軟件模塊來集成，模塊的輸出受輸入數據分佈變化的影響，不能按模塊之間的合約（contract）“辦事”，造成其他模塊無法正常工作。 更難受的是，何時、何種情況下會“違約”，無法預先界定。所以當系統給AI軟件模塊一個任務時，它能不能完成，能完成到什麼程度，沒準。
這就好比一個公司告訴你，在我司測試環境下，行人檢測模型準確率為99.99999%；但在您的實際駕駛環境中，預計準確率在97%~99%之間，且我司既不確保準確率有多少，也無法判斷何時準確率會異常。這車您還敢開嗎？
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
在數據行業摸爬滾打多年、最近轉行到AI創業公司的數據分析師“小J”頗有感悟： “這些年，媒體和各行各業言必稱大數據，客戶看到自己數據庫存了多少TB甚至PB了，就以為自己有大數據；問客戶某某數據有沒有，客戶滿口說有。等實際入場後才發現，數據根本不可用，有些字段錯得離譜，有些字段又太稀疏，等你做完清理後，剩下的數據可能跑個邏輯迴歸都夠嗆，根本沒法上深度學習。 有些數據需要手工生成，質量也不可靠。有一次做浙江某輪胎廠的故障檢測項目，故障樣本是工廠每月被客戶退回來的問題輪胎，幾百上千個在露天的空場上堆成小山，落滿了灰，只好僱人爬上去把灰擦一擦看清楚型號批次，再把信息和故障記下來。大熱天的，又髒又累，後來就有人學會了偷懶，假造數據。 還有數據孤島，比如A、B企業的數據維度都比較單一，但可以互補，需要放到一起才有價值，而A和B出於監管考慮又不能交換數據。一些大企業內部也有數據孤島，實質是部門競爭、不願配合，非要鬧到大老闆那兒去。即使老闆拍板下來要打通，也有各種手段讓你的效果大打折扣，脫敏、二次加工、延時等等。 數據來源有時打打擦邊球也是公開的祕密了。在一些信息安全措施不那麼嚴格的行業，找內部人員用硬盤拷數據是最經濟有效的。幾乎所有公司都在用爬蟲，前不久有公司剛被抓，爬簡歷上的個人隱私牟利，算是行業反面教材了。”
Gap 2：AI訓練測試數據VS實際運行環境數據 Facebook的LÉON BOTTOU在ICML大會的演講“Two big challenges in machine learning”中指出，機器學習給軟件工程帶來了新的混亂，原因是
生產環境下，數據必然變化，使AI模型或算法無法按預期輸出穩定結果。
機器學習模型軟件模塊的合約舉例 如果把訓練好的模型作為軟件模塊來集成，模塊的輸出受輸入數據分佈變化的影響，不能按模塊之間的合約（contract）“辦事”，造成其他模塊無法正常工作。 更難受的是，何時、何種情況下會“違約”，無法預先界定。所以當系統給AI軟件模塊一個任務時，它能不能完成，能完成到什麼程度，沒準。
這就好比一個公司告訴你，在我司測試環境下，行人檢測模型準確率為99.99999%；但在您的實際駕駛環境中，預計準確率在97%~99%之間，且我司既不確保準確率有多少，也無法判斷何時準確率會異常。這車您還敢開嗎？
弱合約在自動駕駛這種高魯棒要求的場景下會對用戶及產業造成傷害。 如果把訓練算法作為軟件模塊來集成呢？也有新問題。 訓練算法的輸出依賴訓練數據，而生產環境中的數據受太多因素干擾：隱藏的信息反饋循環、未聲明的調用模塊，都會讓數據相互影響，不可控、不好追查。此外，在給真實客戶做AI項目時，不同項目、項目不同階段，都會帶來不同的數據，從而影響算法網絡結構設計和模型參數設定。 有多年工程及算法經驗、待過互聯網大廠也做過to B項目的“老P”說： “做AI項目，客戶第一次會給一小撮數據樣本讓你理解業務數據，等你入場做PoC（Proof of Concept，可行性驗證）時會拿到批量的真實歷史數據，等項目上生產環境你會碰到更實時的數據，等運行一段時間後又必然會遇到各種新情況，例如客戶的用戶定位調整了、政策有變導致業務環境變了等等。 這四個不同階段，你所認知的客戶數據的特點和分佈都會變，而變化就意味著可能要重調超參數，重設網絡結構，甚至重新取捨算法……折騰啊，但沒辦法，這就是做AI項目的命。”
更要命的是，這是長期的“折騰”；是時間、地點、人物不定的折騰；得去客戶現場折騰，而不能遠程雲折騰；得派很貴的、掌握鍊金經驗和調參玄學的算法工程師去折騰，而不能讓普通軟件工程師去折騰。 這就引出了AI落地時的第三個落差，也是最現實的挑戰： Gap 3：AI to B項目對高級算法人才長期駐場的強需求VS此類人才的駐場成本和意願 為什麼to B項目通常都要駐場？ 現階段，大中型企業才有足夠的數據、業務場景和錢做AI，而大公司對數據又有超強保護意識，數據不出門、不落地。要碰數據可以，請到客戶現場來，有時還要求用客戶提供的電腦幹活。 為什麼要長期駐場？ 典型的AI to B項目有以下幾個流程：
1.初步理解客戶業務場景和需求;2.初步調研客戶數據情況;3.可行性判斷和初步方案設計;4.深度理解客戶業務，細化或調整AI算法目標和達到目標的路徑;5.深度理解客戶數據構成、語義、質量和分佈等細節，細化或調整算法方案和模型結構;6.數據清洗和特徵工程;7.部署測試環境，訓練並調參模型（效果不好的話要回到步驟4、5、6進行優化）;8.生產環境部署上線，調試生產bug（如數據洩露）;9.持續監控生產環境輸入輸出數據變化，並隨時回到步驟4、5、6。 這裡的4、5、6、7、8、9必須在客戶現場完成，1、2可遠程完成但也需要與客戶交互，只有步驟3完全不涉及客戶環境。 先說步驟4、5、6、7、8，短則兩三月，長則大半年，跟客戶配合程度有關，跟數據質量有關，跟問題複雜度、成熟度有關。更重要的，跟鍊金運氣有關。 最頭疼的是9，前面的步驟即使週期再長，也有結束的一天，但步驟9（生產環境監控優化）卻永無寧日，因為業務環境和數據變化是不可避免的，而算法模型不一定能自動適應到最佳狀態。 為什麼要高級算法人才長期駐場？ 正如Rahimi所說，深度學習的理論不完備，算法模型的運行機制不可知，因此，各種調試優化能不能成功，靠的是經驗加運氣，能力難以快速複製。 這就像學中醫一樣，初級醫師要成長為高級人才，需要做過很多項目，遇過很多情況，成功、失敗經驗都豐富的老中醫手把手帶，靠項目和悟性不斷積累“望聞問切”的經驗。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
在數據行業摸爬滾打多年、最近轉行到AI創業公司的數據分析師“小J”頗有感悟： “這些年，媒體和各行各業言必稱大數據，客戶看到自己數據庫存了多少TB甚至PB了，就以為自己有大數據；問客戶某某數據有沒有，客戶滿口說有。等實際入場後才發現，數據根本不可用，有些字段錯得離譜，有些字段又太稀疏，等你做完清理後，剩下的數據可能跑個邏輯迴歸都夠嗆，根本沒法上深度學習。 有些數據需要手工生成，質量也不可靠。有一次做浙江某輪胎廠的故障檢測項目，故障樣本是工廠每月被客戶退回來的問題輪胎，幾百上千個在露天的空場上堆成小山，落滿了灰，只好僱人爬上去把灰擦一擦看清楚型號批次，再把信息和故障記下來。大熱天的，又髒又累，後來就有人學會了偷懶，假造數據。 還有數據孤島，比如A、B企業的數據維度都比較單一，但可以互補，需要放到一起才有價值，而A和B出於監管考慮又不能交換數據。一些大企業內部也有數據孤島，實質是部門競爭、不願配合，非要鬧到大老闆那兒去。即使老闆拍板下來要打通，也有各種手段讓你的效果大打折扣，脫敏、二次加工、延時等等。 數據來源有時打打擦邊球也是公開的祕密了。在一些信息安全措施不那麼嚴格的行業，找內部人員用硬盤拷數據是最經濟有效的。幾乎所有公司都在用爬蟲，前不久有公司剛被抓，爬簡歷上的個人隱私牟利，算是行業反面教材了。”
Gap 2：AI訓練測試數據VS實際運行環境數據 Facebook的LÉON BOTTOU在ICML大會的演講“Two big challenges in machine learning”中指出，機器學習給軟件工程帶來了新的混亂，原因是
生產環境下，數據必然變化，使AI模型或算法無法按預期輸出穩定結果。
機器學習模型軟件模塊的合約舉例 如果把訓練好的模型作為軟件模塊來集成，模塊的輸出受輸入數據分佈變化的影響，不能按模塊之間的合約（contract）“辦事”，造成其他模塊無法正常工作。 更難受的是，何時、何種情況下會“違約”，無法預先界定。所以當系統給AI軟件模塊一個任務時，它能不能完成，能完成到什麼程度，沒準。
這就好比一個公司告訴你，在我司測試環境下，行人檢測模型準確率為99.99999%；但在您的實際駕駛環境中，預計準確率在97%~99%之間，且我司既不確保準確率有多少，也無法判斷何時準確率會異常。這車您還敢開嗎？
弱合約在自動駕駛這種高魯棒要求的場景下會對用戶及產業造成傷害。 如果把訓練算法作為軟件模塊來集成呢？也有新問題。 訓練算法的輸出依賴訓練數據，而生產環境中的數據受太多因素干擾：隱藏的信息反饋循環、未聲明的調用模塊，都會讓數據相互影響，不可控、不好追查。此外，在給真實客戶做AI項目時，不同項目、項目不同階段，都會帶來不同的數據，從而影響算法網絡結構設計和模型參數設定。 有多年工程及算法經驗、待過互聯網大廠也做過to B項目的“老P”說： “做AI項目，客戶第一次會給一小撮數據樣本讓你理解業務數據，等你入場做PoC（Proof of Concept，可行性驗證）時會拿到批量的真實歷史數據，等項目上生產環境你會碰到更實時的數據，等運行一段時間後又必然會遇到各種新情況，例如客戶的用戶定位調整了、政策有變導致業務環境變了等等。 這四個不同階段，你所認知的客戶數據的特點和分佈都會變，而變化就意味著可能要重調超參數，重設網絡結構，甚至重新取捨算法……折騰啊，但沒辦法，這就是做AI項目的命。”
更要命的是，這是長期的“折騰”；是時間、地點、人物不定的折騰；得去客戶現場折騰，而不能遠程雲折騰；得派很貴的、掌握鍊金經驗和調參玄學的算法工程師去折騰，而不能讓普通軟件工程師去折騰。 這就引出了AI落地時的第三個落差，也是最現實的挑戰： Gap 3：AI to B項目對高級算法人才長期駐場的強需求VS此類人才的駐場成本和意願 為什麼to B項目通常都要駐場？ 現階段，大中型企業才有足夠的數據、業務場景和錢做AI，而大公司對數據又有超強保護意識，數據不出門、不落地。要碰數據可以，請到客戶現場來，有時還要求用客戶提供的電腦幹活。 為什麼要長期駐場？ 典型的AI to B項目有以下幾個流程：
1.初步理解客戶業務場景和需求;2.初步調研客戶數據情況;3.可行性判斷和初步方案設計;4.深度理解客戶業務，細化或調整AI算法目標和達到目標的路徑;5.深度理解客戶數據構成、語義、質量和分佈等細節，細化或調整算法方案和模型結構;6.數據清洗和特徵工程;7.部署測試環境，訓練並調參模型（效果不好的話要回到步驟4、5、6進行優化）;8.生產環境部署上線，調試生產bug（如數據洩露）;9.持續監控生產環境輸入輸出數據變化，並隨時回到步驟4、5、6。 這裡的4、5、6、7、8、9必須在客戶現場完成，1、2可遠程完成但也需要與客戶交互，只有步驟3完全不涉及客戶環境。 先說步驟4、5、6、7、8，短則兩三月，長則大半年，跟客戶配合程度有關，跟數據質量有關，跟問題複雜度、成熟度有關。更重要的，跟鍊金運氣有關。 最頭疼的是9，前面的步驟即使週期再長，也有結束的一天，但步驟9（生產環境監控優化）卻永無寧日，因為業務環境和數據變化是不可避免的，而算法模型不一定能自動適應到最佳狀態。 為什麼要高級算法人才長期駐場？ 正如Rahimi所說，深度學習的理論不完備，算法模型的運行機制不可知，因此，各種調試優化能不能成功，靠的是經驗加運氣，能力難以快速複製。 這就像學中醫一樣，初級醫師要成長為高級人才，需要做過很多項目，遇過很多情況，成功、失敗經驗都豐富的老中醫手把手帶，靠項目和悟性不斷積累“望聞問切”的經驗。
然而，行業的另一面現實卻是，想讓高級算法工程師長期駐場，太難了。 首先，駐場意味著人員很難複用，沒法一人同時幹N個項目，薪資成本是個問題。 其次，搞技術的通常不喜歡駐場，尤其是有經驗的高級人才，一般歲數不小、有家有娃，長期出差有困難。 最後，公司裡許多高級算法人才可能是在基礎研究或底層架構部門，項目工程團隊未必請得動。 BAT某雲行業銷售負責人“阿K”，一度對AI項目滿懷憧憬，但後來寧可去賣CDN： “我們今年中了一個千萬級的標，其中的AI模塊很關鍵。中標之後項目組都很興奮，但是要幹活時，麻煩了。 客戶很看重數據信息安全，對外部駐場人員管得很嚴，每天上班要指紋打卡，封閉會議室辦公，桌面必須保持清潔，否則罰款甚至通報批評。 客戶給的IT支持比較少，我們工程師都說，駐場的SDE（Software Develope Engineer）其實是Someone Do Everything，跟在自家公司時比，駐場乾的事太雜了，還沒有延續性，不利於他們的技術發展。 現場跟客戶溝通遇到些技術分歧時，人家好歹是甲方，我不提醒吧，有些工程師能讓客戶下不來臺；我說他兩句吧，人就說駐場要看客戶臉色，不想幹了。 結果這項目還沒做到一半，比較資深的兩個AI工程師就回去了，只好換了幾個畢業沒多久的頂著，項目進展很慢，客戶很不爽。別給我搞爛尾了，哎。”
BAT另一朵雲的行業售前總監、最近絞盡腦汁往自己行業裡集成AI元素的“老W”說： “有一次客戶讓我們做AI項目PoC，要比較高級的人駐場。我好說歹說，找AI研究部門借了幾個人，出差去客戶那兒幹了一個半月，結果項目沒成。以後再找，他們就再也不搭理了。 人家本來就不愛參與客戶項目，又發不了paper，這麼貴的人工成本花出去，又不一定能成為年終績效上的業績。”
駐場需求強烈，且得不到高效滿足，是AI公司無法做到真正產品化（從業務運營角度的產品化）的重要原因。困於客戶項目的PoC、交付和維護，脫身無門，也就無法大規模擴張。 吳恩達曾說：“如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化。” 或許更符合事實的情況是這樣：
如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化，如果不行，至少可以找到一個符合條件的客戶，把我們最貴的算法科學家砸進去，做一個demo出來。
4.幾度寒暑：實事求是方能知難不難
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
在數據行業摸爬滾打多年、最近轉行到AI創業公司的數據分析師“小J”頗有感悟： “這些年，媒體和各行各業言必稱大數據，客戶看到自己數據庫存了多少TB甚至PB了，就以為自己有大數據；問客戶某某數據有沒有，客戶滿口說有。等實際入場後才發現，數據根本不可用，有些字段錯得離譜，有些字段又太稀疏，等你做完清理後，剩下的數據可能跑個邏輯迴歸都夠嗆，根本沒法上深度學習。 有些數據需要手工生成，質量也不可靠。有一次做浙江某輪胎廠的故障檢測項目，故障樣本是工廠每月被客戶退回來的問題輪胎，幾百上千個在露天的空場上堆成小山，落滿了灰，只好僱人爬上去把灰擦一擦看清楚型號批次，再把信息和故障記下來。大熱天的，又髒又累，後來就有人學會了偷懶，假造數據。 還有數據孤島，比如A、B企業的數據維度都比較單一，但可以互補，需要放到一起才有價值，而A和B出於監管考慮又不能交換數據。一些大企業內部也有數據孤島，實質是部門競爭、不願配合，非要鬧到大老闆那兒去。即使老闆拍板下來要打通，也有各種手段讓你的效果大打折扣，脫敏、二次加工、延時等等。 數據來源有時打打擦邊球也是公開的祕密了。在一些信息安全措施不那麼嚴格的行業，找內部人員用硬盤拷數據是最經濟有效的。幾乎所有公司都在用爬蟲，前不久有公司剛被抓，爬簡歷上的個人隱私牟利，算是行業反面教材了。”
Gap 2：AI訓練測試數據VS實際運行環境數據 Facebook的LÉON BOTTOU在ICML大會的演講“Two big challenges in machine learning”中指出，機器學習給軟件工程帶來了新的混亂，原因是
生產環境下，數據必然變化，使AI模型或算法無法按預期輸出穩定結果。
機器學習模型軟件模塊的合約舉例 如果把訓練好的模型作為軟件模塊來集成，模塊的輸出受輸入數據分佈變化的影響，不能按模塊之間的合約（contract）“辦事”，造成其他模塊無法正常工作。 更難受的是，何時、何種情況下會“違約”，無法預先界定。所以當系統給AI軟件模塊一個任務時，它能不能完成，能完成到什麼程度，沒準。
這就好比一個公司告訴你，在我司測試環境下，行人檢測模型準確率為99.99999%；但在您的實際駕駛環境中，預計準確率在97%~99%之間，且我司既不確保準確率有多少，也無法判斷何時準確率會異常。這車您還敢開嗎？
弱合約在自動駕駛這種高魯棒要求的場景下會對用戶及產業造成傷害。 如果把訓練算法作為軟件模塊來集成呢？也有新問題。 訓練算法的輸出依賴訓練數據，而生產環境中的數據受太多因素干擾：隱藏的信息反饋循環、未聲明的調用模塊，都會讓數據相互影響，不可控、不好追查。此外，在給真實客戶做AI項目時，不同項目、項目不同階段，都會帶來不同的數據，從而影響算法網絡結構設計和模型參數設定。 有多年工程及算法經驗、待過互聯網大廠也做過to B項目的“老P”說： “做AI項目，客戶第一次會給一小撮數據樣本讓你理解業務數據，等你入場做PoC（Proof of Concept，可行性驗證）時會拿到批量的真實歷史數據，等項目上生產環境你會碰到更實時的數據，等運行一段時間後又必然會遇到各種新情況，例如客戶的用戶定位調整了、政策有變導致業務環境變了等等。 這四個不同階段，你所認知的客戶數據的特點和分佈都會變，而變化就意味著可能要重調超參數，重設網絡結構，甚至重新取捨算法……折騰啊，但沒辦法，這就是做AI項目的命。”
更要命的是，這是長期的“折騰”；是時間、地點、人物不定的折騰；得去客戶現場折騰，而不能遠程雲折騰；得派很貴的、掌握鍊金經驗和調參玄學的算法工程師去折騰，而不能讓普通軟件工程師去折騰。 這就引出了AI落地時的第三個落差，也是最現實的挑戰： Gap 3：AI to B項目對高級算法人才長期駐場的強需求VS此類人才的駐場成本和意願 為什麼to B項目通常都要駐場？ 現階段，大中型企業才有足夠的數據、業務場景和錢做AI，而大公司對數據又有超強保護意識，數據不出門、不落地。要碰數據可以，請到客戶現場來，有時還要求用客戶提供的電腦幹活。 為什麼要長期駐場？ 典型的AI to B項目有以下幾個流程：
1.初步理解客戶業務場景和需求;2.初步調研客戶數據情況;3.可行性判斷和初步方案設計;4.深度理解客戶業務，細化或調整AI算法目標和達到目標的路徑;5.深度理解客戶數據構成、語義、質量和分佈等細節，細化或調整算法方案和模型結構;6.數據清洗和特徵工程;7.部署測試環境，訓練並調參模型（效果不好的話要回到步驟4、5、6進行優化）;8.生產環境部署上線，調試生產bug（如數據洩露）;9.持續監控生產環境輸入輸出數據變化，並隨時回到步驟4、5、6。 這裡的4、5、6、7、8、9必須在客戶現場完成，1、2可遠程完成但也需要與客戶交互，只有步驟3完全不涉及客戶環境。 先說步驟4、5、6、7、8，短則兩三月，長則大半年，跟客戶配合程度有關，跟數據質量有關，跟問題複雜度、成熟度有關。更重要的，跟鍊金運氣有關。 最頭疼的是9，前面的步驟即使週期再長，也有結束的一天，但步驟9（生產環境監控優化）卻永無寧日，因為業務環境和數據變化是不可避免的，而算法模型不一定能自動適應到最佳狀態。 為什麼要高級算法人才長期駐場？ 正如Rahimi所說，深度學習的理論不完備，算法模型的運行機制不可知，因此，各種調試優化能不能成功，靠的是經驗加運氣，能力難以快速複製。 這就像學中醫一樣，初級醫師要成長為高級人才，需要做過很多項目，遇過很多情況，成功、失敗經驗都豐富的老中醫手把手帶，靠項目和悟性不斷積累“望聞問切”的經驗。
然而，行業的另一面現實卻是，想讓高級算法工程師長期駐場，太難了。 首先，駐場意味著人員很難複用，沒法一人同時幹N個項目，薪資成本是個問題。 其次，搞技術的通常不喜歡駐場，尤其是有經驗的高級人才，一般歲數不小、有家有娃，長期出差有困難。 最後，公司裡許多高級算法人才可能是在基礎研究或底層架構部門，項目工程團隊未必請得動。 BAT某雲行業銷售負責人“阿K”，一度對AI項目滿懷憧憬，但後來寧可去賣CDN： “我們今年中了一個千萬級的標，其中的AI模塊很關鍵。中標之後項目組都很興奮，但是要幹活時，麻煩了。 客戶很看重數據信息安全，對外部駐場人員管得很嚴，每天上班要指紋打卡，封閉會議室辦公，桌面必須保持清潔，否則罰款甚至通報批評。 客戶給的IT支持比較少，我們工程師都說，駐場的SDE（Software Develope Engineer）其實是Someone Do Everything，跟在自家公司時比，駐場乾的事太雜了，還沒有延續性，不利於他們的技術發展。 現場跟客戶溝通遇到些技術分歧時，人家好歹是甲方，我不提醒吧，有些工程師能讓客戶下不來臺；我說他兩句吧，人就說駐場要看客戶臉色，不想幹了。 結果這項目還沒做到一半，比較資深的兩個AI工程師就回去了，只好換了幾個畢業沒多久的頂著，項目進展很慢，客戶很不爽。別給我搞爛尾了，哎。”
BAT另一朵雲的行業售前總監、最近絞盡腦汁往自己行業裡集成AI元素的“老W”說： “有一次客戶讓我們做AI項目PoC，要比較高級的人駐場。我好說歹說，找AI研究部門借了幾個人，出差去客戶那兒幹了一個半月，結果項目沒成。以後再找，他們就再也不搭理了。 人家本來就不愛參與客戶項目，又發不了paper，這麼貴的人工成本花出去，又不一定能成為年終績效上的業績。”
駐場需求強烈，且得不到高效滿足，是AI公司無法做到真正產品化（從業務運營角度的產品化）的重要原因。困於客戶項目的PoC、交付和維護，脫身無門，也就無法大規模擴張。 吳恩達曾說：“如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化。” 或許更符合事實的情況是這樣：
如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化，如果不行，至少可以找到一個符合條件的客戶，把我們最貴的算法科學家砸進去，做一個demo出來。
4.幾度寒暑：實事求是方能知難不難
在上一次的互聯網寒冬之中，並非只有壞事。
2000年dot-com泡沫的破滅，並不是互聯網技術的崩盤，而是“人人都要做dot-com”的崩盤。 兩年後，在冬天生存下來的Google，以貼近底部的成本僱來大批互聯網工程師，並以搜索商業上的突破，成功定義了互聯網技術曲線的“產業恢復期”，順便讓米克爾女皇“被黑”的某些理論得到了平反。也正是在互聯網泡沫引發的電信危機中，華為涅槃重生。 任正非的思想歷經沉澱、轉變，再次清晰了兩條價值觀：
一是心態上，時刻準備著接受危機，知難不難，惶者生存。 在2000年底的《華為的冬天》中，他寫道：“不經過挫折，就不知道如何走向正確道路。磨難是一筆財富，而我們沒有經過磨難，這是我們最大的弱點。” 第二年，在探訪了熬過10年低增長、負增長漫長寒冬的日本企業後，任正非寫下《北國之春》： 什麼叫成功？是像日本那些企業那樣，經九死一生還能好好地活著，這才是真正的成功。華為沒有成功，只是在成長。 華為經過的太平時間太長了，在和平時期升的官太多了，這也許會構成我們的災難。泰坦尼克號也是在一片歡呼聲中出的海。 創業難，守成難，知難不難。高科技企業以往的成功，往往是失敗之母，在這瞬息萬變的信息社會，唯有惶者才能生存。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
在數據行業摸爬滾打多年、最近轉行到AI創業公司的數據分析師“小J”頗有感悟： “這些年，媒體和各行各業言必稱大數據，客戶看到自己數據庫存了多少TB甚至PB了，就以為自己有大數據；問客戶某某數據有沒有，客戶滿口說有。等實際入場後才發現，數據根本不可用，有些字段錯得離譜，有些字段又太稀疏，等你做完清理後，剩下的數據可能跑個邏輯迴歸都夠嗆，根本沒法上深度學習。 有些數據需要手工生成，質量也不可靠。有一次做浙江某輪胎廠的故障檢測項目，故障樣本是工廠每月被客戶退回來的問題輪胎，幾百上千個在露天的空場上堆成小山，落滿了灰，只好僱人爬上去把灰擦一擦看清楚型號批次，再把信息和故障記下來。大熱天的，又髒又累，後來就有人學會了偷懶，假造數據。 還有數據孤島，比如A、B企業的數據維度都比較單一，但可以互補，需要放到一起才有價值，而A和B出於監管考慮又不能交換數據。一些大企業內部也有數據孤島，實質是部門競爭、不願配合，非要鬧到大老闆那兒去。即使老闆拍板下來要打通，也有各種手段讓你的效果大打折扣，脫敏、二次加工、延時等等。 數據來源有時打打擦邊球也是公開的祕密了。在一些信息安全措施不那麼嚴格的行業，找內部人員用硬盤拷數據是最經濟有效的。幾乎所有公司都在用爬蟲，前不久有公司剛被抓，爬簡歷上的個人隱私牟利，算是行業反面教材了。”
Gap 2：AI訓練測試數據VS實際運行環境數據 Facebook的LÉON BOTTOU在ICML大會的演講“Two big challenges in machine learning”中指出，機器學習給軟件工程帶來了新的混亂，原因是
生產環境下，數據必然變化，使AI模型或算法無法按預期輸出穩定結果。
機器學習模型軟件模塊的合約舉例 如果把訓練好的模型作為軟件模塊來集成，模塊的輸出受輸入數據分佈變化的影響，不能按模塊之間的合約（contract）“辦事”，造成其他模塊無法正常工作。 更難受的是，何時、何種情況下會“違約”，無法預先界定。所以當系統給AI軟件模塊一個任務時，它能不能完成，能完成到什麼程度，沒準。
這就好比一個公司告訴你，在我司測試環境下，行人檢測模型準確率為99.99999%；但在您的實際駕駛環境中，預計準確率在97%~99%之間，且我司既不確保準確率有多少，也無法判斷何時準確率會異常。這車您還敢開嗎？
弱合約在自動駕駛這種高魯棒要求的場景下會對用戶及產業造成傷害。 如果把訓練算法作為軟件模塊來集成呢？也有新問題。 訓練算法的輸出依賴訓練數據，而生產環境中的數據受太多因素干擾：隱藏的信息反饋循環、未聲明的調用模塊，都會讓數據相互影響，不可控、不好追查。此外，在給真實客戶做AI項目時，不同項目、項目不同階段，都會帶來不同的數據，從而影響算法網絡結構設計和模型參數設定。 有多年工程及算法經驗、待過互聯網大廠也做過to B項目的“老P”說： “做AI項目，客戶第一次會給一小撮數據樣本讓你理解業務數據，等你入場做PoC（Proof of Concept，可行性驗證）時會拿到批量的真實歷史數據，等項目上生產環境你會碰到更實時的數據，等運行一段時間後又必然會遇到各種新情況，例如客戶的用戶定位調整了、政策有變導致業務環境變了等等。 這四個不同階段，你所認知的客戶數據的特點和分佈都會變，而變化就意味著可能要重調超參數，重設網絡結構，甚至重新取捨算法……折騰啊，但沒辦法，這就是做AI項目的命。”
更要命的是，這是長期的“折騰”；是時間、地點、人物不定的折騰；得去客戶現場折騰，而不能遠程雲折騰；得派很貴的、掌握鍊金經驗和調參玄學的算法工程師去折騰，而不能讓普通軟件工程師去折騰。 這就引出了AI落地時的第三個落差，也是最現實的挑戰： Gap 3：AI to B項目對高級算法人才長期駐場的強需求VS此類人才的駐場成本和意願 為什麼to B項目通常都要駐場？ 現階段，大中型企業才有足夠的數據、業務場景和錢做AI，而大公司對數據又有超強保護意識，數據不出門、不落地。要碰數據可以，請到客戶現場來，有時還要求用客戶提供的電腦幹活。 為什麼要長期駐場？ 典型的AI to B項目有以下幾個流程：
1.初步理解客戶業務場景和需求;2.初步調研客戶數據情況;3.可行性判斷和初步方案設計;4.深度理解客戶業務，細化或調整AI算法目標和達到目標的路徑;5.深度理解客戶數據構成、語義、質量和分佈等細節，細化或調整算法方案和模型結構;6.數據清洗和特徵工程;7.部署測試環境，訓練並調參模型（效果不好的話要回到步驟4、5、6進行優化）;8.生產環境部署上線，調試生產bug（如數據洩露）;9.持續監控生產環境輸入輸出數據變化，並隨時回到步驟4、5、6。 這裡的4、5、6、7、8、9必須在客戶現場完成，1、2可遠程完成但也需要與客戶交互，只有步驟3完全不涉及客戶環境。 先說步驟4、5、6、7、8，短則兩三月，長則大半年，跟客戶配合程度有關，跟數據質量有關，跟問題複雜度、成熟度有關。更重要的，跟鍊金運氣有關。 最頭疼的是9，前面的步驟即使週期再長，也有結束的一天，但步驟9（生產環境監控優化）卻永無寧日，因為業務環境和數據變化是不可避免的，而算法模型不一定能自動適應到最佳狀態。 為什麼要高級算法人才長期駐場？ 正如Rahimi所說，深度學習的理論不完備，算法模型的運行機制不可知，因此，各種調試優化能不能成功，靠的是經驗加運氣，能力難以快速複製。 這就像學中醫一樣，初級醫師要成長為高級人才，需要做過很多項目，遇過很多情況，成功、失敗經驗都豐富的老中醫手把手帶，靠項目和悟性不斷積累“望聞問切”的經驗。
然而，行業的另一面現實卻是，想讓高級算法工程師長期駐場，太難了。 首先，駐場意味著人員很難複用，沒法一人同時幹N個項目，薪資成本是個問題。 其次，搞技術的通常不喜歡駐場，尤其是有經驗的高級人才，一般歲數不小、有家有娃，長期出差有困難。 最後，公司裡許多高級算法人才可能是在基礎研究或底層架構部門，項目工程團隊未必請得動。 BAT某雲行業銷售負責人“阿K”，一度對AI項目滿懷憧憬，但後來寧可去賣CDN： “我們今年中了一個千萬級的標，其中的AI模塊很關鍵。中標之後項目組都很興奮，但是要幹活時，麻煩了。 客戶很看重數據信息安全，對外部駐場人員管得很嚴，每天上班要指紋打卡，封閉會議室辦公，桌面必須保持清潔，否則罰款甚至通報批評。 客戶給的IT支持比較少，我們工程師都說，駐場的SDE（Software Develope Engineer）其實是Someone Do Everything，跟在自家公司時比，駐場乾的事太雜了，還沒有延續性，不利於他們的技術發展。 現場跟客戶溝通遇到些技術分歧時，人家好歹是甲方，我不提醒吧，有些工程師能讓客戶下不來臺；我說他兩句吧，人就說駐場要看客戶臉色，不想幹了。 結果這項目還沒做到一半，比較資深的兩個AI工程師就回去了，只好換了幾個畢業沒多久的頂著，項目進展很慢，客戶很不爽。別給我搞爛尾了，哎。”
BAT另一朵雲的行業售前總監、最近絞盡腦汁往自己行業裡集成AI元素的“老W”說： “有一次客戶讓我們做AI項目PoC，要比較高級的人駐場。我好說歹說，找AI研究部門借了幾個人，出差去客戶那兒幹了一個半月，結果項目沒成。以後再找，他們就再也不搭理了。 人家本來就不愛參與客戶項目，又發不了paper，這麼貴的人工成本花出去，又不一定能成為年終績效上的業績。”
駐場需求強烈，且得不到高效滿足，是AI公司無法做到真正產品化（從業務運營角度的產品化）的重要原因。困於客戶項目的PoC、交付和維護，脫身無門，也就無法大規模擴張。 吳恩達曾說：“如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化。” 或許更符合事實的情況是這樣：
如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化，如果不行，至少可以找到一個符合條件的客戶，把我們最貴的算法科學家砸進去，做一個demo出來。
4.幾度寒暑：實事求是方能知難不難
在上一次的互聯網寒冬之中，並非只有壞事。
2000年dot-com泡沫的破滅，並不是互聯網技術的崩盤，而是“人人都要做dot-com”的崩盤。 兩年後，在冬天生存下來的Google，以貼近底部的成本僱來大批互聯網工程師，並以搜索商業上的突破，成功定義了互聯網技術曲線的“產業恢復期”，順便讓米克爾女皇“被黑”的某些理論得到了平反。也正是在互聯網泡沫引發的電信危機中，華為涅槃重生。 任正非的思想歷經沉澱、轉變，再次清晰了兩條價值觀：
一是心態上，時刻準備著接受危機，知難不難，惶者生存。 在2000年底的《華為的冬天》中，他寫道：“不經過挫折，就不知道如何走向正確道路。磨難是一筆財富，而我們沒有經過磨難，這是我們最大的弱點。” 第二年，在探訪了熬過10年低增長、負增長漫長寒冬的日本企業後，任正非寫下《北國之春》： 什麼叫成功？是像日本那些企業那樣，經九死一生還能好好地活著，這才是真正的成功。華為沒有成功，只是在成長。 華為經過的太平時間太長了，在和平時期升的官太多了，這也許會構成我們的災難。泰坦尼克號也是在一片歡呼聲中出的海。 創業難，守成難，知難不難。高科技企業以往的成功，往往是失敗之母，在這瞬息萬變的信息社會，唯有惶者才能生存。
《北國之春》描述的是創業者的奮鬥故事，任正非說他曾數百次聽這首歌，時常熱淚盈眶。
知難不難，這是不怕直視自身弱點，也要接近真相的赤誠。
二是做法上，直面事實、自我批判。 當時的任正非一條一條梳理現實環境、華為的問題和應對策略，反覆傳導的核心做法就是要甩掉面子思維，敢於自我批判。 在2000年研發部門大會的演講《為什麼要自我批判》中，任正非說：
我們是為面子而走向失敗，走向死亡，還是丟掉面子，丟掉錯誤，迎頭趕上呢？要活下去，就只有超越，要超越，首先必須超越自我；超越的必要條件，是及時去除一切錯誤。去除一切錯誤，首先就要敢於自我批判。
承認“不行”，是自我批判的開端；務實，是冬天裡的美德。 務實的華為，後來在2001年控制住了人員規模，賣掉安聖電氣，趁泡沫破裂，朗訊、北電等撤出光傳輸領域之機，啃巨頭扔下的骨頭，從低端光傳輸逐步做到中高端，並同時在3G、4G通信設備研發及標準引領上建立“絕活”，逐步成為全球最頂尖的通信設備商。
2018年，華為成為首個銷售額突破1000億美元的中國企業，而且是高科技的ICT企業。 誠如華為在上一次寒冬中學到的經驗：成就總和危機相伴而來，華為已成為如今貿易摩擦中的“重點狙擊對象”；但也是對保持危機感和務實應對的多年貫徹，華為早早準備了震撼業界的“備胎計劃”。 著名經濟學家吳敬璉曾請任正非用一句話概括華為的成功，任正非說了四個字——“實事求是”。 再看如今泡沫氣息初現的AI熱潮，期望值已經上來，而落地又不盡人意，AI產業該如何延緩甚至避免冬天的到來？ 實事求是地拆解一下，我們可以把入冬可能性（P）用以下公式表示： P（winter is coming） = f（gap） = difference（expectation, reality） 所以，要麼降低期望（expectation），要麼提升現實價值（reality）。
降低期望，是主動認錯好過被動挨打。 但這裡有一個問題：大環境可以給務實、認慫的美德更多機會嗎？ 當年華為是沒上市、也沒有外部融資的公司，可以少顧及資本的看法。而互聯網熱潮開啟風投模式後，如今的大多數新興科技公司都多少受資本裹挾。 高臺已上，旗已立，款已打，再打臉，就不只是面子問題。 那就只能老老實實提升現實價值。 務實地來看，整個行業能做的無非如下： 一是學界的繼續突破，在產業應用中打破弱AI的侷限性。 李飛飛和LeCun已分頭辭去Google Cloud AI負責人和Facebook FAIR主管職務，更多回歸研究。 李飛飛專注於AI可解釋性，LeCun則堅持做下一代深度學習——“看視頻學知識”的自監督預測學習，這種方法不需要大量人工標註數據，而是從數據中自動提取弱標註，同時預測出剩餘標註，這部分解決了數據稀缺的問題。
知難不難，惶者生存。
冬天已經不遠了，我們在春天與夏天要念著冬天的問題。……這一場網絡設備供應的冬天，也會像它熱得人們不理解一樣，冷得出奇。——任正非《華為的冬天》，2000
2000年，華為前所未有地高速發展。依據上半年形勢，華為在當年10月展開大規模校招，向2001屆畢業生髮放了一萬個offer。 任正非在內部大會上說：“這些畢業生要為2001年銷售400個億、2002年銷售600個億做戰略貯備”[1]。
華為當年在計算機電子通信等院系分宿舍宴請畢業生，勸籤協議。
然而，同一時間，通信設備市場發生鉅變，部分運營商開始在Q4砍掉年初的項目計劃。 擴張招聘不久後，任正非開始反省，在2000年底寫下了著名的《華為的冬天》一文。
公司所有員工是否考慮過，如果有一天，公司銷售額下滑、利潤下滑甚至會破產，我們怎麼辦？
如果華為公司真的危機到來了，是不是員工工資減一半，大家靠一點白菜、南瓜過日子，就能行？或者我們就裁掉一半人是否就能救公司？
如果是這樣就行的話，危險就不危險了。——任正非《華為的冬天》
來年2月，該文被登在華為內刊《管理優化》上，盡透任正非的矛盾與迷茫。 此時，危機已十分明顯：2000年全年，華為收入下降39%，任正非經歷兩次癌症手術，並患上重度抑鬱。來年Q1，華為銷售額進一步降至30億元人民幣，全年銷售收入225億，比預期的400億縮水近一半；實際報到的畢業生也從10000多減少至約6500名；而任正非的母親也在這年因車禍離世。 任正非本人和華為公司都陷入了谷底。 華為和整個電信產業正經歷著一場狂暴夏天后的嚴冬，而它的源頭正是上一次技術紅利帶來的熱潮：互聯網泡沫。 2019年的今天，常被視為互聯網之後下一代信息技術革命的AI行業也經歷著相似的情景： 在2016年初AlphaGo奇觀開啟此後三年的資本追捧、估值競賽和大眾期待後，此時此刻，AI行業進入需要交出“落地答卷”的時刻。 而當資本累計在中國AI領域砸入2200多億元人民幣後，這場被假想40分鐘就能搞定的考試過去大半，人們才發現卷面上仍是答案寥寥。
據CB Insights數據，中國AI領域初創公司融資金額在2017年猛增，佔比首次超越美國，達到48%，位居世界第一。 細數先後引領熱潮的AI細分賽道，如今在商業化上都面臨不小的挑戰。 計算機視覺頭部玩家業務紛紛幾經調整，仍未找到足以支撐估值的紮實商業化方向；據《華爾街日報》報道，去年軟銀願景基金為商湯注入10億美元資金時，甚至因估值太高，引起了中東LP之一，穆巴達拉發展公司的不滿； 智能語音公司，嘴裡是“新一代交互入口”，面前卻是to B打行業的慢與難，和to C市場的巨頭環伺與總量未起； 打臉最響的要數自動駕駛，遙想2016，多少公司許下豪言要在2019年交量產作業，但全行業都低估了這條路的挑戰，這一集合了機械、工程、智能文明的巔峰領域如今成了AI最艱苦的賽道； 甚至一些曾經的明星公司已開始出現裁員、業務收縮、估值down round的現象。 據億歐《2019年人工智能投資市場研究報告》，今年1-5月，中國一級市場AI行業投資總額163.4億元人民幣，目前只有去年全年投資額（1405.3億人民幣，不計螞蟻金服）的11.6%；平均投資額2.1億元/筆，較去年的4.2億元/筆下跌50%。 “AI寒冬論”呼之欲出。 AI換季，考驗有多嚴峻？歷史上的寒冬可以為此時此刻帶來哪些啟示？ 本文將從歷史、技術、產業和資本等角度分四部分聊當下問題，有硬核技術，也有行業八卦，追溯原因，也看未來趨勢：
1.泡沫築起：華為之冬和互聯網之夏
2.熱潮再臨：深度學習是AI銀彈嗎？
3.產業之痛：AI落地的三重落差
4.幾度春秋：實事求是方能知難不難
太陽底下無新事。在上一個寒冬和這一個可能到來的寒冬期間，最大的危險都並非冬天本身，而是人們對冬天是否誠實。 以史為鑑，只有少數勇士，敢於直面慘淡的真實。他們戒除幻覺的麻藥，承認問題，自省痛處，甚至斷腕自救，才換來了九死後的涅槃重生。
1.泡沫築起：華為之冬和互聯網之夏
如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。——沃倫·巴菲特
把華為帶入冬天的這輪互聯網泡沫（dot-com bubble）有三個階段：泡沫形成期、泡沫破裂期、產業恢復期。
1996-2005互聯網泡沫十年變遷（曲線底圖來源：華爾街日報） 其實，在華為大肆招聘的半年前，泡沫破滅期到來的信號就已顯現。 窸窣的碎裂聲最早出現於2000年春。 當年2月，美聯儲開啟新一輪加息。 3月，《巴倫週刊》發表文章“Burning Up”，預估207家互聯網公司中的51家現金流即將枯竭，包括Amazon在內，幾乎所有網絡公司都撐不過12個月。 禍不單行，微軟的壟斷案也即將在3月中旬判決，如果監管要求這家科技巨頭分拆，必然會導致其衰退。 多重消息疊加之下，市場最終轟然倒塌： 3月11日，剛在前一天衝上5048.62點歷史高位的納斯達克開始暴跌，到3月30日，納斯達克股票總市值已在10日內超跌10%，從6.71萬億美元到達6.02萬億美元，當年4月6日又進一步跌到5.78萬億美元。 多米諾骨牌一個個倒下。 靠融資過日子的互聯網公司沒錢了，不得不削減設備採購和網絡帶寬需求；華為、北電等產業鏈上游的電信運營商和網絡設備商訂單銳減。
如圖所示，箭頭表示錢的流向。此前，在互聯網泡沫高築，市場信心膨脹時，所有箭頭上的錢都依次增加；而現在，大廈已傾，所有箭頭上的錢都跟著變少甚至清零。 而已上市的運營商和設備商還面臨著資本市場的重挫。 如北電、朗訊、思科等都在自身股價較高時，通過貸款、發債等方式拿到了鉅款，花起錢來十分激進： 北電2000年以80億美元收購互聯網公司Alteon Websystem，泡沫破裂後幾乎一文不值； 北電、思科、朗訊競相向新興網絡公司和小型運營商提供高額的貸款購買計劃，後來全成了壞賬。 隨著北電等公司自己的股價也開始大幅下跌，不但再難用股權借新錢，連老債主也更急迫地討還欠款，因為之前質押的股權已資不抵債。 不幸中的萬幸是，作為不上市、不拿VC投資的網絡設備商，華為只受到了訂單減少的影響，風險並未被資本市場放大。 這場泡沫，使華為寫下“冬天”；北電大減值、大裁員；全球2000多家互聯網公司倒閉；硅谷在2001年到2004年初減少了20萬份工作……可謂慘烈。 在美國如此成熟的證券監管和估值體系中，泡沫當初是被怎麼吹起來的？網絡公司的估值為何如此脆弱？ 一個重要原因是：重利之下，華爾街不僅自己罔顧事實，還誤導了整個市場。 起初，這種對事實的“修飾”無傷大雅，是人類面對新事物時，天真與冒險精神的綜合產物。 故事得從大膽銳意的摩根士丹利分析師瑪麗·米克爾（Mary Meeker）講起，她之所以能贏得“互聯網女皇”的地位，在於她為互聯網建立了一系列全新估值法。 在1995年給Netscape做IPO時，米克爾先是創造了“終值貼現估值法”（discounted terminal valuation）：以5年後的預估利潤和增長率估算現在的價值。 Netscape成了第一個不掙錢卻能在上市第一天股價就暴漲的公司，納斯達克的互聯網時代隨之開啟。 之後，一大批像Netscape這樣沒多少資產、不盈利甚至還不知如何盈利的公司進入二級市場，上市公司越發早期化，傳統的P/E、P/B估值法難以為繼，連終身貼現估值法都力有不逮，米克爾於是開始越來越多地使用非財務指標： 在1998年針對Yahoo的報告中，她將獨立用戶（Eyeball）、瀏覽量（Page View）跟估值掛鉤： “4000萬獨立眼球以及瀏覽時間和數量的增長，這個價值應該比Yahoo現有的100億美元市值更高才對。” 在分析Drugstore和HomeStore時，米克爾又提出了Engaged Shopper（瀏覽超過3分鐘的用戶）和Mind Share（在同類網站中佔據用戶瀏覽時長的比例）兩個指標。 這些新指標，看似符合互聯網商業邏輯：用戶量和使用時長越高，未來可能獲得的收入也越高；如果市場佔有率領先，就有機會統治細分領域，待條件成熟時大規模收割。
以電商網站為例，看互聯網公司從用戶到收入的轉化鏈條
但如上圖所示，圖中越靠右的指標的財務相關性越大，越接近公司能否盈利的真相。米克爾卻有意無意地忽略了這一點，主要採用靠左的指標，因為這些數字更漂亮。 按道理，如果圖中打問號的轉化鏈條還不成熟，說明公司的商業邏輯尚不清晰，應該繼續拿VC的錢，而不是上市。 但在熱情高漲、信心四溢的泡沫形成期，米克爾這套大膽的做法顯然更受歡迎。與其把對非財務指標的濫用視為“扭曲事實”，更多人相信這是“合理想象”。 摩根士丹利的另一位分析師Steve Galbraith後來感慨道：在網絡泡沫中，證券市場的投資者實際幹了風險投資的事兒。 最炙手可熱時，米克爾要同時參與30家公司的研究報告編寫；準備上市的網絡公司會向摩根士丹利點名米克爾，否則就不讓大摩承銷。 硅谷的創業者會關注她的行程，猜測她搭哪一趟航班，好製造偶遇機會。 《華爾街日報》將她與格林斯潘、巴菲特並列為最有影響力的市場推手。 據說1996年，時任英特爾總裁的安迪·格魯夫正是在夏威夷度假時看了米克爾300頁的“互聯網報告”後醍醐灌頂，做出了英特爾也要大力擁抱互聯網的決定。 米克爾之所以受追捧，是因為互聯網實在太新了，無舊規可蹈，所有人都需要一個新銳、有力的權威來告訴自己怎麼辦，也需要給自己的激進找一個名正言順的理由。 但互聯網給市場帶來的這種推陳出新的冒險風格，卻觸發了不好的風氣：脫離盈利實際的估值傾向開始向非互聯網領域蔓延，代表行業就是作為互聯網上游的網絡運營商。 發展到這步，華爾街與事實的背離，已不是“修飾”程度了。 以美國本地運營商Winstar為例，這本是一家有成熟商業模式的公司：以投資換收入，買設備建立並運營網絡，再向用戶收取網絡服務費。 但在泡沫期，Winstar獲得了來自微軟和頂級PE Welsh、Carson等的大量資本。瘋狂擴張之下，盈利是不可能盈利了，沒法兒按P/E（股價除以收益，不盈利時是負的）估值，又要上市，那怎麼辦？ 華爾街總有辦法，他們把利潤換成了另一個口徑：EBITDA——稅息折舊及攤銷前利潤。 EBITDA的妙處是，原本要在利潤中扣除的投資併購資產、一次性購買的固定資產，在該算法下，會根據使用週期分N期折舊攤銷後，不必從利潤中扣除。 有EBITDA打掩護，Winstar玩起了一套神操作。 他們在2000年以1.45億美元（其中現金是9500萬）投資了一家B2B電商公司WAM!Net。該投資要求WAM!Net採購Winstar的網絡帶寬服務：先一次性支付2000萬服務費，然後在後續7年中，再每季度遞增支付500~2500萬。 這相當於Winstar用9500萬現金投資換來了2000萬當期收入+7年約4.2億的預估收入。 劃重點：這9500萬的資產折舊攤銷在EBITDA裡不算成本，但憑空漲了收入！ Winstar還跟一家光纖提供商Williams Communications達成了類似的“默契”：以每年不計入EBITDA的0.92億的資產折舊攤銷為代價，套來了每年1億的收入。
Winstar跟客戶的報表雙贏，本質上就像這個GDP的笑話
這樣玩下去，理論上收入可以想漲多少就漲多少，但真實虧損卻越來越大，直至大廈崩塌。 難怪巴菲特會說：“如果有CEO鼓吹用EBITDA來估值，就把他綁起來做個測謊吧。“ 這樣簡單的數字遊戲，難道老練的分析師和投資者看不出來？ 利令智昏，EBITDA雖渣，擋不住賺錢。 當時研究過Winstar的分析師曾說：“EBITDA唯一的好處，就是可以幫華爾街促成更多交易。”“分析師總希望推動下一單成交，因此他們會有意無意地蒙上自己的眼睛。” 更有甚者，不僅蒙自己的眼，還要迷他人的眼。 2000年10月20日，美林證券前首席網絡投資分析師布洛杰特在內部電子郵件中稱InfoSpace是垃圾股，但他卻並未向投資者發出警告，反而積極推薦買入。對韭當割，人生幾何。
在事後反思中，美國SEC（相當於中國證監會）認為，在網絡泡沫中頻繁出現的分析師不顧投資者利益的行為，源頭是Chinese Wall（投行承銷業務和證券分析師之間的防火牆）的倒塌。
在投行、分析師、企業和投資者的四角關係中，原本的規矩是：分析師只為投資人負責，而不能跟企業有利益關係，也不能牽涉到投行面向企業的服務，否則研究報告就會失去中立性，造成投資者損失。 這有點像媒體規範中的“採編、經營分離”：分析師的角色類似記者，職責是監督市場；而投行服務業務則類似廣告等媒體經營活動，目的是通過服務客戶來賺錢。 但在泡沫期，這套隔離制度不再有效。 比如米克爾女皇就私下把Netscape叫作“My baby”。她認為自己幫著搞上市的公司就要負責到底，不能說太多負面。 部分投行甚至進一步在激勵制度上推了一把：使分析師的薪酬裡含進了投行企業服務的收益，有些分析師還會個人投資企業。證券分析與企業服務，以前有利益衝突，現在卻形成了“協同增效”。 股票漲時，這種協同看起來沒什麼不妥，分析師、企業、投資者皆大歡喜。可下跌一旦開啟，擊鼓傳花就玩不下去了。 此後，雖然美國證券業提出“分析師薪酬要與投行交易經紀業務脫鉤”，“嚴格限制分析師的個人投資交易”等規定，但這些措施恐怕難以解決問題。證券研究報告如果堅持內容付費的商業模式，投資者的“打賞”並不足以支撐高水平分析師的投入——灰度永遠存在。 層樓誤“精英”，自由亂行業。泡沫循環上演，無非因為：每當信心水漲，利益船高，聰明人會犯蠢，整個機制會產生打破規則的衝動。 一次又一次，人們並非不能發現真實已被過度美化，但整個市場卻拒絕面對寡淡的素顏。
2.熱潮再臨：深度學習是AI的銀彈嗎？
深度學習也落入了“尋找銀彈”（銀彈在歐洲民間傳說中是吸血鬼和狼人剋星，引申義為致命武器、殺手鐗）的陷阱，用充滿“殘差項”和“損失函數”等術語的全新數學方法來分析世界，依然侷限於“獎勵最大化”的角度，而不去思考，若想獲得對世界的“深度理解”，整個體系中還需要引入哪些東西。
——Gary Marcus, 《Rebooting AI》，2019
2016年之後，新一輪技術浪潮AI進入大熱階段，一樣的天真暢想、一樣的樂觀預計、一樣的大膽冒險，一樣的泡沫初現。 與上一輪被資本推起的互聯網熱潮稍有差異，這一次，AI大熱以深度學習在學界的戲劇性翻身為先聲，以工業界的重視為重要推力，最後以AlphaGo大勝李世乭為爆點，用奇觀效應帶動了資本熱情和大眾期待。 在科技智庫「甲子光年」以往的文章
《科創板，一瓶AI的卸妝水？》
中總結了這波AI浪潮不同階段的估值公式。我們可以此為線，來看過高的期望是如何累積的。
Phase-1：2012-2016
Value = f（算法，人才）
早在1986年，Geoffrey Hinton就發表了“Learning Representations by Back-Propagating Errors”，改進了誕生於70年代的神經網絡反向傳播BP算法。1989年，法國人Yann LeCun又在貝爾實驗室開始用卷積神經網絡識別手寫數字。 但直到約1/4世紀後的2012年，深度學習才在日後崛起的大數據和大算力加持下，證明了其在超大規模數據集上的超強圖像分類能力。 以Google為首的工業界第一時間看到了這項進展，Google花5000萬美元買了Hinton和他學生的部分時間，仔細思考深度學習如何開啟下一代信息技術革命。 當時，AI已在圈內引爆，但尚未被大眾廣泛認知，創業公司還沒有產品甚至沒有demo，估值主要看技術獎項、科學家名氣和團隊博士數量。此類公司的特點非常鮮明，綿延至今。 能源行業的一位資深諮詢顧問老Z說：“（2019年）5月我去中石油搞的一個行業論壇，CV四小龍之一的某公司上臺做報告，PPT前5頁都是創始團隊哪哪兒牛校畢業、贏過什麼國際大賽、平臺有什麼先進算法、技術指標百分之多少……這率那率的，過了十多分鐘才進入正題，一共就20分鐘的講話啊。這氣質，在這論壇裡真是獨一份。”
Phase2：2016-2018
V=f（算法，人才，市夢率↑，行業地位↑）
隨著2016年AlphaGo橫空出世，吸引眼球，全社會對AI顛覆世界的期望被迅速推高。 看到AI下棋贏了，就以為機器人很快會搶走人類工作；看到一個demo跑得不錯，就以為能用在企業實際生產中；看到一個客戶案例，就以為能快速複製到整個行業。 想象中的價值空間無限大，因為全行業、全人類的市值都可以算成AI產業的基數，市夢率由此上升。 這樣美麗的“誤會”，不僅發生在大眾、媒體、資本和客戶身上，也讓部分身在此山中的AI從業者過於樂觀——畢竟故事說了太多自己也信了。
Phase 3：2018至今
V=f（算法↓，人才↓，市場空間↑，數據↑，行業地位↑）
V平臺=f（合作伙伴/開發者數量，調用次數，調用均價，數據量）
V應用=f（市場空間，客戶數，客單價/單次調用價格，年訂單總額，復購率）
V= V平臺+ V應用
由於2018年資本市場萎縮，錢少了，更現實了，看市夢率的自然少了，市場逐漸迴歸價值。 但價值如何衡量？軟件行業的常規指標是P/E（看利潤）或P/S（看銷售收入）；AI公司多數尚未盈利，或利潤不穩定，所以只能用P/S。 這一階段，許多AI公司的P/S是好幾十倍，大大高出二級市場平均P/S——根據中信證券前瞻團隊首席分析師英博的文章，美股軟件板塊市值10~30億、30~100億、100億美元以上的公司，P/S分別為3.8、6.8和7.6倍，SaaS雲計算的平均P/S也才10.7倍。 這就尷尬了，那隻能再想辦法做高收入，把P/S降到合理區間，才能讓資本繼續買單。 AI做收入，一靠努力，二靠財技。自己創過業、做過VC、現在混FA的小L說：“你說的dot-com時代的那個Winstar，老外那點手段算什麼？……（此處省略1000字）” 亂象已現，這一場歡愉也到了盛宴將息，從頭反思，沉心做事之時。 在2018年的Gartner技術成熟度曲線中，此輪AI的代表性技術——深度學習正處於“期望膨脹（也可說是泡沫）”的頂峰，往後的期望值會加速跌落至幻覺破滅的谷底，再隨著商業成熟緩慢回升。
但已入宴就坐的各方顯然不願這麼快掃興，事實再次被拒絕看見。 各行各業仍在想辦法貼上AI標籤，只要掛上羊頭就能拿到更高估值或補貼，反正AI也沒有嚴格定義。 看到企業為AI科學家和工程師開出高價，不少學生競相轉型，各種AI培訓班應運而生。 AI甚至成了政客的一張好牌： 特朗普在貿易戰背景下籤署行政令，倡議美國要保持AI領導地位，美國國防部立馬給出AI發展策略，後續自然少不了DARPA（美國國防高級研究計劃局）的大手筆資金。 而且這一次，不光現任總統關心AI，連未來總統候選人也打出AI牌。
將在明年競選總統、曾在2000年幹過dot-com創業的民主黨華裔候選人Andrew Yang，把AI作為他競選綱領中的重要武器，聲稱AI等新技術會消除三分之一的人類工作，因此要給每人每月1000美元的全民基本收入（UBI）。 在《華爾街日報》的採訪中，Yang預測AI會跨過技術低谷期，直接走向產業成熟期：“AI即將走出實驗室的炒作階段，真正變成有用的產品，這將影響數百萬的工作崗位。” 就衝著Andrew，美國媒體在AI話題上暫時也不會熄火了吧。 然而，熱潮之下，一個事關此輪AI變革成敗關鍵的原動力似乎到了必須再討論的時候——深度學習。 深度學習足以成為撐起未來AI世界的堅硬基石嗎？ 2017年底，AI界頂級大會NIPS上，Test of Time論文獎項獲得者Ali Rahimi在掌聲中登場。講完獲獎論文後，Rahimi在大屏幕上放出了出人意料的一頁：Alchemy，鍊金術。
鍊金術起於中世紀，是當代化學的雛形。其目標是將一些其他金屬轉變為黃金，製造萬靈藥和長生不老藥。直到19世紀之前，鍊金術一直未被科學證偽。包括艾薩克·牛頓在內的一些著名科學家都曾嘗試過鍊金術。——維基百科 “鍊金術”，絕對是人工智能行業的敏感詞了。 要知道，早在50多年前，正是著名智庫RAND公司贊助的論文《鍊金術和人工智能》（Alchemy and Artificial Intelligence）引發了AI的第一次冬天。 Rahimi在這場演講中尖銳地將近來快速發展的機器學習（主要指深度學習）比作鍊金術：雖然效果不錯，但缺乏嚴謹、完備、可驗證的理論知識，連業內人士都不理解自己做的東西是怎麼運轉的。
Boris發給Rahimi的郵件，抱怨TensorFlow一個參數調整帶來不可預知的問題。
例如，不小心修改一個參數就會帶來模型效果的天翻地覆；極簡兩層線性網絡中遇到的問題，在增加網絡複雜度之後就奇怪地消失了……但沒人能說清為什麼。 再例如，業界都知道，批量歸一化可以降低ICS（Internal Covariant Shift，內部協變量偏移）從而加快模型訓練速度；但是，似乎沒人知道為什麼降低ICS就能加速訓練，也沒有證據證明批量歸一化就一定能降低ICS，甚至整個業界都缺乏對ICS的嚴格定義。 Rahimi說，自己雖然不懂飛機原理，但不怕坐飛機，因為他知道有一大批飛機專家掌握了原理。而深度學習最讓人擔心的是，他知道其他人也不知道。[11]
By Randall Munroe，xkcd Rahimi的演講在AI社群中引起了不少共鳴，以至於驚動了深度學習界大佬Yann LeCun。 從80年代起就經歷過多年AI路線之爭的LeCun似乎嗅到了意識形態攻擊的危險，他立刻迴應道[13]：
神經網絡確實沒法在理論上證明自己一定收斂，但我們在實踐中效果很好。因噎廢食很危險！當年正是因為這種批判態度，讓神經網絡被AI社群拋棄超過十年之久，絕不能讓歷史重演！
LeCun如此激動地捍衛深度學習，可能是爭怕了。自AI誕生以來的60多年，路線之爭就沒停過。在2010年之前的大部分時間裡，聯結主義（推崇深度學習和神經網絡）一直被符號主義（推崇專家系統）打壓。 Rahimi演講中的一句話“我懷念十年前NIPS上對理論嚴謹性吹毛求疵的學術警察”，一定會讓LeCun老人家回憶起AI界由於意識形態“迫害”帶來的1995-2007年浩劫： 這期間，堅持深度學習研究的LeCun和Hinton、Bengio等人組成了加拿大CIFAR小團體，但論文被各種頂會拒絕，拿不到經費和算力資源，更招不到好學生。 現在，終於熬出頭的LeCun、Hinton、Bengio三位大佬在2019年攜手捧得圖靈獎。可居然有人懷念NIPS學術警察，將深度學習比作鍊金術？ 在LeCun這次激動迴應之前，他還剛剛在同年10月與Gary Marcus進行了一場嚴肅辯論。後者是紐約大學符號主義老一輩代表人物Steven Pinker在MIT的學生、紐約大學心理學與神經科學教授[15]。
2017 NYU AI辯論會，左Marcus右LeCun（網友彈幕不代表本文觀點）
辯論中，Marcus試探性地說：要不要在算法中預置一些先天知識，就像人類一樣？ 他認為雖然深度學習在感知和某種程度的語言翻譯上做得不錯，但深度學習的向量無法映射人腦的計算過程，不能完全處理抽象推理和決策。 而LeCun卻認為深度學習已在模式識別上證明了自己，未來也可以做好抽象推理；甚至深度學習可以幫我們理解人腦的思考機制。 LeCun認為，先天預置知識應該能少用就少用，能不用就不用。當下AI應該沿著深度學習路線革新學習範式——做到在無監督情況下學習世界的模型，形成知識結構，就像人類司機不需要自己開車撞樹，也能預測出如果撞樹會發生什麼。 LeCun並非只有態度，他也提出了一種具體的深度學習新範式——自監督學習：構建更巨大的網絡，讓機器觀看現實世界中的海量視頻，根據已播放內容預測尚未播放的內容，從而學習關於世界的知識——更多的知識結構會是這個新方法的結果，而不是原因或驅動力。
機器看視頻、嘗試預測，就能學習關於世界的知識
從辯論可以看出，LeCun堅信自己找到了“AI銀彈”：堅定走純粹的深度神經網絡路線，優化升級新的自監督學習範式，訓練更海量的數據，就能讓AI在圖像、語音識別領域的成功複製到更多領域。 辯論最終在祥和氛圍中結束，沒有裁判，沒有定論。 深度學習到底是不是AI銀彈？以及AI領域真有銀彈嗎？ 第三方DeepMind其後發聲，指出了LeCun方法中的一個關鍵問題： 這種強調先天預置知識最小化的方法有個前提——“數據和算力可廉價獲得”。 這也是導致此輪AI浪潮可能由夏轉冬的“罪魁禍首”之一： 當AI走出象牙塔，來到產業前線，數據是髒的，現實是複雜的，又有多少商業場景符合LeCun的前提假設呢？
3.產業之痛：AI落地的三重落差
在傳統的軟件工程中，針對模塊的單元測試、端到端的系統測試都非常重要，但在機器學習的項目中，面對不斷變化的數據環境，這些測試不足以證明系統是否會按預設運行。於是，現場對系統行為的監控就尤為關鍵了。——Google論文《Machine Learning: The High-Interest Credit Card of Technical Debt》 經過前幾輪PK洗禮，Gary Marcus在他2019年的新書《Rebooting AI》中，將深度學習的問題重新歸納為3點：
1.對數據的極度貪婪和依賴；2.運行機制和模型的不透明；3.脆弱性，錯誤不可控。 這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。 Gap 1：（想象的）大數據VS（現實的）小數據、髒數據、假數據、違規數據、孤島數據
在數據行業摸爬滾打多年、最近轉行到AI創業公司的數據分析師“小J”頗有感悟： “這些年，媒體和各行各業言必稱大數據，客戶看到自己數據庫存了多少TB甚至PB了，就以為自己有大數據；問客戶某某數據有沒有，客戶滿口說有。等實際入場後才發現，數據根本不可用，有些字段錯得離譜，有些字段又太稀疏，等你做完清理後，剩下的數據可能跑個邏輯迴歸都夠嗆，根本沒法上深度學習。 有些數據需要手工生成，質量也不可靠。有一次做浙江某輪胎廠的故障檢測項目，故障樣本是工廠每月被客戶退回來的問題輪胎，幾百上千個在露天的空場上堆成小山，落滿了灰，只好僱人爬上去把灰擦一擦看清楚型號批次，再把信息和故障記下來。大熱天的，又髒又累，後來就有人學會了偷懶，假造數據。 還有數據孤島，比如A、B企業的數據維度都比較單一，但可以互補，需要放到一起才有價值，而A和B出於監管考慮又不能交換數據。一些大企業內部也有數據孤島，實質是部門競爭、不願配合，非要鬧到大老闆那兒去。即使老闆拍板下來要打通，也有各種手段讓你的效果大打折扣，脫敏、二次加工、延時等等。 數據來源有時打打擦邊球也是公開的祕密了。在一些信息安全措施不那麼嚴格的行業，找內部人員用硬盤拷數據是最經濟有效的。幾乎所有公司都在用爬蟲，前不久有公司剛被抓，爬簡歷上的個人隱私牟利，算是行業反面教材了。”
Gap 2：AI訓練測試數據VS實際運行環境數據 Facebook的LÉON BOTTOU在ICML大會的演講“Two big challenges in machine learning”中指出，機器學習給軟件工程帶來了新的混亂，原因是
生產環境下，數據必然變化，使AI模型或算法無法按預期輸出穩定結果。
機器學習模型軟件模塊的合約舉例 如果把訓練好的模型作為軟件模塊來集成，模塊的輸出受輸入數據分佈變化的影響，不能按模塊之間的合約（contract）“辦事”，造成其他模塊無法正常工作。 更難受的是，何時、何種情況下會“違約”，無法預先界定。所以當系統給AI軟件模塊一個任務時，它能不能完成，能完成到什麼程度，沒準。
這就好比一個公司告訴你，在我司測試環境下，行人檢測模型準確率為99.99999%；但在您的實際駕駛環境中，預計準確率在97%~99%之間，且我司既不確保準確率有多少，也無法判斷何時準確率會異常。這車您還敢開嗎？
弱合約在自動駕駛這種高魯棒要求的場景下會對用戶及產業造成傷害。 如果把訓練算法作為軟件模塊來集成呢？也有新問題。 訓練算法的輸出依賴訓練數據，而生產環境中的數據受太多因素干擾：隱藏的信息反饋循環、未聲明的調用模塊，都會讓數據相互影響，不可控、不好追查。此外，在給真實客戶做AI項目時，不同項目、項目不同階段，都會帶來不同的數據，從而影響算法網絡結構設計和模型參數設定。 有多年工程及算法經驗、待過互聯網大廠也做過to B項目的“老P”說： “做AI項目，客戶第一次會給一小撮數據樣本讓你理解業務數據，等你入場做PoC（Proof of Concept，可行性驗證）時會拿到批量的真實歷史數據，等項目上生產環境你會碰到更實時的數據，等運行一段時間後又必然會遇到各種新情況，例如客戶的用戶定位調整了、政策有變導致業務環境變了等等。 這四個不同階段，你所認知的客戶數據的特點和分佈都會變，而變化就意味著可能要重調超參數，重設網絡結構，甚至重新取捨算法……折騰啊，但沒辦法，這就是做AI項目的命。”
更要命的是，這是長期的“折騰”；是時間、地點、人物不定的折騰；得去客戶現場折騰，而不能遠程雲折騰；得派很貴的、掌握鍊金經驗和調參玄學的算法工程師去折騰，而不能讓普通軟件工程師去折騰。 這就引出了AI落地時的第三個落差，也是最現實的挑戰： Gap 3：AI to B項目對高級算法人才長期駐場的強需求VS此類人才的駐場成本和意願 為什麼to B項目通常都要駐場？ 現階段，大中型企業才有足夠的數據、業務場景和錢做AI，而大公司對數據又有超強保護意識，數據不出門、不落地。要碰數據可以，請到客戶現場來，有時還要求用客戶提供的電腦幹活。 為什麼要長期駐場？ 典型的AI to B項目有以下幾個流程：
1.初步理解客戶業務場景和需求;2.初步調研客戶數據情況;3.可行性判斷和初步方案設計;4.深度理解客戶業務，細化或調整AI算法目標和達到目標的路徑;5.深度理解客戶數據構成、語義、質量和分佈等細節，細化或調整算法方案和模型結構;6.數據清洗和特徵工程;7.部署測試環境，訓練並調參模型（效果不好的話要回到步驟4、5、6進行優化）;8.生產環境部署上線，調試生產bug（如數據洩露）;9.持續監控生產環境輸入輸出數據變化，並隨時回到步驟4、5、6。 這裡的4、5、6、7、8、9必須在客戶現場完成，1、2可遠程完成但也需要與客戶交互，只有步驟3完全不涉及客戶環境。 先說步驟4、5、6、7、8，短則兩三月，長則大半年，跟客戶配合程度有關，跟數據質量有關，跟問題複雜度、成熟度有關。更重要的，跟鍊金運氣有關。 最頭疼的是9，前面的步驟即使週期再長，也有結束的一天，但步驟9（生產環境監控優化）卻永無寧日，因為業務環境和數據變化是不可避免的，而算法模型不一定能自動適應到最佳狀態。 為什麼要高級算法人才長期駐場？ 正如Rahimi所說，深度學習的理論不完備，算法模型的運行機制不可知，因此，各種調試優化能不能成功，靠的是經驗加運氣，能力難以快速複製。 這就像學中醫一樣，初級醫師要成長為高級人才，需要做過很多項目，遇過很多情況，成功、失敗經驗都豐富的老中醫手把手帶，靠項目和悟性不斷積累“望聞問切”的經驗。
然而，行業的另一面現實卻是，想讓高級算法工程師長期駐場，太難了。 首先，駐場意味著人員很難複用，沒法一人同時幹N個項目，薪資成本是個問題。 其次，搞技術的通常不喜歡駐場，尤其是有經驗的高級人才，一般歲數不小、有家有娃，長期出差有困難。 最後，公司裡許多高級算法人才可能是在基礎研究或底層架構部門，項目工程團隊未必請得動。 BAT某雲行業銷售負責人“阿K”，一度對AI項目滿懷憧憬，但後來寧可去賣CDN： “我們今年中了一個千萬級的標，其中的AI模塊很關鍵。中標之後項目組都很興奮，但是要幹活時，麻煩了。 客戶很看重數據信息安全，對外部駐場人員管得很嚴，每天上班要指紋打卡，封閉會議室辦公，桌面必須保持清潔，否則罰款甚至通報批評。 客戶給的IT支持比較少，我們工程師都說，駐場的SDE（Software Develope Engineer）其實是Someone Do Everything，跟在自家公司時比，駐場乾的事太雜了，還沒有延續性，不利於他們的技術發展。 現場跟客戶溝通遇到些技術分歧時，人家好歹是甲方，我不提醒吧，有些工程師能讓客戶下不來臺；我說他兩句吧，人就說駐場要看客戶臉色，不想幹了。 結果這項目還沒做到一半，比較資深的兩個AI工程師就回去了，只好換了幾個畢業沒多久的頂著，項目進展很慢，客戶很不爽。別給我搞爛尾了，哎。”
BAT另一朵雲的行業售前總監、最近絞盡腦汁往自己行業裡集成AI元素的“老W”說： “有一次客戶讓我們做AI項目PoC，要比較高級的人駐場。我好說歹說，找AI研究部門借了幾個人，出差去客戶那兒幹了一個半月，結果項目沒成。以後再找，他們就再也不搭理了。 人家本來就不愛參與客戶項目，又發不了paper，這麼貴的人工成本花出去，又不一定能成為年終績效上的業績。”
駐場需求強烈，且得不到高效滿足，是AI公司無法做到真正產品化（從業務運營角度的產品化）的重要原因。困於客戶項目的PoC、交付和維護，脫身無門，也就無法大規模擴張。 吳恩達曾說：“如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化。” 或許更符合事實的情況是這樣：
如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化，如果不行，至少可以找到一個符合條件的客戶，把我們最貴的算法科學家砸進去，做一個demo出來。
4.幾度寒暑：實事求是方能知難不難
在上一次的互聯網寒冬之中，並非只有壞事。
2000年dot-com泡沫的破滅，並不是互聯網技術的崩盤，而是“人人都要做dot-com”的崩盤。 兩年後，在冬天生存下來的Google，以貼近底部的成本僱來大批互聯網工程師，並以搜索商業上的突破，成功定義了互聯網技術曲線的“產業恢復期”，順便讓米克爾女皇“被黑”的某些理論得到了平反。也正是在互聯網泡沫引發的電信危機中，華為涅槃重生。 任正非的思想歷經沉澱、轉變，再次清晰了兩條價值觀：
一是心態上，時刻準備著接受危機，知難不難，惶者生存。 在2000年底的《華為的冬天》中，他寫道：“不經過挫折，就不知道如何走向正確道路。磨難是一筆財富，而我們沒有經過磨難，這是我們最大的弱點。” 第二年，在探訪了熬過10年低增長、負增長漫長寒冬的日本企業後，任正非寫下《北國之春》： 什麼叫成功？是像日本那些企業那樣，經九死一生還能好好地活著，這才是真正的成功。華為沒有成功，只是在成長。 華為經過的太平時間太長了，在和平時期升的官太多了，這也許會構成我們的災難。泰坦尼克號也是在一片歡呼聲中出的海。 創業難，守成難，知難不難。高科技企業以往的成功，往往是失敗之母，在這瞬息萬變的信息社會，唯有惶者才能生存。
《北國之春》描述的是創業者的奮鬥故事，任正非說他曾數百次聽這首歌，時常熱淚盈眶。
知難不難，這是不怕直視自身弱點，也要接近真相的赤誠。
二是做法上，直面事實、自我批判。 當時的任正非一條一條梳理現實環境、華為的問題和應對策略，反覆傳導的核心做法就是要甩掉面子思維，敢於自我批判。 在2000年研發部門大會的演講《為什麼要自我批判》中，任正非說：
我們是為面子而走向失敗，走向死亡，還是丟掉面子，丟掉錯誤，迎頭趕上呢？要活下去，就只有超越，要超越，首先必須超越自我；超越的必要條件，是及時去除一切錯誤。去除一切錯誤，首先就要敢於自我批判。
承認“不行”，是自我批判的開端；務實，是冬天裡的美德。 務實的華為，後來在2001年控制住了人員規模，賣掉安聖電氣，趁泡沫破裂，朗訊、北電等撤出光傳輸領域之機，啃巨頭扔下的骨頭，從低端光傳輸逐步做到中高端，並同時在3G、4G通信設備研發及標準引領上建立“絕活”，逐步成為全球最頂尖的通信設備商。
2018年，華為成為首個銷售額突破1000億美元的中國企業，而且是高科技的ICT企業。 誠如華為在上一次寒冬中學到的經驗：成就總和危機相伴而來，華為已成為如今貿易摩擦中的“重點狙擊對象”；但也是對保持危機感和務實應對的多年貫徹，華為早早準備了震撼業界的“備胎計劃”。 著名經濟學家吳敬璉曾請任正非用一句話概括華為的成功，任正非說了四個字——“實事求是”。 再看如今泡沫氣息初現的AI熱潮，期望值已經上來，而落地又不盡人意，AI產業該如何延緩甚至避免冬天的到來？ 實事求是地拆解一下，我們可以把入冬可能性（P）用以下公式表示： P（winter is coming） = f（gap） = difference（expectation, reality） 所以，要麼降低期望（expectation），要麼提升現實價值（reality）。
降低期望，是主動認錯好過被動挨打。 但這裡有一個問題：大環境可以給務實、認慫的美德更多機會嗎？ 當年華為是沒上市、也沒有外部融資的公司，可以少顧及資本的看法。而互聯網熱潮開啟風投模式後，如今的大多數新興科技公司都多少受資本裹挾。 高臺已上，旗已立，款已打，再打臉，就不只是面子問題。 那就只能老老實實提升現實價值。 務實地來看，整個行業能做的無非如下： 一是學界的繼續突破，在產業應用中打破弱AI的侷限性。 李飛飛和LeCun已分頭辭去Google Cloud AI負責人和Facebook FAIR主管職務，更多回歸研究。 李飛飛專注於AI可解釋性，LeCun則堅持做下一代深度學習——“看視頻學知識”的自監督預測學習，這種方法不需要大量人工標註數據，而是從數據中自動提取弱標註，同時預測出剩餘標註，這部分解決了數據稀缺的問題。
LeCun主打的自監督預測學習對世界的模擬 朝通用AI目標前進的還有Gary Marcus等人推崇的、在深度學習中加入更多先天預置知識或結構（structures）的做法。 例如DeepMind和Google等機構聯合提出的圖網絡（GNN：Graph Neural Network）——用深度學習對知識圖譜進行操作，並獲得新知識，其中的知識圖譜，部分是專家預置（input）的，部分是學習出來（output）的。（關於“神經網絡+符號推理”的更多方法，見“Neural-Symbolic Learning and Reasoning:A Survey and Interpretation”。） 但基礎研究所需時間和成功概率極不可控，就連樂天派LeCun也坦承目前進展較慢，估計要“2年？5年？10年？20年？”。 所以第二條路，是在AI產品化和商業化上下功夫，這是行業越冬繞不開的路徑。 著手點是直面上文提到的三重落差，將現實困境條分縷析，一一應對。 Gap1：大數據VS小數據、髒數據、假數據、違規數據、孤島數據 解決小數據，靠行業信息化，而且是帶著數據意識的信息化。解決髒數據、假數據，靠堆人，而且是往客戶現場堆大量的人。解決孤島數據，靠企業之間利益交換，或政府發文。此外，Google最早提出、近期AAAI Fellow楊強教授力推的聯邦學習，也是一種折中的解決辦法（不換數據換模型，舍部分精度，保數據隱私）。 Gap 2：AI訓練測試數據VS實際運行環境數據 數據落差的現實不可改變，必須要自動適應新數據，這也是機器學習出現的初衷。解決或緩解問題的辦法只能從科研和工程上突破。 Google論文“Machine Learning:The High-Interest Credit Card of Technical Debt”中指出了幾種解決方案，並倡議學術界和工業界把更多科研力量投入到這些AI技術債務上來，雖然看起來沒有新算法、新模型那麼性感閃亮，但更有益於AI長期健康發展。 Facebook的LÉON BOTTOU則給出了更具體的建議：AI論文的審稿人應
要求論文給出算法的侷限性，例如，算法適應哪些數據分佈，不適應哪些情況，“強迫”所有人關注算法模型的實際應用場景，共同提高AI在工程中的可用性。 近期大火的AutoML則是不同的思路，通過自動化選擇模型和調參，雖然降低了人的參與度，但也造了一個更大的黑盒，進一步削弱了對神經網絡內部的理解。 Gap 3：AI to B項目對高級算法人才長期駐場的強需求VS此類人才駐場成本和意願 一是降低駐場需求和駐場成本，這和解決Gap 2的思路相似，需要藉助AI科研和工程化成果，打造更標準的AI軟件工程，形成低門檻的可複製“套路”。 二是提升駐場意願，除了激勵機制外，沒什麼討巧的方法。就如同2001年互聯網泡沫崩潰後，華為決意all in國際化戰略，當時的高級副總裁徐直軍說：“幹部分為三類，第一類是全世界所有地方任由公司安排，第二類是國內所有區域任由公司安排，第三類是隻願去在國內經濟發達地區。我們將第一類幹部作為公司優先考慮提拔的人選。” 三是在AI to B的最後一公里培育數據算法系統集成商。AI公司自建交付服務團隊的組織成本太高，需根據自家平臺特性和規範，打造模板化、低門檻的方法和流程，幫助合作伙伴多快好省的建設數據算法調試實施能力。 逐步解決關於數據、工程和人的三大Gap，才能實現許多AI公司CEO講給投資人、媒體及自己的故事： 先在標杆項目上做出效果，再形成產品的規模化複製，且不光功能可複製，交付、服務也可複製。 Life is tough, AI is challenging. 不過最可怕的從來不是難本身，而是不知道，不承認。知難反而不難。 魯迅說，真的勇士，敢於直面慘淡的人生。 多事之秋，送諸君十二字共勉：丟掉幻想，好好幹活，紮實過冬。
- 作者 | DougLong
*本文為甲子光年專欄作家DougLong獨家稿件。作者為AI從業者、Gary Marcus《Rebooting AI》一書中文版（9月上市）譯者，開設知乎專欄《溼乎乎的數據智能》
【End】