同行不同路，AI賽道跑出一位異路玩家。
作者 | 路遙
編輯 | 秀松
ChatGPT的橫空出世，重燃了人工智慧賽道的火，一邊是狂熱投資者紛涌而至，一邊是大國博弈下，國家戰略層面的高度關注。
最近，雲天勵飛CEO陳寧博士忙得不可開交，前腳接待了省級領導，後腳又趕去接待科技部重大專項司，各類調研絡繹不絕。
今天，雲天勵飛正式敲響上市之鐘，企業發展與時代命題交織，在當下這個時間節點，產生出鼓舞人心的共振。
自商湯率先破局，雲從科技緊隨其後登陸科創板，再到如今雲天勵飛敲響上市鐘聲，逆水行舟的人工智慧賽道上，挺過IPO這瓶「卸妝水」的洗禮，是AI明星們給予過往嘲笑與批評，最有力的回擊。
人工智慧的魅力，在於其具有挖掘一切或緊密、或鬆散的數據關係的能力。
這些龐大而鬆散的數據關係中，潛藏著現實世界的種種蛛絲馬跡，對這些蛛絲馬跡的淬鍊與加工，將能夠開啟一座座潛力無窮的寶庫。
該如何找到一把趁手的工具？該找到怎樣一把工具？
這條掘金之路，同時也是一條不歸路，卻從不缺前仆後繼的朝聖者。
身為其中一員，雲天勵飛的回答格外精簡：專注、聚焦。
從算法到晶片，兩類「造芯故事」
AI是普惠的，如同水與電，它的存在是沉默的，同時擁有無可置疑的重要性。
如同需要水與電帶來生存上的便利，我們需要AI在於它能夠帶來降本增效，都是一種剛需。
然而，AI應用落地的過程極其繁瑣，遠不似技術創新般直觀。
AI以普惠之姿，進行商業化落地過程中，對企業的考驗是能否「接地氣」，抓住痛點並解決問題，警惕的是過於陽春白雪，創造出「偽需求」。
AI要實現普惠，大規模進入產業，就必須解決成千上萬的碎片化場景應用問題。
從技術的演進規律來看，由定製化走向標準化、平台化，是一種必然。因為沒有標準化，定製化走不長遠，定製化需要在標準化的基礎上延伸新的意義。
這是一條漫長的路，現階段，AI標準化的努力，主要在工具和研發流程的標準化。
站在AI企業的角度，定製化無疑是份苦差事，行業利潤總是被制定標準的公司賺去。
作為最先上市的CV公司，商湯CEO徐立曾表示，「商湯大部分產品是標準化的。」
To B行業存在定製化的特性，開發周期較長，期間需要實時響應，而大多數AI公司由於標準化研發投入不足，導致常在一家公司處耗費大量人力、物力和時間。
最終淪為可悲的項目制，獲得與AI科技公司極不相稱的低毛利率，與此同時，失去的是覆蓋更多領域的機會，畢竟在玩家眾多的AI賽道，時間從不等人。
2017年深圳安博會期間，宇視總裁張鵬國接受雷峰網採訪時提到，以算法起家的AI創業公司，未來大機率有三種活法：
蛻變成行業解決方案提供商；
從算法到算力，軟硬體一手抓；
被收購或者直接消失。
蛻變成行業解決方案提供商；
從算法到算力，軟硬體一手抓；
被收購或者直接消失。
起初，長於算法的AI創企，以「顛覆者」之姿闖入稍顯禁錮的傳統安防行業。
隨著AI安防走入深水區，算法廠商們紛紛撞上一個核心問題，AI技術的落地必須強依賴於硬體廠商，而硬體能力又難以獲得。
高端晶片增量需求與供給不平衡之間的矛盾，在美國的一紙禁令下，瞬間加劇。
一時間，造芯四起。
當時坊間流傳的一種調侃式說法，描述了當時造芯的盛況：未來不提晶片的算法公司不是一家好公司。
之後幾年，AI創企技術價值中心由軟體算法層向核心算力層的轉移，很好地證實了這一點。
在這個萬馬齊喑的轉型期中，不少企業倉皇離場。
深層原因在於，大多數人工智慧企業在沒認清自己，想好業務時，就技術先行，企圖以人工智慧技術撬動整個行業。
這一商業模式上的缺陷，在行業野蠻生長時期，被掩埋；在行業的冷靜期中，則被無情曝露。
微軟亞洲研究院副院長張益肇曾告訴雷峰網，很多AI創業者們在切入某個場景時，既沒捋順流程，也沒想清模式。單純覺得我有AI技術，有幾個合作夥伴，就能大幹一場。
在一批出現問題才解決問題的大軍中，只有少部分堅持商業模式，跟進疊代速度的企業，涅槃重生，而這種代價自然不是所有公司都能承受得起。
不同於當時業內對 AI 如何落地的模糊認知，雲天勵飛非常注重技術的應用場景問題，業內較早意識到算法、晶片深度融合重要性的企業。
事實上，2014年陳寧在深圳創立雲天勵飛伊始，便面向人工智慧的深度學習神經網絡，重新設計處理器的晶片，確定了「雲+端」的技術路線。
這一路線的邏輯是，通過將AI晶片植入前端智能設備，降低網絡帶寬要求，降低後台處理成本，加快處理速度，同時還能保護用戶數據隱私。
這條路線的選擇，與雲天勵飛創始人、董事長陳寧本身是晶片專家，且公司創始團隊多來自集成電路領域不無關係。
在戰術上，「算法晶片化」的理念，在當時的AI圈實際是一件很先鋒，但同時冒險的事。
陳寧理解中的 " 算法晶片化 " ，不等於簡單的「算法+晶片」，而是一種將晶片設計者的理念、思想與算法相融合的 AI 晶片設計流程。
晶片研發周期長、投入極大、風險極高，這條路的難走無需贅言。
在AI資本熱錢涌動的2015-2018年，雲天勵飛沒有在資本市場獲得多大關注，也鮮有披露融資記錄。
在這幾年裡，雲天勵飛默默進行著自己的晶片研發步驟：2016年推出第一代專用於神經網絡處理器NNP100；2018年AI晶片「DeepEye 1000」（深目）流片。
根據招股書，2019-2021年，公司研發費用分別為2億元、2.19億元、2.95億元，占營業收入的比例分別為86.79%、51.42%及52.17%。
一個有趣的現象是，2019年開始「AI資本寒冬」來襲，這一年卻剛好是雲天勵飛發展的轉折點：「DeepEye 1000在這一年正式對外銷售並商用；公司在這一年開始接連披露大額融資。
雲天勵飛有了AI獨角獸的骨像。
這一現象背後的原因，其實很好解釋，資本市場回歸理性，其實就是回歸企業本質，有核心技術壁壘且與應用場景深度結合的公司，猶如潮退後顯露出的海底礁石，引人駐足流連。
兼顧成本和易用性，算法與晶片的「攻城戰」
當下，大規模應用與推廣，是AI企業的集體困境。
這一困境表現出來的外在矛盾是：現有產品難以兼顧成本和易用性。
人工智慧領域，各個場景都有獨特的需求，依靠算法形式推廣，定製化程度高，成本難以下降。
只有把生產要素的成本降下來，才能談AI的大規模產業化。
而只有做到「開箱即用」的易用性，才能加快產品落地和疊代。
這一困境的內在矛盾，指向眼下AI公司直面的兩大挑戰：算法和晶片。
比如，雲天勵飛可以在一秒鐘里完成對數十億級規模數據的檢索，而只需基於雲端一台普通PC機的運算能力。
這與前端晶片的結構化、雲端的深度學習和大數據分析的算法能力是分不開的。
AI時代，神經網絡運算需要大量的算力，原有的主流處理器架構 CPU、GPU ，已無法提供最佳解決方案。
製程工藝上，摩爾定律減緩，晶片製程已達物理極限，無法進一步縮小以提升有效算力。
能耗上，縮放比例定律（Dennard Scaling）規律結束，晶片的功耗急劇上升。
製程工藝上，摩爾定律減緩，晶片製程已達物理極限，無法進一步縮小以提升有效算力。
能耗上，縮放比例定律（Dennard Scaling）規律結束，晶片的功耗急劇上升。
製程工藝和能耗的雙重瓶頸，制約著高計算需求 AI 晶片成本的降低。
曾經的AlphaGo 1.0系統，有1900個CPU+280個GPU，訓練一盤比賽的電費高達1000美元。
這說明，能承載複雜算法，且能被嵌入各類終端設備的高性能、低功耗AI晶片，是大規模產業化的剛需。
然而，晶片之於AI的重要性雖已得到印證，但國內企業在AI晶片的布局上仍有缺失。
一方面，企業級客戶更多講究的是功能實現，除非能帶來業務和管理效率的提升，同時成本可接受，否則很難說服客戶將根據場景定製的AI晶片嵌入各類終端設備中。
另一方面，AI晶片市場同質化問題嚴重，現有產品不能滿足客戶的降本增效需求。
不同於業內存在的以「拼湊」方式做AI晶片，雲天勵飛對AI晶片進行了重新設計，這來源於團隊十幾年的領域積累。
AI晶片市場的角逐，算法是一個重要突破口。
將海量的非結構化數據轉化成結構化數據，並將數據打上標籤，然後進行比對分析，要確保這一過程通暢無阻，不僅需要強大的AI晶片，還要有結合業務場景的高性能算法。
2017年，曾供職NEC Labs，前Snap資深科學家、Snap研究院創始人之一王孝宇博士歸國，出任雲天勵飛首席科學家。
王孝宇上任第一要務，就是對公司的算法和大數據進行進一步規劃。
大數據上，通過積攢海量的數據系統，增強訓練。
算法創新上，開發算法自動化系統，縮短研發周期。
大數據上，通過積攢海量的數據系統，增強訓練。
算法創新上，開發算法自動化系統，縮短研發周期。
隨著深度學習等技術的成熟，AI公司在算法和性能上逐漸相差無幾。
但客戶對技術的需求，一如馬斯洛需求理論概括的人類需求，總是在低層需求滿足後，在其他方面提出更高的要求。
比如AI算法模型，從研發至生產周期漫長、成本高昂，每種模型的生產都需要大量算力和人力。
但現實情況往往是，大量耗時耗力開發出的AI模型，覆蓋場景非常有限，不僅需要後續持續不斷的投入、疊代，還難以實現規模化，從兩個層面上削弱著AI公司的盈利能力。
這就是大多數AI公司面臨的真實困境。
而雲天勵飛花在算法上的成本，正在降低。
現階段，雲天勵飛研發的可重定義AI晶片，面向嵌入式前端和邊緣計算應用，可靈活支撐多類算法框架，提高算法實現的效率，降低後台處理成本，具備高性能、低功耗、低成本的優點，並且支持運行自有及第三方人工智慧算法。
這是因為，隨著AI的研發模式發生變化，雲天勵飛隨之改變了自己的研發觀念，把重心從建立更好的模型，轉移到了高效獲取最好的數據上。
「之前我們的觀念是招聘最好的人，開發最好的技術，達到最好的效果。但實際不是這樣的，如何在最短的時間內，得到可以使模型達到最優效果的數據集，這才是最重要的。」
降低技術應用的門檻：左手自研AI晶片，右手自研算法
從稍顯禁錮且同質化嚴重的安防領域一路挺進，又在AI公司普遍布局算法和晶片後成功上市，雲天勵飛的成功，主要得益於自身夠寬、夠深的護城河。
算法、晶片、數據是公認的人工智慧核心三要素。
三者緊密結合，才有可能打磨出真正為行業所需的產品。
雲天勵飛的護城河在於，一開始就堅持在上述三方面自主研發，形成了「算法+晶片+數據」的閉環生態。
這一部分也來源於幾位海歸博士分別在晶片、算法和數據這三個領域的跨界創新的融合。
背後的邏輯很簡單，通過提高技術門檻，來降低技術應用的門檻。
在其背後，是來自於英特爾，摩托羅拉，中興通訊等晶片研發部門，且平均擁有 10 年以上摸爬滾打經驗的行業老兵。
雲天勵飛構建了完整的AI技術鏈路，所有研發聚焦在三大平台上：算法平台、晶片平台、大數據平台。
人工智慧算法平台，由雲天勵飛多次獲得國際視覺大賽冠軍團隊打造，通過將多項計算機視覺技術和對場景理解以及工程化經驗融合，可以部署到下游各個領域。
人工智慧晶片平台，通過自定義指令集、處理器架構及工具鏈的協同設計，實現算法技術晶片化，提升產品和解決方案中的高效性及場景適應性。
大數據平台，用來做更深層次的分析。
ChatGPT帶火的多模態AI技術，也是雲天勵飛未來的布局方向。
除了繼續提升相關算法速度和精度，還將結合場景，採用音頻等模態信息，提升傳感器信息流中語義和非語義信息的結構化密度，帶來更加智能的大數據自動推理分析，使產品及服務在更多應用場景落地。
八年時間，雲天勵飛走過了「算法晶片化」和「端雲協同」的技術探索之路，也走過了從安防到城市再到商業的產業落地探索之路，親歷了人工智慧從蠻荒到普及的全過程。
公共安全領域，基於智能分析能力，構建城市安全盾牌；
城市治理領域，AI觸角從城市大尺度空間向最後一公里滲透，打造了龍華智能運算能力平台等項目，為城市管理的方方面面提供AI支撐；
公共運輸領域，綜合運用人工智慧、大數據、雲計算等技術，與深圳巴士集團共同打造智慧線路優化系統，構建城市立體化交通體系。
公共安全領域，基於智能分析能力，構建城市安全盾牌；
城市治理領域，AI觸角從城市大尺度空間向最後一公里滲透，打造了龍華智能運算能力平台等項目，為城市管理的方方面面提供AI支撐；
公共運輸領域，綜合運用人工智慧、大數據、雲計算等技術，與深圳巴士集團共同打造智慧線路優化系統，構建城市立體化交通體系。
足夠的技術實力是一方面，能夠鋪開規模，同時控制好成本和供應鏈，又是另一方面。
相比於傳統巨頭，渠道以及生態建設能力往往是AI創業公司的「七寸」。
為了在需求疊代馬不停蹄的碎片化市場，更好實現AI的落地，雲天勵飛還提出了具有里程碑意義的「自進化城市智能體」，積極布局整個生態聯盟。
自進化城市智能體，即具備自學習、自進化能力的人工智慧技術，通過關注全場景，實現端雲協同，統籌管理、應用承載。
形象一點解釋就是，給城市換上一個更強健的軀體，以及一個更聰明的大腦，同時為其注入靈魂，為整個城市的智慧化進行一次從上到下的升級。
為了實現這一目標，雲天勵飛正在發揮自己的橋樑作用，一邊連接著無數碎片化的場景，一邊連接著扮演不同角色的開發者和服務商。在滿足客戶差異化需求的同時，達成生態夥伴的「群體勝利」。
從名不見經傳的AI創企，到2020年疫情「黑天鵝」和國際形勢雙重大背景下橫掃資本市場、衝刺IPO的黑馬，再到如今成功上市，雲天勵飛用穩紮穩打的八年，摸索出一條適合自己的產業化道路。
在「AI公司只有用正向凈利潤才能完成自身證明」的論調中，立足於國內廣闊的場景和應用空間，這家全產業鏈公司上市後，能否講好AI故事，值得拭目以待。
推薦閱讀
費浙平：3D 視覺，我為何死磕核心零部件 | 3D 視覺十人談
從「找口飯吃」到全球第一，胡揚忠一句「活下去」海康走過 21 年