经过层层考验脱颖而出的AI公司，正在面临着更为严峻的考验。

        2015年到2018年，AI产业复合平均增长率达到54.6%，2018年，中国人工智能产业市场规模达到415.5亿元。随着产业规模的扩大，AI领域融资进度也在不断加快。据投中研究院与崇期资本联合发布的《2019中国人工智能产业投融资白皮书》显示，中国人工智能领域的总体融资规模从2015年的458亿人民币增长至2018年的1189亿人民币，增长超过两倍。

        然而今年以来，AI创投似乎不再是资本的宠儿。今年前三季度，AI产业投融资数额为577亿，AI投资热情出现明显缩水。事实上，从去年年中IBM沃森大裁员开始，关于AI寒冬的论调就逐渐开始响起，这也为今天行业融资难现象发生埋下了伏笔。

        AI产业的未来毋庸置疑，但从底层技术研发方面来看，行业的创投风口似乎真的已经过去了。

        创新瓶颈期已至：“主干道”挤不进，“小路故事”不动人

        不同项目，在发展的不同阶段，关于投融资以及竞争力有着不同的评判重点。就比如过去消费互联网时代的一些生意，*早看人、看模式，然后看数据，接下来看市场规模、行业地位，*后看盈利能力。AI创投也是如此，而在笔者看来，过去的五年AI创投大致经历了三个阶段：

        AI创投1.0阶段：从2016年AlphaGo战胜李世石开始，这也引爆了AI领域的创投热情。在这一时期，算法实力和高精准人是AI企业发展潜力的评判标准，具备这两项的创业公司更容易得到资本的青睐。

        AI创投2.0阶段：先发企业积累了大量的人才基础和基础算法基础，奠定了足够的行业地位，在相关AI技术落地的高价值场景中取得一定规模。这时候投融资开始分化，赛道上“赛手”优劣差距形成。例如去年AI创业公司的融资总额是1131亿人民币，其中“CV四小龙”（商汤科技、旷视科技、依图科技、云从科技）就占了五分。

        AI创投3.0阶段：从去年下半年开始，商业化逐渐成为讨论*多的话题，整个AI领域缺的不再是技术，而是承载技术的场景。一些AI公司，譬如科大讯飞、搜狗自己上阵做硬件。整个AI产业其实都在进行着一场润物细无声的去泡沫化行为，近段时间，科创板上市企业不再有当初的一片大涨就是证明。

        从主要的底层技术来看，据清华大学数据显示，计算机视觉，语音，自然语言处理是中国市场规模的三个应用方向，分别占比34.9%，24.8%和21%。我们可以把它们看作AI创业的“主干道”，但商汤、旷视、依图、科大讯飞等企业已经建立起足够的优势，创业者很难卡进去。AI底层技术的创业公司卡进“主干道”的概率很低，但细分领域的“小路故事”如今看来似乎也很难打动投资人。而这主要归结于以下三个方面：

        前期的AI投资已经消耗了投资人的很多热情，再加上在落地方面没能达到投资人内心锚定，对于投资会比较谨慎。

        很多“小而美”的创意缺乏足够的市场想象力，但投入却比较高，因而风险比较大，容易被科技公司、AI公司们跟进。

        技术、人才的比拼时代过去，场景为锚的时代到来，作为一个2B或者2G的领域，AI企业的商业落地能力已然成为它们综合实力判定的重要标准。而布局应用层，原先没有场景的创业公司机会很小，很难打动投资人。而这一切也都预示着AI创投热情的下降，AI项目不再是资本眼中的“香饽饽”。

        多元场景：胜出者们的下个角逐点？

        AI产业创投瓶颈，对于有自己主营业务作为盈利支撑的BAT等科技企业而言当然不慌，可对于那些AI公司们而言却很难做到淡定。

        目前计算机视觉、语音识别等基础技术的主要应用场景其实有限。例如计算机视觉主要集中在金融和安防。还比如语音识别的科大讯飞会与一些硬件公司展开合作。除了各自擅长且对口的领域以外，AI公司们对于场景延伸也有更多的试探和占位。

        就目前看来，AI公司们在应用层方面的布局主要围绕以下两个方面展开：

        一方面通过投资延伸到其它垂直场景。根据企查查检索显示的数据来看，旷视目前的投资动态有五起，商汤有四起，老牌企业的科大讯飞更是有十多起。以CV四小龙为例，商汤布局面更大一些，旷视的移动终端和零售、物流布局，云从的银行业，依图的医疗领域都有相应的投资布局。

        而这也印证前面我们说的为什么很多“小路”走不通的原因，一旦某个细分领域的成功可能性增强，相关公司就会跟进拓展。就像过去消费互联网时代的BAT，很多高频场景到*后都成BAT之间的角逐。

        另一方面，自己做硬件，例如科大讯飞、搜狗。它们在硬件选择上也是针对一些小众产品，不与自己的主流企业级客户有直接竞争。而且产品本身的市场竞争小，购买者的议价能力也比较弱，更容易创造更多商业价值。

        然而，虽说AI公司们对于目前行业瓶颈期都有自己的应对策略。但无论是投资行为还是自己做硬件本身也存在一些潜在的挑战。

        投资方面，每一个新的AI赛道，还要考虑对应的落地场景需要怎样的算法和模型去做出有效的决策。如何筛选识别出确保收集高质量的数据，这些都是AI企业需要考虑的问题。此外，AI公司们的投资，大都围绕价值投资进行，是为了未来，而不是财务投资，眼下多赚点钱，这就导致投资回报的周期有些过于长，这对于企业财务状况可能会带来一些压力。况且从来没有什么稳赚的投资，这些AI公司们势必还要承担投资失败的风险。

        而自己做硬件的话，技术公司做硬件天生具备一定的顾虑，一方面，现在与企业级客户没什么竞争，但未来呢？另一方面，软件与硬件本身具备很大的鸿沟，例如供应链、硬件测试、品控等基本要素。做到容易，但做好却很难。在一个项目发展初期可能不明显，但发展到一定程度，技术趋于成熟，制造业底蕴会成为企业之间的分水岭。

        由此可见，经过人才、融资、算法、行业地位等考验脱颖而出的AI公司们，正在商业落地方面面临着更为严峻的考验。Siemens 6ES7516-3AN00-0AB0 

Allen Bradley 2711P-T7C4A8 /A 

GE Fanuc A05B-2255-C102

Allen Bradley 1747-DPS1 /A 

Allen Bradley 1747-L552 /D 

Siemens 6ES7317-7TK10-0AB0 

Allen Bradley 2711P-T7C22D9P /A 

ProSoft Technology MVI56E-MNETCR 

Allen Bradley 2711-K5A3 /H 

Allen Bradley 2711P-RDT15C /C 

Allen Bradley 1756-L73S /B

Allen Bradley 2711P-RDT10C /C 

Allen Bradley 20BD022A3AYNAND0 /B 

Siemens 6ES5466-3LA11 

Siemens 6DD1600-0AK0 

ProSoft Technology MVI71-MNET

Allen Bradley 1747-L552 /C

Allen Bradley 1783-BMS20CA /A

Allen-Bradley 440L-R4J0960YD /A 

Allen Bradley 1756-L73S 

Allen Bradley 1305-BA06A /C

Siemens 6ES7318-3FL01-0AB0

Allen Bradley 2711P-RDB12C /D 

Siemens 6ES7318-3FL01-0AB0

Smitec MARTS 3041 KZ010207

Allen Bradley 6181P-17A3MW71AC /F 

Allen Bradley 1756-L72 /B 

ProSoft Technology AN-X2-AB-DHRIO 

Allen Bradley 6181P-15TPXPSS /E

Allen Bradley 20-COMM-R /A 

Siemens 6AV3637-1LL00-0AX0

Baldor ZD18H430-EO 

Allen Bradley 1756-L74 /B 

Siemens 6AV6545-4BC16-0CX0 

GE Fanuc A06B-6096-H204 /E 

Allen Bradley 1494V-DS600 /D

Allen Bradley 1791-16BC /B