從來沒有一個時代，像今天這樣對人工智能的未來充滿樂觀。

在新近的報告中，Gartner預測到2022年，企業(yè)應用AI的平均數(shù)量相對2019年將增長9倍，而到2022年，AI商業(yè)價值將達到3.9萬億美元；Forrester則更為樂觀，其綜合各種市場調(diào)查分析后認為到2025年，所有企業(yè)都將使用AI。

可以說，Al項目將在不久的將來蓬勃發(fā)展。

但是，這是針對于AI業(yè)界宏觀趨勢的判斷，對那些真正需要用到AI的企業(yè)來說，選擇什么樣的方式、什么樣的服務商來獲得AI能力，仍然是一個必須考慮的問題。這其中，對于很多體量較大的企業(yè)而言，自建AI而非購買現(xiàn)成AI服務成為首要選擇，給從事相關領域的AI技術服務商打開了龐大的商業(yè)空間，而由于涉及數(shù)字化轉(zhuǎn)型升級的戰(zhàn)略動作，牽一發(fā)而動全身，這些企業(yè)選擇服務商也會更為謹慎。

這時候，一些權威行業(yè)報告的價值就體現(xiàn)出來。

不久前，F(xiàn)orrester發(fā)布“The Forrester Wave?：Predictive Analytics And Machine Learning In China，Q4 2020”報告，對中國PAML（預測分析與機器學習）廠商進行了年度評估。AI主要由機器學習（ML）模型組成，這個報告既可以看作行業(yè)層面的盤點，更給予希望選擇正確的PAML解決方案自建AI、提升AI生產(chǎn)力的企業(yè)以權威的參考。

從這個報告，我們可以看到巨頭競逐下PAML市場行業(yè)格局的巨大變化，以及自建AI龐大的商業(yè)機會背后的獨特挑戰(zhàn)。

自建AI的PAML成為大勢所趨 低門檻、規(guī)模化、算力優(yōu)化成為三大能力

從玩家分布的格局來看，2020年，服務自建AI的PAML呈現(xiàn)三大技術巨頭+一個獨角獸企業(yè)領銜的市場格局，阿里云、華為云、第四范式、百度智能云位居Leaders象限，顯示它們在幫助企業(yè)自建AI這件事上取得了先機：

值得一提的是，這個象限圖的取得，建立在Forrester一整套成熟的指標體系基礎之上。

例如，縱軸代表當前產(chǎn)品的優(yōu)勢，包括數(shù)據(jù)、建模、協(xié)作、模型評估、模型運營、方法和算法以及平臺基礎設施等；橫軸則代表面向未來的戰(zhàn)略優(yōu)勢，包括執(zhí)行能力、解決方案路線圖、實施、合作伙伴、價格策略和社區(qū)等；圓圈大小則表示市場地位，其結果由客戶認可度、產(chǎn)品收益評估值及市場認知度三大維度得出。

正是由于復雜、嚴密的指標庫，讓Forrester的各類分析報告得到市場廣泛認可。

同時，報告中指出，中國數(shù)字經(jīng)濟正在蓬勃發(fā)展，企業(yè)選擇正確的PAML產(chǎn)品可幫助企業(yè)快速、規(guī)?；瘶嫿ˋI應用，提高企業(yè)生產(chǎn)力。

因此，F(xiàn)orrester報告中，也著重總結了PAML產(chǎn)品所應具備的三大能力：

1、可為不同的團隊簡化模型開發(fā)

隨著企業(yè)業(yè)務的不斷發(fā)展，AI應用場景也將從幾個擴展至數(shù)千個。為此，PAML產(chǎn)品應當具備適合不同團隊和角色的模型開發(fā)能力。PAML需要友好的可視化界面來開發(fā)AI模型；側重代碼的數(shù)據(jù)科學團隊需要可覆蓋整個模型開發(fā)生命周期的完整、集成的獨立開發(fā)環(huán)境；不具備深厚ML知識的商業(yè)用戶則需要特性齊全的自動機器學習（AutoML）能力來提高ML生產(chǎn)效率。

2、可快速大規(guī)模地部署機器學習模型

構建ML模型只是起點，為實現(xiàn)業(yè)務效益，公司必須將模型部署到生產(chǎn)應用中，并對其進行監(jiān)督管理。PAML需要具備從開發(fā)系統(tǒng)到生產(chǎn)系統(tǒng)的模型部署能力，以業(yè)務友好的方式監(jiān)督ML模型性能，管理ML模型并確保部門間協(xié)同合作，使用新數(shù)據(jù)對在線ML模型進行再訓練以防性能下降。

3、可利用分布式和混合架構加速訓練和推理

在模型訓練過程中，會涉及大量參數(shù)運算，從而加重計算基礎設施的負擔。PAML應幫助企業(yè)有效地將訓練工作量分配到分布式架構中，以減少開發(fā)人員的等待時間。此外，模型推理會直接決定客戶體驗，為滿足推理需求并符合隱私規(guī)定，PAML應提供混合架構，便于跨云、數(shù)據(jù)中心和邊緣部署模型。

搶占企業(yè)自建AI的藍海，PAML玩家還面臨三大挑戰(zhàn)

藍海的風浪不來自于同行的競爭，客戶的需求決定著玩家能否走得更穩(wěn)、更遠，當下的自建AI市場也是如此。

從客戶需求的角度出發(fā)，結合Forrester報告的一些洞察，我們能得到當下PAML賽道上的玩家面臨的三大挑戰(zhàn)，這些挑戰(zhàn)，是后進者必須思考的問題。反過來看，也正是有效應對了這些挑戰(zhàn)，阿里云、華為云、第四范式、百度智能云才能位居Leaders象限，或者，從另一個角度看，第四范式這個獨角獸才能與巨頭們坐在一起。

1、技術層面，能力無限高，但門檻要無限低

企業(yè)對AI技術發(fā)揮的價值的索取肯定是沒有上限的，AI建模必須足夠優(yōu)質(zhì)，因此自建AI是一件十分需要“技術含量”的事，如果拋開外部的服務平臺，它們自己來做一般需要由AI專家來完成，在AI人才緊缺的大背景下，這是一件非常昂貴的事，有著很高的資源投入門檻。

因此，作為外部技術服務商，PAML玩家進場賦能，既需要提供足夠的技術能力，也不能讓自建AI這件事變得很高門檻。按Forrester在報告中的表述，具備優(yōu)勢的企業(yè)必須“可為不同的團隊簡化模型開發(fā)”、“賦予數(shù)據(jù)工程師、科學家、商務人士和應用程序開發(fā)人員更多的能力”——這本身也是AI大范圍在企業(yè)普及的一種必然和必要。

這方面，頭部象限的阿里云等玩家都為客戶提供了系統(tǒng)化的工具平臺，在保證技術深度的同時降低門檻如何讓業(yè)務人員達到AI專家的能力呢？Forrester在報告中提到，自動機器學習（AutoML）應該是破局之道。AutoML簡單來說，是一種讓AI建模自動化的過程，因此大幅降低了AI應用門檻。目前，各大廠商都在PAML廠商中加入了AutoML能力。但第四范式的AutoML因為在縮短數(shù)據(jù)準備周期、通過超高維算法提高模型性能、持續(xù)優(yōu)化模型等技術、功能上的簡化，受到了Forrester以及第四范式客戶等多方的青睞。在報告中，第四范式的受訪客戶表示，AutoML在某些場景中，可以和數(shù)據(jù)科學家一樣出色，同時也對第四范式ML項目管理和安全特性感到滿意。

用AI造AI專家，或是下一步自建AI的玩法之一，但它本身對技術的需求又高了一個層級。

2、應用層面，深入場景的落地性才能讓自建AI的價值成立

企業(yè)自建AI的最終目的是為了提升業(yè)務表現(xiàn)，無論什么樣超前的技術、精細化的建模，都需要落地到場景方案當中去。

一個優(yōu)質(zhì)的、得到市場廣泛認可的PAML廠商，肯定都手握了大量場景實踐，這些落地是它們技術服務能力的唯一最終衡量標準。

阿里云、華為云、百度云憑借云計算的市場表現(xiàn)，以及AI上云的趨勢，在自建AI領域有著天然的實踐落地優(yōu)勢，它們一旦上線PAML就能馬上得到客戶認可并不意外。而第四范式這個早在2014年就創(chuàng)立、普通人很少聽過名字的AI平臺與技術服務提供商，它能在PAML領域獲得的認可，與推動企業(yè)自建AI落地到廣泛的場景實踐有直接關系。

中國90%的持卡人背后享受的交易智能化保護，都有第四范式服務的影子，其服務的金融機構資產(chǎn)總規(guī)模超過50萬億；此外，肯德基每一筆訂單背后的智能計算（智能推薦等），也源自第四范式的服務；疫情期間CDC與工信部的AI抗疫方案，也是這家公司在背后提供支持。

大眾市場對To B技術服務商的陌生是正常的，阿里云、華為云、第四范式、百度智能云等等在服務企業(yè)AI能力這件事上已經(jīng)有著廣泛的布局，這本身即是自建AI的競爭壁壘，根據(jù)公開資料顯示，即便“不太為人所知”的第四范式，也已經(jīng)在金融、零售、制造、醫(yī)療、能源、互聯(lián)網(wǎng)等領域成功落地上萬個AI應用，頭部客戶包括工商銀行、交通銀行、招商銀行、中石油、華油能源、百勝中國、永輝超市、百威、來伊份、美素佳兒、人民日報、瑞金醫(yī)院等等。

3、統(tǒng)合推進層面，自建AI不只有技術服務更需要系統(tǒng)化提升

在To B服務領域，一個趨勢越來越明顯，即服務方不再僅限于提供某一個模塊的技術服務，而轉(zhuǎn)向整體提升客戶企業(yè)的業(yè)務能力。除了商業(yè)機會的考慮，核心服務內(nèi)容必須依賴企業(yè)其他配套能力的提升才能實現(xiàn)更好的落地。

服務自建AI也是如此，PAML供應商即便提供了高技術水準、低門檻、擁有廣泛場景實踐支撐的解決方案，也需要客戶企業(yè)在業(yè)務條線、數(shù)據(jù)邏輯、系統(tǒng)整合、人才培養(yǎng)等方面進行適配，才能讓自建AI更好地產(chǎn)生應用、創(chuàng)造場景落地價值。

按Forrester報告中的說法，這是大規(guī)模部署層面“從開發(fā)系統(tǒng)到生產(chǎn)系統(tǒng)的模型部署管道，以業(yè)務友好的方式監(jiān)督ML模型性能，管理ML模型并確保部門間AI團隊能協(xié)同合作”。

最后，回過頭來看，盡管頭部象限的幾個玩家應對這些挑戰(zhàn)都做得還不錯，但挑戰(zhàn)并沒有結束，它們將是一個持續(xù)的過程，誰能最終獲得客戶更多的認可、獲得市場的青睞，還需要更多時間的驗證。。

自建AI一片向好 但市場紛爭仍充滿未知

在Forrester的另一份相關領域的報告中，可以發(fā)現(xiàn)越來越多的企業(yè)開始重視自建AI能力，受訪企業(yè)意愿比例從25%提升到了42%：

與此對應的是，一些可以幫助企業(yè)自建AI能力的核心AI技術，如在通用性上占有優(yōu)勢的平臺型AI技術、可降低自建AI門檻的自動化機器學習（AutoML），成為企業(yè)優(yōu)先投資的技術點：

這個趨勢在中國企業(yè)身上也有具體體現(xiàn)，第四范式就透露其重要客戶某頭部金融機構未來兩年計劃將AI機器學習項目增加5倍。

市場越大，就意味著競爭越慘烈。

可以發(fā)現(xiàn)，在2020年的Forrester象限圖中，一個巨頭的表現(xiàn)似乎并不佳——騰訊云“屈居”第二象限，且市場表現(xiàn)較為一般。

是騰訊云真的不行嗎？事實上，騰訊云剛剛發(fā)力PAML的時間并不久，到報告調(diào)研截止時間前，市場還沒有給予這個快速發(fā)展的云計算巨頭充分的展示機會。

這提醒我們，既然從2018年到2020年，PAML市場格局可以發(fā)生如此大的變化，那么2020年的市場格局也必然不是“穩(wěn)態(tài)”的，它也只是快速發(fā)展過程中的一個截面罷了。

未來，像騰訊云這樣的玩家會走向何方，誰也不知道，這也是自建AI領域有充分的市場活力的表現(xiàn)——每一個玩家面臨的都是一個不確定性的未來。

但是，這種不確定性中，有一點是可以確定的，能夠更好地應對技術、應用到統(tǒng)合推進三個維度的挑戰(zhàn)的玩家，會占據(jù)優(yōu)勢。

而對于那些非頭部的PAML玩家，又該如何在未來的競爭中站穩(wěn)腳跟呢？

從2018年到2020年，F(xiàn)orrester的報告所采用的嚴密指標體系也進行了一些適應性調(diào)整，這種調(diào)整一定程度上代表著自建AI的一些細化的趨勢變化。

例如，強調(diào)了推理優(yōu)化、邊緣計算支持等，顯示物聯(lián)網(wǎng)邊緣計算在自建AI能力中地位的提升；

增加了創(chuàng)建基于PAML模型的應用、利用PAML模型創(chuàng)建業(yè)務工作流的評價等，表達自建AI落地性需求的增加；

建議數(shù)據(jù)關系、自動數(shù)據(jù)統(tǒng)計分析指標，反映“決策型AI”成為自建AI的重要趨勢；

強化模型驗證以及解釋評價，表明很多企業(yè)開始關注自建AI過程中模型的可解釋性問題，這可能主要發(fā)生在金融領域?qū)弦?guī)的需求上……

在更明顯的意愿面前，自建AI的需求開始往深度走，除了帶動市場格局的顛覆式變化，也催生出一系列具體的細化趨勢，而對這些“小趨勢”的契合未來或成為客戶是否會選擇某家PAML平臺的重要因素。

責任編輯：PSY