美国SaaS企业的智能化硅脱碳技术

美国SaaS企业技术脱碳成硅、智能过程关键新闻2019年9月8日10:03:21作者简介:本文作者于赵楷·开尔文，目前是普林斯顿大学计算机科学专业大二学生，2019年6月加入线性资本，担任全职暑期实习生他的电子邮件地址是zkyu@princeton.edu。对这个话题感兴趣的读者可以联系他，感谢他的来信。这篇文章最初的标题是“SaaS正在发展:引入人工智能第一企业解决方案的新浪潮”

编者按

人是由规则组成的碳基生命，吃饭是为了生存，疾病是为了枯萎。

和企业组织是由规则组成的组。在人类进化的长河中，人类制定的规则已经转移到组织中。直到现在，企业已经成为一种新的群体生活。直觉来自内心，而理性是反人类的。

企业的管理就像人类的生存方式，是一个将直觉逐渐总结为经验，从经验中提炼规则的过程。

，正如对掠食者的恐惧深深嵌入草原部落原始祖先的海马体一样，商业组织的准备也是商业领袖记忆中商业案例的反映。

因此，凭直觉和经验管理企业是企业头脑中最直接的反映。

一套可以引用和自动执行的智能流程是每个企业的终极理想。

从最早的体验管理公司到s.o.p .的出现，通过网络将s.o.p .移动到云到SaaS。最后，它实际上被期望发展成一个可以由人工智能执行的过程。

然而，关于经验的迷信和对证据的直觉依赖存在于人类碳基结构的基因中。

硅基人工智能不是复制人类智能，而只是适应短暂的经验

本文作者对起源于美国硅谷和北美其他地区的SaaS企业进行了概述，希望向一批企业展示如何利用人工智能进入智能过程，绘制脱碳和硅引进的蓝图，为中国SaaS企业提供方法论参考。

01。作者序列

横轴代表公司规模；纵轴表示SaaS产品的使用率为

。众所周知，美国企业拥有世界上最深的技术储备。

随着各种规模的公司纷纷购买SaaS产品，为企业服务的软件数量激增，形成了成熟的软件供应和采购链。

以销售技术公司Chiefmartec为例。2011年，公司拥有150名销售人员，涵盖广告、内容管理、客户关系管理、销售、数据分析和公司运营管理等领域。

这个数字在2017年达到5，000，2019年达到7，040

2011销售技术部门:150家供应商

2017销售技术部门:5000家供应商；到2019年，美国目前的SaaS市场(供应商数量为7，040家，

家)将接近饱和，许多平台级解决方案已经出现

为了区分这些产品，我们将传统的SaaS公司分为四种不同属性的策略:

1。用户精确的

不同于传统的通用解决方案，如Salesforce提供的解决方案。用户准确的公司擅长在绝对垂直的领域向他们的客户群提供合适和准确的服务。在一定程度上，他们放弃了广阔的市场，以实现市场与产品的高度匹配，即“产品-市场-契合”

2。市场细分

与前者的不同之处在于市场细分企业是基于市场规模的绝对值。这类企业侧重于规模相对有限的细分市场，例如为中小企业提供的专门服务，即“SMBS中小企业”

3。产品集约栽培

产品集约栽培企业通常强调最大限度地优化产品。他们可能只获得80%的回报，20%的产品功能，并以非常简化的态度参与市场竞争。

4。双边优化

指客户和企业。双方优化的企业善于在产品策略上使企业和客户同时产生价值，使客户成为产品自我传播的渠道，从而提升企业价值。

，然而，在过去的几年里，我们已经开始看到一种更为独特的企业战略，并由此催生了大量的新企业。

虽然这些企业有不同的行业和业务部门，但它们都有一个共同的“人工智能优先战略”

人工智能是一个传统的SaaS赋能过程，可视为一种范式转换。

，因为人工智能启用后，软件行业将呈现一些前所未见的商业形式，成千上万人的体验和前所未有的商业潜力。

，但这并不是说所有的商业模式都适合人工智能。企业需要考虑的是从传统架构迁移到智能平台所带来的投资回报。盲目追求数字化和智能化不会简单地提升所有业务的价值。

因此，本文的核心要求是给读者一个价值判断的框架，理解这个时代变化后的新的商业模式，从新的角度看待当前的企业分工模式，思考人工智能给行业和企业带来的结果。

在接下来的章节中，读者将看到三个独特的人工智能集成SaaS战略，正式区分这些新兴企业与传统的SaaS服务提供商，以及来自不同公司的五个人工智能应用

此外，在最后一章，我们将讨论为什么SaaS企业的人工智能授权不能带来赢家通吃的最终结果。

值得一提的是，企业人工智能智能智能产业的先驱之一李开复博士对人工智能赋权的未来非常乐观。然而，基于三个纬度的数据分析，本文逐一驳斥了这一谜团。

02。三个独特的SaaS集成策略

AI SaaS集成企业在功能上也具有上述四个策略的特点，并且在一定程度上，大多数企业可以轻松使用用户特定的策略。

但是人工智能给了这些新企业一种全新的产品形式，这是传统的SaaS企业无法企及的。例如，

，随着计算机视觉技术的发展，基于面部捕捉和情感分析的商业智能产业已经发展起来。

如今，经销商可以根据顾客在购物过程中姿势和表情的变化来分析哪种商品更受欢迎。大学课堂上的讲座和课堂反应也可以用来分析哪个老师更能吸引学生的注意力。

因此，“人工智能第一”公司可以分为三种独特的战略模式:

1。人工智能可以用来运行超复杂的系统和超负荷的任务

以英维尼察为例。利用基于机器学习的预测模型，可以通过预测多个单点电网的活动状态来管理整个复杂电网。通过这项技术，英维尼卡甚至赢得了几个订单，并为几个管理系统提供了预测模型。

2。能够转录和分析过去人工智能无法数字化的数据形式

以易处理人工智能为例。其人工智能SaaS解决方案已应用于汽车保险领域。通过一套成熟的计算机视觉算法，在训练了成千上万张受损汽车的图片后，它可以准确、快速地整理出事故保险单并将其交给相应的流程处理环节。

3。可以用人工智能将传统SaaS的体验提高10倍以上

这里给出了一个中国公司的例子。赖助理还通过构建智能自动响应机器人为企业提供定制的客户服务响应体验。

“人工智能第一”的定义可以解释为“没有人工智能授权，产品提供的核心价值将是无用的。”

换句话说，一个真正以“人工智能第一”为核心战略的企业应该将人工智能纳入其价值主张

如果人工智能技术被淘汰，“人工智能第一”企业将运行超复杂系统和超负荷任务；同样，没有人工智能，“人工智能第一”的企业将无法理解极其抽象的数据形式，更不用说在它们上面构建逻辑关系了。没有人工智能，它与传统的SaaS企业和企业服务产品有什么不同，又如何能适应已经饱和的市场？

03。三个独特的人工智能SaaS集成策略

如前所述，“人工智能第一”的SaaS企业本质上不同于传统的SaaS企业。接下来，我们将讨论人工智能在企业级服务中的实际作用

虽然人工智能的功能划分是无止境的，但我们不妨对人工智能的多种功能进行分类，并作出最后的思考。传统的功能划分将人工智能分解为:

首先，智能应用的目的是分析业务形式，即“模式识别”。其次，它是对未来可能性的预测，即“预测分析”；然后，是针对特定约束的行为设置来实现结果优化，即“行为优化优化”。然后，该方法被集成到一个特定的应用场景中，即“场景定制个性化”。最后，实现了对复杂数据建立逻辑关联，从而扩展了该算法，即“数据即商品”

沿着这个逻辑，我们将分别在垂直业务和平行行业两个纬度上对公司做出更详细的解释:

模式识别

企业在“模式识别”的背景下往往善于从庞大的历史数据中发现隐藏的关联，但这只是帮助他们了解过去，分析现在，而不能预测未来以

为例，易处理公司从事故照片的数据中判断出肇事者、损害程度等数据样本。

，但是应该注意，Tractable使用过去的数据来判断当前的交通事故，不能预测何时何地会发生交通事故。

承诺，主要是围绕“模式识别”业务开发公司在自动决策方面有点薄弱尽管像

这样的公司批评大量的人工操作，但他们肯定不会用机器来代替它们。

，因为他们认为人工智能的发展还不够可靠，而且项目的沉没成本经常使公司很难尝试在机器程序上出错。

也有公司试图跳出“模式识别”的固有模式。这里有两个典型案例:世邦魏理仕是首个承受

冲击的公司。它的核心业务是利用汇总和分析私人公司的基础数据的能力，为投资机构提供商业决策

私有化投资实际上类似于其他类型的投资产品。它需要挖掘和分析跨行业和极细粒度的行为数据。这原本是一项抽象的工作，人们比机器更擅长。

的第二个例子是“模式识别”在早期癌症诊断中的应用。

尽管基于人工智能技术的癌症诊断工具在许多准确度测试中优于人类，但误诊的可能性是灾难性的，因此人类经常被用作机器诊断的补充，然后充当最后一道屏障。

预测分析

应用“预测分析”技术的这类企业很好地解释了一个问题——“你从哪里来，要去哪里？”

事实上，这类企业的预测和分析远不止简单地匹配模型和给出可能的预测

根据这一预测，系统将为人们执行或直接使用机器自动执行任务提供一套深入的建议。

以热情金融为例。该企业使用机器学习来帮助借款人对贷款进行更快、更准确的信用评估。

的另一个例子是InsideSales，它通过基于人工智能的智能系统向客户提供建议，并实现了15%-30%的转换

在大多数情况下，预测过程呈现黑箱状态，一些分析和预测企业经常将最终决策抛回到手动操作。

，然而，应该指出的是，用机器做这件事只不过是一种典型的选择，比如对Zest Finance来说“借款”和“不借款”的区别。

行为优化

专注于“行为优化”的公司正在解决“他们如何通过在特定路径上优化自己的决策来实现企业目标？”

过去，企业只能依靠点击率等不完美的指标来推断模糊的用户趋势。

，但是，自从引入人工智能技术以来，各种业务都可以在极其详细的数据集下进行分析，如光标路径分析、页面停留时间等。，以提高利润空间和保留率等。

例如，两个零售商业智能平台Nextail和Focal System分析库存和跨商店购买历史，以给出合理的购买数量或建议其他商店的营业额

的另一个例子是Amplero，这是一个主要从事营销的智能平台。业务分析是围绕企业的绩效指标来指定的，而不是传统的促销、利润空间和保留率(如点击率)。

从表面上看，“行为优化”类似于“预测分析”，两者都是面向未来的决策。

，但是，不同的是“行为优化”将给出现在可以实现的“行为建议”。所谓的“预测分析”，就是提出可能的“未来方向”

这就像一个病人走进医院，告诉医生她感到胃痛。在这种情况下，“预测分析”算法通常会根据患者的病史和当前的胃病预测“未来方向”。相反，“行为优化”算法将给出一个“行为建议”来指导如何控制疼痛、判断生存期望等。

即使在本例中，“模式识别”算法也将使用相同的数据来确定患者再次生病的概率

场景定制

主要从事“场景定制”的企业将使用人工智能技术为最终用户创造个性化定制体验

您还记得在第3章的第一节中，Salesforce是如何击败甲骨文和思爱普的吗？

取得胜利的主要原因是，尽管传统的大型工厂提供一系列产品和服务，但它们很少能满足云的需求。

现在是一个转折点。当Salesforce是一家SaaS工厂，几乎做所有的事情，它不可能是完美的，因为每个细分领域都需要定制和功能优化。

可以根据细分需求使业务决策更加准确。以MailChimp为例，它是一家价值40亿美元的营销自动化企业。该企业为客户提供邮件订阅服务的内部营销参考，允许企业用户掌握客户肖像和点击数据。

企业用户可以轻松掌握这些数据，并知道他们的客户的想法和行为，但是没有“场景定制”的缺点是该企业的邮件订阅内容同时向非客户提供相同的内容。

客户根据自己的需求选择合适的产品，但大多数SaaS营销工具无法提供情景定制。

，但一家通过了b轮的中国初创公司可以提供一个不同的视角，即人工智能驱动的数字内容平台tezan，它为企业客户提供有成千上万人和成千上万张面孔的头版和横幅设计。

在埃森哲2018年发布的一项调查中，来自欧洲和北美的8000名受访者中，近91%的人认为针对个人需求的广告和推荐更受欢迎，另有74%的人愿意为运营商提供个人数据，以推动他们定制内容。

适用于直接需要与客户直接打交道的SaaS产品，如客户关系管理平台、营销平台和聊天机器人应用等。，拥有定制的功能和内容会在早期为公司设置一定的竞争壁垒。

但是随着人工智能商业化的普及，定制化需求正在成为一个必要的先决条件，提供定制化服务必然是SaaS人工智能未来的发展方向

数据商人

当数据收集的需求和对人工智能技术的依赖增加时，就会产生平台效应。平台上聚集了一些高级技术工具，各种订单的用户都可以访问，这和使用亚马逊云服务平台的用户一样方便。

谷歌正在利用自己的人工智能和机器学习技术储备来发展成为这样一个开放的数据平台，但与此同时，许多玩家聚集在这个领域。例如，

包括提供计算机视觉引擎应用编程接口的Clarifai公司、提供手动数据集成服务的MostlyAI公司和为企业客户提供原始销售数据的Tonic公司。

这些公司甚至不需要成为真正的“人工智能”为中心的公司，因为他们在各自的领域享受着人工智能增值带来的二阶效应。

以线段和雪花为例。两家公司都为企业客户引入了系统数据管理服务。然而，这两家公司都不是以人工智能技术起家的典型公司，它们目前的估值分别为15亿美元和39亿美元。

“数据业务”型企业类似于前面提到的“场景定制”型企业，两者都服务于典型的垂直用户，因为他们真正销售的是企业后台工具。

然而，只为垂直场景服务的数据/人工智能商业公司和人工智能定制公司的规模似乎能看到天花板。当这一细分领域的淘金热到来时，这似乎是一个好生意。

Domino数据实验室的历史就是一个很好的例子。他们向数据科学家出售软件解决方案，以帮助客户快速构建和配置模型。自然，

也从风险投资机构获得了8000多万美元的融资。

04。为什么人工智能技术没有导致

的全赢市场大结局在此之前，我们已经基本走过了人工智能在SaaS企业的应用前景

和SaaS企业应用人工智能的缺点，说来话长。

，然而，似乎有一种声音正在出现，即通过人工智能技术的应用，企业可以走向相对垄断的市场地位

因为人工智能行业的进入门槛相对较高，只有处于资源顶端的公司才能支付如此高的人力成本。

与此同时，在人工智能的产业链中，数据收集、向人工智能模型提供数据、创建人工智能产品、收集更多数据以积极的方式反馈给产业链，我们可以看到这是一种赢家赢的越多、玩家越强的情况。从表面上看，

是符合逻辑的，因为该模型依赖于更精确的数据源。只要能获得准确的数据，那么占据这个位置肯定会比后面的位置有第一手优势。由

培训的模型反过来将允许先行者企业创造更好的产品，从而有更多的资源投资于获取数据。技术领域的著名风险投资家、人工智能研究专家李开复博士曾在他的著作《人工智能未来》中得出结论，

人工智能在某些行业中肯定是双赢的。深入学习和数据挖掘之间的关系创造了一个闭环，并不断地增强优秀公司和产品的能力。因为更多足够的数据将产生更好的产品，这将吸引更多的用户，并且用户将产生更多的数据来为产品迭代提供动力这些数据池和它们带来的巨大利润将吸引顶级开发商到顶级公司，因此公司之间的差距变得越来越明显。

事实上，争论围绕着三个基本假设:

1。首席玩家可以长时间连续获得有效数据

2。更多的数据和更好的模型之间存在线性正相关

3。人工智能人才未来仍将处于供不应求的高价状态。

显然，这些假设不能成立，以下是三个反驳点:

1。人工智能技术和数据商业化正在兴起

2。数据和由数据产生的值逐渐变得负相关。

3的进入阈值。人工智能技术从业者正在下降

05。人工智能技术和数据的商业化正在兴起

当对数据收集的需求和对人工智能技术的依赖增加时，将会产生平台效应。平台上收集了一些高级技术工具，各种订单的用户都可以访问，这与使用亚马逊云服务平台的用户一样方便。

谷歌正在利用自己的人工智能和机器学习技术储备来发展成为这样一个开放的数据平台，但与此同时，许多玩家聚集在这个领域。例如，

包括提供计算机视觉引擎应用编程接口的Clarifai、提供手动数据集成服务的MostlyAI和为企业客户提供原始销售数据的Tonic。

这些公司甚至不需要成为真正的“人工智能”为中心的公司，因为他们在各自的领域享受着人工智能增值带来的二阶效应。

以线段和雪花为例。两家公司都为企业客户引入了系统数据管理服务。然而，这两家公司都不是以人工智能技术起家的典型公司，它们目前的估值分别为15亿美元和39亿美元。

恢复教师认为，总公司在持续获取有效数据的能力方面具有显著优势，但这一点将来很可能会不复存在

的真实数据生成过程是对人工智能模型的人工数据生成过程的测试和改进

实现的基本途径是记录真实世界的数据是如何分布的，然后根据分布结果进行统计。

问题的复杂性在于这个过程需要足够先进的收集方法。然而，正如读者所见，在本文开头的框图中，已经有初创公司试图“创建数据即服务，数据生成即服务”

这一技术已经应用于韦莫和特斯拉的自动驾驶仿真中。

2019年7月，Waymo完成了1000万英里的模拟驾驶，但与此同时，实际驾驶数据仅累积到1000万英里。在这里，您可以看到模拟数据的执行效率。

综上所述，数据采集、管理和应用正在逐步发生变化。当真实数据的生产模式使相关数据更容易获得时，独角兽企业Segmet和雪花证明数据管理可以简化10倍，而Clarifai和谷歌将人工智能集成到堆栈中也可以简化10倍。

06。数据和由数据产生的价值逐渐变得负相关。

风险投资基金安德森霍洛维茨的投资者马丁卡萨多(Martin Casado)和彼得劳滕(Peter Lauten)曾就数据领域的壕沟效应进行过著名的争论:

诚然，行业具有规模效应，但我们观察到数据领域的壕沟并不稳定。因为它不同于传统产业的规模，传统产业越早吸引投资，它们的比较优势就越明显。事实上，数据字段正朝着相反的方向运行。获得特定的数据资源会使成本飙升，但数据的累积价值越来越不明显。

认为，数据的阈值是为了在收集更多数据时积极提高模型的准确性。

在某些情况下是正确的，例如人工智能可以显著实现网络效果

但更常见的是，数据收集和清理的成本很高或持续增加，而新数据的多样性无法得到保证。

最终数据收集的值曲线继续放缓，甚至会回落超过256个+

图表来自雄辩实验室的Aru Chaganty，显示了在客户支持领域提交给智能问答机器人的一些问题。

a16z基金还表示:其中

，在系统资源20%的临界点，系统共处理了20%的客户请求在此临界点之上，数据处理的效率曲线不仅增长明显缓慢，而且随着数据捕获和清理量的增加，处理成本也急剧增加。另一个值得注意的地方是，数据分发的限制无限接近40%，这意味着自动响应可以执行的内容范围的限制是

。如果读者熟悉机器学习，他们也可以从另一个角度思考这个问题，即“主成分分析”，或“主成分分析”

"PCA "是一种数据降维算法，将n维特征映射到k维，k维是全新的正交特征，也称为主成分，是从原始n维特征重构的k维特征

事实上，在有噪声的数据集中，大部分信号内容是在最初的几个纬度捕获的，而之后的纬度充满了噪声。

同样，在数据收集达到某个临界点后，添加新数据的边际效应是有限的。

换句话说，数据收集呈现明显的幂律或帕累托分布:在某个临界点下，数据对于达到更精确的模型是非常重要的，但是当数据收集量逐渐被推到10或100倍时，对模型精度的贡献在成本和功能上是非常有限的。

AI对某些终端很有用，例如，最终目的是增强用户体验和用户价值，而不是模型本身到目前为止，让我们回顾一下人工智能赢家通吃理论的前两个假设。

第一，首席玩家可以长时间连续获取有效数据；其次，更多的数据和更好的模型之间存在线性正相关。本文认为，“人工智能/数据商业化”企业将有效降低行业进入门槛，因此第一个假设是弄巧成拙

的第二点也是更重要的一点是，更多的数据不一定导致更精确的模型。

07。人工智能技术从业者的入门门槛降低了

如果“人工智能/数据商业化”使从技术层面构建人工智能模型变得更加容易，为什么要降低人工智能从业者的入门门槛？

接下来，我们需要用软件工程做一个类比。

例如，读者想学习如何在iPhone上构建移动应用程序。他们在早期会做什么？

可能会买一本很重的程序设计书，雇一个助教，或者在网上研究晦涩的文章。

在过去的十年里，这种情况有了很大的改善。

如今，不需要去上难读的开发课程或昂贵的编程课程，互联网上已经有大量的公共教学资源，其中大部分都是免费的。

例如，在StackOverflow上，没有必要依靠阅读文档来发现错误，论坛中的帖子几乎可以回答初学者会犯的所有错误。

但不仅如此，AWS和Heroku提供的SaaS、PaaS和IaaS解决方案可以显著提供易于使用的机会来可视化、检测、传输和发布任何客户端应用程序产品

的读者可能会反驳说，这次讨论只看到了行业中、下游的提升，而上游的精英级从业者不会因此改变太多。

在这里，这篇文章的立场应该与这一反驳完全相反。

当一个行业的信息壁垒降低，有机会让足够多的人不断进入这个行业时，高层精英的数量肯定会有逐年增加的机会。

，不过，我想在这里引用行业专家李开复本人的话。

这篇文章解释了为什么他认为科技人才可以使人工智能成为一个主导产业:

顶尖公司可以通过结合足够的数据和资本来吸引顶尖的人工智能人才，从而进一步扩大行业领导者和落后者之间的差距

同意让我们继续看看他在《

》一书中是如何比较研究领域和应用领域的。许多人错误地认为美国在人工智能领域具有显著的优势，主要是因为他们仍然给人留下我们生活在“发明时代”的印象:在发明时代，人工智能的顶尖研究人员不断打破旧模式，最终解决了长期困扰的难题。媒体不断报道人工智能的最新成就，这进一步加深了这种印象例如，人工智能在某些癌症的诊断上比医生好。在德州扑克的人机竞赛中，人工智能击败了人类冠军。没有人类的干预，人工智能靠自己学习和掌握新技能。媒体如此关注报道人工智能的每一项新成就，难怪普通观察家甚至专业分析师认为人工智能的研究将继续获得突破性的新发现。

何认为这种现象具有误导性，因为许多“新里程碑”实际上将过去10年的技术突破应用于新问题。

主要是深度学习，但也有一些补充技术，如强化学习和迁移学习。研究人员需要优秀的技能和深入的专业知识来做这些事情。他们不仅应该有能力思考和编写复杂的数学算法，还应该能够处理大量的数据，并根据不同的问题调整人工神经网络。这通常需要博士水平的专业知识和技能，但这些发展只是这一技术深入学习的巨大发展所带来的增量改进和优化。这些渐进的改进和优化实际上是将模式识别和预测中的深度学习的强大能力应用到各个领域，如疾病诊断、保险单签发、驾驶、英汉翻译等。

的原因也很简单:

但是这些改进和优化并不意味着我们在“通用人工智能”的方向上取得了快速的进步，或者取得了类似于深入学习的重大技术突破。简而言之，人工智能已经正式进入了努力工作的时代。想要从这个时期赚钱的公司需要有远见和才能的企业家、工程师和产品经理。

何补充说，

要想培养本部门成功的深度学习算法，需要计算能力、工程能力和大量的数据。在未来，这三点中最重要的是数据量，因为当工程能力达到一定水平时，收入就会开始下降，然后数据量就可以决定一切。只要数据量足够大，由优秀但非顶尖工程师设计的深度学习算法也有机会超越世界顶尖专家设计的算法。

行业精英当然可以帮助领导公司巩固他们的地位。

，然而，我们正处于一个增量时代，普通工程师能否完成实际操作，因为数据毕竟是王？

答案是不，不，这没有意义

是通过持续吸引优秀人才并让他们继续工作来制造任何障碍的必要条件，但开复博士自己也承认这在人工智能中并不重要

虽然人工智能的核心人才仍然相对稀缺，但应该指出的是，该行业的进入门槛正在降低。

此外，市场流动性为越来越多的从业者提供了机会，类似于1997年和2014年计算机从业者人数翻了一番

中国发布了2030年引领全球人工智能市场的国家战略，因此2019年有400多所大学启动并建立了人工智能、大数据和机器人相关的特殊教育

等宏观刺激将显著增加人工智能从业者的基数，使用技术工具的障碍也在下降，因此人工智能从业者的总体人数将比预期乐观得多。

08。总结

结束，回到本文给出的三个最终结论:

人工智能技术和数据采集管理正在被大大简化和商业化；

数据与该数据生成的值逐渐负相关；

我们可以得出这样的结论:人工智能技术不能保证应用它的企业会走向赢家通吃的局面。一个行业的绝对优势是基于能够在多个纬度同时领先:人才储备、数据广度、数据深度、产品经验和资本储备

的众多例子证明，前任领导人也会因为同样的原因而倒台。

首先，他们得到资金；然后，满足于舒适区；最后，他们死了

AI是一些终端的解决方案之一，但不要让这项技术蒙蔽了企业未来的发展道路。保持多条道路平行，继续饥渴，不断迭代寻找未来新的增长点。