DeepMind 策略：并购+开源构成当下AI巨头最典型商业模式

图片发自App

1 新智元编译

作者：Francesco Corea

来源：humanizing.tech

翻译：弗格森

【新智元导读】 谷歌收购DeepMind不仅在技术上极大地推动了AI发展，也为整个行业提供了一种可参考的巨头+初创企业商业模式。作者Francesco Corea在本文称为“DeepMind”策略，指的是大公司利用并购买下初创公司，但初创公司继续独立运行的运作模式。在谷歌+DeepMind 的模式中，另一个关键词是开源，作者也对此进行深入阐释，指出开源存在一定局限，有一些弊端。

概述

即使是在人们对商业的认知上，AI 也带来了根本性的革新。本文的目的是希望能对不同的AI公司和商业模式作出区分。

从商业模式上来看，AI 与制药行业真的很像：成本都很高并且需要长期的研发投入；很长的投资回报期；低概率的巨大回报；集中资金投入特定的发展阶段。不过，这两个领域也有两个主要的不同：实验阶段，AI 进行得更快，也比较轻松；另一个是阶段是专利化阶段，AI 不需要经过这一阶段，所以从某种程度上来说可以促进AI 的持续发展，并使用不同的收入模式（比如，免费的商业模式）。

DeepMind的策略和开源模式

从现在的AI 巨头公司看，他们的商业模式发展可能有两个不同的细微差别。首先，增长模式在不断改变。他们不是在跟新兴的初创业竞争，而是推行更加激进的策略——收购。

我把这种新的扩张策略叫“DeepMind 策略”，因为在DeepMind被谷歌收购以后，这种策略变得非常普遍。

像DeepMind这样的公司，都是非常早期的时候被收购，比如，刚成立的1-3年间。这一阶段中，公司更多地着眼于人才和纯粹的技术发展而不是收入。（AI是唯一一个团队的价值超过商业价值的领域）。在收购后，这些公司还维持着初创时的品牌元素，团队也会得到完整地保留（收购招聘）。公司保持独立运作：在物理上，办公地点没变；在运作上，也维持此前的方式。

这种独立的价值巨大，也让他们实现再收购成为可能（DeepMind在2014年收购了Dark Blue 实验室和Vision Factory）。母公司会把这些从属的服务融合到既有业务中，而非替代（例如，谷歌大脑和DeepMind）。

看起来，收购的代价要远远低于招聘人才的机会成本，并且，在今天对一家公司进行投资也比在几年后出局要好。从这一点来看，这些收购完全是实物期权工具：它们代表了未来可能的收入，也为巨头在未来建立帝国打下基础。

第二个需要指出的不同是在AI领域出现的开源模式，这与传统的 SaaS （软件即服务）模式很难一致。许多顶尖的技术和算法确实都是免费提供的，并且很容易就能下载。那么，为什么巨头要花费巨资，并且初创企业那么努力地推动免费开放？

其中有一系列考虑。首先，AI 公司和组织是由科学家和学术研究推动的，他们自身的理念推崇共享和公开发表自己的研究成果。第二，开源可以抬高行业的壁垒：如果大家都认可使用TensorFlow 可以做到什么，那么另一家公司如果想要取代谷歌的竞争者，至少需要证明自己可以提供在TensorFlow上可以完成的事。它还会培养起用户，一旦用户习惯了TensorFlow后，他们很可能不再使用别的工具，并在潜意识里认为，所有的东西都应该是建立在TensorFlow之上的。

开源带来的启示

发布免费的、但又不需要技术含量硬件配合的软件同时也带来了6个方面的好处：

降低准入的采纳障碍，推动发明本不可能会出现的产品。

故障修理。因为有很多人会更上发现并修正 bugs，从不同的角度来看待问题。

（集体的）验证，因为通常，机制、推理和含义有时候并没有得到清晰地呈现。

缩短产品周期，因为从一篇技术性的文章发表或者一个软件发布，通常会需要花费数周的时间进行改善。

在收集数据、吸引人才和根据潜在技术开发额外产品上获得竞争的有利位置。

更重要的是，可以创造一个数据网络效应。在这种情形下，用户使用这一软件会创造出更多的数据，这反过来会让算法更加智能，从而让产品变得更好，最终又会吸引到更多的用户。

有很多理由可以说明为什么开源模式可以允许得很好，虽然有一些批判者认为，巨头并没有做到真正的、最大程度的开源（Bostrom，2016），也不会发布那些对于巨头已经显得陈旧的技术。我个人的观点是，这些公司在不需要付出成本，不承担副作用的情况下，让自己的技术得到了最好的扩展，同时，他们依然保留了独特的大型数据库、平台和巨大的投资潜力，这能让他们可以不断发展，这是独有的。

不管开源战略背后的真正原因是什么，这一商业模式在AI领域的发展中的效果都是备受争议的。Bostrom 在2016年的一篇文章中说过，短期内，更高的开放度可能会加速 AI 的普及。软件和知识都是非竞争性商品，这也会让更多的人使用它。人们可以用最低的成本在此前顶级的应用和技术基础之上进行开发，或者修正bugs。对于大公司来说，这也是塑造品牌的一个良机。

但是，从长期来看，由于都是免费的，我们可能会看到对于研究和发展投入的动力会变得缺乏。所以，应该有一种方法，可以让个人从自己的创意中获得垄断性的租金。从另一个方面来说，积极的一面是，开放式的研究被用于开发吸引力（例如，这是打造技术和与最新技术同步的一个手段）。这也可能会从补充性的资产带来额外的收益，通过新的技术和创意，这些价值会获得增长。最后，这一社区也会被那些希望展示自己的技术、建立自己声誉并最终提升自己市场价值的个人塑造。

结论

虽然本文就 AI 发展中短期和长期的开放研究效应进行了分析，开源会对这一技术有多大的推动，现在还不清楚。历史的发展中，创新和研究很多都是起源于大学校园，然后转到工业界。这不是一个新鲜的概念，但是在AI的语境下却显得尤为重要。它塑造了一个恶性的循环：学校的教师和研究者不断流失，因为公司会提供更高的薪资、更有趣的研究难题、相对更大的独家数据库和几乎无限的资源。这让学校在下一代人才的培养上会受限。

现在的解决方案是，建立一些纯研究性的机构（Open AI），甚至是研究型的公司（Numenta），避免丢失纯研究给整个行业带来的不可估量的价值。

目前来看，多数的讨论要么着眼于全部或者是几个巨头公司，但是没有讨论不同的创业企业模式。一个早期的公司需要面临大量的挑战，通常有：财政上的难题、商业化难题或者运营难题。

对于上述问题，AI领域有自己的特殊性：从财政上看，主要的问题是，缺乏具体的投资者，他们需要做的不仅是提升公司的价值，并且不仅仅从金钱上提升公司价值。商业化难题指的是很难定义目标消费者，尝试拒绝开源模式。产品虽然是很新的，但是并不容易被人理解，并且，在产品的发布上，还有更有利润的方法。

最终，运营上的问题更加棘手：正如上文提到的，大型数据库和持续地前沿投资是非常关键的，而这对短期变现却是非常不利的。数据上的难题，一个解决方案是“数据采集”策略。这个词来自风投Matt Turck，指的是，持续地发布新的产品，能够产生数据网络效应。另外，用户体验和设计对于AI来说也变得非常重要。对于仍处在早期且资源有限的公司来说，这会带来工程、商业和设计等领域上资源分配的矛盾。