文 | 曾响铃
来源 | 科技向令说（xiangling0815）
从来没有一个时代，像今天这样对人工智能的未来充满乐观。
在新近的报告中，Gartner预测到2022年，企业应用AI的平均数量相对2019年将增长9倍，而到2022年，AI商业价值将达到3.9万亿美元；Forrester则更为乐观，其综合各种市场调查分析后认为到2025年，所有企业都将使用AI。
可以说，Al项目将在不久的将来蓬勃发展。
但是，这是针对于AI业界宏观趋势的判断，对那些真正需要用到AI的企业来说，选择什么样的方式、什么样的服务商来获得AI能力，仍然是一个必须考虑的问题。这其中，对于很多体量较大的企业而言，自建AI而非购买现成AI服务成为首要选择，给从事相关领域的AI技术服务商打开了庞大的商业空间，而由于涉及数字化转型升级的战略动作，牵一发而动全身，这些企业选择服务商也会更为谨慎。
这时候，一些权威行业报告的价值就体现出来。
不久前，Forrester发布“The Forrester Wave?:Predictive Analytics And Machine Learning In China,Q4 2020”报告，对中国PAML（预测分析与机器学习）厂商进行了年度评估。AI主要由机器学习(ML)模型组成，这个报告既可以看作行业层面的盘点，更给予希望选择正确的PAML解决方案自建AI、提升AI生产力的企业以权威的参考。
从这个报告，我们可以看到巨头竞逐下PAML市场行业格局的巨大变化，以及自建AI庞大的商业机会背后的独特挑战。
自建AI的PAML成为大势所趋 低门槛、规模化、算力优化成为三大能力
从玩家分布的格局来看，2020年，服务自建AI的PAML呈现三大技术巨头+一个独角兽企业领衔的市场格局，阿里云、华为云、第四范式、百度智能云位居Leaders象限，显示它们在帮助企业自建AI这件事上取得了先机：
值得一提的是，这个象限图的取得，建立在Forrester一整套成熟的指标体系基础之上。
例如，纵轴代表当前产品的优势，包括数据、建模、协作、模型评估、模型运营、方法和算法以及平台基础设施等；横轴则代表面向未来的战略优势，包括执行能力、解决方案路线图、实施、合作伙伴、价格策略和社区等；圆圈大小则表示市场地位，其结果由客户认可度、产品收益评估值及市场认知度三大维度得出。
正是由于复杂、严密的指标库，让Forrester的各类分析报告得到市场广泛认可。
同时，报告中指出，中国数字经济正在蓬勃发展，企业选择正确的PAML产品可帮助企业快速、规模化构建AI应用，提高企业生产力。
因此，Forrester报告中，也着重总结了PAML产品所应具备的三大能力：
1、可为不同的团队简化模型开发
随着企业业务的不断发展，AI应用场景也将从几个扩展至数千个。为此，PAML产品应当具备适合不同团队和角色的模型开发能力。PAML需要友好的可视化界面来开发AI模型；侧重代码的数据科学团队需要可覆盖整个模型开发生命周期的完整、集成的独立开发环境；不具备深厚ML知识的商业用户则需要特性齐全的自动机器学习（AutoML）能力来提高ML生产效率。
2、可快速大规模地部署机器学习模型
构建ML模型只是起点，为实现业务效益，公司必须将模型部署到生产应用中，并对其进行监督管理。PAML需要具备从开发系统到生产系统的模型部署能力，以业务友好的方式监督ML模型性能，管理ML模型并确保部门间协同合作，使用新数据对在线ML模型进行再训练以防性能下降。
3、可利用分布式和混合架构加速训练和推理
在模型训练过程中，会涉及大量参数运算，从而加重计算基础设施的负担。PAML应帮助企业有效地将训练工作量分配到分布式架构中，以减少开发人员的等待时间。此外，模型推理会直接决定客户体验，为满足推理需求并符合隐私规定，PAML应提供混合架构，便于跨云、数据中心和边缘部署模型。
抢占企业自建AI的蓝海，PAML玩家还面临三大挑战
蓝海的风浪不来自于同行的竞争，客户的需求决定着玩家能否走得更稳、更远，当下的自建AI市场也是如此。
从客户需求的角度出发，结合Forrester报告的一些洞察，我们能得到当下PAML赛道上的玩家面临的三大挑战，这些挑战，是后进者必须思考的问题。反过来看，也正是有效应对了这些挑战，阿里云、华为云、第四范式、百度智能云才能位居Leaders象限，或者，从另一个角度看，第四范式这个独角兽才能与巨头们坐在一起。
1、技术层面，能力无限高，但门槛要无限低
企业对AI技术发挥的价值的索取肯定是没有上限的，AI建模必须足够优质，因此自建AI是一件十分需要“技术含量”的事，如果抛开外部的服务平台，它们自己来做一般需要由AI专家来完成，在AI人才紧缺的大背景下，这是一件非常昂贵的事，有着很高的资源投入门槛。
因此，作为外部技术服务商，PAML玩家进场赋能，既需要提供足够的技术能力，也不能让自建AI这件事变得很高门槛。按Forrester在报告中的表述，具备优势的企业必须“可为不同的团队简化模型开发”、“赋予数据工程师、科学家、商务人士和应用程序开发人员更多的能力”——这本身也是AI大范围在企业普及的一种必然和必要。
这方面，头部象限的阿里云等玩家都为客户提供了系统化的工具平台，在保证技术深度的同时降低门槛如何让业务人员达到AI专家的能力呢？Forrester在报告中提到，自动机器学习（AutoML）应该是破局之道。AutoML简单来说，是一种让AI建模自动化的过程，因此大幅降低了AI应用门槛。目前，各大厂商都在PAML厂商中加入了AutoML能力。但第四范式的AutoML因为在缩短数据准备周期、通过超高维算法提高模型性能、持续优化模型等技术、功能上的简化，受到了Forrester以及第四范式客户等多方的青睐。在报告中，第四范式的受访客户表示，AutoML在某些场景中，可以和数据科学家一样出色，同时也对第四范式ML项目管理和安全特性感到满意。
用AI造AI专家，或是下一步自建AI的玩法之一，但它本身对技术的需求又高了一个层级。
2、应用层面，深入场景的落地性才能让自建AI的价值成立
企业自建AI的最终目的是为了提升业务表现，无论什么样超前的技术、精细化的建模，都需要落地到场景方案当中去。
一个优质的、得到市场广泛认可的PAML厂商，肯定都手握了大量场景实践，这些落地是它们技术服务能力的唯一最终衡量标准。
阿里云、华为云、百度云凭借云计算的市场表现，以及AI上云的趋势，在自建AI领域有着天然的实践落地优势，它们一旦上线PAML就能马上得到客户认可并不意外。而第四范式这个早在2014年就创立、普通人很少听过名字的AI平台与技术服务提供商，它能在PAML领域获得的认可，与推动企业自建AI落地到广泛的场景实践有直接关系。
中国90%的持卡人背后享受的交易
