對話印奇：我們所堅持的不會改變，曠視跳出企業科研“周期律”

李根 魚羊 發自 紐凹非寺

量子位 | 公眾號 QbitAI

印奇再次坐在我們面前。

頭發比以前更短，好像也更削瘦了一點。而在此刻、在當下，這位年輕的CEO讓人覺得，是不是太勇敢了？

在談到他創辦的明星AI公司曠視對于技術投入的戰略堅持和戰術方向時，印奇字句明確地用了科研兩個字。

科研，本無褒貶色彩。

但企業科研，卻是這幾年時間和語境里，科技公司特別是AI創業公司，被評價、被爭議、被認為燒錢，以及盈利乏術的關鍵論據。

你能看到各種AI公司們融了多少錢的盤點，然后配以財務報表上的虧損數額；你也會看到學術大牛熱潮之后重返高校的新聞，連在一起得出結論——他們對這種模式失落失望失去方向。

更主要的是，“科研”的表述，還會帶來AI落地預期上的新困惑。但印奇說，他對此有不一樣的看待視角。他說曠視用10年趟出了自己的路。

已經跳出了所謂的“周期律”。

企業科研“周期律”

其興也勃焉，其亡也忽焉。

深度學習浪潮的席卷，在AlphaGo轟動之前，幾乎是以學界人才的“失守”為人所熟知的。

在美國，圍繞深度學習三巨頭和他們的徒子徒孫引發了哄搶，一度遠遁加拿大的Hinton老爺子，甚至到了用競拍方式來決定自己該接受哪家企業的邀請。

CMU的整個機器人實驗室被“端走”了，成為了Uber的匹茲堡機器學習中心。斯坦福、加州伯克利的相關實驗室也被谷歌、Facebook、蘋果挖空了，全職也好兼職也罷。鮮有AI學者能夠抵御產業界的誘惑。

相同的劇情同時在中國發生。百度著手組建深度學習實驗室，阿里達摩院的前身iDST也開始醞釀，大批四散在海外研究院和高校里的科學家，手握來自祖國的offer和機票。

創投之火也已經點燃，出自清華的三個年輕人——印奇、唐文斌和楊沐決定攜手，成立了一家叫曠視的公司；UCLA歸來的福州人朱瓏，與發小林晨曦發起依圖；香港中文大學的校園里，湯教授終于被VC說服，向學生故舊發出召喚；UIUC的華人視覺宗師黃煦濤門下、完成博士學業的周曦，日后以云從創始人聞名工業界。

這是后來中國最知名的四家AI視覺初創企業的起點，也是中國AI創新作用力里，學術界向產業界涌動的代表性例證，并且作為開始的開始，與他們密切相關的微軟亞洲研究院、清華和中科院，同樣成為黑洞效應的一部分。

AI大牛、學術大牛進入企業的新聞接二連三，每一樁“轉會”都能在業內引發轟動——這種轟動，后來還會以他們中的部分轉身重返高校，再次成為新聞。

兩次轟動之間，就是所謂的企業科研周期律。

實際上，早在AI浪潮之前，企業科研周期律就已經一次次展現過作用力，只是從規模到影響力，都在AI浪潮中得到最大展現。

現象往往是這樣的：

新興技術春江水暖，產業希望更快突破理論與實踐的紅線，于是大干快上，哄搶學術人才，其興也勃焉。

等到理論科研越過臨界點，技術實踐進入商用落地期，新興技術不再奇貨可居，企業里的工程派和實用派就會重新掌握話語權，理論專家和學者，不得不走向邊緣。

這種周期律，背后甚至寫在了企業的本質基因里。

新技術興，意味著機遇和紅利，有利可圖，給錢給地位才能驅動科研人才更快幫助卡住身位。

而一旦技術成熟，準入門檻降低，技術進入商用落地期，企業內的科研探索也就會更多被作為成本中心視之，地位隨之變化，更經不起外部經濟大周期的考驗，任何風吹草動，都可能動搖到這個成本中心。

所以古今中外，產業研究院基業長青并不常見，貝爾實驗室、施樂研究中心，都預研過后來改變世界的技術，但卻沒有成為紅利的最大受益者。

更具體到中國，在AI浪潮之前，一方面局限于歷史步伐的遺憾，沒能趕上技術創新周期的排位賽，比拼的只能商業模式和市場運營效率；另一方面生存和溫飽還都是問題，遑論倉廩足而養科研……

幸也不幸，這是企業科研周期律，第一次如此公開地在中國展現。

而作為AI創新浪潮里最知名的中國代表，作為企業的曠視和以學術成果知名的曠視研究院，從創辦之初就渾然一體，至今在公眾輿論印象中也難以分割。

在周期律的前半段，這或許是好事，從人才、資本、市場和品牌影響力，都在受益。

但隨著大環境轉彎，周期律進入下半程，它又會讓一切呈現出對立感。

這也是籠罩在曠視身上的認知矛盾性。

外界一方面感知著其頻傳的科研技術成果，甚至國際競賽比拼中奪冠衛冕都在變得稀疏平常；另一方面則在財務報表面前動搖，既然投入沒有立竿見影地轉換為產出，那持續投入的意義又在哪里呢？現在的模式是可持續的嗎？

印奇：曠視如何跳出企業科研周期律？

曠視創辦于2011年，而曠視研究院，幾乎不是一個可以主動選擇的結果。

印奇的解釋是，在當時以深度學習為技術原點的創新里，全球都處于技術探索期，沒有成熟的技術范式，沒有成熟的商業模式，甚至沒有對應的算法開發工具。

自己摸索打造一整套創新和研發體系，就是唯一的選擇。

但這也是符合曠視初心的選擇。印奇回憶，他們創業的底層假設就是“技術驅動”，以及如何才能持續不斷打造出人無我有的核心技術，完整穿越技術到商業化的大周期。

印奇說，當時技術所能達到的能力邊界、所能帶來的商業價值和成果，是非常非常有限的。只有把技術邊界不斷擴大，才有機會解鎖不同的場景。

但即便是這樣一個看似特別具象化的小問題，真正做到產業領域的從0到1，達到商業級成熟，也大概要用7~8年時間。

印奇認為，對于AI落地，之前外界高估了從0到1的速度，現在又可能低估了從1到N的效率。

因為不同于之前技術變革，AI落地的從0到1，既包括了技術創新上的從0到1，也包括了商業落地上的從0到1。

在曠視，曠視研究院求解的就是一個個從0到1。

過去，曠視研究院展現的公開成果是論文、專利和獎項。在之前公開梳理的文件中，截至2021年6月30日，曠視僅在三大AI視覺頂會中就發表了論文107篇，擁有1200多項AI專利；在各項國際AI頂級競賽中囊獲42項世界冠軍，并且由于實現國際權威物體檢測與識別頂級賽事COCO挑戰賽上的三連冠，被類比為AI領域的中國乒乓球隊。

對于技術工程師而言，更熟知的科研結晶是AI生產力平臺Brain++、開源深度學習框架曠視天元MegEngine、移動端高效卷積神經網絡ShuffleNet。

而現在，曠視研究院給出了一個更具總結性的答案：2+1。

2，指的是AI技術體系，分為基礎算法科研和規模算法量產。

1，指的是以“計算攝影學”為核心的“算法定義硬件”IoT技術體系（包括AI傳感器、AI機器人）

這種歸類，背后既是曠視對于AI落地的戰略戰術，也是其對AI落地演進的判斷。

其中，基礎算法科研和規模算法量產，來自AI的維度，這是曠視技術驅動的核心引擎。傳感器、機器人則來自IoT的維度，并且明確的是算法對硬件的定義。

這就意味著在曠視研究院，單點技術的基礎研發不會停留在單個算法，它需要可以量產集合成軟件，并且進一步封裝進硬件，成為一個真正可體驗、可直觀感受的產品。從人和組織的層面來說，也有完整端到端的體系和支撐，個人與集體之間更容易相輔相承。

所以2+1，覆蓋了AI落地從基礎算法研究、算法生產到軟硬結合的全過程，實際就是曠視選擇的AIoT落地戰略的閉環方法論，是曠視發展背后支撐起科研到商業化的一體化基石。

這樣的排兵布陣在國內并不常見，但恰恰更符合印奇對研究院“作戰部隊”的定位。

作戰，就意味著不會停留在理論上談兵。

但務實、工程化和落地指向的閉環，還不是一個研究院跳出“周期律”的完全保障。

行業有冷有熱，穿越周期，還得靠機制。

印奇把曠視過去十年的探索，總結為三點。

第一點，關注結構和成本。有冷周期的準備，但更要對熱周期心懷警惕。之所以周期變化會帶來人才和組織的不可持續，核心還是人才薪資、成本在非理性時期失去標準，但科研本質又是一個長期系統化的事情，所以需要在熱周期、業界都很瘋狂的周期，守住科學合理的成本和結構體系。

第二點，激勵模型和成就反饋。在企業搞科研，再務實也會是身處相對后方，激勵和成就反饋都不如一線那么直接。曠視的做法也從對應的兩方面入手，一是拉通產品線，有虛擬小組，任何技術成果商業上的成功，獎勵的都是這個產品線上的所有人，包括產品、銷售以及研究院工程師；二是有深度參與到前端的機制，比如產品的定義、客戶反饋，有合理機制確保研究院工程師獲得一手信息反饋。

第三點，人才的成長性和流動性。而且曠視鼓勵人才從后端往前端流動，希望一個應屆畢業生進入研究院后，逐漸從一個純粹的算法研發工程師變成全能的AI專家，只要感興趣，也能觸達產品、市場等方面的洞察工作。

印奇認為，歸結起來就是在架構一套清晰的平臺游戲規則，這個平臺上的所有人，都可以清晰地知道身處何處、可以去往何方。

并且跳出周期律背后，最最底層且關鍵的還是組織內在的基因和氣質，對于基礎科研和技術，有著超脫功利主義的熱愛。

在曠視CEO看來，如果創始團隊不是技術出身，很難能夠耐得住低谷期和冷板凳，在技術科研方面持續投入。

他舉出微軟的例子，浮浮沉沉后又重新站在了潮頭，背后很容易被忽視的是微軟研究院體系過去30多年里堅定且持續的投入，而這背后的背后，是比爾蓋茨對于技術創新的由衷熱愛，并且成功完成了技術創新到商業回報的閉環，實現了更大范圍內的可持續。

但如果你問微軟研究院體系是否就是曠視參照成為的樣子？印奇又會給出不同的思考。

他覺得微軟的研究院體系，其實是商業成功后架構起來的成果，但如果還處于技術創新到商業創業的膠著階段里，谷歌的體系是更值得效仿的標桿。

印奇解釋，谷歌研發體系中有非常濃厚的產品市場視角和工程化視角，能夠保證新技術被創造的第一天就對產業應用的方向很明確，這種方向感會讓技術科研變得更有生命力。

印奇同時也提到了國內海康威視的研究院，他認為海康諸多創新產品都出自這里。

有意思的是，外界可能仍然在談論曠視的時候，通常列舉類比討論的是同一批AI創業公司，但在印奇的采訪中，他字里行間更多提到的是華為和海康。

事實上，借助華為和海康作為參照系，也能更清晰看懂曠視研發之道，以及中國AI創新當前所處的階段。

曠視往何處去？

曠視現在是一家AIoT的公司，AI代表出身，IoT指向落地。

這是曠視的戰略選擇，也是過去幾年里不斷對外傳遞的認知。

但如果回歸技術創業本質，回歸企業屬性，曠視向前發展的核心競爭力優勢什么？又如何能保證創新和科研戰略的持續和基業長青？

依然回到最新的曠視技術開放日現場，答案也在變得清晰。

曠視的核心競爭力，依然是“2+1”中前者的底層——

AI算法。

基礎科研是為了研發更好的AI算法模型，量產算法則是對算法的工程化和落地化應用，從底層到前端應用，覆蓋了軟件要素的全棧。

而且值得注意的是新推出的算法生產平臺AIS，這是一個基于曠視Brain++體系，覆蓋數據、模型訓練、性能分析調優、推理部署測試全鏈路的零代碼自動化的生產力工具平臺。

儼然是一個算法生產的機器流水線，產品化的SaaS。一度稀缺且門檻不低的AI算法生產，在曠視AIS這里變成了標準化、自動化模塊。

顯然，這是一個臨界點時刻，AI算法的生產越過了“流水線”紅線，接下來可能會發生的新變化也不難推測：

一，AI算法生產門檻持續降低，利用曠視AIS，會寫軟件就能寫AI算法。

二，數據認知和數據治理重要性進一步提升，數據工程師在AI生產環節的比重進一步提升，他們的工作就是為AIS準備好“數據原材料”。

過去常用AI對落地場景里人力的解放，現在直接實現了供給側上的降本增效，有了更大規模的AI算法供應，就能服務更大范圍和數量的客戶，就會進一步帶來更大規模的增長變化，甚至會是指數級的。

另外，在曠視最新分享的基礎模型科研成果中，“大模型”亦在其列。

但與業界“大力出奇跡”的潮流不同，印奇卻表示：

“大模型不是大力出奇跡，簡單暴力不可能帶來真正本質的技術創新。現在的通用大模型，往往具有非常強的邊際效應遞減。最終的大模型，一定是用規模合適的大模型，去處理與之匹配的合適的數據。”

而曠視給出的答案也再次印證了這一觀點。比之通用大模型，曠視的大模型被細分到4個方面：通用圖像大模型、視頻理解大模型、計算攝影大模型、自動駕駛感知大模型。

其次，To B商業模式下的曠視，一旦在供給側實現生產力解放，新的創新引擎也就會成為可能。

以AI算法創新出發的公司，之前更多解決的是自身能力如何匹配客戶需求，但當算法量產瓶頸突破了，需求側驅動的創新，自然也會成為創新引擎的一部分。

客戶進入新場景新領域，供應商不也會隨之前進和適應？

這不是推測，這是基于事實得出的判斷。

前面提到的自動駕駛感知大模型正是那個事實依據。

創業十年來，曠視對于自動駕駛、智能車從未展露過雄心。

然而就在這兩年里，其消費物聯網里的諸多客戶，紛紛入局造車賽道，曠視AI能力落地的場景也就需要從手機終端開始向汽車終端遷移。

這種因為供應商身份而跟隨客戶進入新領域的案例，華為不就是最典型的那一個？并且進一步連點成線，曠視研究院這種“作戰部隊”的風格，也跟華為如出一轍——只不過區別在于華為是解決溫飽之后才開始有機會建立研發體系。

以及曠視研究院也確實很能打，剛披露的自動駕駛感知大模型，不論是攝像頭感知算法，還是激光雷達感知的神經網絡架構，都在業內權威的Benchmark NuSenses上刷新了全球紀錄。

最后，曠視“2+1”里的“1”——亦即曠視認養“現金奶牛”之心，也藏不住了。

依然是開放日現場，曠視把IoT那一面、硬件那一面，以AI傳感器介紹，甚至也不再避諱就是要用AI實現傳感器的重塑、重造和重新定義。

并且這一次，曠視的“硬”還是通過出貨量展露的——目前已經和合作伙伴一同在指紋傳感器上實現了千萬量級的出貨量。

為什么要如此堅定變硬？曠視給出的解釋是：全鏈路的整合能力是做算法定義硬件的核心。

但從成本和利潤來看，唯有深入硬件的全鏈路整合，擁有從軟件到硬件的全棧能力，才能真正擁有定價權和利潤空間。

這個邏輯一以貫之，也就能理解曠視在物流供應鏈領域正在展開的AIoT落地，那是一個更長鏈條、更大空間、更強商業回報的閉環場景。

而回到印奇談論的曠視科研初心那里，只有成為一家成功的商業公司，真正用自己賺來的利潤，企業科研和技術創新才會是可持續的。

這是一條AI公司需要驗證的路，也是中國公司終于有機會完整試一次的路。

— 完 —