編者按：本文來自微信公眾號“科技向令說”（ID:xiangling0815），作者：曾響鈴，36氪經授權釋出。
從來沒有一個時代，像今天這樣對人工智慧的未來充滿樂觀。
在新近的報告中，Gartner預測到2022年，企業應用AI的平均數量相對2019年將增長9倍，而到2022年，AI商業價值將達到3.9萬億美元；Forrester則更為樂觀，其綜合各種市場調查分析後認為到2025年，所有企業都將使用AI。
可以說，Al專案將在不久的將來蓬勃發展。
但是，這是針對於AI業界宏觀趨勢的判斷，對那些真正需要用到AI的企業來說，選擇什麼樣的方式、什麼樣的服務商來獲得AI能力，仍然是一個必須考慮的問題。這其中，對於很多體量較大的企業而言，自建AI而非購買現成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空間，而由於涉及數字化轉型升級的戰略動作，牽一髮而動全身，這些企業選擇服務商也會更為謹慎。
這時候，一些權威行業報告的價值就體現出來。
不久前，Forrester釋出“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生產力的企業以權威的參考。
從這個報告，我們可以看到巨頭競逐下PAML市場行業格局的巨大變化，以及自建AI龐大的商業機會背後的獨特挑戰。
自建AI的PAML成為大勢所趨 低門檻、規模化、算力最佳化成為三大能力
從玩家分佈的格局來看，2020年，服務自建AI的PAML呈現三大技術巨頭+一個獨角獸企業領銜的市場格局，阿里雲、華為雲、第四正規化、百度智慧雲位居Leaders象限，顯示它們在幫助企業自建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，縱軸代表當前產品的優勢，包括資料、建模、協作、模型評估、模型運營、方法和演算法以及平臺基礎設施等；橫軸則代表面向未來的戰略優勢，包括執行能力、解決方案路線圖、實施、合作伙伴、價格策略和社群等；圓圈大小則表示市場地位，其結果由客戶認可度、產品收益評估值及市場認知度三大維度得出。
正是由於複雜、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，中國數字經濟正在蓬勃發展，企業選擇正確的PAML產品可幫助企業快速、規模化構建AI應用，提高企業生產力。
因此，Forrester報告中，也著重總結了PAML產品所應具備的三大能力：
1、可為不同的團隊簡化模型開發
隨著企業業務的不斷髮展，AI應用場景也將從幾個擴充套件至數千個。為此，PAML產品應當具備適合不同團隊和角色的模型開發能力。PAML需要友好的視覺化介面來開發AI模型；側重程式碼的資料科學團隊需要可覆蓋整個模型開發生命週期的完整、整合的獨立開發環境；不具備深厚ML知識的商業使用者則需要特性齊全的自動機器學習（AutoML）能力來提高ML生產效率。
2、可快速大規模地部署機器學習模型
構建ML模型只是起點，為實現業務效益，公司必須將模型部署到生產應用中，並對其進行監督管理。PAML需要具備從開發系統到生產系統的模型部署能力，以業務友好的方式監督ML模型效能，管理ML模型並確保部門間協同合作，使用新資料對線上ML模型進行再訓練以防效能下降。
3、可利用分散式和混合架構加速訓練和推理
在模型訓練過程中，會涉及大量引數運算，從而加重計算基礎設施的負擔。PAML應幫助企業有效地將訓練工作量分配到分散式架構中，以減少開發人員的等待時間。此外，模型推理會直接決定客戶體驗，為滿足推理需求並符合隱私規定，PAML應提供混合架構，便於跨雲、資料中心和邊緣部署模型。
搶佔企業自建AI的藍海，PAML玩家還面臨三大挑戰
藍海的風浪不來自於同行的競爭，客戶的需求決定著玩家能否走得更穩、更遠，當下的自建AI市場也是如此。
從客戶需求的角度出發，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，這些挑戰，是後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，阿里雲、華為雲、第四正規化、百度智慧雲才能位居Leaders象限，或者，從另一個角度看，第四正規化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
企業對AI技術發揮的價值的索取肯定是沒有上限的，AI建模必須足夠優質，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，具備優勢的企業必須“可為不同的團隊簡化模型開發”、“賦予資料工程師、科學家、商務人士和應用程式開發人員更多的能力”——這本身也是AI大範圍在企業普及的一種必然和必要。
這方面，頭部象限的阿里雲等玩家都為客戶提供了系統化的工具平臺，在保證技術深度的同時降低門檻如何讓業務人員達到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。但第四正規化的AutoML因為在縮短資料準備週期、透過超高維演算法提高模型效能、持續最佳化模型等技術、功能上的簡化，受到了Forrester以及第四正規化客戶等多方的青睞。在報告中，第四正規化的受訪客戶表示，AutoML在某些場景中，可以和資料科學家一樣出色，同時也對第四正規化ML專案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
企業自建AI的最終目的是為了提升業務表現，無論什麼樣超前的技術、精細化的建模，都需要落地到場景方案當中去。
一個優質的、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。
阿里雲、華為雲、百度雲憑藉雲計算的市場表現，以及AI上雲的趨勢，在自建AI領域有著天然的實踐落地優勢，它們一旦上線PAML就能馬上得到客戶認可並不意外。而第四正規化這個早在2014年就創立、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，與推動企業自建AI落地到廣泛的場景實踐有直接關係。
中國90%的持卡人背後享受的交易智慧化保護，都有第四正規化服務的影子，其服務的金融機構資產總規模超過50萬億；此外，肯德基每一筆訂單背後的智慧計算（智慧推薦等），也源自第四正規化的服務；疫情期間CDC與工信部的AI抗疫方案，也是這家公司在背後提供支援。
大眾市場對To B技術服務商的陌生是正常的，阿里雲、華為雲、第四正規化、百度智慧雲等等在服務企業AI能力這件事上已經有著廣泛的佈局，這本身即是自建AI的競爭壁壘，根據公開資料顯示，即便“不太為人所知”的第四正規化，也已經在金融、零售、製造、醫療、能源、網際網路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、瑞金醫院等等。
3、統合推進層面，自建AI不只有技術服務更需要系統化提升
在To B服務領域，一個趨勢越來越明顯，即服務方不再僅限於提供某一個模組的技術服務，而轉向整體提升客戶企業的業務能力。除了商業機會的考慮，核心服務內容必須依賴企業其他配套能力的提升才能實現更好的落地。
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，也需要客戶企業在業務條線、資料邏輯、系統整合、人才培養等方面進行適配，才能讓自建AI更好地產生應用、創造場景落地價值。
按Forrester報告中的說法，這是大規模部署層面“從開發系統到生產系統的模型部署管道，以業務友好的方式監督ML模型效能，管理ML模型並確保部門間AI團隊能協同合作”。
最後，回過頭來看，儘管頭部象限的幾個玩家應對這些挑戰都做得還不錯，但挑戰並沒有結束，它們將是一個持續的過程，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，可以發現越來越多的企業開始重視自建AI能力，受訪企業意願比例從25%提升到了42%：
與此對應的是，一些可以幫助企業自建AI能力的核心AI技術，如在通用性上佔有優勢的平臺型AI技術、可降低自建AI門檻的自動化機器學習（AutoML），成為企業優先投資的技術點：
這個趨勢在中國企業身上也有具體體現，第四正規化就透露其重要客戶某頭部金融機構未來兩年計劃將AI機器學習專案增加5倍。
市場越大，就意味著競爭越慘烈。
可以發現，在2020年的Forrester象限圖中，一個巨頭的表現似乎並不佳——騰訊雲“屈居”第二象限，且市場表現較為一般。
是騰訊雲真的不行嗎？事實上，騰訊雲剛剛發力PAML的時間並不久，到報告調研截止時間前，市場還沒有給予這個快速發展的雲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市場格局可以發生如此大的變化，那麼2020年的市場格局也必然不是“穩態”的，它也只是快速發展過程中的一個截面罷了。
未來，像騰訊雲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——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、應用到統合推進三個維度的挑戰的玩家，會佔據優勢。
而對於那些非頭部的PAML玩家，又該如何在未來的競爭中站穩腳跟呢？
從2018年到2020年，Forrester的報告所採用的嚴密指標體系也進行了一些適應性調整，這種調整一定程度上代表著自建AI的一些細化的趨勢變化。
例如，強調了推理最佳化、邊緣計算支援等，顯示物聯網邊緣計算在自建AI能力中地位的提升；
增加了建立基於PAML模型的應用、利用PAML模型建立業務工作流的評價等，表達自建AI落地性需求的增加；
建議資料關係、自動資料統計分析指標，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，這可能主要發生在金融領域對合規的需求上……
在更明顯的意願面前，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。
*本文圖片均來源於網路