推荐|从《华为的冬天》到AI的冬天
五道口金融沙龙是鸿儒金融教育基金会联合五道口校友企业直接资本、酒金会共同举办的公益性金融教育沙龙。沙龙已成功举办三十期,邀请金融学术届和业界的专家作为演讲嘉宾,分享传播金融知识和洞见,搭建合作共赢的平台。
北京市鸿儒金融教育基金会(简称鸿儒基金会,原刘鸿儒金融教育基金会),由中国人民银行研究生部校友发起,于2006年成立,是北京市社会科学界联合会主管、北京市民政局注册的非公募基金会。鸿儒基金会致力于“教育、智库、公益”,推动中国金融的改革、创新和发展。2011年和2016年两度荣获北京市“4A级社会组织”称号。
华为当年在计算机电子通信等院系分宿舍宴请毕业生,劝签协议。
然而,同一时间,通信设备市场发生巨变,部分运营商开始在Q4砍掉年初的项目计划。 扩张招聘不久后,任正非开始反省,在2000年底写下了著名的《华为的冬天》一文。
1.泡沫筑起:华为之冬和互联网之夏
2.热潮再临:深度学习是AI银弹吗?
3.产业之痛:AI落地的三重落差
4.几度春秋:实事求是方能知难不难
太阳底下无新事。在上一个寒冬和这一个可能到来的寒冬期间,最大的危险都并非冬天本身,而是人们对冬天是否诚实。 以史为鉴,只有少数勇士,敢于直面惨淡的真实。他们戒除幻觉的麻药,承认问题,自省痛处,甚至断腕自救,才换来了九死后的涅槃重生。◎作者 | DougLong
◎编辑 | 火柴Q、甲小姐
◎来源 | 甲子光年(jazzyear)
1
泡沫筑起:华为之冬和互联网之夏
但如上图所示,图中越靠右的指标的财务相关性越大,越接近公司能否盈利的真相。米克尔却有意无意地忽略了这一点,主要采用靠左的指标,因为这些数字更漂亮。 按道理,如果图中打问号的转化链条还不成熟,说明公司的商业逻辑尚不清晰,应该继续拿VC的钱,而不是上市。 但在热情高涨、信心四溢的泡沫形成期,米克尔这套大胆的做法显然更受欢迎。与其把对非财务指标的滥用视为“扭曲事实”,更多人相信这是“合理想象”。 摩根士丹利的另一位分析师Steve Galbraith后来感慨道:在网络泡沫中,证券市场的投资者实际干了风险投资的事儿。 最炙手可热时,米克尔要同时参与30家公司的研究报告编写;准备上市的网络公司会向摩根士丹利点名米克尔,否则就不让大摩承销。 硅谷的创业者会关注她的行程,猜测她搭哪一趟航班,好制造偶遇机会。 《华尔街日报》将她与格林斯潘、巴菲特并列为最有影响力的市场推手。 据说1996年,时任英特尔总裁的安迪·格鲁夫正是在夏威夷度假时看了米克尔300页的“互联网报告”后醍醐灌顶,做出了英特尔也要大力拥抱互联网的决定。 米克尔之所以受追捧,是因为互联网实在太新了,无旧规可蹈,所有人都需要一个新锐、有力的权威来告诉自己怎么办,也需要给自己的激进找一个名正言顺的理由。 但互联网给市场带来的这种推陈出新的冒险风格,却触发了不好的风气:脱离盈利实际的估值倾向开始向非互联网领域蔓延,代表行业就是作为互联网上游的网络运营商。 发展到这步,华尔街与事实的背离,已不是“修饰”程度了。 以美国本地运营商Winstar为例,这本是一家有成熟商业模式的公司:以投资换收入,买设备建立并运营网络,再向用户收取网络服务费。 但在泡沫期,Winstar获得了来自微软和顶级PE Welsh、Carson等的大量资本。疯狂扩张之下,盈利是不可能盈利了,没法儿按P/E(股价除以收益,不盈利时是负的)估值,又要上市,那怎么办? 华尔街总有办法,他们把利润换成了另一个口径:EBITDA——税息折旧及摊销前利润。 EBITDA的妙处是,原本要在利润中扣除的投资并购资产、一次性购买的固定资产,在该算法下,会根据使用周期分N期折旧摊销后,不必从利润中扣除。 有EBITDA打掩护,Winstar玩起了一套神操作。 他们在2000年以1.45亿美元(其中现金是9500万)投资了一家B2B电商公司WAM!Net。该投资要求WAM!Net采购Winstar的网络带宽服务:先一次性支付2000万服务费,然后在后续7年中,再每季度递增支付500~2500万。 这相当于Winstar用9500万现金投资换来了2000万当期收入+7年约4.2亿的预估收入。 划重点:这9500万的资产折旧摊销在EBITDA里不算成本,但凭空涨了收入! Winstar还跟一家光纤提供商Williams Communications达成了类似的“默契”:以每年不计入EBITDA的0.92亿的资产折旧摊销为代价,套来了每年1亿的收入。 这样玩下去,理论上收入可以想涨多少就涨多少,但真实亏损却越来越大,直至大厦崩塌。 难怪巴菲特会说:“如果有CEO鼓吹用EBITDA来估值,就把他绑起来做个测谎吧。“ 这样简单的数字游戏,难道老练的分析师和投资者看不出来? 利令智昏,EBITDA虽渣,挡不住赚钱。 当时研究过Winstar的分析师曾说:“EBITDA唯一的好处,就是可以帮华尔街促成更多交易。”“分析师总希望推动下一单成交,因此他们会有意无意地蒙上自己的眼睛。” 更有甚者,不仅蒙自己的眼,还要迷他人的眼。 2000年10月20日,美林证券前首席网络投资分析师布洛杰特在内部电子邮件中称InfoSpace是垃圾股,但他却并未向投资者发出警告,反而积极推荐买入。对韭当割,人生几何。
2
热潮再临:深度学习是AI的银弹吗?
——Gary Marcus, 《Rebooting AI》,2019
Phase-1:2012-2016
Value = f(算法,人才)
早在1986年,Geoffrey Hinton就发表了“Learning Representations by Back-Propagating Errors”,改进了诞生于70年代的神经网络反向传播BP算法。1989年,法国人Yann LeCun又在贝尔实验室开始用卷积神经网络识别手写数字。 但直到约1/4世纪后的2012年,深度学习才在日后崛起的大数据和大算力加持下,证明了其在超大规模数据集上的超强图像分类能力。 以Google为首的工业界第一时间看到了这项进展,Google花5000万美元买了Hinton和他学生的部分时间,仔细思考深度学习如何开启下一代信息技术革命。 当时,AI已在圈内引爆,但尚未被大众广泛认知,创业公司还没有产品甚至没有demo,估值主要看技术奖项、科学家名气和团队博士数量。此类公司的特点非常鲜明,绵延至今。 能源行业的一位资深咨询顾问老Z说:“(2019年)5月我去中石油搞的一个行业论坛,CV四小龙之一的某公司上台做报告,PPT前5页都是创始团队哪哪儿牛校毕业、赢过什么国际大赛、平台有什么先进算法、技术指标百分之多少……这率那率的,过了十多分钟才进入正题,一共就20分钟的讲话啊。这气质,在这论坛里真是独一份。”Phase2:2016-2018
V=f(算法,人才,市梦率↑,行业地位↑)
随着2016年AlphaGo横空出世,吸引眼球,全社会对AI颠覆世界的期望被迅速推高。 看到AI下棋赢了,就以为机器人很快会抢走人类工作;看到一个demo跑得不错,就以为能用在企业实际生产中;看到一个客户案例,就以为能快速复制到整个行业。 想象中的价值空间无限大,因为全行业、全人类的市值都可以算成AI产业的基数,市梦率由此上升。 这样美丽的“误会”,不仅发生在大众、媒体、资本和客户身上,也让部分身在此山中的AI从业者过于乐观——毕竟故事说了太多自己也信了。
Phase 3:2018至今
V=f(算法↓,人才↓,市场空间↑,数据↑,行业地位↑)
V平台=f(合作伙伴/开发者数量,调用次数,调用均价,数据量)
V应用=f(市场空间,客户数,客单价/单次调用价格,年订单总额,复购率)
V= V平台+ V应用
由于2018年资本市场萎缩,钱少了,更现实了,看市梦率的自然少了,市场逐渐回归价值。 但价值如何衡量?软件行业的常规指标是P/E(看利润)或P/S(看销售收入);AI公司多数尚未盈利,或利润不稳定,所以只能用P/S。 这一阶段,许多AI公司的P/S是好几十倍,大大高出二级市场平均P/S——根据中信证券前瞻团队首席分析师英博的文章,美股软件板块市值10~30亿、30~100亿、100亿美元以上的公司,P/S分别为3.8、6.8和7.6倍,SaaS云计算的平均P/S也才10.7倍。 这就尴尬了,那只能再想办法做高收入,把P/S降到合理区间,才能让资本继续买单。 AI做收入,一靠努力,二靠财技。自己创过业、做过VC、现在混FA的小L说:“你说的dot-com时代的那个Winstar,老外那点手段算什么?……(此处省略1000字)” 乱象已现,这一场欢愉也到了盛宴将息,从头反思,沉心做事之时。 在2018年的Gartner技术成熟度曲线中,此轮AI的代表性技术——深度学习正处于“期望膨胀(也可说是泡沫)”的顶峰,往后的期望值会加速跌落至幻觉破灭的谷底,再随着商业成熟缓慢回升。但已入宴就坐的各方显然不愿这么快扫兴,事实再次被拒绝看见。 各行各业仍在想办法贴上AI标签,只要挂上羊头就能拿到更高估值或补贴,反正AI也没有严格定义。 看到企业为AI科学家和工程师开出高价,不少学生竞相转型,各种AI培训班应运而生。 AI甚至成了政客的一张好牌: 特朗普在贸易战背景下签署行政令,倡议美国要保持AI领导地位,美国国防部立马给出AI发展策略,后续自然少不了DARPA(美国国防高级研究计划局)的大手笔资金。 而且这一次,不光现任总统关心AI,连未来总统候选人也打出AI牌。
将在明年竞选总统、曾在2000年干过dot-com创业的民主党华裔候选人Andrew Yang,把AI作为他竞选纲领中的重要武器,声称AI等新技术会消除三分之一的人类工作,因此要给每人每月1000美元的全民基本收入(UBI)。 在《华尔街日报》的采访中,Yang预测AI会跨过技术低谷期,直接走向产业成熟期:“AI即将走出实验室的炒作阶段,真正变成有用的产品,这将影响数百万的工作岗位。” 就冲着Andrew,美国媒体在AI话题上暂时也不会熄火了吧。 然而,热潮之下,一个事关此轮AI变革成败关键的原动力似乎到了必须再讨论的时候——深度学习。 深度学习足以成为撑起未来AI世界的坚硬基石吗? 2017年底,AI界顶级大会NIPS上,Test of Time论文奖项获得者Ali Rahimi在掌声中登场。讲完获奖论文后,Rahimi在大屏幕上放出了出人意料的一页:Alchemy,炼金术。
例如,不小心修改一个参数就会带来模型效果的天翻地覆;极简两层线性网络中遇到的问题,在增加网络复杂度之后就奇怪地消失了……但没人能说清为什么。 再例如,业界都知道,批量归一化可以降低ICS(Internal Covariant Shift,内部协变量偏移)从而加快模型训练速度;但是,似乎没人知道为什么降低ICS就能加速训练,也没有证据证明批量归一化就一定能降低ICS,甚至整个业界都缺乏对ICS的严格定义。 Rahimi说,自己虽然不懂飞机原理,但不怕坐飞机,因为他知道有一大批飞机专家掌握了原理。而深度学习最让人担心的是,他知道其他人也不知道。[11]
神经网络确实没法在理论上证明自己一定收敛,但我们在实践中效果很好。因噎废食很危险!当年正是因为这种批判态度,让神经网络被AI社群抛弃超过十年之久,绝不能让历史重演!
LeCun如此激动地捍卫深度学习,可能是争怕了。自AI诞生以来的60多年,路线之争就没停过。在2010年之前的大部分时间里,联结主义(推崇深度学习和神经网络)一直被符号主义(推崇专家系统)打压。 Rahimi演讲中的一句话“我怀念十年前NIPS上对理论严谨性吹毛求疵的学术警察”,一定会让LeCun老人家回忆起AI界由于意识形态“迫害”带来的1995-2007年浩劫: 这期间,坚持深度学习研究的LeCun和Hinton、Bengio等人组成了加拿大CIFAR小团体,但论文被各种顶会拒绝,拿不到经费和算力资源,更招不到好学生。 现在,终于熬出头的LeCun、Hinton、Bengio三位大佬在2019年携手捧得图灵奖。可居然有人怀念NIPS学术警察,将深度学习比作炼金术? 在LeCun这次激动回应之前,他还刚刚在同年10月与Gary Marcus进行了一场严肃辩论。后者是纽约大学符号主义老一辈代表人物Steven Pinker在MIT的学生、纽约大学心理学与神经科学教授[15]。
辩论中,Marcus试探性地说:要不要在算法中预置一些先天知识,就像人类一样? 他认为虽然深度学习在感知和某种程度的语言翻译上做得不错,但深度学习的向量无法映射人脑的计算过程,不能完全处理抽象推理和决策。 而LeCun却认为深度学习已在模式识别上证明了自己,未来也可以做好抽象推理;甚至深度学习可以帮我们理解人脑的思考机制。 LeCun认为,先天预置知识应该能少用就少用,能不用就不用。当下AI应该沿着深度学习路线革新学习范式——做到在无监督情况下学习世界的模型,形成知识结构,就像人类司机不需要自己开车撞树,也能预测出如果撞树会发生什么。 LeCun并非只有态度,他也提出了一种具体的深度学习新范式——自监督学习:构建更巨大的网络,让机器观看现实世界中的海量视频,根据已播放内容预测尚未播放的内容,从而学习关于世界的知识——更多的知识结构会是这个新方法的结果,而不是原因或驱动力。
从辩论可以看出,LeCun坚信自己找到了“AI银弹”:坚定走纯粹的深度神经网络路线,优化升级新的自监督学习范式,训练更海量的数据,就能让AI在图像、语音识别领域的成功复制到更多领域。 辩论最终在祥和氛围中结束,没有裁判,没有定论。 深度学习到底是不是AI银弹?以及AI领域真有银弹吗? 第三方DeepMind其后发声,指出了LeCun方法中的一个关键问题: 这种强调先天预置知识最小化的方法有个前提——“数据和算力可廉价获得”。 这也是导致此轮AI浪潮可能由夏转冬的“罪魁祸首”之一: 当AI走出象牙塔,来到产业前线,数据是脏的,现实是复杂的,又有多少商业场景符合LeCun的前提假设呢?
3
产业之痛:AI落地的三重落差
在数据行业摸爬滚打多年、最近转行到AI创业公司的数据分析师“小J”颇有感悟:
这就好比一个公司告诉你,在我司测试环境下,行人检测模型准确率为99.99999%;但在您的实际驾驶环境中,预计准确率在97%~99%之间,且我司既不确保准确率有多少,也无法判断何时准确率会异常。这车您还敢开吗? 如果把训练算法作为软件模块来集成呢?也有新问题。 训练算法的输出依赖训练数据,而生产环境中的数据受太多因素干扰:隐藏的信息反馈循环、未声明的调用模块,都会让数据相互影响,不可控、不好追查。此外,在给真实客户做AI项目时,不同项目、项目不同阶段,都会带来不同的数据,从而影响算法网络结构设计和模型参数设定。 有多年工程及算法经验、待过互联网大厂也做过to B项目的“老P”说:
然而,行业的另一面现实却是,想让高级算法工程师长期驻场,太难了。 首先,驻场意味着人员很难复用,没法一人同时干N个项目,薪资成本是个问题。 其次,搞技术的通常不喜欢驻场,尤其是有经验的高级人才,一般岁数不小、有家有娃,长期出差有困难。 最后,公司里许多高级算法人才可能是在基础研究或底层架构部门,项目工程团队未必请得动。 BAT某云行业销售负责人“阿K”,一度对AI项目满怀憧憬,但后来宁可去卖CDN:
4
几度寒暑:实事求是方能知难不难
在上一次的互联网寒冬之中,并非只有坏事。
2000年dot-com泡沫的破灭,并不是互联网技术的崩盘,而是“人人都要做dot-com”的崩盘。 两年后,在冬天生存下来的Google,以贴近底部的成本雇来大批互联网工程师,并以搜索商业上的突破,成功定义了互联网技术曲线的“产业恢复期”,顺便让米克尔女皇“被黑”的某些理论得到了平反。
一是心态上,时刻准备着接受危机,知难不难,惶者生存。 在2000年底的《华为的冬天》中,他写道:“不经过挫折,就不知道如何走向正确道路。磨难是一笔财富,而我们没有经过磨难,这是我们最大的弱点。” 第二年,在探访了熬过10年低增长、负增长漫长寒冬的日本企业后,任正非写下《北国之春》:
知难不难,这是不怕直视自身弱点,也要接近真相的赤诚。
二是做法上,直面事实、自我批判。 当时的任正非一条一条梳理现实环境、华为的问题和应对策略,反复传导的核心做法就是要甩掉面子思维,敢于自我批判。 在2000年研发部门大会的演讲《为什么要自我批判》中,任正非说:
我们是为面子而走向失败,走向死亡,还是丢掉面子,丢掉错误,迎头赶上呢?要活下去,就只有超越,要超越,首先必须超越自我;超越的必要条件,是及时去除一切错误。去除一切错误,首先就要敢于自我批判。
参考资料:
1.汤圣平《走出华为》
2.华为总裁办陈培根《华为价值观和成长驱动力—理性与平实》讲述内容
3.Jack Willoughby,《Burning Up》,美国《巴伦周刊》,2000年3月
4.《Hear No Risk See No Risk Speak No Risk》,Fortune Magazine,2001年
5.《Where Mary Meeker Went Wrong She may be the greatest dealmaker around. The problem is, she's supposed to be an analyst.》,Fortune Magazine,2001年
6.《How Did They Value Stocks? Count the Absurd Ways; Those Lofty 'New Economy' Measures Fizzle》,NY Times
7.Pamela McCorduck, 《Machines Who Think》
8.尼克,《人工智能简史》
9. Open Philanthropy Project,《What should we learn from past AI forecasts?》
10. Tom Alexander,《Teaching Computers the Art of Reason》
11. Ali Rahimi's talk at NIPS(NIPS 2017 Test-of-time award presentation)
12.Gary Marcus & Ernest Davis, 《Rebooting AI: Getting to AI We Can Trust》,2019
13.Yann LeCun,《My take on Ali Rahimi's "Test of Time" award talk at NIPS》,2017
14.Gary Marcus,《Deep Learning: A Critical Appraisal》,2018
15.Artificial Intelligence Debate - Yann LeCunvs. Gary Marcus - Does AI Need More Innate Machinery?
16.《Relational inductive biases, deep learning, and graph networks》,2018
17.《Machine Learning: The High-Interest Credit Card of Technical Debt》
18.LÉON BOTTOU,FACEBOOK AI RESEARCH,《Two big challenges in machine learning》,ICML 2015
19.Gartner Hype Cycle
20.亿欧,《2019年人工智能投资市场研究报告》,2019
21.甲子光年,《科创板,一瓶AI的卸妆水?》,2019
22.Facebook VP & Chief AI Scientist LeCun on Advancing AI
23.We analyzed 16,625 papers to figure out where AI is headed next,MIT Technology Review
24.ANDREW YANG WANTS TO GIVE YOU $1,000 A MONTH AS AI DEFENSE, Wall Street Journal
25.中信证券英博前瞻,《Salesforce收购Tableau的启示:美股软件公司进入整合期》,2019
26.《Neural-Symbolic Learning and Reasoning:A Survey and Interpretation》,2017
27.《MuskUnveils Audacious Vision For Tesla Self-Driving Tech, But Level 5 Target Looks Unlikely》,Forbes,2019
往期文章推荐:
《清华178页深度报告:一文看懂AI数据挖掘 | 智东西内参》
扫码关注最新动态
参加线下沙龙
公众号ID:wdkjrsl01
文章观点不代表本公众号观点。
本文版权、图片归原作者所有,
如涉及版权问题,请在后台留言与我们联系。