戎马三年终过关，第四范式登陆港交所
这回，我们抛开营收谈点有用的。
作者｜巩周周
出品｜未名科创
此行却山高路远。
3年4次递表的第四范式，终于在2023年通过聆讯，得偿所愿。
9月28日，第四范式拟向全球发售股份1839.6 万股，其中香港发售183.96万股，国际发售1655.64万股，另有15% 超额配股权。第四范式此次IPO发行价为55.60～61.16港元，总募资额约10.2亿～11.3亿港元。
按照计划，第四范式上市集资所得的60%，将在未来3年分配至加强公司的基础研究、技术能力和解决方案开发；约20%将在未来3年分配至扩展公司的产品、建立公司的品牌及进入新的行业领域；约10%将在未来3年分配至寻求战略投资和收购机会，从而实施公司的长期增长战略，以开发公司的解决方案并扩展及渗透公司所覆盖的垂直行业；余下约10%将用作一般企业用途。
此外，第四范式公告宣布与新华资本管理、北京中关村科学城、Montage Holdings（澜起科技）等基石投资者订立基石投资协议。待若干条件达成后，认购或促使其指定实体按发售价认购以总金额 9680 万美元可购买的若干数目的发售股份，认购总额为 9680 万美元（约合 7.58 亿港元）。
尽管相比商汤科技、云从科技等第一梯队上市步调，第四范式如今稍显落后。但处在“人人欠东风”的AI领域，上市一波三折委实普遍。对这些企业，能够成功挂牌，便意味着短暂躲开了悬在头顶的达摩克利斯之剑。
01
比商汤、旷视回报率更高的企业——第四范式
2023年，AI头部企业揭竿而起，不少公司已经敲响IPO的喜钟。
而作为过往几年内最为火热，泡沫最大的行业，投资机构在前期一窝蜂涌入，又一窝蜂退潮。面对大多数AI企业交出的令人难堪的业绩，投资人是否还有足够理由继续投身这一风口？
在这种一面倒以G端、2B为主要业务的行业，其核心竞争力主要是哪些方面，我们不得而知。但值得深思的是，类似于这种长研发周期、重落地的行业，资本是否该扮演决定性的角色？商业的核心是逐利。资本很难以善行的姿态入局，该以何种投资逻辑来衡量企业价值，获取与之匹配的收益回报？
以最后一轮融资价格为最终基数，计算此前每一轮投资的回报倍数，大概率可以计算出投资回报比。
在分析第四范式、商汤科技、旷视科技的投资和估值后，我们得到以下数据：
高估值是投资人赔钱的很重要的原因。
据天眼查统计，从成立起，第四范式始终维持1年1轮的融资速度。不足十年时间，总融资超11轮，金额滚动至数十亿。2020年10月21日，第四范式完成D轮融资，融资金额达7亿美元，将估值从18.5亿美元，拉升到投后估值超29亿美元。
“吸金巨擎”商汤科技，在过往融资中累计融资额超过52亿美元，最后一轮估值中直接拉升到130亿美元，但由于估值过高，其2015年投资人也仅赚到了19.47倍，2017年投资人的回报比仅为4.32倍。
旷视科技在2013年的投资回报达到了百余倍，2014年的回报达到16倍，回报比颇高。这个A轮时的回报比能看出许多问题，比如一级市场的估值从2015年前后就已经开始暴涨，风险加大，回报已经完全不成正比。
当业务数据和估值严重背离时，且当下回报率可观时，别被蝇头小利乱了眼，毫不犹豫退出不算是悲观行为。
比方说前几年AI风口正盛时，催生出的一批企业，被揠苗助长得厉害，当行业步入落地阶段时，这些企业100%会摔得很难看。而且，AI与其他实业不同，商业逻辑非常重要，企业烧钱速度远超于造血能力时，一样会跌得很惨。
这也能说明一个问题，在AI产业的最头部的项目里，估值最高的项目已经为投资人创造不出高额的回报，充分说明当下环境AI项目估值已经泡沫盛行。如果不存在科创板、港交所，这些企业的财务状况极难满足IPO要求。
因此，对于第四范式这类融资与估值相对稳定的企业，能够在进化节奏快的出奇的市场环境中鸣钟上市，才更显珍贵。
02
AIGS原理及能力演进
AI四小龙盛行的那几年，正是数据风高浪急。无数AI企业涌入行业，尝试在这股激流中分一杯羹。当时，第四范式没能得到与之能力匹配的关注。
所有企业都觉得自己在披荆斩棘，尽管大多数企业对所涉猎的领域不算了解。浑然不知，业内业外相距的不只是一笔融资。
一次次大浪淘沙中，有人发现第四范式不动如钟，2020年，市场几经淘砾，第四范式最终踏出上市的一步。
然而，市场对他的信任一向不足，不止资方，甚至许多媒体都对他嗤之以鼻，认为第四范式“怎么能算成功”。
一波四折，第四范式年复一年递交营业收入和产品更新。总算在2023年，第四范式等到大模型热潮和港交所13C。
“到了今年3月底，我们和客户的认知都在向前。很重要的是，意识到企业内部软件的问题。”戴文渊说，2C软件用户体验在过去十几年被打磨到较高水准，但你看2B，想象一下企业报销系统、HR系统、流程OA系统……体验还是很差。
（理想中）如果用Chat的方式说“我要报销”，你把票拍给系统，系统识别票的内容，识别出来是餐票，问你用餐的对象，得到回复后完成报销。这种体验显然比现在的报销系统要强得多。
这是其一，用户体验的提升。其二，是开发迭代周期的提升。原先菜单式的开发，每次升级要以月计。而现在新的交互模式下，ChatGPT每天都在提升，但你感受不到它的界面发生变化，这是数据层面的升级，这种新型软件开发形态的迭代周期也在不断提升。
所以我们在3月底，开发第二个版本时，就强调多模态和Copilot能力。首先你要去改造软件，不能只有自然语言；第二，要支持用“对话”去调用软件的某一个功能，才能实现软件的改造。很重要的一点，软件不完全是一个功能。
比如Photoshop，才菜单栏里把图片亮度调到5%，这是功能；对应到Chat方式，我说“把照片P好看”，就不是功能了，Photoshop里没这样的功能。但Photoshop现在能不能一键美颜？还不行。因为需要我们定义一键美颜执行的步骤是什么。如果你要实现一个功能，要通过鼠标点菜单三下才能实现，体验就不会比语音交互更好；所以用新型的交互模式替代老的，会给2B端的软件体验带来很大提升。
产品飞速迭代的背后，是整个团队对迭代功效的追求。
针对B端企业软件交互体验差、开发效率低的业务瓶颈，第四范式预训练大模型“式说”，开发大模型底座，以多模态交互理解用户意图，统一调用软件功能AIGS服务，以知识库、Copilot、思维链CoT等能力为核心，从基础的查找和应答能力，进化至利用既有规则自动执行任务，在执行中学习和内化，形成全自动任务执行能力，帮助企业降本增效，获取商业价值。
1.0阶段：AI协助执行任务
核心能力为企业级Copilot，通过大模型与企业内部应用库、私有数据联网，调动企业AI模型、数据库及软件内置的数据、功能。通过对话，让AI替你进行简单工作执行，例如查找空闲会议室、撰写邮件、执行生产计划等。
2.0阶段：AI参照规则执行工作
核心能力从企业级Copilot增加知识库，参照企业内部知识库形成的规则，自动执行复杂工作。比如让AI替你完成搭建网站、市场报告等工作。
3.0阶段：AI自动执行任务
核心能力增加思维链CoT能力，大模型在执行软件过程中，通过大量数据规则形成有步骤的推理，把复杂工作拆分，有条不紊地完成复杂工作。在这一阶段，AI已经可以自动修改，不再需要人工进行调整干涉。
大模型能力目前天花板已显现，还在挣扎的企业更多决定“弃泛留精”。这对企业全链路的联动能力提出更高要求。第四范式大模型矩阵在为企业提供大模型训练、数据服务、应用开发等环节中起到关键作用。
“未来另一条AGI路线，是把所有软件改造一遍，改造完成后，就覆盖了所有领域。”戴文渊觉得未来的发展路线很奇妙，如果实现AGI就必须通过一个模型无限扩大，这是走不通的，至少当下计算架构走不通。生成式AI短期内2B机会更大。
03
相比To C，生成式To B更务实
中外软件市场区别是浸泡在文化中的。
中国的软件市场很大，但标准化软件市场比较小。这是人口红利决定的。美国不存在人口红利，企业大多数会选择标准化软件，定制化软件的成本太高。
而中国，大部分企业希望选择定制化软件，所以标准化软件市场就会小。这意味着，中国拥有着广阔的、极度分散的软件市场。其中最重要的原因是企业定制化接受程度高。
“企业要不停地做精细化、非标的项目管理。一旦管不好，企业就会从盈利变成亏损导致市场最大的企业也只占千分之几的市场份额。”戴文渊认为。
B端在大模型应用上更关注效率问题，通用大模型落地效果就不会好。由于B端企业涉及更多专业场景和多人协同工作场景，对效率需求不仅限于交互方式革命带来的效率提升，而是整个协同场景数据的高速流通。
未来公司大模型2B应用更有可能会围绕推理和微调来开展。首先，调用企业应用的插件来获取企业私有数据，向内部提供AI应用服务，满足企业从简单读写到复杂型的企业级解决方案。其次，根据企业不同的定制化解决方案，以大模型为主导进行垂直领域数据微调，随之形成相对定制化的行业模型。
由于伦理、隐私等原因，2C的局限性将长期存在。大模型很难像人手一台的终端产品一般占据绝大市场，他更有可能做到的是赋能。OpenAI目前正在发力的方向也是2B市场，将大模型热从2C传导到企业服务赛道。在这一方向，中外出奇地一致。
但市场的复杂性和动态性导致基于市场的变量信息增多，最终问题还是会从“想怎么做”转变为“能做到什么”。
戴文渊看待问题的角度似乎更务实。他认为成本可控是目前需要考虑的现实问题。不同场景的盈利能力不同，所以在不同领域需要不同体量的模型。而2B的机会明显是更多的，抛开监管问题，现有2C软件体验比2B要更好，所以2B就更容易被替代。
来源：未名科创
—往期推荐—
推荐关注