人工智能（AI）的声势似乎不复去年之勇。项目变少了，业内薪酬涨势停滞，投资人开始讨论AI的泡沫问题，舆论的风向也从鼓噪转向了质疑。
客观讲最近一年时间，AI的基础层、技术层和应用层都没有出现革命性的理论，而AI的9个热门方向——芯片、自然语言处理、语音识别、机器学习应用、计算机视觉与图像、技术平台、智能无人机、智能机器人、自动驾驶的商业化进展参差不齐，和与 学习有关的自动驾驶等领域，则一直处在商业化的边缘徘徊。
当多年后我们回头看眼下这段时间，到底是爆发前的静默，还是漫漫长夜的无聊片段？
大公司与小公司的殊途同归
这一年，谷歌旗下的Waymo自动驾驶技术仍在测试，尽管FCA代工的车队正在扩张，Waymo也一度宣称商业化“近在眼前”，但尚未有下文。
亚马逊的无人快递系统，更像蜻蜓点水，稍有涟漪，转瞬不见，无论是无人两轮车，还是快递旋翼机。
而苹果重金投入的自动驾驶项目，除了一个名字（泰坦）半遮半掩之外，尚未有任何进展披露，应该说，这很“苹果”。
微软是唯一置身AI核心商业产品之外的8000亿美元市值的巨头。微软云作为商业价值上仅此于亚马逊云的公有云，实际上充当了开放AI的运行平台，虽然扩展出众多AI应用，但并不直接开发面对个人消费者的产品。
大公司如此，创业公司同样感受到资本的丝丝凉意。
有报道称，去年美国AI产业创造了216亿美元的产值，对于同期融资2000亿美元，亏得底掉。当然，投资人没指望当年投入，当年产出。投资基金的生命周期一般超过5年，因此所投公司5年内没回报是可以理解的。但实际操作中，如果创业公司3年内没有实现“批量增长”，甚至没有合理商业模式，基本上也就凉了，很难融到下一轮。
因此，我们经常能看到原有创业团队产生裂变，某个大咖拉一票人“二次创业”，讲新故事，投资人再次跟进......这在AI领域简直成了家常便饭。
有意思的是，二次创业团队一般都选择“降级打怪”。从图像识别公司离职的员工，会创办一个在图像识别领域有具体应用场景的公司。从L5（完全自动驾驶）离职的团队，则另开一摊研发L3、L4的落地方案，甚至具体到自动驾驶产业链上的某个硬件、算法。
经历过的人，才能更好地读懂投资人热切的目光和颤抖的手。AlphaGo负责向公众秀AI的魅力，更像个公关项目，暂时没有产生实际效用，是大公司的玩具。创业公司无法玩票，或者长期玩票，花别人的钱，落地兑现是王道，也是生存之道。
有人戏称，国内最早一批AI专家多半来自百度和微软亚研院。后两者堪称中国AI的黄埔军校，水平最高但缺乏成功转化的产品。时任百度COO的陆奇迅速整合百度AI团队，将研发方向指向语音助手、智能家居和L3自动驾驶。这些都是明显更容易出产品的方向。当大公司都在为“稻粱谋”的时候，AI的泡沫实际上是变少了，而不是增多了。
而创业公司折腾半天之后，突然发现自己不但离不开投资人，也离不开大公司。虽然大家的商业转化率都很感人，但AlphaGo属于谷歌，Waston属于IBM，小度属于百度，自动驾驶公认的执牛耳者仍是特斯拉和Waymo。
自动驾驶和其他AI领域一样都需要大量的数据训练，而拥有更多的用户，就意味着拥有更多可供填喂的数据。数据驱动的技术导向，是眼下AI的固有门槛，创业公司很难跨越，于是他们大多选择成为链条上的一环，而非单干。在大数据时代，大公司实际上增强了对小公司的统御能力，真是令人遗憾的事。
AI商业化还有多远？
AI概念的提出有50年之久，有人总结称“火3、5年，凉7、8年”。
神经网络在本世纪以前也是无人问津，近5年的AI发展热潮是由 学习引领的，而四层以上的神经网络就可以称之为 学习。显然，算力和数据处理在近10年来取得重大突破引爆了AI，而大的方法则在几十年前就设计出来了，只是当时缺乏实现手段而已。
市场上热炒的AI产品总有点差强人意，背后的深层次是理论前沿研究尚未取得突破。新理论向来是应用技术的助跑器，只不过是何时发现其价值的问题。
现在的AI发展几乎摸到天花板，如果短期实现不了的需求，再投多少钱也没用，还不如期待学术界的突破，学术界上一次突破（ 学习算法）带来的应用红利马上就要看到尽头。
而学术界正被AI商业公司挖得千疮百孔，有教授吐槽称“连写个项目申请都找不到合适的PI来组队”。想将自己的研究成果商业化，或者趁热卖个好价钱，都无可厚非，但都导致学术界的失血。为30年后的新世界当垫脚石，还是现在就年薪百万千万，选项设置是失衡的。
自动驾驶为代表的AI创新，一种是技术创新，一种是模式创新，后者依赖于前者。
有人认为自动驾驶风口已过，但也有人认为风口可能还没来。L5自动驾驶的商用化，似乎永远差5年，也基于同样的理由。
即便短期的发展不容乐观，产业上也进入平缓期，但不意味着从业者消极等待无事可做。距离出发点很近的好处在于，误入歧途的话容易改弦更张，代价则是商业化的梦想需要多等些日子。
