华为:遇见“懂行”伙伴

加速行业数字化转型树立行业新范式华为更“懂行”

随着以5G、云、AI等为代表的新一代ICT技术加速演进,经济社会数字化进程正在以前所未有的动能加倍提速,协同发展的理念和机制正广泛被企业所认可和采用,如何更好地发挥生态对企业数字化转型、智能升级的驱动作用,已经成为影响企业数字化战略选择的重要命题。

21.png

为此,中国信息化百人会第七届信息战略论坛于2020年11月20日至21日在浙江省杭州市拉开帷幕,本次峰会以“企业生态化信息战略——智能驱动高质量发展:新架构·新场景·新范式”为主题,就企业在行业数字化转型的大浪潮下,如何将新ICT技术引入核心业务场景、共创生态协同新范式等问题展开了详细地阐述和分享。

抓住机遇主动变革

面对加速到来的智能世界,拥抱数字化变革可以说已经成为每一家企业的必然选择。特别是从国家层面提出的“新基建”,更为产业数字化升级提供了全新动力,驱动着千行百业的数字化转型不断加速。

其实对于不少传统企业来说,数字化转型并不陌生,从最初的信息化阶段开始,数字化进程的大幕就已经拉开。只不过就像世间所有变革一样,“梦想很丰满,现实很骨感”的情况比比皆是,数字化转型的实施效果,很多时候并不能让人满意。究其原因,一方面改革更关注于技术本身,但是与行业特点与行业需求并不匹配,导致了技术的“水土不服”;另一方面,面对企业生产过程中的具体应用场景,一线人员对于场景需求表述不清,或者只能通过单点来解决需求,从整体上看反而形成了“烟囱”的格局。

总结来说,无法将新ICT技术与业务应用场景进行深度结合,形成场景化的解决方案以适配不同行业的细分领域,已经成为了行业数字化转型过程中的重要堵点。

那么如何帮助这些企业加速实现数字化转型?重点在于深挖各行业痛点,从业务需求着手,充分利用在端、边、云产生的数据,使数据在业务流内流通。通过一系列无所不及的“新联接”和算力更高、能耗更低的“新计算”,为有效决策和业务升级提供有力保障。也就是说,当以5G、AI、云为代表的ICT技术融入到企业业务具体的应用场景之中,技术才将成为带动各行业重焕活力的抓手和数字经济增长新引擎。

深入行业疏通堵点

找到了行业数字化转型的堵点,那么接踵而至的问题就是如何将堵点疏通。要实现行业场景数字化转型与智能升级主要离不开三个关键要素。华为中国政企业务总裁蔡英华在11月初的“懂行大会2020”中指出,其一是价值发现,要想做大蛋糕,就要从顶层设计开始,找准场景,基于客户战略性业务洞察和解析客户业务场景需求;其次是创新使能,关键在于坚持“云优先”,以平台赋能应用创新,打造场景化的解决方案,持续优化适配方案;其三是持续运营,通过去“中心化”的资源共享和灵活调用,将能力在供需链条中快速流转,共创行业价值,最终形成“懂行”的价值循环。

而基于这一行业价值循环的“三阶理论”,华为助力客户在疏通企业堵点上也取得了长足进展。以顾家家居为例,30多年来,从一张沙发开始做起,顾家家居逐步发展成为国内泛家居行业内的龙头企业,实现了传统制造业转型升级的艰难突围。

在数字化转型的进程中,顾家制造最初采用数字模具取代传统模具,机械生产代替手工劳动,大大缩短了产品的生产周期,引进第四代智能化生产线实现了全流程的高效生产。然而在产、研、销流程割裂的背景下,如何保证订单承诺,提高客户满意度?海外业务蓬勃发展,供应链业务承受巨大压力,如何加强客户和供应商多方协同,提升整体供应链运作效率,都是顾家家居面临的重大难题。

为此,顾家家居携手华为,共同进行顶层设计。通过洞察企业需求和行业发展趋势,华为针对顾家家居的现有业务流程架构进行了补充规划,为顾家家居制定了“113”的变革方案——即导入一个业务体系,搭建一个ICT平台,落实三个层次,通过集成高效的供应链管理平台,全方位打通计划、订单、制造、采购、销售回款、销售付款等供应链内端到端流程。

“集成供应链”是数字化转型的开端,随着双方合作的不断深入,顾家家居基于华为云计算、物联网、大数据、人工智能等创新技术,在ROADS体验驱动下,持续提升效率、效益和客户满意度。未来,统一平台还将逐步由供应链向未来工厂、智慧园区外延。如今的顾家家居已经成为智能家居制造的“典范”,是“杭州制造”发展的一个生动缩影。

行业联盟做大蛋糕

不难发现,在两个典型案例中,华为都是行业客户放心选择的合作伙伴。其原因值得探究。懂技术可以说是华为最显著的标签之一,每年压强式的研发投入,助其在5G、云、AI等领域保持领先,并打造了全联接、全感知、全智能的数字化平台。而懂行业需求,懂技术与场景融合,则来自于华为自身丰富的实践经验。一方面,华为本身就是数字化转型的绝佳案例,作为专注于ICT领域三十多年的企业,华为有着强烈的数字化转型诉求,并持续在研发、销售、供应、交付等业务领域进行了积极的数字化探索。全球研发协同、智慧园区、华为云WeLink等都成为华为自身数字化转型的明星案例和标杆实践;在另一方面,华为中国政企业务已有深耕政企行业十余年的丰富经验,让其拥有了识别关键业务场景和需求,并与领先的数字技术相融合的能力。而且,华为的背后还有大量“懂行”的伙伴。

过去十年,华为一直坚定地携手伙伴,服务广大客户。伙伴更是从几百扩大到数以万计,实现了华为中国政企业务持续高速增长。而当前随着技术变革与数字化转型的深入,原有的扩张型发展方式也将向价值型增长转变,这就要求生态系统能够能力协同,帮助客户创造出新的价值。

就在“懂行大会2020”中,华为重磅发布了“懂行联盟”,依托此联盟,华为将集结多家咨询规划类伙伴共同行动,洞察更广的行业趋势,锁定更大的机会空间,助力整个生态创造更多的转型价值。

据牛津经济研究院研究显示:数字技术的长期回报,是非数字技术的6.7倍。毫无疑问,数字经济是未来全球经济增长的主要动力。在国家打造以国内大循环为主体、国内国际双循环相互促进的新发展格局背景下,携手行业伙伴协同发展,积极推进数字化转型,是企业提升核心竞争力的首要选择,找准转型合作伙伴,树立行业新范式,将成为未来的风景线。

华为:遇见“懂行”伙伴

加速行业数字化转型树立行业新范式华为更“懂行”

随着以5G、云、AI等为代表的新一代ICT技术加速演进,经济社会数字化进程正在以前所未有的动能加倍提速,协同发展的理念和机制正广泛被企业所认可和采用,如何更好地发挥生态对企业数字化转型、智能升级的驱动作用,已经成为影响企业数字化战略选择的重要命题。

21.png

为此,中国信息化百人会第七届信息战略论坛于2020年11月20日至21日在浙江省杭州市拉开帷幕,本次峰会以“企业生态化信息战略——智能驱动高质量发展:新架构·新场景·新范式”为主题,就企业在行业数字化转型的大浪潮下,如何将新ICT技术引入核心业务场景、共创生态协同新范式等问题展开了详细地阐述和分享。

抓住机遇主动变革

面对加速到来的智能世界,拥抱数字化变革可以说已经成为每一家企业的必然选择。特别是从国家层面提出的“新基建”,更为产业数字化升级提供了全新动力,驱动着千行百业的数字化转型不断加速。

其实对于不少传统企业来说,数字化转型并不陌生,从最初的信息化阶段开始,数字化进程的大幕就已经拉开。只不过就像世间所有变革一样,“梦想很丰满,现实很骨感”的情况比比皆是,数字化转型的实施效果,很多时候并不能让人满意。究其原因,一方面改革更关注于技术本身,但是与行业特点与行业需求并不匹配,导致了技术的“水土不服”;另一方面,面对企业生产过程中的具体应用场景,一线人员对于场景需求表述不清,或者只能通过单点来解决需求,从整体上看反而形成了“烟囱”的格局。

总结来说,无法将新ICT技术与业务应用场景进行深度结合,形成场景化的解决方案以适配不同行业的细分领域,已经成为了行业数字化转型过程中的重要堵点。

那么如何帮助这些企业加速实现数字化转型?重点在于深挖各行业痛点,从业务需求着手,充分利用在端、边、云产生的数据,使数据在业务流内流通。通过一系列无所不及的“新联接”和算力更高、能耗更低的“新计算”,为有效决策和业务升级提供有力保障。也就是说,当以5G、AI、云为代表的ICT技术融入到企业业务具体的应用场景之中,技术才将成为带动各行业重焕活力的抓手和数字经济增长新引擎。

深入行业疏通堵点

找到了行业数字化转型的堵点,那么接踵而至的问题就是如何将堵点疏通。要实现行业场景数字化转型与智能升级主要离不开三个关键要素。华为中国政企业务总裁蔡英华在11月初的“懂行大会2020”中指出,其一是价值发现,要想做大蛋糕,就要从顶层设计开始,找准场景,基于客户战略性业务洞察和解析客户业务场景需求;其次是创新使能,关键在于坚持“云优先”,以平台赋能应用创新,打造场景化的解决方案,持续优化适配方案;其三是持续运营,通过去“中心化”的资源共享和灵活调用,将能力在供需链条中快速流转,共创行业价值,最终形成“懂行”的价值循环。

而基于这一行业价值循环的“三阶理论”,华为助力客户在疏通企业堵点上也取得了长足进展。以顾家家居为例,30多年来,从一张沙发开始做起,顾家家居逐步发展成为国内泛家居行业内的龙头企业,实现了传统制造业转型升级的艰难突围。

在数字化转型的进程中,顾家制造最初采用数字模具取代传统模具,机械生产代替手工劳动,大大缩短了产品的生产周期,引进第四代智能化生产线实现了全流程的高效生产。然而在产、研、销流程割裂的背景下,如何保证订单承诺,提高客户满意度?海外业务蓬勃发展,供应链业务承受巨大压力,如何加强客户和供应商多方协同,提升整体供应链运作效率,都是顾家家居面临的重大难题。

为此,顾家家居携手华为,共同进行顶层设计。通过洞察企业需求和行业发展趋势,华为针对顾家家居的现有业务流程架构进行了补充规划,为顾家家居制定了“113”的变革方案——即导入一个业务体系,搭建一个ICT平台,落实三个层次,通过集成高效的供应链管理平台,全方位打通计划、订单、制造、采购、销售回款、销售付款等供应链内端到端流程。

“集成供应链”是数字化转型的开端,随着双方合作的不断深入,顾家家居基于华为云计算、物联网、大数据、人工智能等创新技术,在ROADS体验驱动下,持续提升效率、效益和客户满意度。未来,统一平台还将逐步由供应链向未来工厂、智慧园区外延。如今的顾家家居已经成为智能家居制造的“典范”,是“杭州制造”发展的一个生动缩影。

行业联盟做大蛋糕

不难发现,在两个典型案例中,华为都是行业客户放心选择的合作伙伴。其原因值得探究。懂技术可以说是华为最显著的标签之一,每年压强式的研发投入,助其在5G、云、AI等领域保持领先,并打造了全联接、全感知、全智能的数字化平台。而懂行业需求,懂技术与场景融合,则来自于华为自身丰富的实践经验。一方面,华为本身就是数字化转型的绝佳案例,作为专注于ICT领域三十多年的企业,华为有着强烈的数字化转型诉求,并持续在研发、销售、供应、交付等业务领域进行了积极的数字化探索。全球研发协同、智慧园区、华为云WeLink等都成为华为自身数字化转型的明星案例和标杆实践;在另一方面,华为中国政企业务已有深耕政企行业十余年的丰富经验,让其拥有了识别关键业务场景和需求,并与领先的数字技术相融合的能力。而且,华为的背后还有大量“懂行”的伙伴。

过去十年,华为一直坚定地携手伙伴,服务广大客户。伙伴更是从几百扩大到数以万计,实现了华为中国政企业务持续高速增长。而当前随着技术变革与数字化转型的深入,原有的扩张型发展方式也将向价值型增长转变,这就要求生态系统能够能力协同,帮助客户创造出新的价值。

就在“懂行大会2020”中,华为重磅发布了“懂行联盟”,依托此联盟,华为将集结多家咨询规划类伙伴共同行动,洞察更广的行业趋势,锁定更大的机会空间,助力整个生态创造更多的转型价值。

据牛津经济研究院研究显示:数字技术的长期回报,是非数字技术的6.7倍。毫无疑问,数字经济是未来全球经济增长的主要动力。在国家打造以国内大循环为主体、国内国际双循环相互促进的新发展格局背景下,携手行业伙伴协同发展,积极推进数字化转型,是企业提升核心竞争力的首要选择,找准转型合作伙伴,树立行业新范式,将成为未来的风景线。

构建新架构、聚焦新场景、共创新范式:信息化百人会第七届信息战略论坛成功举办

11月20日,中国信息化百人会第七届信息战略论坛在杭州成功举办。本次大会以“企业生态化信息战略——智能驱动高质量发展:新架构、新场景、新范式”为主题,邀请到了中国信息化百人会众多专家学者及行业先锋、商业智囊,与参会嘉宾共商在中长期数字经济转型发展态势下,如何构建企业新发展格局与智能化发展框架。为企业在行业数字化转型浪潮下构建新架构、聚焦新场景、共谋数字经济与实体经济协同发展的新范式提供了实践经验与成功范本。

共筑产业数字化生态共同体,共探发展新格局

在“新基建”的大浪潮下,5G、云、人工智能等新型ICT技术迅猛发展,与企业核心业务场景相融合,为加速行业数字化转型、产业智能升级提供了有力支持,共同推进数字经济又好又快发展。

中国信息化百人会顾问、浙江省智能制造专家委员会主任毛光烈在致辞中指出,产业数字化生态共同体是数据与业务融合为一体、系统性解决问题的生态体系,是促进实体经济数字化转型、实现高质量发展的有效抓手,是建设国内大循环、国内国际经济双循环体系的载体,是重组产业链、供应链、解决发展不平衡与不充分问题的利器。建设产业数字化生态共同体要以发展实体经济的数字化为重点,要着力建设以市场为导向、以企业为主体、“产学研用”各方深度融合参与的组织体系,加强治理体系建设与激励机制创新,坚持错位发展、厚植特色、鼓励创新,营造良好的政策环境、制度环境、营商环境与公共服务环境,共同驱动产业数字化升级和可持续发展。

中国信息化百人会顾问、浙江省智能制造专家委员会主任 毛光烈

中国信息化百人会学术委员会主席、工业和信息化部原副部长杨学山则围绕新发展格局下数字经济发展中值得高度关注的问题,详细阐述了数字经济发展的资源和技术基础、消费互联网与产业互联网、农业和工业级与数字经济的异同等内容,并提出了需要重点研究的几项中长期课题。他特别指出,产业互联网要以既有事务发展为中心,将企业的生存和发展放在首位,构建正向循环,以利润支持企业创新,共同驱动市场扩展,加速行业数字化转型与产业智能升级。

中国信息化百人会学术委员会主席、工业和信息化部原副部长 杨学山

共建数字新范式,共创行业新价值

随后,中国信息化百人会执委兼秘书长、国家信息中心首席信息师张新红从概念内涵、主要特征、发展途径和实现步骤等几个方面分享了对企业生态化发展战略的思考。他认为,企业生态化是平台型企业利用技术、产品、数据、用户、渠道等资源优势,不断创新产品和服务,并带动更多资源汇集,逐步形成一个产业生态体系的过程;是平台化无边界发展的必然结果;是一种新型的生存与扩张模式。就如何实现生态化发展,张新红指出,所有企业都应具有生态化思维,通过核心产品和业务的形成、平台的搭建与扩张、快速复制、转移、嫁接优势资源与核心能力,通过开放赋能,推动自身实现生态化的完善和提升,共创行业新价值。

中国信息化百人会执委兼秘书长、国家信息中心首席信息师 张新红

同时,针对加速数字转型,共建数字生态这一主题,华为技术有限公司董事、质量流程IT总裁陶景文指出,华为始终致力于助力客户解决业务难题,快速获取企业数字战斗力,催生企业数字平台建设。其中,建立企业数字平台、实现数字化转型都要以支撑自身业务成功为目标,通过提升体验与效率,进而以模式创新实现企业新的增长。此外,陶景文还着重强调了数据在数字化转型中的重要性。他指出企业要以数据为重要生产要素,构建清洁、透明、安全、智慧的企业数据,保护自身数据主权,立足于非破坏性协同架构,聚焦重复、海量、复杂场景,提升运营效率。在支撑自身实现智能升级的同时,携手千行百业,集合行业智慧,共建行业生态。

华为技术有限公司董事、质量流程IT总裁 陶景文

共话行业数字化转型,共赢新未来

当前,行业数字化转型已经进入深水区,以5G、云、人工智能、大数据为代表,新型ICT技术正在深入千行百业与纷繁庞杂的行业场景中,逐步成为各个行业、企业核心业务升级的数字化推手。在技术与业务相融合的合力驱动下,创新的智能应用场景将突破新的增长规模,形成各行各业由点到面全局创新,共同推动各行业数字化转型升级。

然而落于数字化转型的实处,每一家企业仍是知易行难,企业的数字化转型与智能升级离不开“懂行人”的深耕与实践。论坛上,中国信息化百人会成员、国务院发展研究中心市场经济研究所副所长王青,国家电网大数据中心副主任沈亮,中国信息化百人会成员、浙江冶金集团(杭州钢铁集团有限公司)党委副书记、董事、总经理林亮,中关村信息技术和实体经济融合发展联盟副理事长兼秘书长周剑,中国信息化百人会特约研究员、华为高级副总裁、首席数字转型战略官车海平等嘉宾,就智能化新架构、新场景、新范式的路径与实践,展开了深入的探讨和分享。

其中,沈亮向与会来宾分享了国家电网数字化转型实践经验。同时,林亮也围绕浙江冶金集团核心业务数字化转型路径展开了详细阐述。在此基础之上,围绕数据这一话题,周剑提出企业不应直接将数据定义为资产,而是应将其作为要素的一环,将数据带入到具体的应用场景中,使其能够真正被资产化运营,赋予数据以使用价值。车海平指出,在人工智能时代,数据是要素,企业要让数据真正流动起来,应用到相关的业务流内部,发挥出数据的真正价值,构建起新的行业数据转化范式。此外,还有来自各行各业的企业代表在论坛现场同与会来宾共同分享了企业数字化转型、智能化实践的发展经验与成功案例。对于以传统制造业为代表的劳动密集型行业而言,企业数字化转型打破了传统的作业模式和人力结构,将5G、云、AI等新ICT技术引入到核心业务场景中,极大程度提升了企业自动化与智能化水平,同时还依托于生态共同体的力量,共同驱动行业加速数字化转型、实现产业智能升级。同时,线下展厅还集中展示了新联接、新计算和智能制造行业场景化解决方案,全天候向所有来宾开放。参观嘉宾通过与讲解人员面对面地交流,深入了解了华为创新场景化解决方案具体内容与成功案例,切身感受了来自“懂行”的独特魅力。

目前,数字经济是大势所趋,蓬勃发展的数字经济也正在深刻改变和影响着人类生产与生活方式。在“新基建”的浪潮之下,构建新架构、聚焦新场景、共创新范式,将共同驱动各行各业加速数字化转型与智能升级,再创行业新价值。未来,“懂行”的华为将持续深耕千行百业、携手客户与伙伴,以5G、云、AI等创新的ICT技术融入行业核心应用场景,以场景化的解决方案助力行业客户实现商业敏捷与业务升级。携手“懂行人”,构建产业数字化生态共同体,共创行业新价值、共享数字经济的美好未来。

华夏银行北京分行签约第四范式智能决策平台

6429A5143E359DF72F73BDEA4D8E7CD3F78EF91B_size70_w640_h340.jpeg
在近日举办的2020年中关村论坛上,第四范式与华夏银行北京分行正式签约,双方将基于第四范式智能决策平台,助力华夏银行北京分行打造全渠道事中反欺诈平台,实现风险实时化、自动化、精确化的甄别与管控。中国银行业正在快马加鞭的布局AI,无论从总行到分行,从国有银行、股份制银行到区域银行,目前,第四范式的人工智能平台正在深入到银行体系中的每一支重要力量,帮助更多银行完成智能化改造。

分行是银行业务最直接的引擎与触角,是"科技兴行"战略落实推进的重要阵地。近年来,华夏银行北京分行通过新兴技术不断推进产品及服务的转型升级。其中,信贷风控业务通过线上化、数字化的方式打破了地域限制,业务范围辐散全国,是分行数字化转型的重要举措,也是打造全行级智能风控平台的重要一环。

本次合作的事中反欺诈风控平台,依托于第四范式智能决策平台能力,该平台实现了由点及面、由单渠道向全渠道拓展的事中反欺诈:囊括信贷、转账、交易等业务场景的事前/事中风险识别、分析、甄别、评估、管控,形成了全线上的事前审批、事中监控预警、事后跟踪管理的风控体系;基于高维机器学习模型,提升风险识别的准确率;打通内外业务数据,实现多源异构数据的统一管理,构建形式标准、随取随用、面向AI应用的数据体系。

最终该平台实现了对欺诈的毫秒级处理,在提升欺诈交易拦截量和拦截金额的同时,有效降低对用户的打扰率。由于成果显著,该平台已成功申报了人民银行等六部委组织的金融科技应用试点,树立了智能化反欺诈行业典范。

早在2018年,华夏银行总行就开始携手第四范式,依托于先知产品体系构建华夏银行AI核心系统,推动人工智能技术在风险、营销、合规、运营等方面全方位赋能。此次将总行的成功实践推广到分行,构建从总行到分行的全行级AI应用开发能力,在智能化转型道路上加速前进。

在信息时代到智能时代的变迁中,从头部国有大行到中小微银行,每一家金融机构都必须把握数字化转型机遇,构建自身智能化的经营能力、服务能力和创新能力。第四范式正在将帮助大型银行转型过程中历炼出的"排头兵"经验,结合不同体量、不同基因的银行实际需求进行赋能, 从而帮助更多银行找到属于自己的业务增长点,实现智能化转型跃迁。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。

36氪专访 | 第四范式陈雨强:AI落地难?95%的问题出在数据形式上_详细解读_最新资讯_热点事件

谁是第四范式?

在人工智能行业之外,第四范式的面目尚有些模糊。特别是在“视觉识别”几乎成为 AI 代名词的当下,人们惊叹于商汤、旷视等“AI 四小龙”超强的融资能力,也多少听闻 AI 在摄像头、芯片、机器人等场景的落地。

而第四范式所做的 AI 平台,是想将 AI 应用全生命周期的模块“软件化”,让更多科学家以外的角色,实现诸如今日头条“千人千面”推荐机制、百度凤巢营销系统这样的效果。

不过,由于第四范式特殊的技术门槛,加之其效果被隐藏在业务之下,所谓的“AI 平台”,并不容易为人所知。

8 月 20 日,第四范式发布多款 AI 产品,当中核心产品为企业级 AI 操作系统 Sage AIOS,第四范式将其定位于 AI 时代的Windows(操作系统),以实现标准化数据规范、高可用资源管理以及更低门槛的桌面式 AI 管理。

如何理解桌面式的 AI 管理?简言之,就是第四范式想让用户能像使用Office 软件那样使用 AI。在操作页面上,Sage AIOS 以 Windows 桌面式的管理,承接起第四范式数据中台、自动化AI生产力平台Sage HyperCycle ML 等应用,让用户对 AI 平台有更具象的感知。

第四范式 Sage AIOS 展示。图片来源:第四范式

此前,第四范式已经推出过AI 平台“先知系列”,创始人&CEO戴文渊曾告诉 36 氪,通过“先知”产品,即使是公司前台行政,都可以将人脸信息灌入系统,自动生成一套智能人脸识别考勤应用。

这样的理念也是戴文渊提倡的“ AI FOR EVERYONE”(让每个人都能使用 AI),在第四范式的员工手册中,“实现 AI FOR EVERYONE”作为公司愿景被写了进去。

和“先知”不同的是,Sage AIOS 将 AI 产品化的范围,从之前的算法,延伸到了底层算力与上层业务。

在交互上,Sage AIOS 降低了用户使用AI 的门槛,更重要的是,Sage AIOS 还起到了数据治理、资源调度的作用,这恰恰是 AI 落地最大的阻碍。

“我们建设过数据仓库,数据湖,数据中台,可当我们建完这些数据平台,要去落地一个AI应用的时候,研发团队却告诉我们,数据在沉睡。”在 Sage AIOS 的发布会上,戴文渊分享了 AI 落地的残酷一面,“投入了那么多,数据却还没有唤醒,这是我们每天都头痛的。”

图片来源:第四范式

在接受 36 氪专访时,第四范式联合创始人、首席研究科学家陈雨强将 AI 落地需要的数据特性归纳为三点:即时序、闭环和一致(chronological、closed loop、consistent)。

其中,“时序”是指训练 AI 不能使用过于超前的数据,即不能让 AI “偷看”未来数据,以避免算法不准。举例来说,如果你想用 AI 预测早期电影《红高粱》的票房,就不能将后续张艺谋的电影计入算法中,即“不能使用未来的数据”。

“闭环”则是指收集数据的完整性,AI 落地不仅需要业务数据,也需要反馈数据。以媒体行业为例,如果想让 AI 去判断某篇文章的题目取得好不好,不能只给 AI 灌入一个文章库,还要将编辑的修改、文章的阅读量等反馈数据计入其中,才能让机器学习识别出“什么才是一个好题目”。

“一致”则指代获取数据的属性需要保持一致,这不仅指代在数据处理上的编解码、关键词需要保持一致,也需要在数据获取的源头,比如零售行业线上、线下对用户画像的识别,保持一致。

数据的 3C 原则看似是概念,但在落地时,却是实打实影响业务效率的依据。

陈雨强给36 氪举了一个例子,此前百度凤巢系统的广告变现提升率从 10%增长至 30%,就是修复了数据不一致的问题。当用户搜索“苹果”,系统会匹配用户此前的搜索结果,如果用户此前搜的是“华为”,系统就会给用户匹配手机广告;如果用户搜的是“梨”,则会匹配农业类产品。

然而,当时百度凤巢有上百位数据工程师,这样的数据属性调整,在诸如百度这样的大公司是可行的。但对于一般企业来说,是没有这样的经验、人力与财力完成复杂的数据治理工作,也自然无法将人工智能投产乃至规模化应用。

而在资源调度层面,要管理一个人工智能任务需要占用多少内存 CPU,对于业务人员来说是复杂的技术问题,而没有资源调度则会导致算力利用率不高或者过载宕机等问题。第四范式推出的Sage AIOS拥有和Windows类似的资源管理器——HyperScheduler,使AI 集群自动化实现资源配置,让用户不用去操心“打开一个 Word 要占用多少内存”。

这就是第四范式Sage AIOS产品诞生的原因。向上,第四范式数据中台的第一任务是做3C(时序、闭环、一致)的数据治理,陈雨强将这个过程称为“定义好数据形式”,数据形式是对数据治理环节提出的标准,可以供Sage AIOS上的App使用;向下,Sage AIOS通过资源调度提高性能,让算力利用率最大化。最终是为了确保传统企业应用AI的效率和效果。

戴文渊曾是百度晋升最快(三年晋升至 T10)、最年轻的高级科学家,被称为“戴神”,在百度任期之内,戴文渊通过优化百度营销系统“凤巢”,使得该系统变现能力提升了 8 倍,这也让戴文渊看到了 AI 平台的巨大潜力。

如今,成立五年的第四范式,已经将 AI 产品化的范围,从算法延伸到底层算力与上层应用,此次与Sage AIOS同时发布的新品,还有第四范式自动化AI生产力平台Sage HyperCycle ML、线上化智能运营系统天枢以及AI算力平台SageOne。

简言之,第四范式要做的事情,就是将 AI 能力进行高度封装(这个能力包括底层算力、中层算法与上层业务),使之达到低门槛的产品化。

以线上化智能运营系统“天枢”为例,第四范式与肯德基合作了一个名为“Trade Up”的场景,让用户在 App 点餐时快速收到餐品推荐,比如“点了汉堡薯条的话,再加一对鸡翅更实惠”。

“这种算法是基于用户画像做出来的,响应在毫秒级,最终能清楚地看到店面能有多少销售额的增长。”第四范式总裁裴沵思曾告诉 36 氪。

目前,除了最早进入的金融领域以外,第四范式已经将行业范围扩展至零售、制造、民航、能源、政府等传统行业,今年4 月,第四范式宣布完成C轮总计2.3亿美元融资,新战略股东包括思科、中信银行、联想,投后估值约20亿美元。

再早一点,第四范式拿过“中国五大行”及其所属基金的投资,成为迄今为止五大行联合投资的唯一创业公司。金融曾是第四范式最重要的领域之一,而根据戴文渊透露,行业营收占比方面,金融领域目前占第四范式不超过50%的营收,与此同时,新零售和制造业则增长迅速。

为最快动脉线诊断 铁科院联合第四范式完成高铁智能化巡检应用

近日,中国铁道科学研究院(简称:铁科院)选用第四范式AI软硬一体集成系统4ParadigmSageOne,对高速铁路系统进行智能巡检。SageOne集成了第四范式的人工智能全流程平台"先知Sage",具备全栈AI应用和高性能运算能力,以及对模型的便捷管理,为铁科院多种精准巡检模型提供了模型便捷上线与性能优化的产品及服务,确保智能巡检模型在最长、最快动脉上高效稳定的运行,守护国民的出行安全。

高铁是我国交通运输的最快动脉。至2019年底,中国高速铁路营业总里程达到35000公里,全年旅客发送量22.9亿人次,居世界第一。我国高速铁路采用封闭电气化铁路设计,对轨道、电气等运营系统安全性有严苛要求,也让铁路安全巡检工作成为世界级难题。中国铁道科学研究院承载着我国高速铁路建设及运营维护、装备现代化、既有线提速、重载运输、安全和信息化等相关工作,在技术标准、基础检测等方面世界领先。

双方此次合作聚焦于高速铁路巡检工作的两大难题:风险实时预警和精确定位。铁科院研究人员构建了轨道巡检、接触网巡检、电务巡检等多种精准巡检模型,以保障对铁路轨道的风险预判及定位,而模型的应用效果,则有赖于模型上线、任务并行处理能力、实时监控响应等实际问题的解决。

针对以上需求,第四范式为铁科院提供了一站式智能模型上线和管理运维平台,从而实现了智能巡检模型应用的快速上线和多项性能指标的优化提升。此外,第四范式软硬一体集成系统4ParadigmSageOne提供的数据实时处理和横向线性扩展能力,满足了高速铁路智能巡检中快速找到风险点、及时采取处理措施的需求。基于在高速铁路智能化检测等领域的成功落地,双方有意在铁路智能化运营和转型的更多领域继续合作与探索,齐心协力为国家新基建建设及发展贡献力量。

重新定义智能平板电脑 第四范式与联想达成战略合作

1.jpeg

近日,第四范式与联想达成战略合作——第四范式将作为联想安卓事业部智能软件供应商,在内容生态、服务体系、人机交互等方面为联想平板电脑提供全方位AI技术,为终端消费者带来智能化、个性化的服务与体验。

随着5G和AI的迅猛发展,移动设备进入到主动服务每一个人的时代。本次合作双方以软硬深度融合的方式,专注于挖掘消费者需求,并为其提供更精准、更丰富的优质内容,构建AI时代平板电脑全新的个性化体验,开启智能生活崭新旅程。

联想集团3S战略从智能物联网、智能基础设施和行业智能三个维度入手,为用户提供智能化体验。第四范式致力于将领先的AI技术赋能到更多领域及场景。2019年,联想集团与第四范式、寒武纪成立人工智能联合实验室,深度融合软硬件AI产品,共同为中国企业的智能化转型加速。本次,联想安卓设备事业部继续携手第四范式,用AI技术为联想平板电脑"智慧"加码,将智能的生活带给全球用户。

AI芯片投资人应具有的知识储备和投资逻辑

本文作者韦辰睿,来自光远资本,题图来自视觉中国

去年10月,我帮着同事做了第一个AI芯片的项目,到现在为止,已经深度参与了三个AI芯片相关的deal,感觉到自己对这个行业的认知已经可以尝试着上升到一个投资逻辑的层面了。因此在正常搬砖之余,花了大概一周多的时间,把自己对AI芯片行业的insight梳理了出来,并且输出了一套相关投资逻辑。

本文分为五个部分:

1. AI芯片是什么

2. AI芯片投资人应该具有哪些知识储备

3. AI芯片的竞争格局

4. AI芯片的发展趋势

5. AI芯片的投资逻辑

AI芯片是什么

1、AI芯片的概念

AI芯片的出现本身是在适应“新的计算范式”的出现。AI芯片又称为加速卡:其“加速”二字是指,随着新的计算范式出现,原有的基于串行计算的CPU规则不能很快的完成AI计算,因此将简单并重复的运算抽离出来,通过CPU+AI加速卡的形式来完成计算。

AI芯片所负责的计算具有较简单、重复、计算量大和参数量大的特点,其背后是两个原因:

首先,从处理对象上来看,AI芯片处理的内容往往是非结构化数据,例如图像、视频、音频等,相比结构化数据,这部分数据并非按行存储,很难通过预编程的方式来得到处理结果,因此一般通过极大量的数据对模型进行训练,进而得到模型结果。

其次,AI的技术路线逐渐趋于统计学。由于实际问题和场景的规则通常十分复杂,基于统计的AI模型相比基于规则的AI模型,逐步体现出了优势,也带来了大量的简单的、统计学概念上的运算过程。

因此,目前的硬件架构通常是CPU+AI芯片,即CPU用于进程的管理,而将可加速的计算部分分给AI芯片来进行加速计算。

2、AI芯片的分类

AI芯片通常按照应用场景和计算类型来划分,根据两个维度划分成下图的矩阵类型:

训练和推理有所区别,但有时候会在同一颗芯片上完成。简单来说,训练过程是指在已有数据中学习,获得某些能力的过程;而推断过程则是指对新的数据,使用这些能力完成特定任务(比如分类、识别等)

但是实际上我们可以看出,训练和推理芯片的划分方式其实是基于一个假设:即训练完成的模型不需要进一步地迭代改进。但是在增强学习、在线学习这样的技术中,模型的迭代和应用是交织在一起的,训练和推理很难区分开,因此我们会看到某些厂商推出的芯片会同时支持训练和推理功能。

训练和推理对于功耗和通用性的要求不同。我们观察到,训练过程基本是在云端,而推理过程既存在于云端,也存在于边缘端,这背后是源于不同的应用场景对功耗和通用性的要求不同。

1. 功耗:芯片用于云端意味着它的供电是来源于总线,而不用受到边缘端设备电池容量的影响,当然出于能耗考虑,云端芯片功耗也不能太高。我选了几个代表性的芯片列示在下面,可以看出,云端芯片的功耗会更高。

2. 通用性:云端芯片会承担更丰富的职能,因此通用性要求会更高,而芯片越靠近边缘侧,其对应的应用越细分,对芯片的通用性要求越低。

总的来说,云侧 AI处理主要强调精度、处理能力、内存容量和带宽 ;边缘设备中的 AI 处理则主要关注功耗、响应时间、体积、成本和隐私安全等问题。

而云端AI芯片通常是和边缘端AI芯片协作工作,因此会根据不同的场景,做功耗和性能之间的Trade off。

以智慧安防为例,早期摄像头是不具备边缘侧AI功能的,要传输视频流到云端进行处理,而目前比较先进的方法是先在边缘侧通过AI芯片做视频的图片化和结构化处理,再上传到云端进行进一步处理,降低了带宽要求。

未来,随着应用场景的进一步成熟,其工作流会被进一步拆分,可能会有更多的功能在边缘侧实现,或者分布在多个边缘侧实现,以实现降低成本的目的。

AI芯片投资人应当具有的知识储备

我认为,AI芯片投资人应该具有的知识储备分为三个部分:

1、芯片的类型和其适用场景

做相关的背景知识储备,一方面是为了识别不同应用场景所对应的芯片解决方案,另一方面也是可以更准确的找到某家目标公司产品的对标芯片方案。

2、芯片生产的流程、对应的能力结构和时间线

做这方面的背景知识储备,一方面是专业性的知识积累,以便和创业者聊到一块去,另一方面是要对不同类型的芯片企业的部门职能配置有一个判定标准。

3、Fabless芯片公司所需要承担的成本

这块的目的就是两个字:算账。

1、芯片的类型及其适用场景

重点是厘清几个概念之间的区别与关系:CPU与GPU、SOC和MCU、数字芯片和模拟芯片、ASIC和FPGA、指令集与架构、IP核与EDA。

这里可能看起来内容有些多,在2.1的结尾,我画了一张芯片类型的思维导图,可以直接翻下去看。

2.1.1 CPU和GPU

CPU是我们非常熟悉的概念,全称为中央处理器(Central Processing Unit),功能是解释计算机的指令和处理软件中的数据;

而GPU全称为图形处理器(Graphic Processing Unit),最早是中央处理器的一个单元,后来随着NVIDIA GeForce 256的发布,开始将图形运算从CPU中单独剥离出来,以提高运行效率。随着AI的发展,由于AI运算和图形运算有较大的相似性,因此GPU也被拿来做AI算法的训练和推理。

CPU和GPU的区别本质上在于其被设计出来的目的不同。

CPU作为一台计算机/服务器的核心处理单元,需要解决极强的通用性问题,因此需要兼容多种数据类型,并且由于CPU需要大量的逻辑判断,带来了很多的分支处理和中断处理,使得CPU内部的结构十分复杂;而GPU面对的则是大量不相关、类型高度统一的大规模数据,适用于大规模并发计算。因此,CPU和GPU本身的结构设计就有很大不同:

GPU相比CPU,逻辑控制非常简单,设计了大量的并行计算单元,并且大大减少了缓存。缓存在CPU中主要用于减少处理器访问内存所需平均时间,而GPU中的缓存主要用于多线程控制,如果很多线程需要访问同一个相同的数据,GPU会将其合并到缓存中。

总而言之,CPU和GPU设计的目的不同,因此结构和应用场景也不同,CPU更具通用性,GPU在特定需求下(需要并行、计算密集型的程序)则具有压倒性优势。

2.1.2 CPU、MCU、SoC、MCU、DSP、MPU

还是以CPU为基础来分析。CPU本身是一个处理器(Processing Unit),因此并不能单独用于某一个需求场景,需要搭配存储、接口等才能构成一个完整的计算机。

因此,围绕着处理器,集成的单元不同,构成的芯片也不同,常见的概念有MPU、MCU和SoC。

MPU和CPU早年概念区别明显,但是现在趋于一致。二者的区别在名称中可以窥见端倪,MPU是Micro Processing Unit,CPU是Central Processing Unit,因此,MPU的概念在刚提出时,是对应着“Micro”的概念的。因为当时的计算机还有大型机、中型机、微型机的区分,因此一开始,MPU是代表着性能较弱、用于“Micro”场景的CPU。

但是“Micro”这一点,随着计算机技术和MPU性能的发展,逐渐淡化。当前MPU可以认为是包含了一颗CPU和其他协处理器的一个处理单元,MPU和CPU的区别也在逐渐弱化。例如我们熟知的Intel 酷睿i7,既是MPU,也是CPU。

MCU专用于控制,是经典的冯诺依曼架构,但性能较弱。至于MCU的概念,全称是Micro Controller Unit,中文称之为微控制单元,当然也有人称之为单片机(单片微型计算机,Single Chip Microcomputer )。顾名思义,MCU的主要应用场景是控制。

既然MCU是面向控制这个应用场景的,它就不能只包含CPU,根据MCU底层的冯诺依曼架构,其包含了嵌入式系统必须的四个部分:处理器、存储器、计数器、通信端口。但是,MCU并不是面向所有的场景,主要是Controller,因此MCU里包含的处理器性能是相对较弱的。

SoC全称System on a Chip,因此中文可以称为片上系统,也可以称之为系统级芯片。顾名思义,SoC是一个高集成度的概念,相当于在一颗芯片上实现了整个电子系统的功能,因此通常一个SoC在硬件层面应该包括微控制器、DSP、存储器、数模转换器、计时器、各类接口等,而软件层面则是包含对这些硬件的控制。

SoC并不是一个unit的概念,而是System的概念。而完整性和高集成度通常意味着低通用性,因为如果某些元件不是被集成在芯片上,而是可插拔的话,那这个元件就可以根据应用场景的需要自由更换。SoC的各个硬件单元由于被都采用芯片级集成的方案,其通用性大大降低,适用于定制化或者及其标准化的场景。

这里再多提一句,说一下DSP。很多人把DSP和CPU来作对比,因为DSP有时候会和CPU共同构成一颗芯片,比如TI的达芬奇系列芯片就包含了一个DSP核和三个ARM核。DSP全称是数字信号处理器,即Digital Signal Processor。DSP不像一般的CPU基于冯诺依曼架构,而是基于哈佛架构,更适用于数字信号处理;CPU和相比DSP,更强于控制。

2.1.3 数字芯片和模拟芯片

刚刚提到的DSP,它处理的是Digital Signal,即数字信号,与数字信号相对的是模拟信号。

模拟信号是连续的,表现形式是波形。例如我们听到的声音,因为其具有连续性,因此比较直观,但是容易受到干扰,并且不适合计算机直接处理。

数字信号是离散的,用0,1表示,可以理解为是对模拟信号对应的波形进行连续取值,并将每一个值用数字表示出来。虽然在模数转换的时候会有失真,但数字信号易于保存,不会受到干扰,可以用计算机处理。

现实世界中的信号绝大多数都是模拟信号,因此数模转换器是芯片当中非常重要的一个功能。

因此,数字芯片和模拟芯片的底层区别就是他们所处理的信号种类不同。数字芯片占整个芯片市场的85%,包括存储器(DRAM、Flash等)、逻辑电路(PLDs、门阵列、显示驱动器等)、微型元件(MPU、MCU、DSP);而模拟芯片占市场的15%,主要用于处理连续的模拟信号,其中53%是电源管理芯片,47%是信号链芯片。

总的来说,数字芯片和模拟芯片的难度体现在不同的地方。数字芯片更强调性能和集成度,设计相对简单,但制程先进;而模拟芯片虽然制程较低,但是由于芯片涉及的元件较多、应用场景复杂,设计难度相对较大。

2.1.4 ASIC和FPGA的区别

我有一个自己杜撰的、关于芯片设计方案的不可能三角,即通用性、集成度和性能三者最多只能同时实现两个。例如SoC是实现了集成度和性能,MCU是实现了通用性和集成度。

衍生到ASIC和FPGA的区别里,ASIC是Application Specific Integrated Circuit的简称,是专用集成电路;而FPGA是Field Programmable Gate Array,现场可编程门阵列。

FPGA可以快速地实现方案,并且具有功耗低的优势;ASIC芯片相比FPGA,在同样制程和应用场景下,其性能和成本是远优于FPGA的。

因此,如果某一个应用场景需求量较大,能够Cover掉前期的芯片开发成本,那么ASIC是更有吸引力的方案;但是如果某个需求场景量不大,FPGA方案的优势就很明显了。

当然我们也应该看到,当前很多ASIC芯片也可以具有一定程度上的可重构性,并且在ASIC芯片的研发过程中,常常采用FPGA方案作为过渡。

到目前为止,对目前主流的芯片概念做了区分和厘清,汇总一下,做成下图的思维导图:

2、芯片生产的流程、对应的能力结构和时间线

首先对这节的范围进行一个限定,因为目前一级市场所看到的投资标的通常都是Fabless+Foundry的模式,因此本节中的芯片生产流程并不是从上游硅片开始,而是只针对Fabless公司,梳理其整个研发流程。

从Fabless公司的IC设计流程来看,可以分为前端设计、后端设计和流片,其中,芯片验证穿插始终,因此,从职能上,也可以分为架构、硬件、软件和验证。

通常,我们看到的AI芯片企业都是自己做前端设计,把后端设计、流片、封测、量产都外包给专门的服务商。

由于本文是以AI芯片投资为主题,因此整个流程中,前端设计和后端设计的内容讲的比较详细,Foundry和封测厂就一笔带过。

在芯片设计的流程中,有几个关键环节:

2.2.1. 前端设计

前端设计的起点是需求考察与架构设计,输出结果是一张门级网表。

整个前端设计可以这么理解:规划好这一颗芯片有什么功能,然后每一部分功能如何实现(通过硬件还是通过软件,软件类是采购IP还是自己做,芯片要符合哪一个协议、哪一个标准),之后就是将架构师抽象的一个芯片规划变成一个门级网表。

这个过程当中涉及到了好几种EDA工具,并且在每一个环节完成后,都需要做至少一次的验证。

至于什么是门级网表,门级网表就是一张设计图,这张图里的单元就是“门”。如果对半导体有基础的了解,就知道里面的基础逻辑单元是“与门”、“非门”、“与非门”等等,门级网表就是由这样的门单元绘制成的一张电路图。简单的门级网表就长这样,但是实际上很复杂。

2.2.2 后端设计

后端设计的起点是刚才说的那张“门级网表”,最终的输出是一张用于IC制造的电路图,交给Foundry厂。

这张图里有很多颜色,长下面这样:每一个颜色就代表一层,这样在加工的时候,就可以一层一层的加工。

后端设计相比前端设计,更贴近现实世界与工艺,因此其侧重也不一样。尤其是在验证环节,前端的验证更偏向于性能和功能,而后端的验证除了性能和功能,还包括了一些可实现性的内容。简单来讲,就是工程师设计出来的东西到底能不能造出来。

2.2.3 关于芯片验证(又称芯片测试)

着重讲一下验证。验证并不是一个单独的环节,它穿插在前端设计、后端设计的每一步里。验证对于IC设计来讲非常重要,因为其实芯片工程师跟我们普通人是一样的, 也会有天马行空的想法,但是究竟能不能做出来,以及每一步工艺究竟有没有实现设计功能,都需要验证团队去做验证。有时候,验证人员在芯片企业的研发团队中,占比可能会超过30%。

IC设计中主要的验证环节,我尝试以自己的理解,从不那么技术的角度来拆解一下,IC验证到底解决了什么问题。(友情提示,下图中的术语只为了帮助理解,而不是专业术语)

根据不同的维度,我们可以尝试对IC验证做分类:

1、从验证的内容来区分。在不同的验证环节,被验证的对象可能不同,比如有功能验证(验证设计的功能是否顺利实现),有性能验证(规划的性能有没有达到),有BUG验证(软件BUG例如时钟单元错误,硬件BUG比如设计的功能和连线其实造不出来)

2、从验证的工作属性来区分。我们可以看到,其实整个IC设计就是一个:架构方案——门电路图(门级网表,和物理世界联系不大)——可以直接制造出来的电路图(光罩图,和物理世界一一对应)的过程,因此验证也可以按照这个标准来区分,即一部分验证是偏软件的、和现实世界脱节的;而另一部分验证是和硬件相关的、和现实世界强关联的。前者称为Simulation,即用软件模拟出功能;后者称之为Emulation,即用软件模拟出系统。

Simulation和Emulation的区别有点类似于前仿真和后仿真的区别。总结来说,一部分验证是建立在Simulation的基础上,目的是测试IC Design在理想情况下的功能实现,而另一部分验证是建立在Emulation的基础上,目的是看IC Design是否具有物理实现(制造出来)的可行性。

3、从被验证的对象来区分。从整个流程来看,被验证的对象分为三类:

一致性:IC设计的过程中,有很多表现形式的转变,比如从设计理念到代码、从一个代码到另一个代码、从代码到电路图,验证人员需要确保转变前后,design的Nature没有发生任何变化;

IP:芯片上有很多功能,有的功能是通过外采的IP Core 来实现,有的功能是自己开发实现,验证团队需要确保每一个IP都是可用并且合格的

SoC:当整个芯片方案确定出来,验证团队需要确保芯片上的IP Core、布局、排线都没什么问题,确保整个芯片的性能和稳定性达到设计要求。

验证的工作流程分为几步:测试计划的制定、测试环境的搭建、创建Case并运行,将Case的通过率和覆盖率优化至100%,然后做后仿真测试(即Emulation)

2.2.4 关于IC设计的耗时

整个IC设计流程的耗时,我将流程&时间线摘了出来,如下图:

对于Fabless芯片企业来讲,企业所做的主要是需求确定和前端设计,这部分耗时比较久,可能需要1~3年的时间,具体要看公司团队的能力和经验,如果团队设计能力较强,可能一年就能完成前端的设计。

后端设计通常是外包给专业的后端公司,并且如果Fabless企业和Foundry关系不好的话,后端设计企业还可以起到从中斡旋排期的左右。通常,后端设计需要3个月左右;

流片最快需要2个月,但是需要考虑到排期和成功率的问题。如果流片顺利,最快2个月就可以拿到回片。但是流片过程有两大不确定性:

 1. 代工厂的先进制程(比如7nm工艺)是非常紧俏的。尤其是台积电这种代工厂,它的7nm产线一般都是供给华为、苹果这样的大客户,如果创业公司想去流片一个7nm的芯片,如果和代工厂的关系不够硬,排期可能会受到大客户的挤压,时间不可控。

 2. 流片失败的风险:虽然IC设计和验证的流程都已经非常成熟了,出来做芯片的人一般是行业大牛,都是有两把刷子的,但是谁也不能保证流片就100%成功。典型的反面案例就是小米旗下的松果电子,流片失败了5次。

流片失败一方面带来金钱损失,另一方面,流片失败后,公司要重新从前端设计开始找原因,时间非常不可控。我们做投资的可能很容易理解,让我去改一个问题不知道出在哪的Model,耗时可能比重新搭一个还久。

客户验证及测试还需要半年~一年半。芯片流片回来,要根据下游客户需求做成方案,包括但不限于封装成模组、做成整机、再做性能的优化等等,芯片做得好、客户要得急,客户验证就快一些,不然这个时间也是非常不可控的。

总的来说,从芯片研发启动开始,到形成销售,不出意外的话也需要2-4年:总的加起来,如果整个过程都顺利,从芯片研发立项开始,到最后形成芯片销售,需要2-4年的时间,4年的时间甚至超过了很多人民币基金的投资期,因此如果资本以种子的形式投到芯片企业里,一定要做好长期陪跑,甚至血本无归的准备。

3、IC设计公司需要承担的成本与投资节点

2.3.1 IC设计公司成本模型

前面一直在讲IC设计的时间线,接下来分析一下IC设计的资金线,即公司大概要花多少钱、量产后芯片的销售成本是多少。

首先我们对芯片生产中的Fixed Cost 和Variable Cost做一个区分:芯片的固定成本包括流片费用、后端外包费用、EDA软件授权费等;可变成本包括IP采购费用、测试成本、封装成本和生产时的硅片成本。具体见下表:

可以看出,相比单颗芯片的可变成本,芯片的固定成本是极高的,因此,我搭建了一个简单的、芯片成本基于芯片出货量的敏感性分析。

2.3.2 财务投资者投资芯片的企业的最优节点

从芯片企业的角度来讲,企业对于资金的需求集中于两个节点:前端设计之前和流片之前。

第一个时间点出现在公司成立初,因为要拉起来一票高层次芯片人才出来创业,需要支付工资。一个早期芯片公司,至少需要30人的研发团队,其中至少包括3~4个芯片大牛,就算芯片大牛全要股份不要钱,这30个芯片工程师,薪酬30w/人/年,一年900万人民币。算上办公场地和其他研发费用(EDA授权费和IP授权费,这俩都是预付、服务器和硬件设备采购),一个早期芯片企业每年的现金流出至少是1000万人民币。

第二个时间点出现在流片前。流片是要花很多钱的,这个钱主要是做掩膜版(Mask)的钱,制程越先进,花钱越多。22nm工艺的一次流片成本是80万美金;12nm工艺的一次流片成本是300万美金。至于目前最先进的7nm工艺,华为麒麟990的流片成本是3000万美金。当然华为肯定是Full Mask,如果创业公司用MPW方式去做的话,我猜1000万美金应该是有的(没有验证过,欢迎指正)

做芯片公司第一轮投资者,风险其实比较高,但收益也比较高。对于财务投资者,要么是看好技术团队的长期实力,在团队组建之初就投进去,这样投的风险比较大,因为还要考虑到团队组建不利的风险,以及需要等待漫长的前端设计时间。但是好处是,如果公司研发走向正轨,这样后续至少会有一轮融资,因为流片前公司必开一轮融资,就算公司倒闭了,第一轮投资者也有人垫背(狗头)。

财务投资者的最优投资节点应该是流片前的一轮。通常这一轮会是芯片企业融资的第二轮,这个时间点风险相对低了一些,主要原因是随着芯片方案的不断完善,公司也在不断的和下游潜在客户沟通、和需求做Match。这样子的话,公司风险主要是流片失败的风险。而一旦流片成功,在出货方面会顺利一些。

我之所以认为这一轮是最合适的一轮,一方面是因为这一轮风险收益的对比更对我的口味,另一方面是,如果想在种子轮投到行业大牛出来创业的企业里,投资人一定是要在那个圈子里浸淫,但是像市面上大多数财务投资机构,是没有那个人脉和判断能力的。

流片之后,整个融资节奏会转向“产业投资人为主,财务投资人跟投”的状态。当芯片企业成功流片之后,公司的基本面中,流片失败的风险预期会被极大的排除,通常公司会有一轮估值飙升,公司也会借此机会囤积资金做商业化和进一步的研发投入(比如下一颗芯片)

而这个阶段的企业会进入产业资本的视野,背后有几个原因:

1. 产业资本有足够的底气投进任何公司,因此不需要承担风险。产业资本分为两种,一种是大型企业的战投,一种是国家背景的半导体基金。前者希望深度绑定AI芯片企业,让它根据自己的需求研发,而流片成功的企业证明了自己团队的研发实力,因此大企业的战投会以投资的方式进入;当然强迫站队也是一个原因。另一种产业资本是国家背景的半导体基金,这种产业资本有钱,但是内部决策流程复杂,风险承受能力弱(投亏了要背锅的),这种流片成功的企业风险小了很多,其实是国家队眼中的优质标的;

2. 产业资本和财务投资者不同,在一个细分行业里,产业资本的视野可以认为是没有盲区的:和财务投资者不同,不管是大公司还是国家队,都有顶层的信息获取能力,使得他们能够Cover到关注某个细分、和他们强相关领域的几乎所有企业。大公司战投尤甚,因为这些企业会主动拿着自己流片成功的产品去找他们测试,因此大公司战投无论是从背调、还是从产品评估上,都要比财务投资者专业很多,理论上不存在他们没看过的企业。因此如果有企业流片成功后还没有产业资本进入,可能财务投资者就要好好想想背后是不是有什么原因了。

AI芯片的竞争格局

按照AI芯片的通用分类,应该分为云端训练芯片、云端推理芯片、边缘端推理芯片。

其中,面向不同领域的边缘端芯片差别较大。具体分类见下图:

对于云端芯片来说,其下游面对的场景具有较大的通用性,但是对于边缘推理则不然。下表列出来不同场景对边缘推理芯片的性能要求:

具体到竞争格局,AI芯片行业有三类企业:传统芯片厂商,巨头跨界和初创公司

传统芯片厂商研发实力极强,大概率不会在AI芯片市场掉队:例如NVIDIA,AMD,Intel等,各家公司的优势市场不同,但是在芯片市场上都是巨头。大公司研发实力强、资源广、人才集聚效应强,烧得起钱,在AI芯片市场中,也将会是强有力的一极。

跨界巨头切入AI芯片市场主要是出于业务和产业协同考虑。

芯片研发是门槛非常高、资金要求非常巨大的事,因此能够跨界切入AI芯片市场的公司,通常具有两个标准:公司体量非常大,及公司现有业务对于AI芯片有大量的需求。

典型的跨界巨头分为三类。第一类是互联网公司,其互联网业务对于云端AI芯片有巨量的需求,而一块NVIDIA T4售价2000美金,V100售价甚至高达8000美金,自研芯片或者支持某家芯片公司,具有巨大的成本吸引力;第二类是安防巨头,例如海康、大华,他们不只需要云端芯片,对AI摄像头上的边缘端芯片也有大量的需求,并且,海康大华由于业务贴近于安防,其对于芯片定制的要求也较高,自己研发或者和某家创业公司深度绑定,是很有吸引力的方案;第三类就是华为,反正什么都会做。

初创公司通常差异化切入市场,以此形成错位的竞争优势。传统芯片巨头在AI芯片市场上的综合能力是最强的,这一点毋庸置疑。因此初创企业必须要寻找到自己的差异化竞争优势,即组建一批实力强劲的团队,在某一个新兴市场、或者芯片巨头因为种种原因不去做、或做不好的市场,形成错位的竞争优势,并且借助小公司灵活的特点,快速了解客户需求,并且形成销售,进而在市场上站住脚跟。

具体到竞争格局,我这段时间做了一个行业的Mapping,不一定全面。其中,大厂的信息较为公开,因此下图只列示了各个领域的创业公司,在资方方面,只列示了主流半导体和产业资本。列示如下图:

AI芯片未来的发展趋势

在研判AI芯片未来的发展趋势的时候,要持有两个立场:

(1)我们的目的是投资于能够成长成为一定体量企业的AI芯片初创公司;

(2)AI芯片是一个新的科技方向,新机会的底层一定是新技术、或者是新需求。

虽然目标是早期企业,但必须承认创业公司和巨头之间的实力差距,首先,从第一个立场出发,作为投资人,我们是要寻找有潜力的早期企业,但是我们不得不怀着一个不太有梦想的信念,就是这个AI芯片行业的所有初创公司的技术实力都不如巨头。这背后是非常简单的逻辑,钱和人才。

NVIDIA2019年全年的研发投入高达193亿元人民币,而对比来看,2019年中国AI行业融资额也才900亿人民币,这里面还包含了相当的软件企业。

在技术端,AI芯片未来一定会有围绕着性能提升的、持续的技术突破,焦点是内存墙(冯诺依曼瓶颈)。AI芯片技术的核心在于性能,所有的其他性能要素都是围绕着性能服务的。

例如,AI芯片和场景的契合度本质上是在某个特定需求下达到高性能、低功耗芯片的核心也是在低功耗的前提下达到符合要求的性能。厘清了这一点,其实AI芯片技术进步的方向就是性能提升,而性能提升面临着两大瓶颈“摩尔定律走到尽头,以及冯诺依曼瓶颈(内存墙)

(摩尔定律走到尽头意味着同样面积下,晶体管数量的提升不可能没有上限;冯诺依曼瓶颈则是指,运算能力受到了内存访问速度的掣肘,无法完全发挥出来。)

具体到趋势的研判,我认为,在云端,各种需求的不断增长会带来通用芯片份额的萎缩,衍生出专业芯片的机会。

目前,云端训练是英伟达的V100占据绝对主导,而云端推理是英伟达的T4占据绝对市场份额。云端训练芯片的核心就是性能和通用性,这两点恰好是大厂的强项。而云端推理其实是带有一定的需求适配要求在的,因为云端推理芯片在面对各种各样的场景,比如安防、NLP、音视频处理,理论上,差异化的需求一定会带来差异化的机会。

目前,通用性强的T4在云端推理市场上一骑绝尘,底层原因是还没有出现达到一亿美金规模的专用性市场。从前面的那张芯片成本分析表,我们可以看出来,当芯片销量是5w片的时候,对应毛利是68%,而芯片只卖1w片的时候,毛利率还是负的。我们来简单计算一下,假如一家芯片初创公司A公司的产品卖5w片,单价1000美金,市占率50%,那么这就是一个一亿美金的市场。小于这个规模的细分行业,专用性芯片是没有价值的,因为卖一个亏一个。

专用性市场空间不大的原因在于整个云端推理市场规模还有限:全球12亿美金,中国3亿美金。而现在整个云端推理市场有多大呢?我简单算了一下,NVIDIA2019年数据中心业务营收29.8亿美元,其中,在第三季度,T4销量首度超过了V100。我们假设2019全年T4销量=V100销量,T4单价2000美元,V100单价8000美元,算出来T4和V100的销量各30万颗,T4市场规模应该是12亿美金。中国目前数据产生量占全球的比例是23%,我们按照这个比例估计,中国T4(云端推理)的市场规模应该是2.76亿美金。

因此,整个国内,通用性云端推理的市场空间才3亿美金不到,目前的阶段是拆不出来几个超过1亿美金的细分市场的,所以这也是目前T4一家独大的原因。

一亿美金的专用市场很快就会出现。从整体来看,2015~2019年NVIDIA数据中心业务的CAGR达到72%;从细分行业来看,下游的直播、短视频、安防、NLP的发展速度都十分迅猛,从3年的视角,甚至1~2年,这些需求对应的云端推理芯片,一定会达到1亿美金的规模,那么也一定会长出来合适的AI芯片企业。

在当中的投资逻辑里,这样的企业市值大约会是200亿RMB以内:差异化云端AI芯片企业成长起来的底层逻辑在于,他面向的是一个不大,所以大厂不会做、同时也不小,能让它赚到钱的市场。大致在1-10亿美金的范畴。因此这种企业的估值上限是有限的,假设3亿美金销售,20%净利润,40倍PE,大约是160亿的市值。

当然如果企业后续做了横向扩张,或者下游需求变得足够大,企业在这个市场中也站稳了脚跟,成长空间就更大,但这已经是脱离我目前的设定的投资逻辑的事情了。

AI芯片的投资逻辑

最后一部分,我想讲一下我对于AI芯片行业的投资逻辑,分为两个部分:投什么方向,怎么判断企业。如下图:

1、投什么方向

5.1.1 投什么:技术变化 OR 需求变化


我的选择是需求变化。我做了一个很没有想象力的选择,一点不像一个理工科出身的人。但是这么选是有理由的,因为如果去投资技术变化,涉及到三个风险,包括两个我一定不愿意承担的风险,和一个盈亏同源的风险:

1. 技术路线错误的风险。这个很好理解,我举个例子,为什么AMD现在在云端AI芯片上被NVIDIA揍得很惨,是因为2008的时候AMD提出了一个伟大的想法,叫做GPU和CPU合二为一。资本市场很认可这个逻辑,08年的AMD股价是5块钱,17年的时候涨到13块。但是很不幸,其实没做出来,要不是最近AMD在CPU上异军突起,和大家伙一句一句“AMD Yes”的支持,这家公司可能更惨。因此一个错误的技术路线可能会导致公司错过一个大机遇(至少在一定时间内是错过的),对于AMD,它可以承受这个错误带来的代价,但是创业公司不行。

2. 技术成熟度的风险。我在实验室做毕设的时候,所有人都是“下个月出数据!”,“3月份肯定毕业!”,然后其中的大多数的人都失败了。现在我来做科技类投资,很多企业都是“春节流片!”“下个月出货!”,大部分也失败了。当然个人能力是很重要的一个因素,但是技术成熟度爬升本身就是有风险的。IBM有一个技术成熟度的图,这里我摘出来给大家看一下:

3. 技术路线是对的,但别人做出来了。这个是我可以承担的风险,按我的理解,如果初创企业死在了这一个风险上,那它是站着死的,但是很不幸,大多数企业可能并没有选择自己死法的权利。

因此我的选择是投需求:就像刚才在发展趋势那里讲的,我希望能找到快速成长的一个下游细分市场,接着去看里面的ASIC芯片的机会。

5.1.2 投什么:训练 OR 推理

我选择推理。并不是说训练市场没有机会,这个市场的机会其实很大,但是训练端是纯堆算力和通用性,在这个市场,创业公司是直面巨头的竞争压力的,而不是差异化竞争。当然如果之后云端训练芯片也出现了差异化竞争的机会,那我可能会改变我的看法。

另外,我是愿意相信云端训练会有中国的创业公司跑出来的,但是风险太大,可能需要做撒网式投资,这就跟基金风格和个人风格有关,这也是我Prefer推理市场的原因。

2、怎么判断行业里的企业

5.2.1 AI芯片企业的Key Point

我认为,AI芯片企业的KeyPoint其实是两点:在市场端具有差异化竞争优势,在技术端一定是经验丰富的高管。

市场端一定要有清晰的核心竞争力。“市场大、是确定性趋势就一定会有企业跑出来”,这句话是没有错的,但是最后成功的那家企业,他成功的最重要原因一定不是市场大。所以在做企业判断的时候,一定要想清楚这家企业的核心竞争力是什么,是差异化需求、还是新技术、还是生态。这一点很重要,尤其是在AI芯片这个不确定性很强的市场中。

技术端则要求团队一定要经验丰富,这关系到芯片成功率和后续对人才的招募。前面讲到,财务投资者最佳的投资轮次在流片前一轮,这个时候还是有很大的流片成功不确定性在的。那怎么降低不确定性?就是看团队是不是经验丰富。况且,另一个层面,芯片研发是堆人才的事,创业者都自己不在这个圈子里做高管,怎么招到大厂的人过来?要靠BOSS直聘吗?

这里多说一句,讲一个误区,就是国产替代。国产替代是一个长期的趋势,也是很多投资人判断的一个核心逻辑。但是,国产替代是一个战略层次的需要,在宏观上是确定性非常高的,但在企业层面的判断上,不能想当然。一定要区分清楚,“国家需要企业替代NVIDIA”和“这家真的可以替代NVIDIA”之间的区别,别自己把自己忽悠瘸了。

5.2.2 AI芯片企业的能力结构

一定要具备市场需求的获取能力,企业最好拥有一个芯片大厂战略层面的高管。

首先,我们投的是流片前的早期企业,我们不奢求企业有很强的销售能力,说白了这个阶段的企业也需要销售。但是我们希望企业能有很强的需求获取能力,因为在一款芯片研发时,企业要搞明白自己芯片的定位,怎么形成差异化,并且在芯片流片后,能够尽快的、甚至直接的对客户进行销售。

这就对企业的“获取客户需求的”的能力有了很高的需求。从判断企业角度,最好是有一个芯片大厂的战略层面的高管,因为这样的人他是直接对接大客户需求的,他对于市场需求和芯片发展方向很敏感。

对于企业核心高管的判断,最好是做架构出身,如果不是,那么高管之前做的工作一定要和当前研发的芯片方向高度契合。

芯片大厂出来的高管有很多,说句不好听的话,半导体创业团队如果没有一个芯片大厂高管+一个顶尖大学教授,都不好意思说自己是做半导体的。但是大厂的高管有很多职能,大家也都在做不同的事。

如何对大厂高管的技术背景做甄别和选择?我认为,从前面的芯片研发流程我们可以看出来,架构是芯片最重要的环节,是整个芯片研发的基础,如果高管是有架构设计经验的,那就再好不过了,如果不是,那么其实这个高管之前做的事最好是和创业方向高度契合的;

做完核心高管的判断之后,关于整个技术团队的能力结构,重要性由高到低是:架构、验证、硬件、软件。我画了一个非常丑的图:

架构和芯片系统是最核心的,因为芯片的底层和核心都在这,这个前面讲得很清楚了。

验证的重要性排第二,但是重点不在于验证负责人,在于验证体系。我把验证排到第二,因为验证是决定芯片能不能做出来、做出来的芯片性能好不好的核心,但是对于验证的判断呢,和其他技术结构不一样,一个创业公司验证实力强不强,不是看他验证负责人水平怎么样,而是看公司有没有建立一个验证的完备体系,或者是验证负责人有没有建立起这个体系的能力。说白了,验证就是查漏补缺,具体每一个验证的工作都不难(相比架构设计),关键是要有一个完善的体系。

软件和硬件同等重要,但是相互的重要性不太一样。硬件有点类似于架构设计,是对芯片整体的一个权衡,硬件团队的实力决定了公司在实现芯片设计时,所能达到的性能;而软件团队的作用更多的在于需求和编译器端,简单来理解的话,就是软件团队要先搞明白下游可能会有什么需求,然后先搭建一个很好的软件环境,让客户更好的使用自己的芯片。当然芯片上自己的软件系统也是一方面,但是重要性不如编译器为主的面向需求的软件重要。

以上,欢迎大家找我交流。以及,如果对文中所涉及的思维导图原图有需求,也可以找我要。

本文作者韦辰睿,来自光远资本,个人微信号Garfield_706

中国式“反英雄”史玉柱与他的各种另类第一

当年万里觅封侯,匹马戍梁州——陆游。

单枪匹马,建功立业,这是无数中国男人的英雄范式。

无论商场还是战场,国人都热衷吹捧仁义肝胆的侠客行。

认为这是成功人士或者一代传奇的标杆。

然而在众多传奇中,有这样一个人却颇为特立独行。

他是史玉柱。

在大众眼里,史玉柱跟这样的英雄范式毫无关联,甚至是个“反英雄”。

批评者认为,史玉柱把保健品吹上天,洗脑广告令人鄙薄;《征途》引导玩家挥金如土让人不耻。《南方周末》还专门发表过一篇题为《系统》的特稿抨击史玉柱的《征途》。

在中国人眼里,英雄通常是俊秀不凡,武功盖世,开疆辟土,锄强扶弱,所到之处,鲜花与掌声齐鸣,没人能在他们的BGM里打败他们。

然而这些标签,史玉柱似乎都沾不上边。

长得不帅,也不算魁梧,玩世不恭。

恍如刚出县衙大门的包龙星。

史玉柱看得很开,说自己是“大闲人”、“大嘴巴”,自称“屌丝”、“黑心资本家”,还在自己的书中说:“企业家一定是坏人!”

没有世俗推崇的气质,史玉柱身上的确有股“反英雄”的味儿。但这股味儿,其实并不是与生俱来。相反,史玉柱人生的开场还挺英雄主义。

1.jpg

(史玉柱的人生开场充满个人英雄主义)

英雄主义出场

1980年,史玉柱以全县总分第一,数学119(差1分满分)的成绩考入浙江大学数学系。1984年毕业的史玉柱,被分配到了安徽省统计局农村抽样调查队。这种铁饭碗,是很多人的梦想。

进单位不久,史玉柱就发现国外抽样调查方法,没有一样能离开计算机。于是说史玉柱服领导,花5万块钱从广州买回了一台IBM计算机。他借助这台计算机,编写了很多软件,其中一个软件能在一两天内完成以前二三十人一年的工作量,“搞得很多人从此没事干”;另一个软件则能分析农民的消费特征,甚至还被国家统计局在全国推广。

1988年,史玉柱去听四通集团老总万润南的讲座。四通是当时全国最大民营企业。万润南靠2万元借款起家,做打字机生意,一年入账900万元,1986年年营收突破1亿元,1987年更是突破5亿元,就像坐了火箭一样。

看着财大气粗的万润南,史玉柱在台下激情澎湃,辞掉了统计局的工作。

这种激动,后来深圳另一位年轻人也深有体会—-在听了张朝阳的演讲后,马化腾回去做了QQ。

史玉柱做的是打字软件“M-6401”。这个由史玉柱独自耗费9个月编写的汉卡系统,两个月便赚了100万元。

这在当时可以称得上是一个奇迹。

要知道当时汉卡的龙头老大是已经做了四年的联想,同期竞争者是金山。

而史玉柱仅靠4000块钱承包了深圳大学电脑部和一台“加价1000元”赊来的电脑,以及在《计算机世界》上“先做广告后付款”的推广,就抢下了一大片市场。

就像他在《计算机世界》上打出的广告语一样:“M-6401,历史性的突破!”

1991年,史玉柱用汉卡赚来的3000万资金注册成立了巨人公司。

1992年,巨人公司从深圳牵往珠海,当时公司资本超过1亿,成为中国第二大民营高科技企业。

史玉柱本人也被各种光环笼罩。

那一年,他31岁。

从1992年到1994年,他先后荣获珠海市科技进步特别奖,中国十大改革风云人物,市政府颁给他一辆奥迪轿车,一套103平方米的住房和63万元奖金;中央领导人先后到巨人集团视察。

史玉柱的人生开场就是个人英雄主义的优质范式。

2.jpg

(史玉柱获评风云人物,获奖奥迪)

多面鬼才与备受争议的另类第一

即使是史玉柱的批评者,也不得不佩服他的眼光独到和财技高超。从打字软件汉卡到保健品再到网游,史玉柱跨越了3个不同的行业,虽然每次进入一个新领域都面临着铺天盖地的质疑,但是他以一贯的“不在乎”的态度继续进行他的商业行为,而且每次都获得成功。

1991年,巨人公司刚成立,史玉柱就向全国各地的电脑销售商发出邀请:只要订购10块“巨人汉卡”,就可以免费来珠海,参加巨人集团的销售订货会。

这如同在鱼塘里撒了一把面包屑,顿时引来了鱼群的争抢。

全国200多家软件经销商纷至沓来,史玉柱以不到100万元的代价,建起当时全国最大的连锁销售网络,当年净利润超过1000万。

这只是史玉柱营销天赋的一次小试牛刀。

3.jpg

(谁能想到史玉柱营销天赋也是满的)

2000年,家喻户晓的保健品“脑白金”面市。

说它家喻户晓,其实是因为它的广告。

当年魔音灌耳的魔性广告“今年过年不收礼,收礼只收脑白金”一时间席卷全国。

史玉柱巧妙借助“过年送礼”的社会风气,削弱了社会对保健品“半保半骗”的惯性心理。

将“脑白金”与昂贵礼品划上等号,一举消除了人们对于“年货选择”的困扰。

采用“脉冲”广告排期,每年设定春节和中秋两个节日作为脑白金广告大规模投放节点。

中秋倒推10天,春节倒推20天,加起来一共30天。

这30天里,不惜血本狂砸广告,砸到让人烦。

不得不说,这让人听到烦躁的广告背后,正是史玉柱对消费者心态的敏锐把握。

但也正因为如此,脑白金的广告创意做了几百个,却依然沿用“今年过节不收礼,收礼只收脑白金”的洗脑模式。

于是这条广告创意毫无疑问地被广告业连续多年评为“十差广告”之一。

然而讽刺的是,“十佳广告”年年换,它们的广告主却大都排着队倒闭了。

偏偏脑白金长盛不衰。

史玉柱也因此成为了国内魔性广告的第一人。

史玉柱后来在《自传》中提到自己的营销方法,认为广告语不要变,要重复重复再重复。要描述产品价值点,最好一个,说多了相当于没说。要造成产品广告铺天盖地的假象,甚至连史玉柱自己玩的《传奇》游戏中的ID,都取名“收礼只收脑白金”。

史玉柱很早就玩游戏,这是他为数不多的爱好之一。

2003年,他开始玩盛大旗下的网络游戏《传奇》。

然而史玉柱的游戏技术欠佳,30多级的时候仍经常被路人随手PK掉。

于是在又一次PK输给其他玩家后,他找到了当时他所在服务器级别最高的玩家取经,那是一位温州的网吧老板。

听这位网吧老板说,他之所以升级这么快,是因为他把自己的账号借给前来上网的顾客免费玩,从而实现了全天都在练级的结果。

于是史玉柱立即吩咐温州分公司的经理赶到网吧,花3000元买下了这个70级的账号。

然而即使有了全区级别最高的账号,史玉柱依然输多赢少。

于是他又找到了盛大的老板陈天桥。

陈天桥说:“装备比等级更重要。”

史玉柱立刻又花了一万块钱,买了套顶级装备。

《传奇》的经历,让史玉柱在做《征途》时有了深刻的基础。

4.jpg

(史玉柱踏入游戏业,竟然也大获成功)

史玉柱虽然在游戏研发方面是门外汉,但在玩家心理方面,可以称得上是“人精”。史玉柱的策略很简单,就是将自己玩游戏的体验做到极致。

他在与网吧里的玩家直接对话中发现,玩家是分层级的。

低经济基础的玩家只在于有游戏能够娱乐,而高经济基础的玩家则希望更直接的享受游戏体验。

《征途》因此有了与其他游戏不同的面孔。土豪玩家可以在《征途》里玩得酣畅淋漓。

设置的十个对立“国家”,可以让玩家随意潜入侵犯,并获取大量奖励和相应官职。

这种设定,无疑让一些玩家更加过瘾。

这样的设定,让史玉柱至今仍备受争议。

但不得不说,史玉柱的很多决策更贴近现实,比游戏人更懂得玩家的需求。

比如现在的手游抽卡,《征途》2007年就有了。

甚至连V社的DOTA2和CSGO的开箱都与其如出一辙。

史玉柱比多数人更早想到这点,他参考集换式卡牌游戏的“开包”“扭蛋”模式,在《征途》中推出了开箱系统。一时间争议无数。

另一个创新则更加深入人性。“那时所有游戏都是折磨玩家,而《征途》的目的是要让玩家玩的轻松”,史玉柱力排众议,在游戏中推出自动寻路自动打怪功能。玩家不再花大量的时间反复跑图、重复打怪。这项创新让“雇人刷怪”的做法在《征途》中成了历史,有了更多时间用于社交。后来很多游戏都效仿《征途》提供了自动寻路,甚至成了标配。

深究起来,《征途》是最早一批“时间免费,道具收费”的网游之一,而论极致设计,则非《征途》莫属。

5.png

(《征途》是最早一批“时间免费,道具收费”的网游之一)

在《征途》火爆之后,史玉柱依然每天花费10小时边体验游戏边做客服。“对于这个行业内的评论我一般不太在意,只有玩家的骂声我在意”,史玉柱在接受17173采访时曾如是说,“玩家的骂声是割舍不去的爱,玩家有自己的标准,你达不到他的标准他就会骂你。为什么好游戏骂声多就是在这里,因为他对你太关注了,对你有感情了。我曾做一个版本进行内测,内测的时候发现有1/3的玩家是不喜欢,我们对1/3版本全部返工,这对我们打击是非常大的。这个返工是在玩家指导下。”

得益于脑白金时期的地推经历,他曾多次前往各地的街道社区,以脑白金技术员的身份跟消费者们零距离接触卖货。

史玉柱决定将地推方式复用于《征途》的推广,抢占二三级城市的网络游戏市场。。

他认为网游和保健品一样,最大的市场是在下面,农村的玩家比县城以上的玩家加起来要多得多。

而城市里的玩家,贵在精而不在多。

在《征途》刚上线的那段时间,他高强度地策划并参与了一系列的游戏地推活动,光是征途网络的地面办事处就一口气开设了1800家。

包下大量网吧进行游戏的地面推广。

要知道当年因为网络游戏不允许做电视广告的禁令,加上互联网宣传还不发达。

地推的力度与规模,完全可以直接决定玩家受众的多寡。

于是另辟蹊径的史玉柱,让《征途》成为了当时百万人首选的国战网游。

6.png

(征途玩家心中的英雄)

也许,一个有争议但贴近真实的史玉柱,恰恰是《征途》玩家心中的英雄,也是《征途》成功的真正内力。

凭借《征途》的成功,2007年11月1日,巨人网络(NYSE:GA)成功登陆纽约证交所,融资超过10亿美元,成为在美国市场IPO市值最大的中国民营企业。

15年过去,《征途》依然过得风生水起,回顾中国网络游戏史,这样的产品并不多。

2020上半年,全世界都遭遇了新冠疫情。游戏行业,GDC、E3、德国科隆展、日本BitSummit独立游戏展等世界各大展会纷纷宣告取消。

史玉柱却风风火火地办起了“征途全系列嘉年华”,搞起了带货直播。,还要现场大撒钱,发放3亿福利豪礼。

带货界的“前浪”

就像前文所说,在玩《传奇》的时候,史玉柱就将自己的角色ID取名为“收礼就收脑白金”,凭借史玉柱的身份与2000多名游戏玩家成为了朋友,从而为《征途》带来了第一批核心玩家。

这样的习惯养成了他把营销变成了自己日常一部分的生活方式。

同时造就了如今我们只要一提起他的名字,就会不自觉联想他是不是又要推广自己什么产品的思维定式。

要真下个定义的话,史玉柱大概也算得上国内最早一批“带货企业家”了。

7.png

(拍卖史玉柱)

而如今的网红经济,催生出了“直播带货”的营销模式。

主播带货如李佳琦等,“奉旨带货”如“康撒朱尼”央视F4等,无论商业还是公益,确实成为了一个颇有成效的营销方式。

不过比起这些“后浪”,史玉柱“实打实”的可以称得上是带货界的“前浪”了。

脑白金地推时代,史玉柱就留下过一段经典的带货语录:

“我们公司的老员工和我身边的工作人员都可以作证,从1997年下半年开始到今天,我每天都在吃脑白金。因为我觉得它是个好东西,我没有任何体育锻炼,我之所以还能健康的站在这里,我觉得离不开脑白金。我认为它是个好东西,所以我就竭尽全力和我的团队去让更多消费者能享受它。”

最近带货重掀热潮,于是在今年的征途嘉年华征途系列嘉年华上,这位“企业家带货第一人”貌似又要尝试一下“带货”这个新鲜事物的滋味了会不会忍不住技痒,再在今年6月12日的征途全系列嘉年华上出来重温带货的滋味?

8.png

至于到时他要卖哪些东西……

说实话,笔者还挺期待的。

"邢捕头"改行当村主任 范明从生活中提炼喜剧元素

一身灰西装,搭配斜纹领带,一边跟剧中村民闲谈,一边露出标志性的“范式”大笑……鲜活的村主任形象很快立住了。


范明饰村主任范星火范明饰村主任范星火

国家广播电视总局脱贫攻坚重点剧目《我的金山银山》正在东方卫视热播。该剧以新农村建设、精准扶贫工作为主线,讲述了下派第一书记汤亮(是安饰)与企业家汤小君(代乐乐饰)回到家乡,与村主任范星火(范明[微博]饰)携手带乡亲脱贫致富奔小康的故事。

凭借轻喜剧的创作风格、多维度扶贫的独特视角,该剧一开播便抓住了一票观众的心,收视名列前茅。

因在经典情景喜剧《武林外传》中饰演“邢捕头”,以及《炊事班的故事》中饰演“老高”,而被观众熟悉的范明,此次在《我的金山银山》中担纲男一号。一身灰西装,搭配斜纹领带,一边跟剧中村民闲谈,一边露出标志性的“范式”大笑……鲜活的村主任形象很快立住了。

近日,范明接受了东方卫视组织的全国媒体群访,他分享了这部戏的拍摄经过、角色设置,以及最近的生活。

谈拍摄

范老师是灵魂人物

在《我的金山银山》筹备阶段,范明与《炊事班的故事》的编剧徐君东一起架构剧本。徐君东花了一年时间,到贵州、海南、福建跑了一圈,收集材料。

范明参与了剧中角色“范星火”的人物塑造工作:“我希望他是单身,要质朴、热情,要有多面性,要接地气。”参演《我的金山银山》之前,范明有过大量农村戏拍摄经验,熟悉“村主任”这类身份,也了解农村生活。

他举了2005年与康洪雷[微博]导演,陈思诚[微博]、张译[微博]等演员合作《民工》的例子,表示对拍摄新剧有帮助:“那时我们去农村割麦子,同当地人吃饭,对农村生活有了感受。而且,我长得也挺乡村化的。”

这部剧的拍摄手法有纪实感,影像处理很朴素。范明坦言:“为了拍出质感,我们更多用现场灯光,所以,我的皱纹有点多、有点老气,但为了角色,无所谓。”

范明不讳言自己是剧组里负责“带节奏”的人:“导演很尊重我,我也会在喜剧情节、审美调度、台词处理上给意见;演员也很信任我,代乐乐[微博]说,范老师是灵魂人物。”

谈角色

有仪式感的村主任

范明饰演的村主任范星火是乡村振兴、精准扶贫工作的推动者,他与本土女企业家汤小君、第一书记汤亮,为发展乡村经济付出了努力。前途很光明,但过程并不易。

比如,这部剧前期,汤亮想办乡村旅游发展文化产业,但范星火想继续办有污染的水泥厂为村民挣点钱,构成了戏剧冲突。

范明解释了剧中的几对矛盾:“虽然出发点是向上的,但我和第一书记发生了观念冲撞;我们范家和对手汤家的关系如何调整;我和恋人汤小君的关系如何处理……这些矛盾点会让人物丰富起来。”

范星火从前在大城市打过工,有些见识,有点文化,所以,范明将他塑造成为一个有仪式感的村主任:“生活中有这种人,打着领带,喝喝红酒,还可以抽雪茄。他的西装虽然干净,但色彩搭配有审美局限。这不是讽刺,反而非常真实,也是一种标志性的喜剧元素。”

在《我的金山银山》中,范星火与汤小君是一对情侣,两人你来我往闹出不少笑话。范明说笑道:“我是个老单身,但我要有爱情。汤小君并不追求我的外部形象,她非常明白一个有责任心的男人是什么样的,很欣赏我。”

谈喜剧

不重复别人算成功

毫无疑问,入行30年,范明的喜剧作品已经得到观众的认可。他参演过的不少喜剧作品堪称经典:“我没想到95后、00后,还在看《武林外传》。回想当时的创作氛围特别好,每个人都在较劲,都演得特别好。我也记得当年《炊事班的故事》播出后,带动一些人想当兵,而且想当炊事兵。”

身为知名喜剧演员,近年不少喜剧类综艺找到范明,但他都没敢去:“我可能更适合影视剧。荧屏上的喜剧节奏,更耐琢磨,可能更长久。”

谈及现在如何做喜剧,范明坦言:“不重复别人的喜剧,就算成功!现在观众不希望看你模仿别人用过的梗,成功的喜剧要从生活中提炼、创造。”

关于之后想挑战的角色,范明说:“我想演年代戏,我现在还能在镜头上做些手段,装点嫩,想演个有跨度的人物——从30岁演到80岁。”

范明也坚定表示,导演梦一定要做:“近两三年,导不了大银幕,咱做个短片。我在着手为这些事做铺垫。”

谈生活

要虚心学别人长处

几年前,范明曾因在颁奖礼后台,帮当时上中学的女儿要明星签名,“惊动”娱乐圈。范明一时间成为所有追星女孩都想拥有的“好爸爸”。

现在还会帮女儿追星吗?范明表示:“女儿现在已经上大二了,她跟我说,爸爸你不要再说我追星的事了。我告诉她,每个年龄段有每个年龄段的偶像,你的喜欢没有错!”

如今,一些孩子过度追星问题引发全社会关注,范明如此看:“人每个阶段都需要榜样的力量。孩子会不自觉进入叛逆期,我给的建议是关爱、引导,不可强攻、不要讲大道理,不然越压制越拧巴。”

范明也欣喜看到了女儿的成长:“我女儿上了哲学课,读了大量书,看问题的角度变了。”

如今56岁的范明,依然在为热爱的表演事业奋斗。不过,他也想追求理想的生活:“我喜欢快走和游泳,我把唱歌当做锻炼身体。”疫情宅家期间,范明看了三本书:《百年孤独》《麦田里的守望者》《万寿寺》,也看了不少影视作品:“这是我的职业需要,要虚心学别人长处。”

封面新闻记者陈颖