人工智能来袭，金融行业迎来下岗潮，4个职业受到冲击
作者：零和
2017年的关键词是什么？
不管是创投圈，还是BATJ，给的答案都是人工智能。
人工智能遇上金融，在3个领域产生了强烈的化学反应：风控、投顾和监管。
目前，这些领域的运用还比较稚嫩和早期，但未来的爆发力惊人，不可小觑。
它们会带来颠覆海啸，还是缓慢渗透，开始一场温柔革命？
01点亮
人工智能的发展史，是一条曲折的发展曲线，经历过几次高峰低谷。
人工智能相伴计算机而生，其实诞生比互联网还早。迄今为止，人工智能的浪潮，跌宕起伏地热过几次。
在舆论界，更是探讨不止。
在人工智能的高峰期，“人类将被机器取代或统治”的悲观言论，就会甚嚣尘上；而一旦人工智能跌入谷底，又被鞭笞为“创新泡沫”。
“前几次爆发浪潮，都是政府驱动，是至上而下的；而这一次，却是商业驱动，至下而上”，云脑科技的CEO张本宇对一本财经称。
2016年3月，AlphaGo在围棋上战胜人类，这个划时代的“信号弹”炸响之后，一个关于“智能觉醒”的美丽传说，就此席卷全球。
而火热的背后，依然有其必然的逻辑。
首先是技术的飞跃，深度学习和神经网络的日臻成熟，让这台智能机器逐渐成型。
其次是大数据的成熟。
“在某种程度上，人工智能是大数据的硕果，在大数据的沃土上，人工智能才能成长”，张本宇比喻，人工智能是一台机器，需要大量的数据“喂养”，才可运转。
此外，政府也对这个即将觉醒的时代，保持了敏锐的嗅觉。
2016年5月，国务院颁发《“互联网+”人工智能三年行动实施方案》，对人工智能提出了产业纲领。
某种意义上，这次智能浪潮的到来，才是真正的“天时地利人和”。
这也是为何，李彦宏在多个场合，激情澎湃地宣布：“智能革命已经到来。”
02智能风控
人工智能遇上金融，会产生怎样化学反应？
目前，人工智能在金融领域的运用，主要集中在3个方面：智能风控、监管科技和智能投顾。
人工智能+风控，这是一个奇妙的组合，也被业内认为，这是人工智能在金融领域最有想象力的环节。
在美国的信贷崛起时代，量化和大数据风控曾经备受推崇，其代表有美国发现金融、美国运通和CapitalOne。
在中国，早期银行曾沿用这套风控体系。
进入互联网金融时代后，经过几年风控缺失、放量狂奔的阶段之后，中国互联网金融开始回归金融的核心：风控。
“而这次风控回归，刚好与人工智能崛起的浪潮重叠，因此产生了一定的融合”，氪信CEO朱明杰认为，中国有机会，直接升级到人工智能风控时代。
传统金融体系搭建稳固的美国，就像一张已画上图画的画纸，而中国，就如一张白纸，更有纵情挥洒的空间。
这也就是为何，中国支付行业能超越美国的原因。
尽管前路光明，但目前中国人工智能+风控还尚在萌芽阶段，专注这个领域的第三方企业不多，一些公司内部，也正在试图自行搭建人工智能风控体系。
“目前，最有效的运用，就是小额、分散、纯线上操作的现金贷”，朱明杰称。
传统的量化、大数据风控，流程是先由建模师从众多维度的变量中，找到一些有效的变量，组合成一个模型，再运用到实际中，不停地验证模型，迭代模型——朱明杰开玩笑地，将其称为人肉智能（HI）。
“而人工智能运行的方式，是给机器喂养大量数据，让它自行构建模型，最终输出一个结果”，朱明杰称。
与美国相比，中国征信体系缺失，信贷数据不足，让人工智能更有发挥的空间。
“很多数据，与借贷都不是强关联性，而人工智能却能捕捉这种弱信号的数据”，朱明杰称，比如一个用户使用手机的习惯、行为数据，在人工智能眼里，都可以找到某种相关性。
但这种神奇的融合，会受到某些桎梏。
中国著名科幻作家刘慈欣曾说道，人工智能最大的一个特点是，它就像一个黑箱，虽然从理论上，它们的运算命步骤是可以追踪的，但是由于计算量巨大，使得这个追踪，实际上很困难甚至不可能，“于是，我们真的感觉他们有智能了”。
金融一直在追求公开阳光透明，以达成某种信任感，金融对于所谓的“黑箱理论”，实在让人难以接受。
监管层要求试点的征信机构，定期要去汇报，主要的汇报的内容，就是要告诉监管层：这些信用分，到底是怎么得出来的？背后计算逻辑是什么？
不论是征信，还是风控，都要保持“可溯源性”，才能建立起信任。
“在金融圈和用户教育上，对人工智能还未完全信任之前，我们只能采取人肉智能（HI）和人工智能（AI）相结合的方式”，朱明杰称，他们会机器先出一些模型，在专业的风控从业者的合作下，同步运营。
不论是金融领域，还是其他领域，人工智能的落地融合，都需要如此一个磨合期。
在金融从业者看来，这个磨合期是绝对必要的，在早期，人类的经验和思考方式，都需要教给机器——用人来训练机器，用数据来喂养机器。
除了“黑箱理论”和“可溯源性”这两个相悖立场的碰撞，人工智能还需要在“效率和公平”之间，找到一个平衡点。
举个例子，在美国，如果所有的风控决策，都让机器来决策，如果来一个黑人，机器从理性来判断，会得出一个结论：黑人相对于白人，还款能力和还款意愿会弱一些。
而美国的法律中规定，不能让对方的“肤色”来决定是否放款，不得搞种族歧视。
“所以，不可所有的规则，都由机器全权判断和制定，需要人类给机器输入一些规则，甚至要树立起机器的价值观”，张本宇称。
此外，效率和公平的角度上来说，机器必将取代所有枯燥、重复、机械，缺乏创造力的职业，而从人类社会稳定的角度考虑，会有一些“弱者保护”机制。
与其说，是效率和公平，不如说是理性和感性——但是让冰冷的机器，具有像人类一样的价值观和道德感，这还需要多遥远的距离？
03监管和投顾
人工智能在风控上的初次试水，让从业者充满期待，而另外两个领域的的运用，却要艰难许多。
监管科技，在美国等金融强监管的国家，运用得较为广泛，而在中国，只能说刚刚睁开了惺忪双眼。
监管科技主要是两个模式：2B和2G。
“在美国，金融监管太过严苛，监管机构丝毫不敢懈怠”，点石资本创始人蔡凯龙称，在美国实在不缺这样的故事：客户不满将公司告上法庭，直接将公司赔到破产。
但美国的法规太复杂，且每个州的法规还不一样，“金融机构就像进入地雷区，不知道什么时候就踩到地雷”，蔡凯龙称，因此美国出现一些监管科技公司，保证金融公司合规，“迈出的每一步都是安全的”。
而在中国，2B的监管科技领域几乎是空白，是因为互联网金融的监管，才刚刚起步，远不到需要人工智能机器介入的地步。
“但中国慢慢进入金融强监管的时代，这片市场，前景可期，也值得布局”，张本宇称。
而2G领域的运用，就是给政府部门提供监管技术，帮助他们管理和监控。
在中国，2G布局的公司也不多，尚在起步阶段。
“我们主要是帮监管层，提供一些追踪溯源的服务”，某监管科技公司的CEO称，比如，某次舆论爆发，或股票大涨，用人工智能去探寻，背后到底有哪些因素起作用。
监管科技刚刚起步，而智能投顾，已搭上了人工智能的快车一年多了。
所谓智能投顾，就是用机器人当“投资顾问”。
国外美国智能投顾代表Wealthfront，目前已获得了12.9亿美元融资；国内，弥财、财鲸、理财魔方、蓝海智投等早期智能投顾项目，都获得了千万级融资。
据知名管理咨询公司科尔尼预测，到2020年，智能理财市场规模将突破2.2万亿。
看起来前景无限，但智能投顾在中国发展却举步维艰。
最主要的原因，就是中国的投资环境，过于浮躁。
“智能投顾的优势，在于长期稳健的分散投资，是一个控制风险波动的产品”，璇玑CEO郑毓栋称，短期投资，智能投顾的优势并不能展现，“以璇玑为例，去年来看它的收益不能算高，短期还有些小幅的亏损”。
中国的理财者，主要分类两类：一类是股票散户，他们投机心理较重，对于这种长期的稳健的投资，根本不屑一顾。
而另一类是被余额宝和P2P教育出来的理财用户，对于智能投顾年化率3-6%的表现，他们也看不上。
最终，智能投顾成了一个“夹层产品”，不上不下，导致获客难上加难。
如果智能投顾有一个“形象”，它应该是一个稳健、温和的机器人，它没有“摧枯拉朽”的力量，它倡导健康理性，也无法做到永胜不败。
而这个温和的革命者，恐怕暂时还无法掀起惊涛骇浪。
在金融领域，人工智能将要取代哪些人？
大家的答案，几乎是一致的：信审、建模、底层数据员、分析员等等，这些机械、重复、创造性较低的工种。
有些人已开始彷徨、开始恐慌——但我们总是高估了眼前的事情，低估了5年以后的事情。
时代确实不远，我们需要做的，就是适时而动——唯一的不变，就是变。
智能EDA浪潮即将来袭，ChatGPT如何助力设计芯片
提到Chatgpt，你会想到什么？提到芯片，你又会想到什么？可以把你脑海中浮现的第一个词记下来，看完这篇文章，肯定会改变你的看法。如果你是一个科技爱好者，那么你的第一印象是Chatgpt是一个高智能的对话模型，可以和人对话，而芯片产业是个复杂的整体，不止有上层的体系结构设计者，还有底层流片的工程师。你或许不会把两者结合起来，因为两者看起来风马牛不相及。但实际上，Chatgpt模型独有的代码生成能力极大地加速了设计芯片的速度。由传统EDA（电子设计自动化）向智能EDA的转型浪潮即将开启，今天这篇文章，我们就来一窥Chatgpt驱动下传统EDA是如何演变成智能EDA的，Chatgpt是如何驱动芯片设计产业链的创新。首先我们来看Chatgpt在芯片产业前沿上的一个应用：量子控制处理器是量子计算机的核心控制部分。用Chatgpt合成的一个量子控制处理器的代码如下所示。moduleQuantumControlProcessor( inputclk, inputreset, input[7:0]instruction, input[7:0]control, outputreg[7:0]qubit_pulse, outputreg[7:0]timing_pulse);//此处因为篇幅原因省略实现endmodule实际上这段代码也许会有些小问题，比如Chatgpt并不能很好地实现时序的控制，会出现浪费时钟周期的现象，但是这段代码可以正确编译，并且是一个有效的设计方案。也许你会很惊奇，这是怎么做的呢？这样做有什么前景呢？本文接下来的部分会给你答案。Chatgpt可能对芯片设计流程带来的改变Chatgpt将为芯片行业提供足够的可复用代码芯片行业需要的巨大设计代码量亟需一个高效的开发工具。芯片设计是一个需要大量代码堆砌的行业，比如阿里的玄铁OpenC910的核心开源代码就有351KLOC左右。如图1所示，工业界一般从最顶端的verilog开始设计，使用EDA的前端和后端工具生成版图。verilog的编写需要设计时序，通常较为复杂，因此chatgpt生成这一块的代码可以降低很大的人力成本。芯片的时序要求较为严格，因此也有大量的功能相对固定的时序相关模块，比如AXI接口、FIFO等。这些模块都可以使用Chatgpt来降低人力成本。虽然目前已经有Chisel、Spatial、MyHDL等新的硬件设计语言，但是这些语言很大程度上受制于宿主语言的限制，也无法用接近自然语言的方式描述电路。图1：智能EDA和传统EDA流程图
ChatGPT在代码生成方面显示出了优秀的表达能力。只需要给它一个任务提示，就可以自动生成对应的代码。相比软件和算法的合成而言，由于硬件设计代码并不像软件业务代码具有场景多样性，并且其参数化和时序控制相对人类的认知能力虽然复杂，但是有固定的模式可以遵循，因此Chatgpt做硬件设计代码自动生成的优势更为明显。它对于已经有的硬件具有很好的归纳能力，能够准确地提炼出设计模板中可参数化的配置点。笔者的指导教师中科院计算所副研究员王颖博士认为，短期内即便是一个完全行业化的chatgpt版本也无法带来理想中的全自动化设计能力，但是配合云化EDA的趋势，有望快作为一个设计助手大幅提升设计验证效率并降低开发门槛，尤其对于教学工作将带来重要改变，此外，chatgpt在各项流程中表现出来的自动化水平，eda领域并非没有比他更好的SOTA点技术，只是在完整性和交互自然上chatgpt有天然的优势。最后，chatgpt验证了大模型在自动化芯片设计领域的潜力，能够驱动开发者进一步地在此之上设计Prompt范式，从而存在进一步提升设计的功能准确度和生成芯片的性能的空间。Chatgpt在芯片设计领域的智力水平远超之前的相似工作Chatgpt真的有替代人工的准确性吗？Chatgpt和之前最好的代码自动生成的方法比起来好了多少呢？可以把之前的代码生成方法分为三类，一类是以编程语言社区为代表的基于规则[11,12,13]的方法，第二类是基于测试用例的生成方法[5,6,7,8,9,10]，第三类是以自然语言处理社区为代表的基于文本和模型的生成方法[1,2,3,4]。表：比较OpenAI两种最新模型用于代码生成
Chatgpt和CodeX都是OpenAI公司基于GPT-3研发的模型，从上面的分析中可以看出，Chatgpt的范围更广，并且Copilot的用途单一，仅仅为代码补全。这就为基于Chatgpt开发智能代码相关工具提供了更广阔的空间。Chatgpt极大地驱动了智能EDA技术的发展在Chatgpt出现之前，就有许多自动化代码生成方式，他们为什么不能够驱动智能EDA技术呢？Chatgpt在芯片设计代码上有一系列潜在的应用Chatgpt能够远远地超越传统方法，并且它可以做到零样本学习（Zero-shotlearning），相比传统的程序合成并不需要专门的训练（因为OpenAI已经完成了），并且配合细致的功能描述，他庞大的知识储备也可以使能高正确率的代码生成。如表1所示，Chatgpt将会逐渐演变为芯片前端的自动化流程中极为关键的一步，在未来很有可能演变成为继HLS开创C语言设计芯片后的又一种新的范式。在后文，我们将会介绍如何使用Chatgpt做Verilog的代码生成。表1：ChatGPT在芯片自动生成各个领域的开创性创新（以HardwareDesignLanguage为例，软件语言可以参照分析）
如何使用Chatgpt生成芯片代码与芯片设计相关的程序合成方法包含两类，高层次程序生成和时序相关硬件描述代码生成。高层次程序生成可以生成HLS等不具有显式时序控制的C/C++代码等，而低层次程序生成可以生成具有显式时序控制的Verilog代码。由于HLS在实际工业界设计芯片时较少采用，因此我们采用Verilog作为主要的目标语言。对于Chatgpt而言，我们以自然语言描述作为输入，就可以获得符合要求的芯片描述代码。具体来说，应该如何做呢？我们以Verilog为例介绍如何用Chatgpt生成代码。基于Chatgpt的通用生成步骤actasaprofessionalverilogprogrammer因为Chatgpt是个通用的代码生成工具，而Verilog是个专用领域，我们需要先“催眠”Chatgpt，使得它能够生成Verilog程序。向Chatgpt中输入下面的prompt，之后的生成都会是以Verilog代码为基础的。我们接下来的部分都是以片上网络NoC模块为例阐述代码生成方法的通用步骤。由于版面有限，这里就不列举Chatgpt生成的完整代码了。但是我们可以看出，On-ChipNetwork这个关键字有很多种不同的理解方式，ChatGPT选取了基于总线的理解方式。如果我们想要其他的语义理解方式，我们就应该探索出不同的输入即提问方式。组合生成模块步骤前面只是生成了有限的模块，但是能否把模块组合起来呢？我们的目标是用两个原本不存在的strangemodule组合成一个nostrangemodule。下面生成一个顶层模块strange，底层有两个加法器，他们的输出连接着一个减法器，我们把这个东西叫做strangemodule。Chatgpt为什么能在芯片生成领域取得成功Chatgpt能够在芯片合成上取得成功应该归功于它对代码的理解和对自然语言语义的准确辨识。Chatgpt生成芯片设计就万事具备了吗虽然Chatgpt模型可以完成芯片设计前端的部分工作，但是还存在如下挑战，需要人工和EDA工具链的联合调优才能生成一个符合规范的芯片。硅工行业如何应对智能EDA危机Chatgpt作为一种智能EDA流程，既是一个危机，也是一种机遇。它能够替代一部分EDA前端的工作，但是由于EDA后端很大程度上依赖于确定性和对细节的分析，才能得到更好的优化结构，因此对于支持EDA后端优化的工作存在困难。但是它也创造了新的岗位，比如可能出现的模型提示工程师，错误修正工程师。图5：按照工程师岗位区分的可替代
为了更清晰地分类不同岗位上硅工行业的可替代性趋势，我们按照EDA的流程自顶向下划分了四个阶段，即体系结构设计阶段-芯片代码实现阶段-芯片PPA调优阶段-芯片验证阶段如图5所示。注意这里的芯片调优指的是在前端通过改动部分硬件结构和算法实现的调优，因此列举在芯片验证前面。蓝色方框代表很难替代的岗位，黄色方框代表容易被替代岗位，灰色方框代表新增加的岗位。下面分析按照具体流程区分的替代性，揭示为什么有的岗位的工程师容易被Chatgpt替代，而有的岗位的工程师很难被Chatgpt替代。中科院计算所智能计算中心主任韩银和研究员认为chatgpt不光能辅助加速芯片设计流程，也对芯片本身带来一系列挑战，也许是当下热点如存算一体、芯粒集成以及大芯片架构等技术带来迫切等待的杀手级应用。较难替代的流程新增加的流程错误修正工程师。由于Chatgpt生成的程序可能存在细节上的问题，有的地方不符合时序或是模块间的连接标准，因此就需要错误修正工程师对其修正。模型提示工程师。Chatgpt生成代码的质量和输入的prompt紧密相关，因此需要有一部分熟悉Chatgpt“脾气”的人专门设计prompt以便生成符合规范的代码。未来的发展趋势在智能EDA的浪潮下，有些岗位不可避免地会被替代，那么未来会以什么样的次序被替代呢？从前后端分布上看，后端由于有版图设计等精细化的任务，因此不可替代性较强。对于前端来说，最先替代的是芯片实现中的模块工程师，因为从上面生成芯片的实践中可以发现，基本模块代码生成这一部分最为直观。在它之后会出现的替代岗位有组件设计工程师，这一部分会在工程师们熟悉用Chatgpt组装模块后替代。对于其他的工程师而言，Chatgpt更多地只是具有辅助价值，而不能完全地替代。因而我们可以看到，越是上层的，涉及到架构抽象的部分越不容易替代；越是底层的，涉及正确性的部分也不容易被替代。中间部分的替代顺序将会是自底向上，从基本模块向上层组件逐次地替代。政策上要抢占智能EDA先机自力更生与充分吸取世界前沿并非不矛盾。传统EDA和大模型在OpenAI首发而其他公司尚未跟上固然有着复杂的原因。但是政策上仍然需要分出一只手，让部分过热资本从解决传统EDA和大模型问题的项目中抽出，鼓励企业抓住智能EDA发展初期行业壁垒小的时期，勇敢步入业内，构造出新的技术壁垒。只有这样，才能解决不断被新技术取代的问题。否则，过热资本涌入已经成熟的产业会造成资本回报率下降，同时创新技术无法获得更高的资金支持，导致创新型企业不敢试错，无形中增加了创新型企业的试错成本，使得创新型企业更倾向于市场证明成熟的技术。因此，政策上应该适当鼓励企业基于Chatgpt这类大模型做衍生技术，尤其是在大模型已经展示出强大的代码生成能力之上，基于智能EDA技术的企业更应该抢占先机。资本市场的投资目光应该由大模型本身向其衍生技术转向在信息技术领域，先进技术不断从通用走向专用，逐渐走向基于之前技术的衍生技术，以处理器设计领域最为明显。在上个世纪时，CPU火爆一时，造出了高性能的计算机，本世纪初，GPU逐步流行，驱动了游戏的开发，最近十年，NPU开始走上舞台，使能高能效的神经网络训练和推理。由此推知，当大模型成熟以后，其衍生技术也会在之后几年走上舞台。智能EDA技术是大模型技术的衍生技术。虽然衍生技术投资在刚开始看并不占优势，但是从经济上看，直到那种技术首发并形成技术壁垒时其投资回报率会较高。随着Chatgpt这一类大模型技术的日渐成熟，对企业的投资会出现边际效应递减的现象。个人投资者和机构投资者应该认识到信息技术的投资规律，渐渐把目光转向大模型的衍生领域，尤其是关注基于大模型的算法在芯片领域的应用问题。产业从业人员应该充分利用我国为人工智能、集成电路领域设立的大基金优势，积极申报人工智能和EDA交叉的基金。因此，无论是从产业政策上看，还是从投资规律上看，智能EDA领域十分有必要应该成为我国投资者的投资对象。相关文献基于文本模型的代码生成[1]ZhangyinFeng,DayaGuo,DuyuTang,NanDuan,XiaochengFeng,MingGong,LinjunShou,BingQin,TingLiu,DaxinJiang,andMingZhou.2020.[CodeBERT:APre-TrainedModelforProgrammingandNaturalLanguages].InFindingsoftheAssociationforComputationalLinguistics:EMNLP2020,pages1536–1547,Online.AssociationforComputationalLinguistics.[2][GRAPHCODEBERT:PRE-TRAININGCODEREPRESENTATIONSWITHDATAFLOW][3][CodeT5:Identifier-awareUnifiedPre-trainedEncoder-DecoderModelsforCodeUnderstandingandGeneration][4][UniXcoder:UnifiedCross-ModalPre-trainingforCodeRepresentation]基于测试用例的代码生成[5]RajeevAlur,RastislavBodík,GarvitJuniwal,MiloM.K.Martin,MukundRaghothaman,SanjitA.Seshia,RishabhSingh,ArmandoSolar-Lezama,EminaTorlak,AbhishekUdupa,[Syntax-guidedsynthesis],2013[6]Peter-MichaelOsera,SteveZdancewic,[Type-and-example-directedProgramSynthesis],2015[7]JohnK.Feser,SwaratChaudhuri,IsilDillig,[SynthesizingDataStructureTransformationsfromInput-outputExamples],2015[8]ArmandoSolar-Lezama,[ProgramSynthesisbySketching],2008[9][KensenShi],[JacobSteinhardt],[PercyLiang],FrAngel:Component-BasedSynthesiswithControlStructures,POPL,2019[10]YuFeng,RubenMartins,YuepengWang,IsilDillig,ThomasW.Reps,Component-basedsynthesisforcomplexAPIs,[ACMSIGPLANNotices],2017基于逻辑规则的代码生成[11]Z.MannaandR.Waldinger,"Synthesis:Dreams→Programs,"inIEEETransactionsonSoftwareEngineering,vol.SE-5,no.4,pp.294-328,July1979,doi:10.1109/TSE.1979.234198.[12]BerndFinkbeinerandSvenSchewe,Boundedsynthesis,inIntJSoftwToolsTechnolTransfer,(2013),15:519–539,DOI:10.1007/s10009-012-0228-z[13]PeterFaymonville,BerndFinkbeiner,andLeanderTentrup,BoSy:AnExperimentationFrameworkforBoundedSynthesis,CAV2017“人工智能”浪潮退去，“AI四小龙”怎么了
众所周知，商汤科技、旷视科技、云从科技、依图科技号称是“AI四小龙”，他们争抢科创板上市第一股的“冲动”而今变得慢条斯理。据悉，依图科技和云从科技于2020年提交科创板招股书，旷视科技转战科创板，而商汤科技仍未IPO。
云从科技、依图科技分别因为需补充材料和保荐人要求而在3月份中止审核，旷视科技刚刚完成问询，AI四小龙似乎正遭遇困局。全民造车浪潮来袭成就了全民与车共舞的时代，全民投身造车事业，人工智能浪潮似乎渐渐失去风声，当初大热的AI四小龙怎么了？
AI+现实乏力，四小龙各据一方
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。各行各业借助人工智能可以得到快速发展。但自从AI词汇出世以来，受到资本追捧，时过境迁AI“雷声大、雨点小”并无取得实质性的成绩。
AI市场随着发展，渐渐退去靓丽的外衣，AI赛道如今没了以往的热闹场面，AI正式迎来“四超多强”的局面，曾经的四小龙在AI赛道贴身肉搏，但随着人工智能的落地乏力，四小龙便开始各据一方，占据属于自己的AI领地。
商汤科技是四小龙中最被外界看好的公司，商汤科技原创了自己的底层算法平台，在AI这条路上加快脚步。旷视在智能安防上有着智能优势，主要精力集中于FaceID、开放平台等上。云从科技也在金融、银行和安防上有着自己的科技实力。依图科技在医学影像上有着自己的造诣。
在江湖老刘看来，AI四小龙规划着自己的领域并在其领域上深耕，四小龙由聚拢变得分散，也许这也是人工智能浪潮褪去的表现，当人工智能落地乏力时，四小龙自然要寻找新的突破口。
融资灌血续命，亏损持续扩大
人工智能市场的代名词是“烧钱”，AI市场科技烧钱、人才烧钱，而且都是大钱，从四小龙的融资情况看，四小龙一直是依靠融资灌血续命。2018年，人能智能浪潮席卷，AI四小龙拿融资拿到手软。短短不到3个月，四小龙就已经拿到了100多亿人民币的融资额。而根据CBInsight数据，2017年中国AI创业公司的融资总额也不过500亿人民币（73亿美元），就已经占到了全球的48％。AI四小龙始终没有拿出亮眼的成绩单来回应当初的风光时刻，与之而来的是招股书上的亏损，旷视科技亏损体量更为惊人。据招股书显示，2016年到2019年，旷视科技分别实现营收6780万元、3.13亿元、14.27亿元、9.49亿元。净利润分别亏损3.43亿元、7.59亿元、33.51亿元和52亿元，其中研发费用占了大份额。云从科技、依图科技也处于亏损之中。在江湖老刘看来，人工智能是烧钱的，要想成为人工智能独角兽，烧钱换市场是行业必然之路。距离风口已经过去三年，AI四小龙用亏损的成绩欲走上市之路，资本必不会再为落地困难的AI买单，四小龙的上市之路一波三折，往后看，四小龙的亏损之路愈发艰难。
AI估值泡沫，风口浪潮已褪
AI智能浪潮来袭之时，AI估值不断攀升。从如今AI企业的融资情况来看，每况愈下，融资换血实在难，现实将AI四小龙拉回现实，融资之路走不通便开始借助于股市的资金盘活市场，估值泡沫仍存，面临着市场困境的头部玩家们又怎么消化泡沫呢？AI四小龙面临的困难反映的是行业困境。自从人工智能面世以来被社会各界寄予厚望，一直在夹缝求生，科技实力对于AI行业而言是硬实力，整个行业并没有实现盈利的目的，反而是在持续亏损，也许上市才能获得继续烧钱换市场。在江湖老刘看来，AI估值泡沫始终存在，而今新的风口已现，长江后浪推前浪，留给人工智能玩家们的时间已经进入倒计时了，上市也许是目前继续生存的最佳方式，但上市一波三折甚至中止“登科”，AI四小龙还有很长的一段路要，能确定的是，这段路一定布满荆棘且茫茫未知。
财经江湖，混迹在财经江湖的从业者，做财经评论的领跑者！