李根 鱼羊 发自 纽凹非寺
量子位 | 公众号 QbitAI

印奇再次坐在我们面前。

头发比以前更短，好像也更削瘦了一点。而在此刻、在当下，这位年轻的CEO让人觉得，是不是太勇敢了？

在谈到他创办的明星AI公司旷视对于技术投入的战略坚持和战术方向时，印奇字句明确地用了科研两个字。

科研，本无褒贬色彩。

但企业科研，却是这几年时间和语境里，科技公司特别是AI创业公司，被评价、被争议、被认为烧钱，以及盈利乏术的关键论据。

你能看到各种AI公司们融了多少钱的盘点，然后配以财务报表上的亏损数额；你也会看到学术大牛热潮之后重返高校的新闻，连在一起得出结论——他们对这种模式失落失望失去方向。

更主要的是，“科研”的表述，还会带来AI落地预期上的新困惑。但印奇说，他对此有不一样的看待视角。他说旷视用10年趟出了自己的路。

已经跳出了所谓的“周期律”。

企业科研“周期律”

其兴也勃焉，其亡也忽焉。

深度学习浪潮的席卷，在AlphaGo轰动之前，几乎是以学界人才的“失守”为人所熟知的。

在美国，围绕深度学习三巨头和他们的徒子徒孙引发了哄抢，一度远遁加拿大的Hinton老爷子，甚至到了用竞拍方式来决定自己该接受哪家企业的邀请。

CMU的整个机器人实验室被“端走”了，成为了Uber的匹兹堡机器学习中心。斯坦福、加州伯克利的相关实验室也被谷歌、Facebook、苹果挖空了，全职也好兼职也罢。鲜有AI学者能够抵御产业界的诱惑。

相同的剧情同时在中国发生。百度着手组建深度学习实验室，阿里达摩院的前身iDST也开始酝酿，大批四散在海外研究院和高校里的科学家，手握来自祖国的offer和机票。

创投之火也已经点燃，出自清华的三个年轻人——印奇、唐文斌和杨沐决定携手，成立了一家叫旷视的公司；UCLA归来的福州人朱珑，与发小林晨曦发起依图；香港中文大学的校园里，汤教授终于被VC说服，向学生故旧发出召唤；UIUC的华人视觉宗师黄煦涛门下、完成博士学业的周曦，日后以云从创始人闻名工业界。

这是后来中国最知名的四家AI视觉初创企业的起点，也是中国AI创新作用力里，学术界向产业界涌动的代表性例证，并且作为开始的开始，与他们密切相关的微软亚洲研究院、清华和中科院，同样成为黑洞效应的一部分。

AI大牛、学术大牛进入企业的新闻接二连三，每一桩“转会”都能在业内引发轰动——这种轰动，后来还会以他们中的部分转身重返高校，再次成为新闻。

两次轰动之间，就是所谓的企业科研周期律。

实际上，早在AI浪潮之前，企业科研周期律就已经一次次展现过作用力，只是从规模到影响力，都在AI浪潮中得到最大展现。

现象往往是这样的：

新兴技术春江水暖，产业希望更快突破理论与实践的红线，于是大干快上，哄抢学术人才，其兴也勃焉。

等到理论科研越过临界点，技术实践进入商用落地期，新兴技术不再奇货可居，企业里的工程派和实用派就会重新掌握话语权，理论专家和学者，不得不走向边缘。

这种周期律，背后甚至写在了企业的本质基因里。

新技术兴，意味着机遇和红利，有利可图，给钱给地位才能驱动科研人才更快帮助卡住身位。

而一旦技术成熟，准入门槛降低，技术进入商用落地期，企业内的科研探索也就会更多被作为成本中心视之，地位随之变化，更经不起外部经济大周期的考验，任何风吹草动，都可能动摇到这个成本中心。

所以古今中外，产业研究院基业长青并不常见，贝尔实验室、施乐研究中心，都预研过后来改变世界的技术，但却没有成为红利的最大受益者。

更具体到中国，在AI浪潮之前，一方面局限于历史步伐的遗憾，没能赶上技术创新周期的排位赛，比拼的只能商业模式和市场运营效率；另一方面生存和温饱还都是问题，遑论仓廪足而养科研……

幸也不幸，这是企业科研周期律，第一次如此公开地在中国展现。

而作为AI创新浪潮里最知名的中国代表，作为企业的旷视和以学术成果知名的旷视研究院，从创办之初就浑然一体，至今在公众舆论印象中也难以分割。

在周期律的前半段，这或许是好事，从人才、资本、市场和品牌影响力，都在受益。

但随着大环境转弯，周期律进入下半程，它又会让一切呈现出对立感。

这也是笼罩在旷视身上的认知矛盾性。

外界一方面感知着其频传的科研技术成果，甚至国际竞赛比拼中夺冠卫冕都在变得稀疏平常；另一方面则在财务报表面前动摇，既然投入没有立竿见影地转换为产出，那持续投入的意义又在哪里呢？现在的模式是可持续的吗？

印奇：旷视如何跳出企业科研周期律？

旷视创办于2011年，而旷视研究院，几乎不是一个可以主动选择的结果。

印奇的解释是，在当时以深度学习为技术原点的创新里，全球都处于技术探索期，没有成熟的技术范式，没有成熟的商业模式，甚至没有对应的算法开发工具。

自己摸索打造一整套创新和研发体系，就是唯一的选择。

但这也是符合旷视初心的选择。印奇回忆，他们创业的底层假设就是“技术驱动”，以及如何才能持续不断打造出人无我有的核心技术，完整穿越技术到商业化的大周期。

印奇说，当时技术所能达到的能力边界、所能带来的商业价值和成果，是非常非常有限的。只有把技术边界不断扩大，才有机会解锁不同的场景。

但即便是这样一个看似特别具象化的小问题，真正做到产业领域的从0到1，达到商业级成熟，也大概要用7~8年时间。

印奇认为，对于AI落地，之前外界高估了从0到1的速度，现在又可能低估了从1到N的效率。

因为不同于之前技术变革，AI落地的从0到1，既包括了技术创新上的从0到1，也包括了商业落地上的从0到1。

在旷视，旷视研究院求解的就是一个个从0到1。

过去，旷视研究院展现的公开成果是论文、专利和奖项。在之前公开梳理的文件中，截至2021年6月30日，旷视仅在三大AI视觉顶会中就发表了论文107篇，拥有1200多项AI专利；在各项国际AI顶级竞赛中囊获42项世界冠军，并且由于实现国际权威物体检测与识别顶级赛事COCO挑战赛上的三连冠，被类比为AI领域的中国乒乓球队。

对于技术工程师而言，更熟知的科研结晶是AI生产力平台Brain++、开源深度学习框架旷视天元MegEngine、移动端高效卷积神经网络ShuffleNet。

而现在，旷视研究院给出了一个更具总结性的答案：2+1。

2，指的是AI技术体系，分为基础算法科研和规模算法量产。

1，指的是以“计算摄影学”为核心的“算法定义硬件”IoT技术体系（包括AI传感器、AI机器人）

这种归类，背后既是旷视对于AI落地的战略战术，也是其对AI落地演进的判断。

其中，基础算法科研和规模算法量产，来自AI的维度，这是旷视技术驱动的核心引擎。传感器、机器人则来自IoT的维度，并且明确的是算法对硬件的定义。

这就意味着在旷视研究院，单点技术的基础研发不会停留在单个算法，它需要可以量产集合成软件，并且进一步封装进硬件，成为一个真正可体验、可直观感受的产品。从人和组织的层面来说，也有完整端到端的体系和支撑，个人与集体之间更容易相辅相承。

所以2+1，覆盖了AI落地从基础算法研究、算法生产到软硬结合的全过程，实际就是旷视选择的AIoT落地战略的闭环方法论，是旷视发展背后支撑起科研到商业化的一体化基石。

这样的排兵布阵在国内并不常见，但恰恰更符合印奇对研究院“作战部队”的定位。

作战，就意味着不会停留在理论上谈兵。

但务实、工程化和落地指向的闭环，还不是一个研究院跳出“周期律”的完全保障。

行业有冷有热，穿越周期，还得靠机制。

印奇把旷视过去十年的探索，总结为三点。

第一点，关注结构和成本。有冷周期的准备，但更要对热周期心怀警惕。之所以周期变化会带来人才和组织的不可持续，核心还是人才薪资、成本在非理性时期失去标准，但科研本质又是一个长期系统化的事情，所以需要在热周期、业界都很疯狂的周期，守住科学合理的成本和结构体系。

第二点，激励模型和成就反馈。在企业搞科研，再务实也会是身处相对后方，激励和成就反馈都不如一线那么直接。旷视的做法也从对应的两方面入手，一是拉通产品线，有虚拟小组，任何技术成果商业上的成功，奖励的都是这个产品线上的所有人，包括产品、销售以及研究院工程师；二是有深度参与到前端的机制，比如产品的定义、客户反馈，有合理机制确保研究院工程师获得一手信息反馈。

第三点，人才的成长性和流动性。而且旷视鼓励人才从后端往前端流动，希望一个应届毕业生进入研究院后，逐渐从一个纯粹的算法研发工程师变成全能的AI专家，只要感兴趣，也能触达产品、市场等方面的洞察工作。

印奇认为，归结起来就是在架构一套清晰的平台游戏规则，这个平台上的所有人，都可以清晰地知道身处何处、可以去往何方。

并且跳出周期律背后，最最底层且关键的还是组织内在的基因和气质，对于基础科研和技术，有着超脱功利主义的热爱。

在旷视CEO看来，如果创始团队不是技术出身，很难能够耐得住低谷期和冷板凳，在技术科研方面持续投入。

他举出微软的例子，浮浮沉沉后又重新站在了潮头，背后很容易被忽视的是微软研究院体系过去30多年里坚定且持续的投入，而这背后的背后，是比尔盖茨对于技术创新的由衷热爱，并且成功完成了技术创新到商业回报的闭环，实现了更大范围内的可持续。

但如果你问微软研究院体系是否就是旷视参照成为的样子？印奇又会给出不同的思考。

他觉得微软的研究院体系，其实是商业成功后架构起来的成果，但如果还处于技术创新到商业创业的胶着阶段里，谷歌的体系是更值得效仿的标杆。

印奇解释，谷歌研发体系中有非常浓厚的产品市场视角和工程化视角，能够保证新技术被创造的第一天就对产业应用的方向很明确，这种方向感会让技术科研变得更有生命力。

印奇同时也提到了国内海康威视的研究院，他认为海康诸多创新产品都出自这里。

有意思的是，外界可能仍然在谈论旷视的时候，通常列举类比讨论的是同一批AI创业公司，但在印奇的采访中，他字里行间更多提到的是华为和海康。

事实上，借助华为和海康作为参照系，也能更清晰看懂旷视研发之道，以及中国AI创新当前所处的阶段。

旷视往何处去？

旷视现在是一家AIoT的公司，AI代表出身，IoT指向落地。

这是旷视的战略选择，也是过去几年里不断对外传递的认知。

但如果回归技术创业本质，回归企业属性，旷视向前发展的核心竞争力优势什么？又如何能保证创新和科研战略的持续和基业长青？

依然回到最新的旷视技术开放日现场，答案也在变得清晰。

旷视的核心竞争力，依然是“2+1”中前者的底层——

AI算法。

基础科研是为了研发更好的AI算法模型，量产算法则是对算法的工程化和落地化应用，从底层到前端应用，覆盖了软件要素的全栈。

而且值得注意的是新推出的算法生产平台AIS，这是一个基于旷视Brain++体系，覆盖数据、模型训练、性能分析调优、推理部署测试全链路的零代码自动化的生产力工具平台。

俨然是一个算法生产的机器流水线，产品化的SaaS。一度稀缺且门槛不低的AI算法生产，在旷视AIS这里变成了标准化、自动化模块。

显然，这是一个临界点时刻，AI算法的生产越过了“流水线”红线，接下来可能会发生的新变化也不难推测：

一，AI算法生产门槛持续降低，利用旷视AIS，会写软件就能写AI算法。

二，数据认知和数据治理重要性进一步提升，数据工程师在AI生产环节的比重进一步提升，他们的工作就是为AIS准备好“数据原材料”。

过去常用AI对落地场景里人力的解放，现在直接实现了供给侧上的降本增效，有了更大规模的AI算法供应，就能服务更大范围和数量的客户，就会进一步带来更大规模的增长变化，甚至会是指数级的。

另外，在旷视最新分享的基础模型科研成果中，“大模型”亦在其列。

但与业界“大力出奇迹”的潮流不同，印奇却表示：

“大模型不是大力出奇迹，简单暴力不可能带来真正本质的技术创新。现在的通用大模型，往往具有非常强的边际效应和递减效应。最终的大模型，一定是用规模合适的大模型，去处理与之匹配的合适的数据。”

而旷视给出的答案也再次印证了这一观点。比之通用大模型，旷视的大模型被细分到4个方面：通用图像大模型、视频理解大模型、计算摄影大模型、自动驾驶感知大模型。

其次，To B商业模式下的旷视，一旦在供给侧实现生产力解放，新的创新引擎也就会成为可能。

以AI算法创新出发的公司，之前更多解决的是自身能力如何匹配客户需求，但当算法量产瓶颈突破了，需求侧驱动的创新，自然也会成为创新引擎的一部分。

客户进入新场景新领域，供应商不也会随之前进和适应？

这不是推测，这是基于事实得出的判断。

前面提到的自动驾驶感知大模型正是那个事实依据。

创业十年来，旷视对于自动驾驶、智能车从未展露过雄心。

然而就在这两年里，其消费物联网里的诸多客户，纷纷入局造车赛道，旷视AI能力落地的场景也就需要从手机终端开始向汽车终端迁移。

这种因为供应商身份而跟随客户进入新领域的案例，华为不就是最典型的那一个？并且进一步连点成线，旷视研究院这种“作战部队”的风格，也跟华为如出一辙——只不过区别在于华为是解决温饱之后才开始有机会建立研发体系。

以及旷视研究院也确实很能打，刚披露的自动驾驶感知大模型，不论是摄像头感知算法，还是激光雷达感知的神经网络架构，都在业内权威的Benchmark NuSenses上刷新了全球纪录。

最后，旷视“2+1”里的“1”——亦即旷视认养“现金奶牛”之心，也藏不住了。

依然是开放日现场，旷视把IoT那一面、硬件那一面，以AI传感器介绍，甚至也不再避讳就是要用AI实现传感器的重塑、重造和重新定义。

并且这一次，旷视的“硬”还是通过出货量展露的——目前已经和合作伙伴一同在指纹传感器上实现了千万量级的出货量。

为什么要如此坚定变硬？旷视给出的解释是：全链路的整合能力是做算法定义硬件的核心。

但从成本和利润来看，唯有深入硬件的全链路整合，拥有从软件到硬件的全栈能力，才能真正拥有定价权和利润空间。

这个逻辑一以贯之，也就能理解旷视在物流供应链领域正在展开的AIoT落地，那是一个更长链条、更大空间、更强商业回报的闭环场景。

而回到印奇谈论的旷视科研初心那里，只有成为一家成功的商业公司，真正用自己赚来的利润，企业科研和技术创新才会是可持续的。

这是一条AI公司需要验证的路，也是中国公司终于有机会完整试一次的路。

最后的最后，我们还和印奇聊了些旷视之外的话题，完整对话视频敬请期待，这里奉上片段先睹为快~