原创 奇绩创坛 2024-11-21 21:03 北京
AI创业公司爱莫科技入选国家级专精特新“小巨人”企业。
在通用智能掀起的本次变革浪潮中，科学、技术、生产力、发展模式都在发生全面的、根本性的变化。在技术扩散的前沿，创业是驱动创新的路径中最高效的一种。我们不定期访谈奇绩投资和加速的技术创业者，分享他们创业的真实故事和经验，并发布在「AI前沿应用落地」专栏里。
文｜张雨诗
编辑｜沈筱
对多数 AI 创业公司而言，实现盈利是一道悬在半空的难题。这背后反映的实际问题是，当新的技术出现，或现有技术取得突破性进展时，如何将这些前沿技术迅速应用于真实的产业场景中，解决具体的需求，并产生商业价值。
破题的方法多种多样，奇绩 2021 年春季创业营校友企业「爱莫科技」的探索有一些进展。爱莫科技成立于 2018 年，聚焦为企业提供 AI 驱动的作业流程自动化 （WPA，Workflow Process Automation ）系列产品，目前公司已连续三年实现盈利，近三年营收复合增长率超过 50%，并于今年成功入选国家级专精特新“小巨人”企业。
我们专访了爱莫科技创始人杨恒，并基于访谈梳理了这些问题：
爱莫科技早期探索需求的过程，以及走过的弯路
初步需求验证失败时，爱莫如何找到新机会
爱莫做大 B 客户和在零售领域销售的经验
爱莫用 AI 在零售行业创造商业利润的要点
产生利润的产品功能
技术实现方式
对零售行业潜在需求的挖掘
数据/大模型技术在零售领域价值的思考
本期专访的对象是爱莫科技创始人杨恒。杨恒是英国伦敦大学玛丽女王学院计算机系博士、剑桥大学博士后，本科和硕士毕业于国防科大计算机仿真专业，曾作为核心成员参与多项人工智能方向国家项目，以及欧盟重点科技项目，在顶级 AI 会议和期刊发表论文 30 余篇，并拥有 40 多项授权的人工智能领域国家发明专利。
奇绩：为什么从创业之初就选择聚焦线下消费零售场景？
杨恒：公司成立之初就立志要做线下零售场景的 AI 应用。这也是公司名字「AiMall」的由来。
当时的核心思考是，线下零售市场体量足够大，但相较线上零售数字化程度还很低，是一片蓝海。在中国，线上零售已经非常发达，占据了全球最领先的位置。但若从体量上比较，线下零售，尤其是社会消费品仍然占据消费总额的至少 70%-80%。因此，尽管成立之初还没有聊任何客户，但经过分析，我们认为 AI 技术有潜力理解和改造线下零售场景，无论是加速该场景下的数字化进程还是帮助线下零售提效。
奇绩：锚定线下消费零售的大场景后，如何进一步找到具体的需求场景？
杨恒：从技术出发，我们肯定首先选择场景中自己最擅长解决的问题。比如爱莫创立之初，最擅长的是与人相关的 AI 分析，我从博士开始就一直做人脸识别相关研究，所以就想到了线下零售场景的消费者洞察。
奇绩：爱莫成立时是判别式 AI，尤其是人脸识别火热的时候。当时做线下零售场景消费者洞察的公司多吗？
杨恒：我们刚开始成立时的确挺多公司在做，包括在当时那一波 AI 技术发展机会中成长起来的企业，比如 AI 四小龙、格灵深瞳、云天励飞等，几乎每个专注计算机视觉领域的公司都在做线下零售场景。
但大部分可能在尝试后发现并不如意就很少继续深入了。我们或许是最执着的，坚持在这个赛道上做了下去。虽然技术、产品形态在不断迭代升级，但一直坚持去深耕这个行业为客户赋能，且有很多客户长期合作，让我们在过去几年都保持了盈利的状态。
奇绩：在线下消费零售场景探索过程中，爱莫有哪些失败尝试？
杨恒：最开始聊客户时，我们其实没有找到特别多的痛点，只是做一些消费者精准推荐、客流分析、店面安全等各种各样的应用，拿给客户试用。这些都是我们技术能力完全可以覆盖的，做起来也不难。
以爱莫最初投入精力比较大的消费者洞察-精准推荐为例，我们理想化的模式是，基于产品分析出消费者的潜在需求，并提醒店员应该推荐什么产品，以什么方式推荐。
从逻辑层面思考，这件事是行得通的。比如，在线上零售消费流程中，利用 AI 技术进行用户偏好、画像分析来实现精准推荐，促成交易的这一套逻辑，已经得到了成功验证。我们最初希望在线下也实现这类效果，通过终端消费者的画像分析来辅助提升线下零售成交率。但最后发现，客户对消费者识别分析的付费意愿并不强烈。
初步需求验证失败时，爱莫如何找到新机会
奇绩：在一开始的探索失败后，爱莫做了什么？比如，发现线下消费者精准推荐需求并不真实时。
杨恒：我们分析了客户付费意愿不强的原因，发现线下成交和人（店员）是强相关的，店员推荐成功与否非常个性化。即便 AI 产品辅助五次，有两次成功，店员也不会认为这是 AI 产品的功劳。
反过来想，谁应该为这个 AI 产品买单呢？一定不是店员，而是品牌方或者店主。然而，因为前述原因，当品牌方或者店主去询问店员这套推荐系统是否有用时，店员的答案大概率是否定或模糊的。同时，影响线下成交的因素太多，即使我们能利用 AI 技术提升零售效果，品牌也可能不愿意承认是 AI 产品赋能促成了成交。
为了进一步验证结论，我们选取了一定数量的店铺来做实验，并且做了跨消费场景的尝试，比如有针对鞋服、玩具等低价值的产品，也有针对黄金珠宝、车等高价值产品的尝试。
最终我们发现，无论是哪种情况，客户对这类服务的认可程度都不高，因此我们选择果断放弃。核心是以最小的代价进行快速验证。
奇绩：甄别需求是否真实的过程类似拿着锤子找钉子？
杨恒：我认为技术创业者一定会有这样的阶段，因为这类团队早期最大的优势就是技术能力强。核心是不能固执地盯着第一个“钉子”。当洞悉到某个场景的刚需时，作为有技术研发能力的企业，有机会量身定制“锤子”来快速满足需求。
比如现消费者洞察并不是一个好方向时，我们迅速转换思路，重新根据真实的需求来“定制”技术。
奇绩：失败探索后，爱莫没有选择换垂类场景，而是继续尝试找“钉子”。为什么？
杨恒：一是，当我们真正开始理解、融入这个行业，学会了行业的话语体系，能建立信任后，客户确实愿意告诉我们真实的需求是什么，会愿意为什么买单。
实际上，我们后来的产品思路得益于客户主动告诉我们他们的真实需求——线下消费者的细粒度画像对他们而言并不重要，要让自己的品牌和产品在数百万的零售终端被消费者看到更重要。
所以我们从对人的识别转向货架分析、商品识别，开发了一个名为“一拍即核”的产品，只需拍张照片，就能分析照片中所有商品的陈列情况。这也是我们目前复制推广得非常不错的产品，很多快消品牌都与我们多年持续的合作，除了在营销场景，这个产品也进一步渗透到物流场景，具有很高的市占率。
二是，从长远看，我更看重的是线下消费零售场景，能为公司积累大量非常高价值的数据。
爱莫做大 B 客户和在零售领域销售的经验
奇绩：如何让 B 端大客户主动开口讲需求？
杨恒：拿到真实需求是比较讲究技巧的，但核心就是建立信任。
信任建立的前提之一是，团队本身首先要对新技术到底能解决行业内的什么实际问题有基础认知。我们的联创有十多年世界 500 强消费零售公司的工作经验，对消费场景的理解非常深入，为我们节省了很多调研零售行业 know-how 的时间。
其次，理解行业之后并不是要闭门造车直接做产品，而是要和行内人高效对话。
奇绩：与 B 端客户高效对话的关键是什么？
杨恒：我们当时和线下快消品牌客户接触，大多是大品牌。他们大部分的新品都只能在线上推广，很难在线下沉淀。如果做线下，实际会有很多和我们一样的 AI 供应商去主动 BD（商务拓展）。要在一众供应商中脱颖而出，我们的经验是懂行话，以及拿着产品原型沟通。
比如，很多年前，我和品牌客户第一次聊的时候，他们会问我一个问题——图像识别你们做得好，那能不能识别我们的品牌，或者我们货柜的“上柜宽度”和“上柜高度”。如果不懂行话，你得到的信息就是要用 AI 技术识别柜子的宽度和高度。但实际上，“宽度”指的是柜子里到底有多少个品，即这个 SKU 有多少个品牌在这里面，而“高度”指的是里面摆放的东西，最贵的值多少钱。如果没有掌握行业内的话语体系，就无法有效和沟通，更不用说精准捕捉真实需求。
当然，理解了需求之后，技术公司还需要有快速设计和迭代 MVP（最小可行产品） 的能力。针对 B 端客户，讲得再多，都不如直接展示产品的能力更有说服力。
奇绩：回溯看，好的 AI 技术应用场景需要具备什么特征？
杨恒：一个好的场景需求必须是客户愿意为之付费并且持续付费的。
通过早期探索，我们想清楚了一个道理，如果想深耕一个垂直行业，就必须梳理整个行业链条，找出链条中客户可能愿意花钱的环节，尤其是他们愿意持续花钱的地方，AI 公司如果切入这种环节才有可能赚到钱。如果客户不愿意在某个环节花钱，而是想节省成本，那么 AI 公司也不可能在这个环节赚到钱。
还是以线下零售为例，2018 年更火热的场景是无人零售，但我并不想走这条路。一个最重要的原因是，我们发现在整个线下快消品零售的链条中，采用无人零售努力降低的是人力成本，但这部分并非主要整个链路的成本。而我们关注到的是，每年线下快消、零售品牌花费最多的是营销环节，比如矿泉水品牌的线下营销成本可能超过了其生产成本。并且这类投入是持续的、周期性的、稳定的，而大的生产投入反而可能是一次性的，比如建立生产线，购买或翻新设备等。
AI 技术如何创造价值：
爱莫用 AI 在零售行业创造商业价值的要点（数据、模型）
奇绩：具体到线下营销场景中对“物”的识别，AI 技术能创造何种独特价值？
杨恒：对于快消品来说，商品的陈列与销量直接相关。客户之所以需要识别商品，是因为他们希望在中国大约 600 万个线下终端中，让自己的产品能摆放在最佳位置，以便消费者最容易看到。
以矿泉水为例，当你走进商店购买时，可能不会特别在意它是怡宝还是农夫山泉，除非对某个品牌有特别的偏好。过去，这需要人工检查、观察和分析是否达到了要求。现在，我们可以使用 AI 技术来帮助判断是否满足了这些要求，从而促进购买。一些保质期非常短的产品，比如鲜奶，如果摆放不当就可能被存放过期，造成成本损失。
此外，还需要做好监测，确保商品的陈列按照客户的需求进行。比如，某品牌每月支付给店铺 200 元，要求将产品摆在第三排，那么他需要每天监测这件事是否做好。这件事在用 AI 来做之前，都是依靠人力，派人一家家店铺查看。
奇绩：从爱莫的角度，除了找准需求，采取恰当的满足需求的技术手段，持续盈利的关键是什么？
杨恒：回归到朴素的商业本质。我认为，这是做 ToB 行业的企业需要严格遵循的。具体而言，就是要思考至少两个问题——客户为什么要做这件事，以及客户愿意为此花多少钱。换言之，弄清客户采用 AI 技术的 ROI 和我们自身做 AI 产品的 ROI 。
不排除有一些企业为了 AI 而 AI ，如果陷入到这种场景很容易成为炮灰。因为付费是检验真客户的唯一标准，KA 客户本身决策周期和流程就很长，如果用免费、低价等方式去赢得竞争而不思考自身的 ROI，大概率就是帮着客户做嫁衣或者帮着同行教育客户。
奇绩：从识别“人”到识别“物”，在调整技术方向以满足新需求时，面临什么挑战，如何应对？
杨恒：对症下药。第一个挑战是没有数据，第二个挑战是没有人会标注这些数据。因为线下零售本身数据就少，且标注到 SKU 和像素级准确率，需要非常深的行业知识且标注速度极慢。
为了解决训练数据的采集和标注的问题，我们从 2018 年起就自己开发了 K.I.S.S.（Knowledge driven Intelligence based on Simulation System）系统，对场景进行模拟仿真，在计算机中对物品进行 3D 建模，模拟真实场景，最后形成大量的训练数据。
解决了这个问题后，我们才有机会给客户做产品 demo 获取信任直至成交。产品上线后就源源不断为我们积累了大量的线下真实数据不断优化我们的产品表现，真正实现了“数据-模型-产品”的飞轮效应。
奇绩：对爱莫而言，能形成数据飞轮的底层逻辑是什么？
杨恒：这个可能要结合我们对产品的思考一起来看。我们认为，判断数据积累是否有价值的关键是，想清楚是否切入赛道越早，随着产品使用人数的增加，随着能获取的数据量不断提升，产品可以变得更加强大，价格可以进一步提升。
对有的产品而言，数据越多不一定越好。比如，做一个手写体的 0 到 9 的识别，喂给模型一定数量数据，很快就能达到很好的效果。给它再多数据，后续提升的效益也不大，也就是 AI 能力陷入饱和状态了。所以，反推我们要做什么产品，就应该挑有难度的需求来解决，同时在满足需求的过程中要能够获取和积累相应的数据。
奇绩：之前也提到，爱莫聚焦在原有垂类场景的原因之一是看到了数据的长期价值。零售终端真实数据的价值是什么？
杨恒：数据的价值分为两个层面。一是数据对 AI 模型训练的直接价值。
无论是训练传统 AI 模型还是训练大模型，无论是微调或应用层的开发，要做垂类应用开发，没有领域数据，就是巧妇难为无米之炊。而线下场景数据积累更难得的原因在于，其不像线上零售，可以通过购买或爬虫等方式获得，或在京东、淘宝上，由于零售流程天然就是数字化的，本身能积累很多数据。
另一个层面是数据本身作为一种稀缺资产和产品所具备的价值。
目前，在空间维度上，我们积累的数据覆盖了三四百万家实体零售门店；在时间维度上，数据累积跨度有五六年、更新周期都在一周左右。近年来，我们逐步构建了覆盖数百万零售终端的线下消费零售的大数据引擎，同时正着手打造基于大数据引擎的新型产品，以合规、高效的方式为行业客户赋能，比如帮助他们做更深入的数据洞察。
奇绩：拥有垂类领域数据也是很多成立于大模型兴起之前的 AI 创业公司认为自己不会被颠覆的原因。你怎么看？
杨恒：有很多传统 AI 公司被大模型革了命。我们属于比较幸运的类别，背后很大程度上都得益于在线下消费零售领域的垂类数据积累。就像之前提到的数据对 AI 模型训练的价值。
但除此之外，从我们的产品落地情况来看，大模型目前自身也存在一些局限性。比如在企业作业流程中，需要非常精确的数据时，传统 AI 方法可能表现得稳定可靠。另外大模型的响应速度和推理成本，仍然是很大的阻碍。
当然，大模型也有自己的优势。比如在文本文字处理上，以前需要训练多个小模型，现在用一个大模型就可以高效解决。我们主要为企业打造私有化大模型应用，基于大模型基座和企业的大量内部数据满足客户业务需求，实现作业流程自动化（WPA）。我们过去需要用 BI 分析大量零售数据，而后来基于大模型打造的 「一问即得」产品，完全以问答方式进行数据呈现和分析。另外，我们内部也投入了比较大的研发，尝试用一个统一的多模态、细粒度模型，满足更多业态和场景，并提升内部的产品研发效率。
奇绩：在当前实践中，你观察到大模型有哪些具体场景需求尚未被完全满足？
杨恒：其实还有很多，我首先想到的是质检。比如，某头部汽车玻璃品牌的产品每天有几千人在进行人工质检，玻璃的瑕疵种类非常多，工人需要用眼睛去看、用手去摸，不允许有任何瑕疵。但是传统的 CV 和大模型都没办法以极高的准确度去覆盖所有的玻璃瑕疵类型，不论是从图像捕捉上，还是从瑕疵分析上，相应的技术实现都非常困难。再比如，中国白酒产业非常发达，白酒瓶身的质检也是类似的逻辑。其实很多公司都在这些方面做了尝试，也是一个值得做的场景，但目前这不是我们感兴趣的方向。
奇绩：实现国家级专精特新小巨人之后，爱莫接下来的目标是什么？
杨恒：IPO。这肯定是所有创业者的一个重要的阶段性目标。从科创板注册条件上看，我们有机会在这一两年内在收入、利润、研发投入等相关指标上达标。
这是我们核心团队的共同梦想，我们确实也是朝这个目标去做的。这也是从创业之初到现在，早期团队仍然聚在一起的原因。但最终所有人的梦想都会变成一种责任，对公司本身，对投资人的责任。所以，在这么长时间中，我们能坚持下来自己去市场里找钱，也是在月亮和六便士里面来回切换的过程。
加入 #奇绩创业社区#
扫描创业营二维码，提交奇绩创业营申请表，即可【免费】加入社区，【滑动】查看并免费领取创业社区独家资源：
左右滑动查看更多资源
