定律一：追求更高的算力

IT 产业发展的历史几乎就是计算能力（算力）不断更新迭代的历史，你我手上一部几千元的智能手机，其计算能力差不多是 50 多年前阿波罗登月导航计算机的 1 亿多倍。

这就是算力提升的直接体现。而在过去一年，围绕算力的争夺大概分为两个领域：话语权与成本。

其一，即便我们可以从其他角度继续解读「摩尔定律」的有效性，但 CPU 并不再是那颗唯一提供算力的芯片了。最近五年时间里，英伟达已经向行业展示了基于 GPU 带来的巨大计算红利，特别是在面向机器学习的场景中，GPU 的效率惊人，而随着英伟达 GPU 产品线的不断迭代，由此也形成了一个全新的产业定律：「黄仁勋定律」。

即便是英特尔，也在释放一些值得关注的信号，一方面，加码芯片代工并在欧美投资芯片工厂，另一方面，英特尔今年重磅发布的 IPU，其作用也是减少某些特殊场景——比如机器学习——对 CPU 的依赖。英特尔所有这一切，都是在努力成为「新一代算力供应商」。

其二，阿里云、AWS 先后发布基于 ARM 架构的云端通用处理器、Google 持续优化 TPU、百度迭代 AI 芯片昆仑、腾讯推出专属 AI 芯片，其根本推动力是基于对算力的成本考量，特别是，无论阿里云、AWS 还是腾讯、百度，它们的另一个身份是云计算公司。

通过降低成本、提升芯片带来的计算效率，上述几家云计算公司可以更好控制对服务器硬件的采购预算，减少对上游服务器硬件公司的依赖，从而可以向更多客户提供更便宜的云服务；更重要的一点还在于，随着越来越多的云计算巨头在虚拟化架构（比如 AWS 的 Nitro 或阿里云的「神龙」）、云操作系统领域加快研发速度，通过底层计算芯片与计算架构、操作系统的整合，能够进一步优化计算效率与成本，从而形成新的技术竞争力。

定律二：客户需要灵活可控的 IT 架构

2021 年的云计算市场充满了各种变化，仅在中国市场，就有几个重要事件：

• 阿里云开始盈利；

• 华为云架构持续调整；

• 字节跳动正式进入云计算市场；

以海外市场的视角去看，AWS 更换 CEO、Google Cloud 增长迅速、阿里云跻身 Gartner 云基础设施和平台魔力象限的「远见者」……

但如果换一个角度去看，还有几个一直没有变化的趋势，比如，企业上云依然处在非常早期的阶段，这意味着，整个云计算的市场格局远未形成，所谓「云计算 2.0」或「云计算的下半场」的说辞毫无意义。

其次，对客户而言，无论是选择公有云还是私有云，成本、弹性、安全始终是最优先的考量，由这些不变的客户需求出发，你会看到云计算公司的一系列新战略和新产品，比如阿里云持续强化「飞天操作系统」与本地 Region 的关系，其目的就是要将阿里云部署到客户需要的任何一个地方；类似地，AWS 本月更新的 AWS Outposts 产品线，也是要为不同需求的客户提供足够灵活的本地部署选择。

再比如，各大巨头不断升级的云原生战略。腾讯在 4 月成立技术委员会，云原生是其重要发力的技术方向；余承东唯一一次作为华为云 BU CEO 上台演讲，其发布的核心产品也是云原生；而下半年正式踏入云计算市场的字节跳动，云原生同样是其产品输出的关键能力。

更进一步，当客户完成基础设施上云之后，应用与业务上云的需求，也为云计算巨头开辟了新的增长空间，比如低代码开发平台。

利用低代码工具或平台，企业业务人员可以快速开发、部署业务应用，既减少了与开发人员的沟通成本，又能利用这些应用快速推进业务，实现「降本增效」，这并不仅是简单的逻辑推演，Forrester、艾瑞咨询等机构也给出自己的预测数据：

由此也不难理解为何钉钉成为阿里云「获客」与「留客」的关键，以及，为何 AWS 会不断加码对低代码的投入，从可拖拽的低代码应用开发工具 Amplify Studio 到机器学习低代码工具 SageMaker Canvas，不断降低的应用开发门槛与不断「赋能业务人员」低代码产品，连同无法轻易迁移到其他云服务的「绑定」，构成了云上竞争的新图景。

定律三：AI 技术必须与产业结合

回顾 2021 年的人工智能领域，你当然可以从以下几个线索中切入：

• 语言大模型的「军备竞赛」愈演愈烈；

• 全球 AI 领域的投资变化；

• 全球主要国家的 AI 国家战略；

但在这一系列变化里，有一条不变的规律：没有 AI 产业，只有产业 AI。

过去的 2021 年，随着中国一大批 AI 创业公司为了上市而公开自己的财务数字，公众第一次全方位了解到所谓 AI 技术公司的市场潜力：

• 持续亏损：以所谓「AI 四小龙」的商汤科技、旷视、云从、依图为例，过去三年共计亏损 133 亿元人民币，占营收的 85%；

• 市场以及客户集中：以面部识别为落地场景的安防市场最为集中，2020 年安防相关业务占据了依图 98% 的营收，云从和旷视营收的 60% 也来自安防，在另一家创业公司格灵深瞳的客户里，前五大客户收入占据公司营收五成以上；

这些数字足够「难看」，但即便「难看」也要亮出来的根本原因就在于，由于这些 AI 创业公司此前动辄 1 亿美元以上的融资规模、业务模式单一以及营收缓慢，使得他们已经很难在私募市场获得大额融资，或者换句话说，中国的 AI 创业公司需要借助上市为自己「续命」。

作为一个「反例」，美国市场的 AI 创业公司 Databricks 依托开源数据服务 Spark 为基础，提出了「Data Lake House」的理念，即打通所谓数据湖（Data Lake）和数据仓库（Data House）构建了一个统一的数据分析和服务平台，并引入大量 AI 技术，帮助企业客户快速高效处理海量数据。

Databricks 的大客户包括阿斯利康、汇丰银行等巨头公司。在新一轮融资 16 亿美元的融资后，该公司估值超过 380 亿美元，而其 2020 年的年度经营收入为 6 亿美元，高于上一年的 4.45 亿美元。

但无论如何「续命」，「AI 产业」都无法支撑中国 AI 创业公司未来的市场故事，而在「产业 AI」的战场，这些明星 AI 创业公司需要面对的是一个个足够细分与足够垂直的市场，也是一个个需要定制与庞大服务人员作支撑的传统客户群体。在这个赛道上，既有觉醒后的「传统」互联网公司（比如百度与腾讯），也有依靠平台与资本转型转身的行业巨头（比如华为），当炫酷的 AI 实验室技术比拼逐渐远去，属于 AI 的下一场战役不仅是商业化，还有围绕 AI 商业化的产业升级与重构，与巨头们拥有不断完善的云服务以及大量 C 端产品相比，这些 AI 创业公司并不占任何优势。

尾巴

2022 年的大门即将开启，从一月份的 CES 开始，整个产业又会进入一个新的年度循环。

接下来的一年里，我们会看到各种新技术（算法）、新模型、新产品，也会听到「旧公司」的新战略与「新公司」的「旧宣言」，但在围绕人工智能、云计算的产业发展力，追求更高与更节能的算力、以客户需求为核心的云计算产品路线、持续与不同产业结合的 AI 公司（技术），这三大产业「定律」依然会贯穿其中，构成认识这个不断变化世界的底层逻辑。