德旺配资技术领先≠商业成功：AI大模型公司会重演AI四小龙的失败剧本吗?

（转自：数字化企业）德旺配资

在中国人工智能的发展史上，“AI四小龙”——商汤科技、旷视科技、依图科技、云从科技，曾一度成为产业追光者的象征。它们以计算机视觉为核心技术路径，率先将人脸识别、图像识别等AI能力应用于安防、金融、交通、医疗等多个领域，牢牢占据了中国视觉AI市场超过70%的份额。

- 文章信息 -

]article_adlist-->

本文作者：彭昭（智次方创始人、云和资本联合创始合伙人）。由「物联网智库」原创首发，数字化企业经授权发布。

曾几何时，商汤科技市值一度突破3000亿港元，旷视科技的Face++成为全球最大的开源人脸识别平台，依图科技打造出全球首个AI肺炎诊断系统，云从科技则服务了超过400家银行机构，日均调用量超过2亿次。

四家公司合计融资总额超过百亿美元，是名副其实的“AI国家队”。

但当我们回头看这段辉煌历史，看到的却是另一幅图景：持续亏损、融资受阻、裁员潮起、IPO流产，巨大的技术光环之下，是商业化困境的深渊。

2024年，商汤科技营收37.72亿元，却亏损高达43.07亿元，累计亏损已超过545亿元；云从科技营收3.98亿元，同比下滑36.69%，净亏损6.96亿元，连续八年未能盈利；旷视科技自2021年起3年半累计亏损146亿元，资产负债率超过300%；依图科技虽在2024年首次实现年度盈利，但安防业务仍占比高达81%，医疗与芯片业务依然长期亏损。

更令人警醒的是，这些企业的研发支出占营收比例均超过100%，却仍未能构建起可持续的产品体系和稳定的用户生态。

为何曾经“技术最强”的AI公司，如今却成为“最难盈利”的科技企业？这不仅是AI四小龙的个体命运，更像是一次技术变革与商业现实之间的正面碰撞。

当AI从“算法导向”走向“平台化竞争”，当市场从“政府订单”转向“用户生态”，AI四小龙的路径选择，似乎正在遭遇范式突变的淘汰。

而今天，生成式AI大模型风头正劲，ChatGPT、Claude、Kimi、文心一言等产品层出不穷，资本追捧、技术突破、估值飙升，似曾相识的热潮再次袭来。

智谱AI、月之暗面、百川智能、MiniMax等“新四小龙”估值均已超过20亿美元，融资速度直逼当年的AI四小龙。

然而，这一轮技术创新，真的能走出上一代AI公司的困局吗？大模型企业是否也会重蹈“技术领先、商业落后”的覆辙？下一个“AI四小龙”，会不会正在大模型浪潮中悄然诞生？

AI四小龙的失败复盘：技术奇点，商业溃败

“AI四小龙”的失败，并不是因为技术不够先进，恰恰相反，它们在技术上曾一度引领时代。

商汤科技以计算机视觉和深度学习算法见长，在智慧城市、安防、自动驾驶等领域构建了完整的视觉识别能力体系，专利数量超过1.2万项，主导参与制定80余项国际标准。

旷视科技的Face++平台一度成为全球最大的开源人脸识别库，为超过70%的安卓手机厂商提供人脸解锁服务，并在100多个城市部署了20万路智能摄像头，安防误报率低于十万分之一。

依图科技研发出全球首个AI肺炎诊断系统，获得国家药监局三类认证，广泛落地于200家三甲医院。

云从科技聚焦“人机协同”，为农行、建行等400余家银行提供人脸识别与智能风控服务，日均调用量超过2亿次，识别准确率超过99.9%。

然而，如此强大的技术体系，却未能带来可持续的商业回报。

2024年，商汤科技在营收增长10.8%的情况下，净亏损却高达43.07亿元，累计亏损超过545亿元。

云从科技的营收下滑至3.98亿元，同比下降36.69%，净亏损6.96亿元，连续八年未能实现盈利。

旷视科技三年半累计亏损146亿元，资产负债率超过300%。

依图科技虽在2024年首次实现年度盈利（净利润1.05亿元），但安防与智慧城市业务仍占总收入的81%，芯片与工业质检业务持续亏损4.8亿元。

造成这一局面的关键德旺配资，并非技术不够“先进”，而是商业模式的先天失衡。

四小龙的主要客户是政府和大型国企，业务集中在智慧城市、AI安防、刷脸支付等To G领域，项目普遍定制化，缺乏标准化产品能力。

这种模式在早期确实能够快速变现，但长期来看，无法形成平台级网络效应，也不能积累可持续的用户关系链。

更致命的是，政府项目的回款周期冗长，应收账款堆积如山。例如，商汤科技2024年的应收账款中，账龄超过三年的项目金额高达38.21亿元，直接侵蚀了本应支持研发与扩张的现金流。

四小龙的“技术导向”文化也在一定程度上加剧了这一困境。它们普遍将资源集中在算法精度和学术输出上，却忽视了产品工程化与用户体验的打磨。

大量研发支出被消耗在高薪养人上，而非生产可复制的产品能力。

云从科技的研发费用占营收比重高达119%，商汤也达到109.6%，但这些投入并未形成规模化的商业回报。

更根本的问题在于，它们缺乏平台型战略思维，始终停留在“项目制+交付制”的运营范式中，难以像平台型公司那样形成数据闭环、用户沉淀与复利增长。

技术领先但产品缺位，订单很多却没有客户，账面融资充足却现金流告急。AI四小龙的失败，不是一次技术的失败，而是一次商业设计的系统性溃败。

大模型企业的崛起：新范式，旧问题？

与AI四小龙相比，今天的大模型企业无疑站在了一个全新的技术浪潮之上。技术范式的根本转变，是这场变革的起点。

过去，AI公司依赖计算机视觉等“技术点”，强调识别与感知；如今，大模型则以自然语言处理为核心，延展至多模态、跨语言、跨任务的通用智能体系。

OpenAI、Anthropic、百度、阿里、智谱、百川等企业，纷纷推出参数规模千亿级的大模型，具备文本生成、代码撰写、图像理解、语音交互等多种能力。

这一代AI公司也表现出更强的平台化意识。

它们不再仅仅是“模型输出者”，而是构建起了包含API接口、开发平台、插件生态、智能体（Agent）等在内的全栈式平台能力。

例如，OpenAI通过ChatGPT插件平台和GPTs商店构建了C端和开发者端的生态分发体系，百度文心一言接入了搜索、办公、营销等多个业务场景，字节的豆包则在短时间内推出了轻量级Agent框架，快速占据To C入口。

相比之下，它们也更重视用户关系的建立。

与AI四小龙长期依赖To G、To B客户不同，大模型企业正在积极拓展To C与To D（开发者）市场。

在Kimi、豆包、ChatGPT等产品的推广中，用户获取、日活、留存、转化成为关键指标，产品设计也更加注重交互体验、上下文记忆、个性化服务等方面的能力。

然而，尽管技术范式和生态架构焕然一新，一些旧问题却仍然如影随形。

首先是烧钱问题。大模型训练成本极高，仅GPT-4的训练成本就超过6300万美元，而国内头部企业也动辄投入数十亿。

与此同时，盈利模式尚未跑通。除了少数API付费、企业定制等业务，C端用户大多仍处于免费试用阶段，To B订单也尚未形成规模性回报。

更严重的是，今天的大模型企业也面临着资本-技术周期错位的风险。

估值动辄数十亿美元，但商业化路径尚未明确。2023年以来，智谱AI、月之暗面、百川智能、MiniMax等“新四小龙”估值均已超20亿美元，融资节奏堪比当年的AI四小龙。

然而如果盈利模型迟迟不能建立，融资窗口一旦关闭，这一批企业很可能重演“融资建楼、亏损养人、裁员收缩”的老路。

换句话说，大模型企业今天拥有的是更强的技术范式、更高的资本期待、更广的生态野心，但也面临着相似的商业化困境与运营风险。

如果不能及时建立稳定的盈利模型、产品闭环与用户生态，那么它们也难逃成为又一代“技术奇点、商业溃败”的代表。

如何避免重蹈覆辙？新一代AI企业的“生存建议”

“AI四小龙”的沉浮，以及大模型企业的兴起，共同揭示了一个绕不开的问题：AI的商业化路径究竟该怎么走？

技术可以领先，融资可以充足，但如果无法找到一种可持续的盈利方式，所有的技术红利最终都可能沦为“幻觉经济”。

回顾AI四小龙的商业化模式，其最大的特点是重定制、轻产品，重交付、轻生态。

以To G市场为主导，四小龙通过与政府、国企、银行等大客户合作，承接安防、智慧城市、人脸识别等项目，依靠高单价订单支撑营收表面增长。但这种模式存在致命的结构性问题。

首先，项目高度定制化，难以标准化复制，每一单都需要重新投入开发资源，导致边际成本始终居高不下。

其次，回款周期长、利润率低、客户关系非持续性，使得企业极度依赖新订单输血。

最致命的是，To G客户并不是“真实的使用者”或市场验证者，企业很难从中获得用户数据、产品反馈与迭代空间。

相对于此，大模型企业正在尝试多种新的商业化路径。我们可以从四类主流路径对比分析它们的优劣：

这些模式的差异背后，反映出一个被反复验证的悖论：AI好用，并不等于AI能变现；模型强大，并不等于产品成功。

技术路径可以定义可能性，但能否走通商业路径，最终决定了企业的生死。AI企业的核心问题早已不是“能不能做”，而是“做了之后，谁愿意持续为它买单”。在这场竞赛中，商业模式的可复制性、复利性与生态性，远比算法参数更重要。

AI四小龙的故事已经为整个行业提供了一份“失败的经营教科书”。但失败本身并不意味着终局，它更像是一面镜子，照出未来企业应该如何走得更稳、更远。

对于正处在风口中的大模型企业而言，如果不想重蹈“技术奇点、商业溃败”的覆辙，就必须重新思考自身的战略路径与组织能力。

第一，从“定制化”转向“产品化”。AI企业不能再依赖“一个项目一个团队”的模式，而应建立起可规模化部署的产品线。例如，通过开放API、SDK、SaaS平台等形式，让AI能力以“模块化”的方式嵌入各行业中。这不仅可以降低人力依赖，也能大幅提升复用率与客户粘性。

第二，从“技术导向”转向“用户导向”。AI企业不能只盯着模型的参数规模、训练精度与论文数量，而需要关注用户体验、场景适配与交互细节。例如，OpenAI在GPT-4o中加入了多模态接入和上下文记忆功能，Kimi则优化了长文读写能力，这些都体现了从“算法驱动”到“用户驱动”的转型。

第三，拥抱“平台化”与“生态建设”。一个强大模型不是终点，一个能被开发者、用户、企业不断调用的生态系统才是护城河。这意味着，AI企业要像操作系统一样思考：“我能不能让别人基于我来工作？”OpenAI的GPTs和插件体系、百度的文心插件商店、字节的豆包开发平台，都是这种平台化思路的具体体现。

第四，拓展多元化商业模型，避免单点依赖。企业不应只依赖API收费或企业定制，而应形成组合拳式的营收结构：API + SaaS + C端订阅 +硬件终端+广告模型。比如，微软将Copilot嵌入Office全家桶中，直接推动订阅率提升；OpenAI探索与硬件厂商合作，打造AI原生终端，都是多元变现的路径尝试。

第五，控制成本结构，警惕“人力AI”陷阱。AI企业的研发投入必须与产品价值形成闭环。不能再出现“研发费用占营收120%”却没有产品的尴尬局面。研发不仅是“烧钱”，更是“造资产”——要将技术沉淀为模型、框架、平台与数据网络，而非只是高薪养人。

换句话说，新一代AI公司必须同时具备“技术视野+商业能力+产品意识+生态构建力”四重能力。谁能率先实现这四者的统一，谁就能走出AI四小龙未竟之路，构建真正的智能时代的商业范式。

写在最后

回到文章开头提出的问题：大模型企业，会不会步入“AI四小龙”的后尘？

答案或许尚未写下，但路径的分岔口已经清晰。AI四小龙的故事告诉我们，技术领先并不足以带来商业成功，甚至可能成为掩盖问题的迷雾。

在那场以计算机视觉为核心的AI竞赛中，四家公司几乎集齐了所有“技术正确”的要素：最前沿的算法、最庞大的研发队伍、最多的论文和专利、最大的融资额，但它们最终败在了商业模式的不可复制、客户关系的非持续、组织结构的高依赖，以及产品思维的缺失。

而今天的大模型企业，虽然站在更高的技术起点上，拥有更广阔的应用潜力和更多元的生态架构，但也面临着同样的底层挑战：如何把“能做”变成“好用”，再变成“被持续付费使用”？

这不仅是商业问题，更是战略问题。中国“AI四小龙”的失败并非个案，而是AI技术进入商业化阶段后，全球性企业普遍面临的挑战。

虽然国外的AI公司也曾遭遇类似困境，但像OpenAI、Anthropic等企业通过平台化转型、构建用户生态、绑定长期资本，逐步走出了“技术强但不赚钱”的陷阱，值得中国AI企业警惕与借鉴。

“技术领先”只是进入AI竞技场的入场券，而“构建平台、服务用户、形成生态”才是最终的胜负手。

AI的上半场，是谁的模型跑得快、参数多、推理强；但AI的下半场，将属于那些能真正被用起来、用得久、用得广的产品与平台。

未来的赢家，不一定是最聪明的AI公司，而很可能是最懂产品、最会构建用户关系、最能形成商业闭环的那一家。