今天我们要讨论的话题是算法在商业上的变迁。

算法作为产品，曾经是可行而且赚钱的。

在16-17年的时候，人脸算法在安防领域曾经取得了巨大的成功。当时，人脸算法的价格高达千元级，比硬件还值钱。但随着时间的推移，情况发生了变化，人脸算法的价格开始下降，主要原因是供应商变得越来越多，市场容量有限，导致激烈竞争，最终让人脸算法价格崩盘。类似的情况也发生在其他一些算法，比如人车非算法等。

先峰后谷的价格曲线，意味着，算法作为产品的那个年代，已经过去了。

尽管过去了，但至少曾经是真的。

问题出现在算法供应商们开始推各种场景化的行业视觉算法。这些算法的特点是市场广泛而大，且具有长尾碎片化的特点，很难被个别供应商垄断。于是，各种大小供应商开始争先恐后地推广。起初，它们都试图将算法作为产品来销售，采用统一的定价策略，但最终被证明是行不通的。因为这个市场的场景都是定制化的，很难获得通用且足量的数据集。举例来说，火焰识别算法就面临摄像机安装位置、传感器像素规格、光照变化等现实因素的干扰，很难像人脸那样实现高精度，容易产生大量误报和漏报。在实际操作中，算法供应商通常需要为客户单独定制算法，通过大量售后服务，补充真实数据集进行训练，解决客户特定场景的问题。所以无论是安全帽识别、工作服识别还是垃圾检测、广告检测，在现阶段都不太可能有一个标准算法产品可以销售和交付。

算法作为产品，因此成为了伪命题。

这也导致了一些行业乱象：

1、不负责售后。一些供应商将算法当作标准产品销售，但实际上无法标准化，导致交付不可用，但供应商却不提供售后服务，不进行算法的迭代更新。

2、乱开高价。一些供应商将算法当作定制产品销售，但报价过高，大幅提高了客户的项目成本。

3、高价且不提供售后。兼具了上述两者的问题，高价却没有相应的售后服务。

很多时候，算法供应商也想为客户负责，但由于一些场景的数据采集困难，监测事件频次低，导致交付、售后、再交付、再售后... N次后，依然无法达到理想的效果。笔者说伪命题，指的是在长尾市场中，算法作为产品的商业模式不合理，供方和需方都无法满意地完成交易。

那么算法如果不作为产品，还能怎么卖？

业内已经越来越共识的一个答案，是将算法作为服务销售。

在这里，我们避开一些复杂词汇诸如MLops或MaaS，仅讨论为什么“算法作为服务”是可行的。

再次看一看前文提到的场景化行业视觉算法的一些特点，1）长尾碎片，需求离散；2）低频事件，采集不易；3）需求往往为解决特定问题而存在，对成本有要求。因此，将算法作为服务，就是接受了这些长尾算法无法标准化的现实，不强求在一次或几次的训练和交付中完成闭环，而是在一个服务周期内，为客户的场景提供持续的支持，解决问题，形成可信赖的真正商业闭环。与算法作为产品不同的是，服务模式要求产业链中的算法训练向下游转移，不再是上游供应下游采购，而是上游提供技术支持，下游进行训练和提供服务。市场上的一些知名AI厂商，如H公司、B公司、K公司等，已经面向下游客户推出了算法训练工具平台，使“算法作为服务”开始变得可能。

致力于做每个企业都用得起的人工智能，云锦微也打造了同样基于“算法作为服务”理念的视觉解决方案：边缘AI智能体，并启动了启航会员体系，帮助下游客户成为AI业者。

边缘AI智能体由两部分组成：视觉EC终端和VTStation训练一体机。视觉EC终端通过现有的安防摄像头捕捉实时视频流，运行视觉算法并发出事件警报。VTStation训练一体机则提供了一个算法生成工具的图形界面，使客户能够以无代码的方式完成算法生成、数据标注、微调和版本管理，以满足监测需求。此外，VTStation训练一体机还提供了一个主动告警中控APP。

与其他竞争对手的算法训练工具平台相比，云锦微的边缘AI智能体全部采用离线部署，这一方面可以保护好客户的数据隐私，另一方面最大化地降低了客户对上游的依赖。离线部署后不会出现受制于上游平台的不稳定和不可控的情况。

在服务取代产品的趋势下，算法的商业化出现了很多新的亮点：

1、产生了AI服务商这一全新角色，向企业提供各种AI服务，包括但不限于AI基础设施建设、AI数据资产管理、AI模型管理、AI应用平台运维等；

2、项目的规划更加偏向长期性，注重积累和能力打造，产生更多基础设施和数字底座的刚需；

3、项目中运维售后占比增加，集成商/服务商的收入模式从一次性建设收入向持续性运营收入方向发展，从主动收入向被动收入方向发展。

反过来说，对于有场景化行业视觉算法需求的企业，为了避免商业风险，可以多关注以下问题：供应商是否仍然将算法视为标准产品进行销售？供应商是否承诺提供售后服务，是否有明确的售后周期和成本？供应商的算法训练平台是否一直稳定可用？供应商是否可能获取并滥用客户的数据？

笔者将持续关注算法商业化的进程，并欢迎读者们加入讨论，深入探讨行业、技术和解决方案。祝商祺！