商汤科技SenseTime正在变成一台融资机器。

过去一年（严格来说只有11个月），商汤科技这家曾明确表示不以融资为目的的人工智能初创公司，火速完成了三次大的融资和一次小的融资——

2017年7月11日完成4.1亿美元B轮融资，当时创下了全球人工智能领域单轮融资高纪录，其中包括由鼎晖领投的B-1轮，由赛领资本领投、近20家顶级投资机构、战略伙伴参投的B-2轮；

同年11月15日，又获得了高通数千万美元战略投资；

2018年4月11日获得6亿美元C轮融资，估值超过40亿美元，由阿里巴巴集团领投，新加坡主权基金淡马锡、苏宁等投资机构和战略伙伴跟投；

5月31日，商汤科技今天宣布获得6.2亿美元C+轮融资，由多家国内外投资机构和战略伙伴参与，联合领投方包括厚朴投资、银湖投资、老虎基金、富达国际等，深圳市创新投资集团、中银集团投资有限公司、上海自贸区基金、全明星投资基金等跟投，高通创投、保利资本、世茂集团等作为战略投资人参与。

商汤科技表示，本轮融资结束后，其估值超过45亿美金，继续保持全球总融资额大、估值高的人工智能独角兽地位。

在11个月内，商汤科技融资额超过16.3亿美元，加上高通的数千万美元投资，再加上B轮之前一共融了差不多4000万美元……这意味着从2014年创立至今，商汤科技的融资总额可能已超过17亿美元。

去年的商汤人工智能峰会上，商汤科技副总裁柳钢在接受虎嗅采访时表示，商汤不是一家以融资驱动的公司，有很多机构争着想投资，但不是谁想投就可以投的。

但过去一年商汤频繁的融资节奏和庞大的融资金额，很难让人相信它不是以融资为驱动的。

这当然可能是客观原因造成的，即尽管蹭人工智能这波浪潮的创业公司无数，但真正有核心技术的少之又少，商汤科技成为资本眼里的“唐僧肉”就不足为奇了，另一家是旷视科技，去年10月31日，旷视获得了4.6亿美元的C轮融资，打破了商汤科技此前的单轮融资纪录，但其此后再也没有宣布过融资消息，反而是商汤科技不停地宣布融资。

站在我个人的角度上，我对商汤科技好感陡增源于其创始人汤晓鸥去年在清华大学对马化腾说的一番话，当时他抱怨现在对创业公司首先面对的问题是站队，站队阿里还是站队腾讯，“从我们的角度来说，我们是很愿意跟大家（BAT等）都合作的”，“我们做学术的是有骨气的，就是说‘不能为五斗米折腰’。”汤晓鸥说。

但今年4月份商汤拿到的C轮由阿里巴巴领投，似乎推翻了汤晓鸥此前不站队的言论，外界纷纷认为商汤科技成为了阿里系的一员。

市场还曾传言，商汤跟投资者之间签有对赌协议，但2017年11月29日在接受量子位采访时，商汤科技联合创始人、副总裁徐冰极力否认，并强调商汤科技在融资中处于强势地位：“跟商汤谈投资的投资人，没有任何条件可谈。一定是以商汤公司利益为主；一定是以如何让我们这么一个团队，掌握公司控制力和管理能力为主；一定是以未来能够做大为主。”

今天，商汤科技在新闻通稿中表示，其在2017年已实现全面盈利，并在智慧城市、智能手机、互联网娱乐、汽车、金融、零售等行业实现快速落地，其业务营收连续三年保持400%同比增长，快速结合场景落地，2018主营业务合同收入同比增长10多倍。并晒了最近一个多月的成绩单：

与国内大地铁公司上海申通地铁签约，落地交通出行场景；

与成都市签约，落地一带一路区域总部，拓展西部市场；

与阿里巴巴集团、香港科技园联合成立香港人工智能实验室，成为首个响应中央政府号召支持香港国际科创中心建设的项目；

与美国麻省理工学院（MIT）签定战略合作，共同推进AI学术科研突破；

与华东师范大学等共同发布全球第一本人工智能高中教材，并与清华大学附中、上海交大附中等40所国内重点中学签约，开设人工智能课程，推动AI在教育行业的落地。

商汤科技表示，C+轮融资后，将继续加大研发和人才方面的投入。据虎嗅了解，商汤半年前引入了一位高管张文，并为其设立了一个总裁的职务，此后张文主导了商汤与上海、成都等城市的合作落地项目。

4月25日，距离其宣布C论融资刚刚过去两周，商汤在北京召开了2018年商汤人工智能峰会，由于刚刚宣布获得6亿美元融资，所以这场峰会开得底气十足，现场人满为患。

但愿商汤别被融资冲昏了头脑。

附上徐立4月25日接受虎嗅采访的部分内容：

虎嗅：为什么标榜“原创”，不标榜会怎样？

徐立：这个我觉得是价值观的差异。比如说中国原创的操作系统，大家都觉得很有必要，但是这么多年来美国开源Linux，每一行代码都开放，那么中国很多公司都说自己有自主知识产权，但是都是基于Linux上面开发应用的，所有的服务器都用的Linux系统。或者说手机端的操作系统，中国用得最多的是安卓，安卓也是谷歌的开源系统，大家又说自己有自主知识产权，但其实底层的东西都不是自己做的。那么这个会影响什么？可能也没什么影响，只要开源的东西存在，大家就都能用。

反过头来说，我们认为真正能够颠覆的东西，第一是要处于技术快速发展期，第二要站在技术最前端。所谓最前端，那么要做的事情就是真正的、突破性的、原创的东西，要花的力气就要更大。

不是别人不知道做系统的价值高，只是别人不愿意花那么大的沉没成本。如果我们在做创业公司，在做操作系统上的应用，发现Linux已经做了20年了，该怎么去投入超过20年甚至是50年的沉没成本去做这样的系统？这个投入产出比，在不平衡的情况下，很难有人真正意义上去推动整个行业的发展。

但是从我们的角度来看，技术能够带来的壁垒一定在于需要明显的突破性。如果跟随别人，用share的技术，或者谷歌的技术来搭建平台我们也能干，因为谷歌没有限制中国企业不能使用；但是搭建平台之后，我们的技术发展路线就会完全限制于谷歌的速度。

所以我们所谓的原创，就是从源头掌握技术的核心链条，而不是说只在一个产业方向上拥有自己的自主知识产权。比如说，现在可以用谷歌算法来做识别功能，也是有自己的自主知识产权，也可以做商业模式，但是如果谷歌不推进，自己的识别功能也到了瓶颈的话，那很可能就不能往下推进了。所以我们所谓的原创是，从零开始打造基础，从基础端往下扩展。

有一组数据是中国投资和美国投资的对比。大家会发现很有意思，就是美国投资相对来说比较平衡，也就是说从基础的操作系统、芯片端，到技术端再到到应用端的投资，都是相互平衡的。但是中国的投资是不平衡的，对应用的投入超过百分之八十，也就是中国人都喜欢看得到、离钱近的，但是对于基础的架构不太重视，大家会想干嘛不用别人呢？

这个情况下什么叫原创？我们认为原创就是要把底层的东西补起来，现在芯片只是其中的一个内容。

商汤的核心理解是，在中国很多人都觉得新出现了一个“快速迭代”的概念。快速迭代，其实就是拿来主义，所谓拿来就是拿来别人的东西自己用，然后获得商业成功；商业成功之后，再去补自己的短板。这个模式是肯定可以行得通的，因为中国过去二十年来基本上都是这个模式。很多成功的企业都是以商业模式的成功，再倒推到技术成功。

但是现在有两个核心点。第一是技术发展势头非常快，软件的技术、算法的技术，都达到了摩尔定律的速度，在美国每十八个月性能甚至会翻一番。在这样的情况下，算法本身可以带来足够的时间窗口去布局。

第二的话就是算法的通用性、实用性以及持续性，其实已经渐渐显示出端倪。这才是我们在这个阶段上为什么想要专注于把整个链条建立起来，这样我们形成的壁垒就比较长。所以我说的“原创”不是说别人没有原创，只是强调我们从零开始，搭建架构拥有自主的能力。

虎嗅：你觉得AI时代最核心的技术应该是什么？

徐立：首先，AI的技术是底层的技术，关键在于底层如何利用硬件形成一个平台的训练系统。现在的AI是在“造生产力工具”，我们称之为“造脑”。

我们把人工智能分成两个阶段：2010年之前称为叫数据驱动的时代，就是大部分是人的知识去指导机器，专家系统也都是加了人的知识在里面；2010年之后就进入到了纯数据驱动的时代，纯数据驱动的核心就是要造一个“大脑”，数据就相当于他学习教材读书，大脑聪明不聪明是关键。书就是数据，但是大脑的聪明程度决定了这个系统的能力性。

AI的核心能力在于，第一要有造脑的工具。造脑的工具如果都是别人的，那很难往新的方向去造脑。如果现有的造脑工具不合适，肯定就造不出来。举例来说，谷歌和Facebook都开源了，他们都是造脑的工具；但是反过头来，如果还用别人的造脑工具，造脑的能力和脑容量就受到了限制。

第二件事情就是造脑的专业知识。就是即使有了工具，也需要有一个团队知道怎么去造脑。所以这两点是AI领域的核心差异化，就是如何结合应用去造出大脑。这个能力恰恰是需要厚积薄发的，不是说AI突然间火了，随便组建一个团队就能做的。

我们能够做的就是在现有的大脑上面做应用，把应用做好，把产品化搞得更丰富。比如一个很好的人脸识别系统，既可以做门禁，也可以做签到，甚至还可以做VIP识别，也可以做会场系统。

现在的行业，大家更关心有没有创新产品，但是对于人脸系统算法是不是原创的并没有那么关心，对于训练人脸大脑的引擎是不是原创的更不关心，对于底层的架构和服务器是不是能够原创地联系起来、机器之间是否存在联接、是不是独创的，可能就更没有人在意了。所以我们觉得造大脑的能力是关键，其次才是和行业结合的应用。

虎嗅：AI这个技术下一步大的突破，或者是最需要攻克的难关是什么？

徐立：其实每一波都有新浪潮。所谓的浪潮，这波带来的还是智慧劳动力。其实是希望AI在某些垂直行业能够突破人本身的能力。在突破过程中，很核心的一点是，就算有了造脑的工具，但还是需要特别强的造脑工程师知道怎么去做。现在的突破是，可能不需要研究人员的能力，这个大脑可以自主学习，面对任何一个垂直的任务，都可以找到一个自有解决方案。这样就可以知道每个任务中有没有达到人的准确率，如果达到的话就继续推广产品，如果没有达到可能就是目的算法有一些缺陷。

目前来看，自动的大脑生成系统在未来一到两年内成熟度会比较高。现在的自动系统是大脑的每个模块相对固定，而其中模块的摆放是渲染出来的；实际上未来可以实现整个结构都进行颠覆的变化。

AI的发展，以前是目标固定，然后是网络结构固定，但网络参数是训练出来的。现在是目标固定，就是结构和参数都可以训练出来，再往后就是对整个行业的颠覆，就是目标的确定性。

机器现在还是在指定目标下完成特定任务，但是未来会在指定目标下学习网络、结构、参数这三个东西。现在是参数学习，未来是结构学习，再以后是目标学习，给出一些数据内容之后，就会发现机器可以学出某一种非指定的特定能力。

到了那个阶段，机器可以figure out出来一些意料之外的能力。