而极光之所以能做到这些，有很大一部分要归功于，国内从城市治理到智能制造，从民生服务到工业升级，高密度的人口、集中化的治理体系，与完善的基础设施，催生出全球独有的“场景规模化+数据闭环”生态！
这是市场严重割裂、且去工业化严重的海外，所不具备的独家优势！
落不了地，无法实现规模化盈利与高效数据采集，一切自然也就只能是空中阁楼，最终沦为资本炒股的工具。
当然，有优势，自然也有劣势。
比如，国内科技企业，普遍都将重心放在应用层，过度追逐短期商业化回报，忽视对底层核心技术的研发投入。
据相关数据机构统计，国内一众科技企业，今年的AI研发经费中，90%以上，用于场景适配、功能优化等应用端。
基础研究投入占比，仅有可怜的5.5%。
说白了，就是在TensorFlow、PyTorch等海外开源框架的基础上，进行功能层面的“微创新”。
如基础算法创新、底层架构重构等“慢活累活”，没人愿意做。
国内自主框架，如白度的PaddlePaddle等，市占率不足5%。
当然，这里面没算，极光自有的“极光智算框架”，他们也并没有对外开源的打算。
还有另一项数据。
截止本月初，国内今年的AI专利授权量，约为2.24万件。
但近70%，集中在应用领域。
基础算法、芯片架构与硬件专利占比，仅有23.7%。
远低于老美的35%。
而在这23.7%中，单是极光与星光，便贡献了3600余件相关核心专利！
这意味着，国内其他企业，全年申请的AI核心专利，全加起来也不过才1700余件。
占比仅有7.58%！
就这，拿头跟人家竞争啊~
其次，由于国内数据治理体系尚未成熟，且行业间“数据孤岛”突出，金融、医疗、工业等领域，数据标准不一，格式杂乱、重复冗余现象普遍。
即便国内企业，拥有海量数据，也难以转化为高质量训练资源。
现阶段，也仅有极光，掌握自有全场景高质量数据资产库，以及标准化数据治理体系。
且通过“极光联邦学习框架”，成功突破了“数据孤岛”困境。
覆盖城市治理、智能制造、民生服务等12大核心领域！
最后，也是最重要的一项劣势——算力核心硬件自主化缺失！
当前，国内AI训练用GPU，95%全靠英伟达供应。
Tesla P100、P40两款芯片，就垄断70%以上的训练场景。
企业不仅采购成本高昂，单卡价格超10万，还面临供货周期长、性能阉割等问题。
纯纯人下人~
而国内自主AI芯片，尚处于起步阶段。
寒武纪虽推出了寒武纪1A，但仅适用于终端端侧推理。
而极光旗下的骄阳系列算力卡、服务器芯片，出于战略考量，又不便提前暴露。
即便外界肯定能猜到，极光自研了算力基础设施，但也没人能摸清其真实性能、产能与技术路线。
在这种背景下，国内AI企业的算力扩张，几乎可以说是完全看英伟达脸色。
一旦国际环境发生变化。。
“洛总是不是太过悲观了？”
洋洋洒洒阐述完自己的观点，洛川刚打算做个收尾，话头便被一人突然打断。
转头望去，一张熟悉的面孔映入眼帘。