可以充分篤定的是，從2019年開始，在科技媒體的選題列表里，400多年前莎士比亞提出的那個深邃問題：“To B or not To B”，將變得不再是問題，沒人會懷疑，未來十年中國科技的新戰場將向ToB一端轉移。
　　事實上，不同于美國ToB市場的興旺，中國最大ToB公司或許連最大ToC公司十分之一都不到，盡管很難復盤這種失衡的全貌，但可以肯定的是，中國互聯網過去龐大的人口紅利，在無意中“吞噬”了中國ToB巨獸們的崛起路徑。 
　　嗯，過去二十年，中國C端市場完全是一片水草豐美的良田，只需將大洋彼岸的種子撒在這里，就可以種啥長啥，遍地開花，動輒幾億的活躍流量，澆灌出一大批C端的互聯網新貴，也澆滅了B端巨頭的生長空間。畢竟當一切唾手可得，你很難指望人們去干臟活累活——不過現在，廣袤土地已被過度開墾，資本市場摘完低垂之果，才開始想起要尋找新的疆域，無疑要轉向ToB領域。
　　而在這片新大陸，生命力最旺盛的一顆種子，就是人工智能——且不同于互聯網時代的種子更多是舶來品，在中國，由于傳統機構借助AI實現轉型升級的需求更迫切（比如降低人力和管理成本），論及AI場景的創新方式，中國或許將成為先行者。
　　不過，人工智能的種子想要落地生根，先要完成一番去魅過程。而市場凜冬利好的一面，正是用低溫過濾掉了投機者。在剛剛過去的2018年，AI從業者普遍脫離亢奮狀態，把AI當錘子到處找釘子的妄人逐漸被市場淘汰。而在2019年，人們更是意識到，環境愈是寒冷，投資AI的天平就愈會向場景傾斜，AI融資門檻已經從最早的demo，后來的產品，轉向如今最現實的客戶訂單，2019年，能在垂直領域找到應用場景的AI企業，將贏得更大生存空間。 
　　然而，相較于上述共識，我今天更想說的是這個：2019年，AI要落地，更要小心被“摔死”。
沒有“大鵬展翅”，只有“方寸之間”
場景如此關鍵，但問題是，AI場景該如何搭建？
　　回答這個問題前，先要明確一點：產品是連接不同場景之間的唯一中介，人工智能企業必須擁有強大的產品化能力，為什么ToB市場很難呈現指數級增長？就像遠望資本創始人程浩所言：“一個非常重要的原因是，所有ToB類項目都有實施成本和實施周期，產品化能力好壞，直接決定了實施成本。產品化能力強，可能一個人三天就能完成一個case，產品化能力非常弱，可能三個人干三個月這個項目才能實施好。”
　　依我之見，衡量產品化能力的唯一心法，就是看它能否短平快地滿足客戶需求，而在AI領域，滿足客戶需求不可能只憑“技術＋應用”的簡單匹配，更多是依靠對某個行業垂直流程的了然于胸，這也是為什么如今AI投資者已達成共識：最理想的AI被投者，應該既懂行業又懂技術，前者比后者重要。只有巨頭列陣中以行業縱深度突圍，AI創業才可能出現勝算。
而行業縱深度的其中一個意涵，是指AI落地必須要關注“周邊環境”。當AI企業者深入到一個行業的細枝末節，就會發現包括資源和能力在內的一系列約束條件，真實的落地場景很少允許你大鵬展翅，更多時候需要你落于方寸之間，比如你不可能僅靠算法突破完成落地，那樣或許會摔得很慘，因為很可能到了行業應用時才發現，數據并不像你想象的那樣充盈。
下一批“三個字母”的小巨頭在哪
　　理清上述邏輯，也就不難理解“AI場景如何搭建”。事實上，一個AI場景的構建，往往伴隨著五個要素的閉環。
2019年，人工智能要落地，更要小心被“摔死”
　　第一當然是業務，目前AI落地最大程度上取決于業務和方案，沒有最具體的業務，場景就不會存在。
　　第二是數據，數據是支撐起場景的關鍵，也是哈耶克眼中最純粹的“一手知識”，也是人類還原真實世界最值得仰仗的顆粒度，尤其在大數據時代，任何場景都會以數據的形式存儲下來。
　　第三是行業知識，更像是一種認知遞進關系，數據在經過系統性整理變成信息，信息經過簡潔抽象加工變成知識，現在任何一個行業的知識總量，都在爆炸式增長，任何一個“不足為外人道”，都顯得彌足珍貴，作為影響場景的核心，行業知識也構成了企業之間最難逾越的門檻。
　　第四是以AI為代表的黑科技，它通常是打破行業均衡，帶來場景質變的最大變量，技術的不斷迭代，督促著場景的不斷躍遷。
第五是決策，也是構建場景的最終目的。
　　這五要素結合在一起，就可以擁有構建AI使用場景的能力，而在上述理論的提出者——最近風頭正勁的海云數據看來，借助于這套場景方法論，他們完全可以把這種“能力”服務賦予用戶。