投入大见效慢还要做AI？

AI前沿观察】人工智能：繁华背后的落地挑战

人工智能，这个风头正劲的领域，又一次站在了时代的前沿。从到普通百姓，无一不被其吸引。但在这无限风光背后，是否隐藏着一些不为人知的阴影？

许多企业和创业者纷纷宣称自己在做人工智能，但真正了解人工智能能做什么的人却并不多。产品模式尚不清晰，却获得了极高的估值。声称能解决问题，却对实际应用场景知之甚少。高大上的AI技术如何真正落地、产生实际价值，已成为众多公司面临的共同难题。

一、AI的繁荣与挑战

人工智能的繁荣无需质疑。它催生了大量新技术、新企业和新业态，为个人、企业、国家乃至全球提供了新的经济增长点。IDC预计，到2020年，全球人工智能支出将达到惊人的2758亿人民币，未来五年的复合年增长率将超过50%。

繁荣背后也隐藏着危机。近年来，不少AI创业企业倒闭，项目中途夭折，让人不禁怀疑：人工智能是否只是“看上去很美”？

二、AI的普及与落地困境

如今，几乎每一个行业都想拥抱人工智能，但真正采用人工智能技术的程度如何呢？麻省理工学院的一项调查显示，大多数企业尚未采用人工智能技术。即便是在已经采用的企业中，也面临着人才缺口、竞争激烈的投资和对安全的担忧等障碍。

当前的人工智能实际上是数据驱动的智能，涉及算法、大数据、计算平台以及领域知识等多个方面。技术必须与领域结合，否则只是一纸空谈。AI在医疗、金融、交通等领域的应用虽然广泛，但落地时遇到的困境多有类似，其中最常被提到的便是场景和数据。

三、AI在企业中的应用与价值

以平安医疗健康管理股份有限公司为例，他们尝试在医疗场景中应用AI技术。面向病患，通过AI技术对患者分层，匹配需要的医疗水平，协调医疗资源。面向医护人员，为处方点评、临床决策等提供决策建议，帮助医生更好地决策判断。

这样的尝试既是技术进步的体现，也是对AI价值的探索。企业关心的自然是这项技术到底能为自己解决什么问题？能否带来实际的商业价值？这是AI落地的关键。

人工智能无疑是一个充满机遇的领域，但也面临着诸多挑战。从技术的真正落地到产生实际价值，还需要更多的探索和努力。我们期待AI能带来更多的惊喜和突破，为我们的生活带来更多的便利和价值。穆强指出，对于初入医疗垂直领域的AI初创公司而言，最大的挑战在于确定谁将为他们的AI技术买单。企业经营的核心在于开源节流，而AI技术的应用需要明确其能为企业带来的价值。无论是促进开源、节流、风险管理，还是医疗水平提升，AI技术需转化为实际的商业价值。只要AI技术能够帮助企业提升经营能力，付费自然水到渠成。

有些技术研究人员容易犯的错误是将商业项目误当作研究项目。须成忠教授，中国科学院深圳先进技术研究院的首席科学家，分享了其在此方面的经验。他提到，研究人员在开发如“先进云”这样的平台时，虽融合了大数据、机器学习等技术，并在多个领域有实际应用，但仍需明确区分商业合作与研究项目的差异。在实际应用中，研究取得的成果充其量只是证明了技术能力，真正的价值在于针对用户的实际需求进行定制开发。过于强调研究而忽视用户需求，往往导致技术虽先进却难以落地。

须成忠教授强调，“无数据不AI，无场景不AI”。技术输出需首先明确企业问题与研究项目的不同。只要技术过硬，并深入与客户合作，根据实际需求进行定制化开发，便能获得生存空间。以出租车实时报表为例，利用大数据处理将报表处理时间大幅缩短，虽然从研究角度看成果显著，但若不能解决企业的实际需求，技术的价值便大打折扣。

传统网络设备商思科也在尝试数字化转型，并期望通过引入AI、大数据等技术帮助各行各业升级。思科大中华区副总裁海广跃指出，AI的核心在于数据和场景。不同行业AI落地速度的差异很大程度上源于数据的质量和实时性。很多传统行业难以应用AI或效果不佳，往往是因为数据方面的问题，如数据缺失、实时性不足、需要领域知识和经验进行数据处理等。

对于AI技术服务商而言，向行业输出技术前，必须明确技术的实际应用场景和所需数据的质量与实时性。只有深入理解行业需求和场景，结合数据科学家和专业领域知识，才能真正发挥AI的价值。软通动力集团执行副总裁康燕文同样向AI前线传达了相同的观点。在语音识别、多国语言翻译以及音视频结合等领域，软通动力集团与众多大公司有着紧密的合作。软通负责提供语音数据和产品测试服务，为验证语音产品的可用性提供支持，在这一过程中，数据的准确性显得尤为关键。

康燕文强调：“在测试AI产品时，如果数据不准确，那么所有的努力都将白费。以展厅中的机器人为例，当参观者与机器人进行对话时，机器人需要依赖其知识库来回答。如果所提问题不在知识库中，或者提问方式不对，机器人就无法给出满意的答复。”

盲目升级并非明智之举

AI的热潮涌动，吸引了许多初创企业投身其中，甚至一些传统企业也急于尝试AI技术。氪信CreditX首席科学家周春英认为，这种盲目跟风的现象并不明智。她表示：“所有的技术升级都应基于业务需求，而非空中楼阁。找到真正的业务问题是关键，否则技术升级将失去意义。”

周春英进一步指出，金融领域是机器学习的主要应用场景之一。在营销方面，机器学习能够帮助金融机构实现精准推荐，提高推荐成功率。而在风控方面，涉及反欺诈、信用评分、行为监控等复杂环节。对于如何找到升级切入点的问题，周春英认为需要与客户深入交流，共同寻找合适的解决方案。同时强调，不同客户的需求各异，因此对解决方案的抽象能力至关重要。

传统行业的开放态度是关键

AI技术的发展需要巨大的投入，从底层硬件到数据再到人才缺一不可。周春英认为，这是专注技术的AI初创企业的机遇。合作中可能遭遇的问题是传统行业不够开放。她呼吁传统行业对新技术和数据的使用持更开放的态度，这将有助于技术的实践和应用落地。

平安科技如何通用化AI技术

平安科技是平安集团的一个子公司，为整个集团及众多银行和保险公司提供技术服务。在AI领域，平安科技已经进行了多年的研发，并成功应用了面部识别、语音识别等技术进行自动决策。以贷款申请为例，平安科技利用AI技术快速识别客户身份并评估风险状况，实现了快速贷款派发。

平安科技大数据高级产品总监王建宗在接受AI前线采访时表示，平安集团在AI转型过程中的难点是如何将AI技术与业务剥离，实现其通用化、标准化和产品化。他提到：“不同公司的数据标准和业务流程存在差异，这是实现AI技术通用化的两大挑战。”为了解决这些问题，平安科技需要进行数据融合、归集化以及流程融合等工作。他们也在积极探索如何将AI技术更加广泛地应用于外部市场。破局之道：AI时代的真实面貌与落地之路

当大数据的浪潮将AI推向技术的前沿，我们似乎进入了一个充满混淆的时代。似乎人人都在谈论AI，但真正了解AI能做什么、如何发挥作用的人却不多。这不仅是中国的问题，在全球范围内都普遍存在。

面对AI在商业场景中的应用，我们首先要明确一点：AI并非万能。对于那些已经存在解决方案的问题，引入AI可能会使事情复杂化，甚至制造出新的问题。真正的AI应用，并非仅仅是为了追求技术的先进性，而是为了解决实际的问题。

硅谷人工智能研究院的创始人Piero Scaruffi教授指出，当前大多数的AI实际上是优化程序，例如机器人。我们购买机器人是因为它们能够降低成本，但它们并不等同于真正的AI。那些连续进行简单机械工作的机器人并非真正的AI，它们只是自动化技术的体现。真正的AI，如可以回答问题、实时监测的机器人，其成本往往较高。

在应用AI之前，我们需要对AI有一个清晰的认识，明白其局限性和潜力。例如，在制造业中，如果我们想使用AI来识别产品的缺陷，首先我们需要积累大量的数据来训练机器。这需要时间，也需要一个过程。新技术需要在实验环境中进行测试，不能立即投入实际使用，否则可能会带来风险。

关于AI的落地问题，有人将其比作“道”与“术”的结合。掌握AI技术的人更关注算法的速度和效率，而业务咨询人员则更关注如何解决问题，使用什么技术并不重要，重要的是创意和结果。那么如何将这两者结合呢？

我们需要将业务或场景流程化，找到可以运用AI的环节。这需要我们站在未来的角度，预测未来的使用习惯，寻找未来的应用场景。做技术的人必须了解业务，这并没有捷径，只能通过多沟通、多学习。与客户交流，从客户的角度出发，思考如何运用技术解决问题。

面对AI，我们需要保持清醒的头脑，既不能过度神话它，也不能忽视它的潜力。我们需要真正了解AI能做什么、如何发挥作用，然后结合实际的应用场景，寻找最佳的解决方案。这样才能让AI真正落地，为我们的生活和工作带来实质性的改变。接下来，我们将深入探讨这个项目的实际运作情况。如何将方案落地实施，解决现实中的痛点问题，以及如何利用技术实现解决方案。这是周春英教授在实际项目过程中积累的经验之谈。她强调：“跨学科能力对于技术人员来说，是必备的硬技能。”

须成忠教授也表达了类似的观点，他认为项目的切入点需要双方共同探索，不能简单地“拿着锤子找钉子”。因为目前通用的一般性技术和系统很难找到，也很难有市场。他进一步解释说，软件行业的开源虽然很多，但真正的价值在于定制开发，了解并满足用户的需求才是真正的关键。这需要双方深入沟通，明确问题，找到解决方案。

以平安医疗健康的业务场景为例，穆强向AI前线阐述了AI在医疗领域的应用角度。保险的核心是管理可控风险，而AI在基于大数据的处理能力上，能够基于客观事实数据和规律，将主观判断变为客观，从而更合理地制定规则和策略。在医保风险控制方面，AI可以通过防止欺诈滥用、降低疾病发生风险、提高被保人健康水平等方式，帮助保险公司更有效地管理风险。

在评估AI技术的实用价值以及衡量投入的人力成本和时间成本时，企业需要进行全面的考量。AI是未来的大趋势，随着5G、物联网的发展升级，数据将会越来越多。如何平衡AI的投入和产出是一个需要关注的问题。周春英表示，她更倾向于逐步迭代的方式，先有一个整体的规划，然后一步一步慢慢取得成果。这样能够更好地平衡投入和产出，对于一些小型金融机构来说尤为适合。

关于AI的发展方向，不少企业都在谈AI的民主化、普及化和服务化。海广跃是这一观点的支持者，他认为推进AI民主化才能推动其在各行各业的应用普及。对于如何实现这一目标，他提出了构建通用且低价的AI平台和打通垂直行业场景的建议。须成忠教授认为垂直领域的深挖更有潜力，未来的AI发展将越来越偏向于与应用接轨。

无论是推进AI的民主化还是定制化，核心都在于解决实际问题，满足用户需求。在这个过程中，跨学科能力、逐步迭代、深入了解行业痛点都是关键。企业也需要根据自身的需求和实际情况，选择最适合自己的发展路径。人工智能是大趋势，但也需要脚踏实地，一步一步地向前推进。AI的未来展望

关于人工智能的未来，众说纷纭。一些人坚信人工智能的明天已到来，也有人担忧在不久的将来，人工智能的蜜月期可能宣告结束，特别是在 2018 年。那么，AI究竟距离我们远或近呢？在日常生活中，淘宝搜索、银行人脸支付、小米智能音箱等人工智能产品的普及似乎让AI触手可及。然而对于企业界的技术人员来说，人工智能涵盖的技术领域纷繁复杂，想要解决企业面临的问题并非易事。企业在面对人工智能时面临的挑战包括如何找到合适的技术解决方案、如何获取并清洗数据、以及如何确定应解决的问题等。这些挑战看似使AI“遥不可及”。但这些恰恰是未来让人工智能在工业界站稳脚跟、改变每个人生活的关键所在。

尽管人工智能在实际应用中存在落地难的挑战，但这正是这项技术成为像“新电力”一样不可或缺的存在所必经的道路。对于传统行业公司和AI技术初创公司来说，现在所面临的挑战与机遇并存。

例如，原百度研究院院长林元庆在离开百度后创办了自己的公司AIbee，他的目标是通过深度赋能传统行业，推动产业升级。而人工智能领域的著名学者吴恩达在今年 12 月也宣布成立Landing.ai，致力于解决AI转型问题，并将制造业作为首要目标。这些实际行动充分表明人工智能领域的发展潜力巨大。

从国家政策层面来看，国家对AI产业化的重视不言而喻。在 12 月发布的《促进新一代人工智能产业发展三年行动计划》中，详细规划了AI在未来三年的发展方向和目标，包括培育智能产品、突破核心技术、深化智能制造等。这也预示着未来AI企业将更多地关注行业应用和解决方案的实际落地能力。

至于 2018 年人工智能泡沫是否真的会破灭的问题，我们无法确定。如果过度期望所带来的泡沫确实被戳破，也未必是一件坏事。这可能会促使人们更加冷静地看待人工智能的发展，并关注其实际应用和落地问题。在这个过程中，“弄脏手、扎进去、踏实干”将是人工智能落地的关键所在。接下来的人工智能发展将更加注重实际应用和解决方案的落地能力，这也是业界最为关注的焦点话题之一。让我们共同期待人工智能在未来的更多突破和更广阔的发展空间吧！