美国权威调研机构Gartner发布了一份中国企业AI案例研究报告。报告指出中国企业追求AI实战性，产业AI颇具土壤。
Gartner得出结论，中国企业对AI具备强烈需求，并且热衷用AI来提高生产率、改善客户体验和促进业务增长。这一市场需求决定了中国具有产业AI的肥沃土壤。
在阿里庞杂的AI业务、产品、生态的背后，也有一个关键词“产业AI”。产业AI究竟是什么，有哪些关键要素，有哪些场景？3月27日，阿里云数据智能总经理曾震宇先生发表了题为《产业AI驱动数据与业务的飞轮》的演讲，回答了这些问题。
演讲中，曾震宇用“三驾马车”和“一个飞轮”解释产业AI。人工智能技术体系有“三驾马车”数据、算法和计算力，产业当中通过业务积累数据，即 “一切业务数据化”。数据要用于业务中，让数据创造价值、推动业务的发展，即 “一切数据业务化”。产业AI作为核心引擎，驱动数据和业务发展的飞轮，推动业务价值快速增长。
以下是曾震宇《产业AI驱动数据与业务的飞轮》演讲实录。
AI技术的三驾马车数据、算法、算力
当人们谈到人工智能技术的时候，往往会想到深度学习、强化学习、人脸识别、语音等等各种技术。其实我们觉得，这些技术只是人工智能中的一个侧面而已。人工智能技术体系从整体来看包含着三大支柱，或者我们称之为 “三驾马车”
第一驾马车就是数据，我们把数据当成一种战略资源看待，没有数据，所有的人工智能根本就没有基础。
第二驾马车就是算法，从上个世纪以神经网络为代表的算法兴起之后一直到现在，算法有了非常大的发展，算法给人工智能带来了相应的智能。
有了数据和算法，我们就需要计算能力，因为数据量非常大，计算能力也变成了非常重要的事情。
今天我不会过多地讲算法，而是讲数据和计算能力，这是两点可能平常大家不会太关注，对整个AI而言非常重要的因素。
来讲数据。数据是所有人工智能的基础。从以往各种各样的项目当中我们发现，数据的质量、数据的好坏其实对整个项目结果的影响超过算法层面的调优，所以一定要非常认真地对待数据层面。做各种各样项目的过程当中，数据会有各种各样的来源，我们需要把各种各样的数据进行汇聚，然后对数据进行相应的建模。比如各种各样的实体可能来自不同的业务系统，需要把各种不同业务系统当中的数据关联在一起，变成能够刻画一个实体的全方位的数据。
对数据进行建模以后，我们需要进行相应的数据治理。数据如果不治理，就像热力学第二定理所说，随着时间的推移无序度会逐渐增加，数据其实也是一样。对数据进行加工和建模之后，还需要从数据质量、生产监控等各个层面，对数据进行相应的治理，需要花不少人力来做这些事情。
下面我们来看一个例子，比如交通行业。交通行业的数据可以做什么事情呢？站在政府的角度，交通数据非常多、非常杂，来自各个不同的部门。政府可以把这些交通的数据进行相应的汇聚，汇聚以后就可以得到交通相关的各个侧面的深刻了解。数据可能来自于政府，比如交警、卡口、摄像头各种线圈的感知数据，这些数据汇聚以后进行建模加工，然后得到一些实体。
比如对交通而言，最重要的实体就是交通工具——车，可以得到车的各个侧面的刻画，甚至可以得到每一辆车在城市当中行动的轨迹和特征。有了这样的数据以后，我们可以构建一个关于交通的数据资源平台，在此之上可以做各种各样的智能化应用，让数据为城市的交通发力。
除了数据之外，计算是一个非常重要的因素，但这一点往往会被一般人所忽视。过去一段时间，随着云计算的发展，计算变得越来越便宜、越来越方便，也更容易获得。计算的发展有宏观和微观两个趋势
宏观趋势就是计算越来越从原本单机的计算往集群的计算发展，就是用大量普通的服务器共同构建一台超级计算机，让这台超级计算机完成一些复杂的任务。这个过程当中对计算的调度能力有非常高的要求，也需要有大量的沉淀以后才可能操纵上千台、上万台计算机规模。
微观层面在每一个计算节点上面，现在越来越多的趋势就是通用的芯片逐渐往专用的芯片发展，我们看到 Google、阿里巴巴等公司都在自研相应的芯片，就是希望在单个计算节点让每一分钱的投资产生最大的回报。
产业+智能产业AI的飞轮
有了人工智能技术的 “三驾马车” 之后，AI要走出实验室，必须要跟产业相结合。
产业当中通过业务相应地沉淀数据、积累数据，或者是养数据，我们称之为 “一切业务数据化”。业务过程当中各种核心的指标、跟核心的业务价值相关联的部分都可以数据化沉淀下来。数据沉淀之后要把数据用于业务当中，让数据创造价值、推动业务的发展，我们又称之为 “一切数据业务化”。有了数据和业务形成的飞轮就能够推动业务快速发展，中间的核心引擎就是AI。
互联网行业对数据和人工智能应用非常多，除了互联网行业，外部的各个行业都有非常大的前景。这些行业当中有非常多的数据量，因为缺乏计算能力，或者没有把这些数据相应地保存和利用起来。我们发现这些行业当中人工智能有非常大的前景，可以用数据和算法提升业务的价值。
产业AI应用场景
接下来我会挑一些具体场景，看看产业AI在现实当中能够产生怎样的价值。
来看交通领域，交通可能是每一个老百姓都能自己感受到的，而且是很多城市的领导者非常头痛的一个问题。解决交通拥堵问题之前，其实管理者更感兴趣，也更加头大的事情就是弄清楚这个城市到底有多少辆车，比如此时此刻在北京有多少辆车在跑，有多少辆车是停在车库里面。
这些数据其实在很多城市是是很难拿到的，统计这些数据并不像大家想像的那么简单。我们要想弄清楚一个城市当中实时有多少辆车，一定要把城市里与交通相关的数据相应地进行汇聚、融合、加工和相应的计算，才能建立模型，得到此时此刻在北京有多少辆车在跑。这些数据对于交通的决策者而言，可以作为重要的参考因素，去安排警力以及相应的城市建设规划。
有了整个城市交通数据以后，一个非常有趣的点就是交通的效率。其实交通效率是直接被红绿灯所指挥的，现在中国很多城市的红绿灯基本上都是由每一个路口前面埋的地感线圈和感应器控制的。大家也知道，中国很多城市，地感线圈可能会被工程车辆、重型车辆压坏，损坏之后这些感应器就不灵了。中国其实有很多红绿灯基本上处于一种半盲状态，这种半盲的状态如何指挥中国这么复杂的混合交通，让交通的效率达到最高？其实这是很难做到的。
如果城市管理者把整个城市的数据进行汇聚，就会知道城市有多少车，而且知道这些车相应的运动轨迹，所有的模式特点，那么就可以利用这些数据，以及摄像头实时看到的数据去实时地驱动信号灯，从点到线到面，从地面道路的红绿灯到高架的红绿灯可以形成联动，用实时融合数据从全局层面指挥红绿灯，让整个城市的交通形成一个有机体。
这是我们觉得更加激动人心，也更加有意思的一个场景，整个城市当中有了所有这些数据和交通工具运行相应的特征，还有过去各种历史行为，我们可以利用这些数据帮助城市管理者以及城市建设者作出一些重要的决策。
例如有的地方要修路或者建地铁站，或者有大型活动，我们如何针对这样的异常行为对交通进行相应的指挥？以往的做法可能就是决策者到现场去做调研，大致根据经验制定一个方案，这其实很大程度上是靠经验出来的。有了数据之后，我们完全可以在数据的层面进行实时的推演，因为可以把线下这些实际的交通状况在线上获得。有了这样的数据之后，我们可以实时推演，比如这条道路由双行道变成三行道的话对周边的交通会产生什么影响，这个地方如果要举行大型演唱会，有多少万人需要疏散的话，对交通会产生什么影响。我们可以对城市进行实时计算，利用这些鲜活的数据帮助我们制定各种各样的城市方案。
机场交通枢纽、轨道交通枢纽、高铁交通枢纽都是人流的主动脉，这些点上面其实交通效率和交通安全都是非常大的问题，又会有多种交通工具，比如地铁、公交、网约车甚至航空航班都在这样的交通枢纽相连。其实这些点都有非常大的潜力，我们可以把数据关联在一起。对于城市的管理者而言，他们可能觉得非常头大的问题就是，在这些交通点上他们一方面要关注交通效率，另一方面要关注交通安全，一旦发生重大事件要如何及时处理，需要他们把这些点上的数据处理好，把乘客人数弄清楚。其实光是把人数清楚对这样的交通枢纽就是巨大的挑战，需要把各种感知类的摄像头数据实时处理，然后进行大客流的预测，给出相应的预警，避免重大事情的发生，以及让乘客的交通体验更佳。
再来看一看航空。从数据层面，航空有三大块航空公司、机场和空管，各自手里都有自己的数据。航空产业在数据层面有非常大的潜力，可以把数据进行融合，也能够给乘客产生更大的效率、提供更大的价值。航空当中有大量的计算运筹学的场景，比如对停机位的优化，每一架飞机到底应该停在停机位上还是停在停机坪上，我们可以通过算法尽量优化，让停机位的使用率变得更高。
城市规划这个行业现在做的都是一些传统的、基于各种图纸的规划，其实这个行业完全可以进行数字化的城市规划。有了数字化的城市规划之后，可以把城市当中各种各样的数据进行汇聚和融合，从地下的各种管网一直到地面上的各种建筑数据，我们可以对这些数据进行相应的融合和全时空的感知，构建整个城市的模型。
有了城市的模型以后，我们可以通过计算判断地下管网是否能够支撑上层的这些建筑，地面上的建筑和周边的交通的存量是否能够匹配，这些都是可以通过计算实现的，而且城市的整个生命周期和运营过程当中，如果城市的使用过程当中有一些点出现阻塞和资源不匹配，我们可以通过数据的方式进行计算，发现其中的问题，进而给出建议，然后对整个城市进行相应的优化。
工业是一个非常有趣的场景，涉及的数据是非常之多，有大量工业制造设备产生大量感知类的数据。工业场景当中很多重要的工业参数主要还是由工人师傅基于经验进行设置的，我们发现这个场景当中有巨大的机会，可以用数据帮助工人师傅进行加工生产的优化和提高。
比如关于循环流化床锅炉，这就是我们通常理解的锅炉，电力、化工等行业使用得非常多，我们可以对整个锅炉的燃烧过程建模，通过周边采集的各种感知类的数据发现这个锅炉当中是否燃烧均匀、是否充分燃烧、燃料和进气量是否匹配，等等，然后给出优化的参数。工程师会基于这些参数优化设备。我们发现在工业场景当中，生产效率、良品率或者能耗的一两个百分点的改动对整个成本和效益会产生巨大的推动。
再看金融场景。金融场景因为自身业务的发展，数据密度是非常之高的，场景包括保险、金融、银行等等各种各样的企业，这些企业面临着非常多的挑战。例如金融体系化的风险，常规的监管过程当中是基于一些规则进行监控的，在风险产生早期的时候，这些风险其实不为人所知。这个过程当中完全可以把金融的数据进行打通。
金融数据在我们看来其实是一种非常典型的关系网络数据，这种关系网络当中我们可以把异常的特征在早期阶段发现，能够提升整个行业风险的防范能力，在早期发现系统性的风险。金融行业当中有非常多的盗用帐号的黑灰产行业，通过各种手段非法获得用户的登录信息，因为这些黑灰产规模相对较大，行为当中也会表现出一定的特征，也是可以利用关系网络和大规模计算提前防范风险的。金融行业还有非常多的案例，比如新客的推荐等等，都是可以利用数据针对业务价值进行相应的提升。
刚才介绍的是我们在行业当中看到的产业AI能够带来的价值，这些其实都只是我们所看到的冰山一角，非常多的行业都有巨大的潜力。我们提出产业AI的价值就是以这种人工智能技术为核心，将技术和数据以及行业相结合，让人工智能技术深扎于行业当中，也让产业AI为整个行业创造价值。