實驗室，決定了AI公司的另一面
年關歲末，各種各樣的總結和展望開始多了起來。
這兩天的熱門話題之一，是BAT三家的AI布局統計和對比，各種各樣的文章都在從不同角度討論三家的優勢劣勢和各自特點，拼生態、拼場景、拼用戶心智，各種各樣的觀點蜂擁而來。
但這裡想說的是，很可能在產業圖譜之外，我們其實忽略了AI領域真正比拼的東西：作為一種不斷前進，始終處於探索中的技術，AI產業間的核心競爭力，其實始終都在學術研究能力上。
如何構建從實驗室到商業場景的最快速通道，如何讓產學真正一體化，或許才是AI時代爭奪戰的源點——這也是BAT到歐美巨頭，紛紛重注打造實驗室的原因。
比如美國時間1月18日，百度研究院要宣布進行升級，新增「商業智能實驗室」和「機器人與自動駕駛實驗室」。並且有三位人工智慧領域的科學家加入其中。
實驗室層面，或許隱含著對AI產業一種全新的觀察可能：從實驗室技術到商業化落地，可以比我們想像中更快、更有針對性和效率。
AI巨頭的實驗室之戰，絕對較產業前端的生態大戰不遑多讓。
重劍無鋒：為什麼AI無法離開實驗室？
從谷歌收購DeepMind這個「教授組成的公司」，然後用AlphaGo一鳴驚人，就已經能夠讓我們看出優質的研發實驗室對於AI這個新技術有多麼重要。
而從本質邏輯上來看，相比於PC和移動互聯網、物聯網時代，AI是一種史無前例要求企業與實驗室緊密合作、共生共長的技術類別。其實這很好理解，傳統的互聯網硬體技術，從研發到投入產業周期，實現商業落地，往往需要幾年的時間。當我們拿到某個產品的時候，它在實驗室中的開發可能已經過去了很久很久。這種情況下，企業可以採取各種方式獲得技術，而自己打造實驗室投入研發，其實是相對不經濟的一種選擇。
但在AI時代，這種現象近乎被完全改寫。以深度學習為例，在平台、算力和數據系統的基礎之上，無論高校還是企業的實驗室，做出來的研發成果近乎可以在產業端即插即用。甚至很多實驗室中打造的非功利技術，都已經是非常好的行業解決方案。
這也是為什麼大公司紛紛在AI時代開始熱衷於發論文、參加技術比賽。因為在AI的世界中，演算法就是資源，模型就是壁壘，而且各自技術資源是可以積累疊加的，不會出現相互抵消和排斥的情況。
而對於企業來說，顯然最有效能夠加強實驗室價值的方式，就是有目的、有選擇的進行針對性課題、研究方向，甚至專屬實驗室打造。雖然在今天的AI世界，以學術為目的導向的泛華實驗室還是標配，但以應對專門議題，強調商業化可能的專屬實驗室，幾乎是未來人工智慧發展的必然路徑。
畢竟當我們太習慣互聯網圈子裡用「賦能」、「生態」等等美好辭彙編織的「花拳繡腿」或者「萬箭齊發」，往往有可能忽略掉，AI是一個科研能力密集型指向的產業。在識別、理解、判斷等基礎能力上，AI的好壞肉眼可知。所以學術端能拿出什麼，能否快速將其釋放到產業端，其實是AI的運輸生死線。
這條輸送線沒有那麼多門門道道可講，但是重劍無鋒，它能決定一家AI公司最終到達的高度。無論是BAT還是谷歌、Facebook、微軟，全都在重倉大牛，搶奪人才，不遺餘力的發論文跑測試，就是這個道理。
這場比試，從一開始就是「從學術能力到商業化」的簡單白刃戰，從來沒有趕個風口割把韭菜的可能。
而百度研究院的升級動作，讓我們看到了一些有意思的可能。
AI實驗室都在做什麼
以谷歌AI中國中心為例，目前的AI公司實驗室，主要作用是三點：重倉人才、建立世界研究矩陣的流通、鋪滿各領域研發賽道。
對於大部分AI企業來講，這三件事都是今天的主要戰略目標。其背後的原因在於，由於AI復興速度遠比想像中更快，對於沒有長期積累這一領域的企業來說，AI很大程度還是新生事物。而研發端是最吃力，同時也最需要重視人才資源的。那麼比較容易的方式，當然是仿照大學與研究機構設置企業實驗室類別，高效吸引人才加入。
在英國政府與圖靈研究院發布的《2017AI產業報告》中，曾經指出過這樣一個問題：今天整個AI產業中，最急切需要的，是學術與產業多個埠之間的流通與聚合能力。
這聽起來像是句空話，但仔細想想卻會發現，這正是今天的中國所需要的。
長期以來，中國互聯網都太依賴於用戶存量和商業模式驅動的產業上升速度，形成了對所謂對「風口」的迷信。
這種「風口來了豬也能飛」的奇怪心理，必然是與實驗室文化中「探索先於得到」的科學精神背道而馳的。
長時間對實驗室價值與文化的認知缺失，讓我們在「微創新」的詭異道路上走了太遠，甚至形成了習慣。
不信的話，不妨看看近幾天專家們給直播答題按上的各種理論解釋，或者看看最近突然火爆起來的「區塊鏈思想」。這些東西今天很火，火到莫名其妙，但是我相信三個月之後，絕大部分人應該不會再記得什麼「撒幣」。
遺憾的是，AI是無法複製這套邏輯的。很多跟風做「智障音箱」的，已經讓我們看到了AI對真實技術的要求。放眼世界，AI絕不是某種風口，而是真實技術解決方案和研發條件驅動下的產業繁榮。快速的技術迭代、長效的學術突破，才構成了今天AI世界的主流。
所以說，這個領域是沒什麼風口可拼的。高頻率、直接化的產學輸送能力，才是接下來比拼的重點。而如何讓AI的學術世界與商業世界相結合，找到最準確和緊密的契合點，則是AI商業化的核心驅動引擎。
不管怎麼樣，接下來更頻繁、更高速的AI產學一體化聯動，會讓我們逐漸認識到AI的真正價值。它不是一個風口，而是一種不斷去探索和解決問題的技術方式。
實驗室這個詞，將會無數次出現在商業資本的AI探險里。
TAG:實驗 |