投入大見效慢，還要做AI？
接收程序員的 8 點技術早餐
不能帶來盈利的技術不是好產品。本文首發於 InfoQ 垂直公眾號 AI 前線， ID：ai-front，歡迎關注。
當人們回望 2017 年的時候，看到的可能全是人工智慧。
年末技術盤點裡程碑有一大半跟人工智慧相關、人工智慧企業屢次獲得巨額融資、今天人工智慧在某個指標上達到甚至超過人類水平、明天人工智慧在某個比賽中打敗了人類、據分析人工智慧可能取代多少人類的工作……
人工智慧又一次走到了風口浪尖上，從政府、學術界、企業界、投資界到創業者們，無一不將人工智慧視為未來方向；而媒體鋪天蓋地的報道，更是讓人工智慧快速佔領了每一個普通人的視聽。
但是無限風光的背後，又怎麼可能沒有一點陰影？
高大上的 AI 技術如何真正落地、帶來實際價值，已經成為尋求轉型的傳統公司、專註於提供 AI 技術服務的初創企業、業務規模龐大的集團公司共同遭遇的危機。
AI，「看上去很美」
從積極的一面來看，人工智慧催生了大量新技術、新企業和新業態，為個人、企業、國家乃至全球提供了新的經濟增長點，甚至可能成為第二次「工業革命」。
IDC 預計，全球人工智慧支出到 2020 年將達到 2758 億人民幣，未來五年複合年增長率將超過 50%。中國人工智慧技術支出將達到 325 億元，佔全球整體支出的 12%。
從消極的一面來看，儘管人工智慧開啟了一個全新的時代，但也在不斷滋生著「泡沫」，吹捧有之，跟風有之，噱頭有之。近兩年，數十家中美 AI 創業企業密集倒閉，大量 AI 創業項目中途夭折，不免讓人感慨，人工智慧是否只是「看上去很美」？
3 年前你都不好意思說你是做人工智慧的，而今天你都不好意思說不做人工智慧了。
泛人工智慧是人工智慧火爆之後催生的一種現象，就是把什麼東西都叫人工智慧。如今沒有哪個企業不想擁抱人工智慧，但當前人工智慧技術的採用程度到底如何？
麻省理工學院 Sloan Management Review 最近對 3000 位高管、經理和分析師進行的一項調查顯示了一個令人驚訝的結果：目前大多數公司還沒有採用人工智慧技術，只有不到四分之一的受訪者表示已經採用人工智慧技術，還有 23％的受訪者正在進行一些試點項目，而有 54％的受訪者表示他們還沒有開始採用人工智慧技術。這與 AI 前線在年終總結時所做的一份落地情況調查結果相近。
麻省理工學院的調查中也列出了可能阻礙企業採用人工智慧的幾大障礙：
對於已經理解並採用人工智慧的組織（「領導者」），人才缺口、競爭激烈的投資和對安全的擔憂是他們的主要障礙。
與此同時，尚未採用人工智慧（「被動」）的企業認為需要識別業務應用場景、缺乏管理支持、技術能力有限是其主要挑戰。
AI 落地困境
當前的人工智慧實際上是數據驅動的智能，也就是基於大數據的智能。中國科學院深圳先進研究院首席科學家須成忠教授認為這一波人工智慧涉及 ABCD 四個概念，A 演算法，B 大數據，C 計算平台（如雲計算平台），D 領域知識，技術必須跟領域結合。技術不結合場景，就只是一個技術而已。
目前 AI 在醫療、金融、交通等多個領域皆有不同程度的滲透，雖然行業不同，但 AI 落地時遇到的困境卻多有類似，其中場景和數據是最常被提到的兩項。
為什麼企業要為 AI 買單？
據平安醫療健康管理股份有限公司首席技術執行官穆強介紹，目前 AI 在平安醫療健康的應用主要分為面向病患和面向醫護人員兩種類型。
面向病患：利用 AI 技術對患者分層，通過患者的就醫習慣和行為畫像定義風險等級，再匹配需要的醫療水平，也叫做醫療能力分層或者患者需求分層，從而把醫療的供給測和需求側匹配起來、協調醫療資源。
面向醫護人員：用 AI 給醫療行業賦能，藉助 AI 為處方點評、臨床決策等提供決策建議，幫助醫生更好地決策判斷。另一點是運用醫學知識圖譜和大數據的方法，調整綜合醫療費用結構。目前的總費用中，藥物佔比過高而醫生的價值佔比太低，因此需要在總費用不變的前提下調整醫生價值與藥費的佔比，使醫生髮揮的價值與價格不背離。
平安嘗試在醫療場景落地 AI 的過程中，既會使用公司內部的技術方案，也會與第三方公司合作。商業合作不是公益項目，企業最關心的自然是這項技術到底能為自己解決什麼問題？能帶來什麼價值？而這可能也是 AI 技術服務商在嘗試向行業輸出技術前，最需要想明白的問題。
穆強指出，AI 初創公司想要進入醫療垂直領域，最大的痛點是買單方，也就是誰為他們的 AI 技術買單的問題。「企業經營不外乎開源節流。如果想把 AI 技術應用到產品中，首先要找到 AI 能給企業經營帶來什麼價值，是能幫企業開源還是節流，還是抑制風險，還是提高醫療水平，總得幫人干點什麼，所有的這些最終都要轉化成商業價值。只要這項 AI 技術能夠幫我們提高經營能力，我們自然願意為之付費。」
錯把商業項目當成研究項目
須成忠教授是中國科學院深圳先進技術研究院首席科學家，他所帶領的團隊開發了「先進雲」平台，平台之上融合了大數據、機器學習等技術，在智能交通、醫療健康、城市信息等多個領域都有落地應用。
須成忠教授告訴 AI 前線，智慧交通即利用人工智慧和大數據使城市交通變得更智能，其終極目標是通過城市大腦做預測，並能持續學習進而反饋控制，但目前暫處於起步階段。「阿里做城市大腦，說將城市擁堵改善了 10%，其實這 10% 從科學研究角度來說誤差都要拿掉了，可以說是微不足道，而且它是基於一個小區的小範圍實驗。」
目前中科院深圳先進技術研究院在交通領域已經落地的成果主要基於中科院收集的城市所有浮動車（出租、公交等非固定權的車輛）數據，包括三類服務：面向政府的服務，如城市精細化管理；面向公眾的服務，如深圳市的公交在手軟體，能夠綜合實時路況、天氣情況預測當前公交距離本站還有多久；將數據通過 API 方式開放給第三方企業（如騰訊、廣電集團、酷米客等）做更多的應用和服務，每天數據 API 訪問量達到 500 多萬次。
在加入中科院之前，須成忠教授在國外也承擔過不少企業合作項目。在他看來，做技術研究的人最容易犯的錯誤就是太過在意「研究」，錯把商業合作當作科研項目。
須成忠教授指出：「研究院研發的產品原型充其量是證明你有這個技術能力，但還是需要針對用戶的具體需求來修改和定製開發。我們以前把項目當作研究項目來做，並沒有解決企業的剛性需求，研究院經常會遇到這樣的問題。結果導致我們做的技術，用戶並不是特別感興趣。」
須成忠教授舉了一個例子，假設客戶要做計程車實時報表，他們原來平時做一次報表要花兩個多小時，客戶的需求是實時化。利用大數據處理將報表處理時間降到一分半鐘後，客戶就很滿意了。至於一分半鐘和一分鐘的差距，就屬於研究問題了，這個問題客戶可能並不感興趣。雖然從研究的角度來說，時間縮短了 50%，但對企業來說價值不大。
「技術輸出首先要搞清楚解決企業問題和研究項目的差別。只要技術好，然後能夠鑽進去跟客戶一起做一些面向客戶需求的定製化開發，肯定能夠生存下來。」
無數據不 AI，無場景不 AI
傳統網路設備商思科早已開始數字化轉型，同時也期望能夠通過技術幫助行業升級。全球很多流量都跑在思科的網路設備上，「如今大家都在關注 AI，但其實最核心的是底層數據。」思科大中華區副總裁、大客戶事業部經理海廣躍告訴 AI 前線，而底層數據正是網路設備商思科的強項。
思科嘗試將網路設備變成感測器，從底層基礎設施開始引入 AI、大數據，幫助各行各業進行技術升級和轉型。據介紹，目前思科的數字化轉型支持已經覆蓋了 11 個行業，包括互聯網公司、運營商、金融和娛樂行業，醫療和教育行業相對受 AI 影響慢一些，石油石化、電力系統最慢。
不同行業 AI 落地速度快慢，有很大的因素與數據有關。由於這一波 AI 對數據的重度依賴，應用首先得有足夠的數據，而這可能正是很多傳統行業所缺失的。即使有了數據，數據是否正確、是否足夠有代表性、如何準確標註又成了另一個老大難。「種瓜得瓜，種豆得豆」，機器學習的成果取決於數據的質量，錯誤的數據只會讓訓練結果出現嚴重偏差。
海廣躍指出，AI 最核心的價值在於數據和場景，而目前很多傳統行業難以應用 AI 或者應用效果不佳一般也是數據或場景的問題。
數據方面的問題包括：
數據太少甚至沒有，比如電力行業、工廠車間；
數據實時性，以自動駕駛為例，車本身是要和周圍環境交互，包括公路情況、天氣情況、行人聚集情況，需要實時判斷並決策，網路存在時延，如果不能實時響應就可能會出現事故；
數據處理需要藉助領域知識和經驗。先找到特徵值並進行標註，經過訓練之後才能用來做決策或預測，不懂行業的數據科學家無法做到這一點，比如醫院 X 光片、工廠設備故障檢測等。而沒有特徵值就沒辦法應用 AI，只有懂行業、懂場景的人與數據科學家配合才能真正將 AI 用起來。
軟通動力集團執行副總裁康燕文也向 AI 前線表達了相同的觀點。
在語音識別、多國語言翻譯、音視頻結合方面，軟通動力集團與不少大公司有合作。軟通負責提供語音數據和產品測試服務，輔助驗證語音產品的可用性，而在這樣的合作中數據正確性顯得尤其重要。
康燕文指出：「在對 AI 產品進行測試時，如果數據給的不對就沒用了。比如展廳機器人，有很多人進來參觀跟它對話，機器人有知識庫，它需要從知識庫中找到你問的問題，它才能回答，你問的問題不對或者不在知識庫中就沒辦法回答。」
為了升級而升級
AI 如此火爆，不乏「拿著鎚子找釘子」的初創企業，也有不少還沒想清楚為什麼要升級就想先把 AI「用」起來的傳統企業。「這不太現實。所有的技術升級都是業務驅動，不能憑空自己造，也不能為了升級而升級。」氪信 CreditX 首席科學家周春英告訴 AI 前線。
氪信是一家專註於運用機器學習與大數據技術解決金融信用風險問題的服務商，目前已經與數百家金融機構達成合作。
營銷和風控是目前機器學習在金融領域的主要應用點。營銷方面，主要就是解決不同的客戶和不同產品的匹配問題，以實現精準推薦。在這方面應用機器學習更多是一種「升級」，由於整合的用戶數據和產品數據更多，相比簡單的 LR，推薦成功率有所提升。風控則相對複雜，涉及反欺詐、信用評分、行為監控等。其中反欺詐分為兩個維度，一是基於個人數據，和營銷類似，從簡單的評分卡轉為機器學習，升級數據處理和模型技術、提升效率；另一個是為機構建立全套體系，包括機器學習的模型、演算法、訓練等，這不是一次性的工作，需要不斷迭代。
周春英認為一開始尋找切入點是最難的，「要考慮怎樣才能快速推進，又能落地上線使用，還能夠不斷迭代升級」。大家都知道要技術升級，問題是怎麼找到需要升級的那個實際業務問題，如果平白無故地去做技術升級，沒有落地的實際效果很難推動，也難以形成不斷迭代的過程。
氪信對此的解決方案是合作，在一開始會花比較多的時間去和客戶、業務負責人交流，共同尋找切入點。周春英補充道：「找到切入點之後其實也不是一下子從 0 到 100，而是需要花一段時間（比如幾年）才能出來成果。」
另外，不同客戶的需求不一樣，這就需要對解決方案和產品的抽象能力，既不能過度設計，也不能不抽象。在與客戶的合作中，既要保證高效率，又要滿足其個性化需求，因此方案和產品的抽象設計是對於 AI 技術服務商的另一項挑戰。
傳統行業對新技術不夠開放
AI 技術不是單點技術，它需要形成一個體系，因此免不了需要巨大的投入，從底層硬體到數據再到專業人才，缺一不可。對於金融機構來說，硬體和系統花錢買不難，但 AI 人才培養比較難。
周春英認為這是專註技術的 AI 初創企業的機會。術業有專攻，技術的問題可以交給懂技術的人，但尋找業務場景離不開良好的合作。合作中可能遭遇的問題就是傳統行業不夠開放。雖然金融領域有其特殊性，包括對信息安全、數據安全都有特殊的需求，但是如果金融機構越來越封閉，對於新技術的應用只會有不好的影響。
「對於新技術、新方式，或者新的技術方向，傳統行業要有一個更開放的態度，包括數據的使用，這樣實踐或者是落地可能會更快一些。」周春英說，這或許也是很多 AI 公司內心的呼喊。
如何將 AI 技術通用化？
平安科技是平安集團 32 個子公司之一，為整個平安集團提供技術服務，此外也給國內的眾多銀行和保險公司提供服務。過去幾年，平安科技一直在進行 AI 的研發，目前在大數據平台的基礎上，引入了面部識別、語音識別、視覺識別、行動識別、情感情緒識別等技術，進行自動決策。
以貸款申請為例，平安科技利用人臉識別匹配客戶身份、基於各項數據智能分析客戶的風險狀況，3 分鐘之內就可以在網上給客戶派發貸款。
平安科技大數據高級產品總監王建宗告訴 AI 前線，平安集團在 AI 時代轉型的難點不在於做不做 AI。對於先在公司內部落地 AI 之後，再開始嘗試將 AI 技術對外輸出的平安科技，面臨的難題是：如何將 AI 技術與自身業務剝離，使其通用化、標準化、產品化？
王建宗指出：「首先，每個公司的數據不一樣，數據標準參差不齊，平安的數據是平安的一套，但另外一個公司可能是另外一套數據，中間涉及數據融合、數據歸集化、數據交叉，這是一個挑戰。第二個挑戰來自於業務流程的差異性，保險行業每個公司的保險流程都不一樣，又涉及流程融合。」因此平安科技在幫助合作夥伴落地 AI 的時候，既會提供模型和演算法，也會提供能對模型和演算法進行閉環訓練的系統，使數據和規則能夠快速通過系統優化，並應用到實際業務中。
破局之道
看清：AI 不是銀彈
當大數據將 AI 推向「技術炒作」舞台的正中央，帶來的一個令人混淆的結果就是，突然間人人都號稱自己做的是「AI」，實際上卻是徒有其名；人人都以為自己需要「AI」，卻不知道 AI 到底能為自己解決什麼問題。
在矽谷人工智慧研究院創始人 Piero Scaruffi 教授看來，以上問題不只出現在中國，在全球任何地方都一樣。
AI 真正應用於商業場景通常會面臨兩個問題：第一，有些商業人士可能擅長傳統的科技思維，但是對 AI 了解不多；第二，很多優秀的軟體工程師從未學習過 AI，他們學的是其他領域的技術，AI 不是他們擅長的東西。對於工程師來說，有計劃地學習一些課程就能解決問題，但對於商業人士則非常困難。
面對這些問題，企業決策者和技術管理人員首先應該明確一點：AI 不是萬能葯。當問題已經有解決方案時，可能沒必要採用 AI，否則反而是在把工作複雜化，或者變成自己給自己製造問題。
Scaruffi 教授指出，沒有 AI 商業照樣可以運轉，現在大多數 AI 僅是優化程序，比如機器人。為什麼買機器人？為什麼用機器人代替原來的工作？因為機器人更便宜，可以降低成本。但是這些所謂的機器人一般都非常簡單。
「當有人說中國每年製造 1000 萬台機器人時，你應該問問這是什麼機器人。一天到晚都在做簡單機械工作的機器人並不是 AI，但是它們的確省錢。這可以稱作自動化，但已經是存在很久的技術了。而真正的 AI，比如說可以回答問題、實時監測的機器人，一般非常貴。」
正如前面所說，這一波 AI 是基於數據的 AI，因此 AI 應用到實際問題中離不開數據。沒數據就不能訓練神經網路，不管計算能力多強、速度多快。無數據無 AI，如果沒有就需要先搞到數據。如果有數據，AI 可能是有用的。但在一些情況下其實大數據技術就可以解決企業的問題，未必需要用到 AI。企業必須能夠分清楚哪些問題需要用 AI 來解決，哪些問題用已有的其他技術就可以了。
康燕文認為，應用 AI 之前首先對 AI 的認識要清楚，要知道 AI 到底可以做什麼、局限在哪裡。比如製造業要用 AI 識別成品存在的缺陷，需要先積累大量數據，讓機器去學習，才能開始識別。工人師傅需要積累經驗，機器同樣需要積累數據，獲取數據、積累數據都需要一個過程。康燕文還補充了一點，即新技術需要測試環境，不能一下就拿來用，出錯的風險太大，需要先做一些實驗。
須成忠表示，人們應該要修正自己對於人工智慧的期望。雖然人工智慧目前在封閉式環境中確實有了一些很好的突破，但是在開放環境中還有很長的路要走。另外，人工智慧是無法在一朝一夕突然就能夠解決所有問題的。
「我們不能也不要頭腦過熱，過一段時間發現人工智慧除了下棋打牌其他都做得差強人意。人臉識別需要在標準場景下，語音識別在開放環境還有問題。更何況數據清理和轉換也要花掉不少精力。如果大家不能修正對它的期望，到時會帶來更多失望，但這也是一個過程。」須成忠說。
合作：尋找 AI 落地場景
有人將 AI 落地問題比作「道」和「術」的問題。做 AI 工程的人，最在意的是這個演算法怎麼樣，夠不夠快，這是「術」的角度；做業務諮詢的人更考慮你有什麼問題，我要幫你解決問題，我用什麼你別管，我有創意，最後成了就行，這是「道」的角度。
那麼當掌握了 AI 技術或有了科研成果，怎麼跟企業需求對接？如何在企業的業務場景中找到應用新技術的切入點？
海廣躍認為，首先得將業務或場景流程化，才能找到存在問題、可以應用 AI 的環節，接下來再考慮怎麼以 AI 為工具去解決流程中存在的問題。另一點則是要站在未來看現在，看未來會是什麼樣的使用習慣，找到未來的場景，就能夠知道該做什麼樣的產品。這是另一個如何創造新業務的問題。
周春英則表示，尋找應用場景的切入點其實沒有什麼竅門，最實際的就是做技術的人必須懂業務，而方法總結起來也簡單，就是多溝通、多學習。通過經常和不同的客戶交流和溝通來學習業務，先從客戶的出發點考慮問題，然後再轉化為用什麼技術去解決它。
「要幫助客戶解決問題，既要懂業務也要懂技術。光懂技術跟客戶談不到一起去。弄懂業務之後，再想怎麼把業務的痛點轉化為技術的解決方案。接下來把這個方案講通講明白，這個事情怎麼做，實際的痛點是什麼，什麼技術能解決，出什麼樣的解決方案，這個就是我們實際項目過程中的經驗。」周春英說，「跨學科能力是技術人必備硬技能。」
須成忠教授也認為切入點需要雙方共同碰撞出來，而「拿著鎚子找釘子」的做法目前並不是很可行，因為通用的一般性技術、一般性系統很難找到，也很難有市場。
「軟體行業開源那麼多，但實際上開源只是證明你的能力，最後還是需要做定製開發。至於說怎麼找到用戶的需求，首先要讓用戶知道你能做什麼東西，有什麼樣的能力，然後再根據用戶的需求去做深做透。這是雙方互相碰撞的一個過程。需要雙方溝通後，弄清楚我有什麼問題，你有什麼辦法能解決我的問題才能確定目標。」須成忠教授說。
基於平安醫療健康的業務場景，穆強給 AI 前線列舉了 AI 在醫療領域可以切入的角度。
保險就是管理可控風險，怎麼讓風險變得可控？其實就是兩個問題，怎麼收錢以及怎麼花錢。這兩個方面規則的定義恰好是如今基於大數據的 AI 所擅長的——基於客觀事實數據和規律，將主觀判斷變客觀，從而更合理地制定規則和策略。
醫保風險控制包括三點，一是防止欺詐濫用浪費，二是降低疾病發生風險，三是提高被保人的健康水平，而這些都是綜合降費的辦法。「對於保險公司來說，1% 的重疾和 19% 的慢病會花掉 70% 的醫保費用，那麼這 20% 的人就是保險公司重點管理的對象。怎麼把這些人挑出來？怎麼干預這些人的行為，對他們進行個性化管理？這對我們來說投入最小、見效最快，如果 AI 可以解決這些問題，能夠幫我們降低成本，就有落地的價值。」穆強說。
漸進：平衡 AI 的投入產出
目前不乏有些企業辛辛苦苦搗鼓了 AI，但效率卻得不到相應價值的提升。那這些投入只能算是打水漂了嗎？企業應該怎麼評估 AI 技術能帶來的實用價值？又該如何衡量應用 AI 需要投入的人力成本、時間成本？
AI 是大勢所趨，隨著未來 5G、物聯網的發展升級，數據只會越來越多。以後誰能利用好數據，誰就會在業界領先，而不會用數據可能就會被淘汰，所以 AI 升級肯定是要做的。但現階段，逐步迭代可能是比一步到位更靠譜的選擇。
周春英表示，AI 本身就是比較重投入的，但是它也會有更長遠的影響，所以不能特別短視於此時此刻的回報上。但不同企業的需求不同，不能一概而論。周春英告訴 AI 前線：「我比較傾向於，AI 技術升級不要想著一蹴而就，一步就到深度學習，而是逐步迭代，先有一個整體的規劃，然後一步一步慢慢取得成果。這樣能夠比較好地平衡投入和產出，對於一些小型金融機構來說確實是這種做法比較好。」
康燕文認為，不能把新技術拿來就用，需要一個實驗的過程，循序漸進，而不是說一下子投個大錢就想得到巨大突破，這樣才能避免出現投入很多卻得不到預期結果的問題。「人工智慧是大趨勢，現階段企業更應該趕快去試，越不去試，越搞不清楚，等試了之後慢慢找到對的方法和方向，再一步一步往前走，自然就會越來越清楚。」康燕文說。
方向：民主化還是定製化？
最近不少企業都在談 AI 民主化、AI 普及化、AI 服務化，或者 AI for all，其實不管名字怎麼叫，其核心就是一點，希望能夠降低人工智慧的門檻，讓非專家也能使用 AI，這也是很多人對於未來 AI 的期望。
海廣躍是這個觀點的支持者，他認為推進 AI 民主化，才能推動 AI 在各行各業的應用普及。
海廣躍說：「當 AI 高高在上的時候，傳統行業懂場景不懂技術的人，與懂技術不懂場景的專家之間有鴻溝，AI 和數據、AI 和應用場景、AI 和知識之間也同樣存在鴻溝。」
至於如何跨越這個鴻溝，海廣躍也提出了他的想法。一是構建一個各行業通用且低價的 AI 平台，使不同行業的人都能很方便地使用 AI，在平台之上運行業務而非研究技術。但他也坦承，難度比較大，因為很難用一個 AI 平台滿足各行各業的不同需求。偏底層的 AI 基礎平台或許可行。
另一點就是縱向打通，將一個垂直行業場景從上到下全部打通，把這個場景做好了，再做另外一個場景，先對某一個企業產生價值之後再繼續做加法。
須成忠教授則認為垂直領域的深挖更有潛力。他告訴 AI 前線：「通用的一般性技術不一定有市場，充其量就是開源，想要發展就一定要把這個通用技術應用到垂直領域，然後針對這個垂直領域來做定製化的開發。將來的人工智慧不管發展到了哪個階段，一定不會像人那樣什麼都懂、什麼都會，它一定是這個軟體和系統專註一個業務，另一個專註另一個業務，是跟領域相關的。未來 AI 會越來越偏向跟應用接軌，越來越多地與應用相關。」
AI 的未來
有人說人工智慧是未來已來，也有不少人認為人工智慧的蜜月期會終結於 2018 年。
AI 離我們是近還是遠？淘寶搜索、銀行人臉支付、小米智能音箱，無處不是人工智慧，對於普通消費者來說，AI 似乎很近。但對於企業和技術人來說，不是所有問題都像消費級產品一樣容易解決。人工智慧所有涵蓋的技術紛繁複雜，怎麼從中找到合適的方法來解決自己的問題？怎麼得到數據？怎麼清洗數據？甚至一開始怎麼找到應該解決的問題？這些都是企業想接近 AI 卻又覺得 AI「遙不可及」的路障。但這些也是未來要讓人工智慧真正紮根於工業界、真正改變每個人的生活所必須解決的問題。
人工智慧落地難，卻是這項技術真正變成「新電力」般存在的必經之路。對於傳統行業公司與 AI 技術初創公司來說，都是挑戰與機遇並存。
原百度研究院院長林元慶從百度離職後，創辦了自己的公司 AIbee，他的目標是利用 AI 深度賦能傳統行業，實現產業升級。而人工智慧著名學者吳恩達也於今年 12 月宣布成立 Landing.ai，立足於解決 AI 轉型問題，第一站是製造業。
從國家政策來看，12 月工信部發布了《促進新一代人工智慧產業發展三年行動計劃》，從培育智能產品、突破核心技術、深化發展智能製造、構建支撐體系和保障措施等方面詳細規划了 AI 在未來三年的重點發展方向和目標，足以看出國家對 AI 產業化的重視。未來 AI 企業也將從拼技術逐步轉移到拼行業、拼落地。
2018 年，人工智慧的泡沫是否真的會破滅，我們不得而知，但過度期望帶來的泡沫被戳破未必是件壞事。
接下來一段時間，人工智慧落地勢必會是業界最為關心的話題，而人工智慧落地無非是：弄髒手、扎進去、踏實幹。
今日薦文
TAG:InfoQ |