|订单少落地难：被误解的人工智能

带着观点看商业。超级观点，来自新商业践行者的前沿观察。
【|订单少落地难：被误解的人工智能 | 超级观点】
文 | 特约观察员顾夏辉安涛
编辑 | 刘子晴

本文插图
-
人工智能落地现状
2020年人工智能依然是一个非常热的话题。中美的科技巨头以及很多跨国企业都把人工智能作为其战略发展的重要布局，国家层面也出台政策重点发展人工智能产业。 2019年，中国人工智能专利申请量排行世界第一，累计申请量44万余件，中国已超过美国成为人工智能领域专利申请量最高的国家。
但是与公众关注和各方支持的力度相比，人工智能技术的落地速度并没有达到人们的预期。目前人工智能集中于新零售、智能制造、智慧农业、医疗健康、智慧城市、营销和教育等产业，超过50%的赋能实体为安防。预计到2022年，人工智能赋能实体经济仅能达1600亿。对于40万亿的市场而言，人工智能还远远没有落地。
如何才能加快人工智能的落地速度？在这个问题之前，首先要明确人工智能技术是否重要、重要到什么程度。
人工智能带给我们的是什么？
一句话，科技带给人类发展的核心是对资源的优化。
蒸汽机的出现，使机器代替了手工劳动，一部分人从重复劳动解放出来，转为管理、运营和科研工作；电力的出现，推动企业间竞争的加剧，促进生产和资本的集中，产生了垄断；互联网的出现，使得人们节省大量获得信息的资源，整合企业的管理和策略工作。
如果人类想继续进行对资源和成本优化，需要进一步在管理、运营和科研上进行优化。人工智能显然可以做到这一点。
人工智能可以代替很多管理、运营和科研的工作。它还可以通过海量的数据分析获得更为有效的策略，这是人类无法做到的。计算机视觉可以使人们从海量的图片或视频数据中找到关注内容。语音识别可以简化运营服务。自然语言处理可以在海量的文章中完成对语音的分析，真正使人们从繁重的运营服务中解脱出来。智能驾驶节省运输交通的资源。智能机器人可以提供生产效率，节省生产资源。
人工智能在各个行业都有着巨大的市场和发展机遇。
在安防领域， 2019年市场规模为350亿， 2022年将突破700亿。其核心为降低运营资源。目前主要用户来自政府、金融，地产、学校、医疗等领域的B端市场。计算机视觉技术在安防领域的应用接近90% 。
在传统金融产业，人工智能主要应用在智能风控、智能客服、智能营销和智能投研等业务。其核心为降低运营资源和决策资源。 2019年，传统金融行业在人工智能的投入为220亿，到2022年将扩大到接近600亿。
客服产业将大量使用自然语音处理技术降低运营成本。其核心为降低运营资源。客服业务空间2019年为44亿， 2022年将达到160亿，泛客服市场空间在2022年将达到650亿。智能客服发展方向主要为金融、政务、制造和医疗等行业。
人工智能在医疗健康的应用场景主要包括智能辅诊、医药研发、医学影像、疾病预测、运动管理等。核心为节省医护资源及研发资源。医疗领域需要政府的推动， 2022年市场份额将由5000万增至10亿。
新零售领域人工智能的场景为无人商店、智能供应链、精准营销、智能客服等，核心为节省运营资源， 2022年将由23亿增长到200亿；教育产业聚焦口语听力、智能题库、智能课程、作业分析等业务，核心为节省老师资源，将由200亿增长到700亿；智慧城市体现在AIoT和智慧交通领域，核心为降低管理资源成本和出行成本，将由10亿增长为35亿；制造业核心为降低管理、运营资源成本，将由5万亿增长到8万亿…… 分页标题
关于人工智能的一些常见误区
误区一：人工智能可以帮助解决重复工作。
上述描述中，我们已经看到人工智能可以解决专项问题。而专项问题并非重复工作，两者之间存在一定的交集，如果不对业务进行拆解，人工智能依然无法解决大部分的重复工作。解决重复问题需要使用多个模型的协作，每个模型解决业务中的一个专项问题。所以人们也不必担心人工智能将取代大量人类岗位，人工智能只是提高工作的效率和结果。
误区二：人工智能可以取代人类做决策。
人工智能只能在某些领域帮助人们做决策，而不能完全取代人类的决策。在行业中，需要解决的决策问题往往是非常复杂的过程，这并不是人工智能的强项。人工智能的强项在于帮助人类获取和整理海量的信息，辅助人类决策。
误区三：人工智能的门槛很高。
目前来看人工智能的门槛确实要比大部分其他行业的门槛高，但是并不意味着几年之后人工智能依然有很高的门槛。随着技术和用户认知的变化，人工智能将更容易被人类理解和接受。比如，我们子长科技所构建的低成本1STEP.AI人工智能中台的目的就是降低人工智能的成本和门槛。向打造人人受益的人工智能方向努力。
误区四：人工智能需要大量的训练数据
目前大部分人工智能模型的训练还依赖于大量的人工标注训练数据。但是通过训练数据生成、小样本训练，训练数据的数量将大大降低。未来，人工智能的训练成本将取决于要解决的问题，而不是所有的模型训练都依赖于大量的训练数据。
为什么人工智能落地困难？
在了解了人工智能的一些误解之后我们再看看人工智能为什么落地困难。
市场和用户对人工智能还没有充分了解
人工智能虽然在各个技术方向飞速发展，但是市场和用户的理解还处在科幻、抓眼球的阶段。人们更希望看到人工智能在各种领域击败人类。实际上，人工智能确确实实在某些领域可以超越人类。例如前面AlphaGoZero 可以在围棋上击败人类；图像识别可以比人类更精准的做物体辨别。但是对于企业来说，这些发展只能解决很小部分的问题，并不能解决复杂的商业问题。人工智能难道不是解决复杂问题的吗？很遗憾，目前人工智能不能解决复杂问题。人工智能更擅长解决专项问题。专项问题对于人类来说也并不代表着简单问题，例如围棋、人脸识别这些都是专项问题。所以实际上人工智能的效果还远远无法达到人们的期待，或者说市场还需要大量的时间去培养，让更多的企业了解人工智能的现状。
对于新鲜事物，市场不愿投入过多
由于目前市场和用户对人工智能不了解，因此客户能接受的价格预期较低，而人工智能服务商的报价又相对较高，这就出现了一个阻拦在甲方和乙方之间的价格鸿沟。子长科技所构建的低成本人工智能中台其目的就是降低人工智能的成本，从而填平甲方和乙方之间的鸿沟。
懂行业业务的人工智能成本较高
人工智能如果要解决复杂的行业业务，需要对业务理解较深。对业务的理解需要大量的深入研究，这就提高了人工智能项目的成本。这就导致一些冷门行业的业务研究得不偿失，同时限制了人工智能的跨行业应用。
人工智能需要大量的客户数据
人工智能的训练过程需要大量的训练数据，这往往依赖于客户提供大量的数据。出于商业机密或隐私的原因，客户几乎都不愿意共享这些数据。同时大量的训练数据整理和标注将耗费大量的人力资源。也正是基于这个痛点，我们致力于研究数据保护、训练数据生成和小样本训练技术从而根本上解决客户数据的问题。
人工智能落地的策略
首先，要了解业务本身。
类似计算机技术，互联网技术，人工智能也是基础学科。作为基础学科，其在各行各业中主要体现的是辅助作用。通过人工智能技术的辅助，各行各业可以产生颠覆性的产品，但其核心是业务，而非人工智能技术。例如，计算机可以使人们更快地编辑文档，但是其核心还是文档编写。互联网可以更容易地获取信息，但其核心是对信息的阅读。移动互联网可以使支付更加便利，但其核心是支付。以上技术都带来了各行业的颠覆性变革，但其核心还是业务本身。人工智能也是如此。所以人工智能想要落地，首先要了解业务，再利用人工智能技术辅助业务，而绝非在行业中创造一种新的业务模式。分页标题
其次，了解目前人工智能技术发展和产业应用。
目前人工智能技术还处在非常初级的阶段，比较成熟的技术还停留在窄人工智能层面。只能较好地服务专项功能，如AlphaGoZero可以在围棋专项功能上击败人类。
人们将人工智能技术无法落地归咎于技术不成熟，这个想法是不准确的，任何新型技术的出现都是从不成熟到成熟的发展，技术不成熟不代表无法落地。此外，深度学习非常类似于人脑的神经网络，人脑大概有1000亿个神经元。但并非这1000亿个神经元共同创建了一个功能包罗万象的神经网络，而是各个部分负责各个功能。最新研究表明，大脑中的神经网络在不同功能中会有复用的部分。所以人工智能的产业落地，应该是研究如何更好地组织和协同多个专项功能神经网络，而非研究一个包罗万象的模型算法。合理有效的组织目前的机器学习模型是可以为企业提供完整的解决方案的。子长科技正在通过自主研发的人工智能中台框架对腾讯、苹果、欧莱雅、华润等企业提供完整的人工智能解决方案。
第三，在各个垂直领域深度定制、各个击破。业务的差异化和现阶段对人工智能的理解限制了人工智能统一平台的出现。目前比较流行的人工智能平台实际上是模型支持层面的。统一的人工智能平台无法满足各行各业的业务需求。饿了么和滴滴出行可以使用统一的云平台开发，但是云平台提供的只是技术层面的支撑，对于业务层面是无能为力的。所以人工智能领域的公司应该深耕各行各业的业务，由各行各业的业务精英引领落地方案。在业务基础上构建人工智能的应用。
第四，降低成本。市场对人工智能的认知需要很长时间，在人们对人工智能不了解的时候，必然不愿意使用大量成本。短时间内，市场很难为高额的人工智能项目买单。人工智能项目的成本大概分为几部分。一，业务定制的成本；二，模型构建的成本；三，项目沟通的成本；四，本地化部署及维护的成本。
首先人工智能项目和业务绑定越深，业务定制部分的成本就越高。如果我们标榜人工智能技术，而实现了一整套CRM系统，其成本大部分都是构建该系统上，而非人工智能部分。人工智能技术公司需要想清楚自己是系统服务公司使用人工智能技术，还是人工智能的公司应用到了某个领域。目前人工智能公司的产品最好是低成本、业务绑定较少的产品。例如人脸识别就是这样的技术方向。
其次，对于模型的构建，其成本主要是数据的收集、整理和标注；模型训练所需要的硬件成本。首先对于数据，要降低成本，其根本还是降低数据的处理工作量。首先可以通过创建训练数据而非标注数据的方法降低标注的成本。其次可以通过小样本训练模型降低模型训练对于训练数据的依赖。
不同于其他软件或服务系统项目，甲方对人工智能的不了解，使人工智能项目的沟通成本非常高。人工智能公司需要细化沟通过程，从技术和业务两个方向围绕人工智能进行沟通。
由于甲方开发或者IT部门不一定都对人工智能技术比较了解。而对于数据的保密，中大型企业都会选择本地部署的方式。以上两点加大了人工智能系统的维护成本。系统部署和维护需要尽量做到系统化，减少人工操作。我们考虑到这个问题，人工智能中台包括了完整的部署、监控和维护的全过程。
人工智能的落地应当本着务实、深耕的心态，加强各个产业布局，以各个产业现状的经验出发，学习和讨论新的业务实现形式，从而挖掘创新的机遇。同时人工智能需要解决成本问题，降低自身研发成本，并降低指导客户对人工智能的理解成本。
“超级观点”栏目现发起“特约观察员入驻”计划，邀请各赛道的创业者、大公司业务线带头人等一线的商业践行者，在这里分享你的创业体悟、干货、方法论，你的行业洞察、趋势判断，期待能听到来自最前沿的你的声音。分页标题
欢迎与我们联系，微信：cuiyandong66；邮箱：guanchayuan@36kr.com