但是正如每一項進入炒作期的新技術(shù)或新產(chǎn)業(yè)一樣，人工智能在無限風(fēng)光的同時，也伴隨著不少懷疑的聲音。當前人工智能真正的落地應(yīng)用有多少？人工智能能夠給企業(yè)帶來哪些實際價值？它能夠大規(guī)模商業(yè)化嗎？人工智能到底是未來已來還是泡沫將破？主打AI技術(shù)輸出的初創(chuàng)企業(yè)和研究院，與急欲將AI融入業(yè)務(wù)中的傳統(tǒng)行業(yè)，是否會有不同想法？
帶著這些疑問，AI前線記者來到第一屆平安集團SMART科技大會現(xiàn)場，與參加本次活動的平安、思科、軟通動力、中科院、氪信等企業(yè)機構(gòu)的技術(shù)專家、管理者進行了一對一的交流。他們之中有正在轉(zhuǎn)型的傳統(tǒng)公司，有專注于提供AI技術(shù)服務(wù)的初創(chuàng)企業(yè)，有業(yè)務(wù)規(guī)模龐大的集團公司，本文嘗試從不同角度探討他們遇到的人工智能落地難題。
AI，“看上去很美”
從積極的一面來看，人工智能催生了大量新技術(shù)、新企業(yè)和新業(yè)態(tài)，為個人、企業(yè)、國家乃至全球提供了新的經(jīng)濟增長點，甚至可能成為第二次“工業(yè)革命”。
IDC預(yù)計，全球人工智能支出到2020年將達到2758億人民幣，未來五年復(fù)合年增長率將超過50%。中國人工智能技術(shù)支出將達到325億元，占全球整體支出的12%。
從消極的一面來看，盡管人工智能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(fēng)有之，噱頭有之。近兩年，數(shù)十家中美AI創(chuàng)業(yè)企業(yè)密集倒閉，大量AI創(chuàng)業(yè)項目中途夭折，不免讓人感慨，人工智能是否只是“看上去很美”？
3年前你都不好意思說你是做人工智能的，而今天你都不好意思說不做人工智能了。
泛人工智能是人工智能火爆之后催生的一種現(xiàn)象，就是把什么東西都叫人工智能。如今沒有哪個企業(yè)不想擁抱人工智能，但當前人工智能技術(shù)的采用程度到底如何？
麻省理工學(xué)院Sloan Management Review最近對3000位高管、經(jīng)理和分析師進行的一項調(diào)查顯示了一個令人驚訝的結(jié)果：目前大多數(shù)公司還沒有采用人工智能技術(shù)，只有不到四分之一的受訪者表示已經(jīng)采用人工智能技術(shù)，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采用人工智能技術(shù)。這與AI前線在年終總結(jié)時所做的一份落地情況調(diào)查結(jié)果相近。
麻省理工學(xué)院的調(diào)查中也列出了可能阻礙企業(yè)采用人工智能的幾大障礙：
對于已經(jīng)理解并采用人工智能的組織（“領(lǐng)導(dǎo)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，尚未采用人工智能（“被動”）的企業(yè)認為需要識別業(yè)務(wù)應(yīng)用場景、缺乏管理支持、技術(shù)能力有限是其主要挑戰(zhàn)。
AI落地困境
當前的人工智能實際上是數(shù)據(jù)驅(qū)動的智能，也就是基于大數(shù)據(jù)的智能。中國科學(xué)院深圳先進研究院首席科學(xué)家須成忠教授認為這一波人工智能涉及ABCD四個概念，A算法，B大數(shù)據(jù)，C計算平臺（如云計算平臺），D領(lǐng)域知識，技術(shù)必須跟領(lǐng)域結(jié)合。技術(shù)不結(jié)合場景，就只是一個技術(shù)而已。
目前AI在醫(yī)療、金融、交通等多個領(lǐng)域皆有不同程度的滲透，雖然行業(yè)不同，但AI落地時遇到的困境卻多有類似，其中場景和數(shù)據(jù)是最常被提到的兩項。
為什么企業(yè)要為AI買單？
據(jù)平安醫(yī)療健康管理股份有限公司首席技術(shù)執(zhí)行官穆強介紹，目前AI在平安醫(yī)療健康的應(yīng)用主要分為面向病患和面向醫(yī)護人員兩種類型。
面向病患：利用AI技術(shù)對患者分層，通過患者的就醫(yī)習(xí)慣和行為畫像定義風(fēng)險等級，再匹配需要的醫(yī)療水平，也叫做醫(yī)療能力分層或者患者需求分層，從而把醫(yī)療的供給測和需求側(cè)匹配起來、協(xié)調(diào)醫(yī)療資源。
面向醫(yī)護人員：用AI給醫(yī)療行業(yè)賦能，借助AI為處方點評、臨床決策等提供決策建議，幫助醫(yī)生更好地決策判斷。另一點是運用醫(yī)學(xué)知識圖譜和大數(shù)據(jù)的方法，調(diào)整綜合醫(yī)療費用結(jié)構(gòu)。目前的總費用中，藥物占比過高而醫(yī)生的價值占比太低，因此需要在總費用不變的前提下調(diào)整醫(yī)生價值與藥費的占比，使醫(yī)生發(fā)揮的價值與價格不背離。
平安嘗試在醫(yī)療場景落地AI的過程中，既會使用公司內(nèi)部的技術(shù)方案，也會與第三方公司合作。商業(yè)合作不是公益項目，企業(yè)最關(guān)心的自然是這項技術(shù)到底能為自己解決什么問題？能帶來什么價值？而這可能也是AI技術(shù)服務(wù)商在嘗試向行業(yè)輸出技術(shù)前，最需要想明白的問題。
穆強指出，AI初創(chuàng)公司想要進入醫(yī)療垂直領(lǐng)域，最大的痛點是買單方，也就是誰為他們的AI技術(shù)買單的問題。“企業(yè)經(jīng)營不外乎開源節(jié)流。如果想把AI技術(shù)應(yīng)用到產(chǎn)品中，首先要找到AI能給企業(yè)經(jīng)營帶來什么價值，是能幫企業(yè)開源還是節(jié)流，還是抑制風(fēng)險，還是提高醫(yī)療水平，總得幫人干點什么，所有的這些最終都要轉(zhuǎn)化成商業(yè)價值。只要這項AI技術(shù)能夠幫我們提高經(jīng)營能力，我們自然愿意為之付費。”
錯把商業(yè)項目當成研究項目
須成忠教授是中國科學(xué)院深圳先進技術(shù)研究院首席科學(xué)家，他所帶領(lǐng)的團隊開發(fā)了“先進云”平臺，平臺之上融合了大數(shù)據(jù)、機器學(xué)習(xí)等技術(shù)，在智能交通、醫(yī)療健康、城市信息等多個領(lǐng)域都有落地應(yīng)用。
須成忠教授告訴AI前線，智慧交通即利用人工智能和大數(shù)據(jù)使城市交通變得更智能，其終極目標是通過城市大腦做預(yù)測，并能持續(xù)學(xué)習(xí)進而反饋控制，但目前暫處于起步階段。“阿里做城市大腦，說將城市擁堵改善了10%，其實這10%從科學(xué)研究角度來說誤差都要拿掉了，可以說是微不足道，而且它是基于一個小區(qū)的小范圍實驗。”
目前中科院深圳先進技術(shù)研究院在交通領(lǐng)域已經(jīng)落地的成果主要基于中科院收集的城市所有浮動車（出租、公交等非固定權(quán)的車輛）數(shù)據(jù)，包括三類服務(wù)：面向政府的服務(wù)，如城市精細化管理；面向公眾的服務(wù)，如深圳市的公交在手軟件，能夠綜合實時路況、天氣情況預(yù)測當前公交距離本站還有多久；將數(shù)據(jù)通過API方式開放給第三方企業(yè)（如騰訊、廣電集團、酷米客等）做更多的應(yīng)用和服務(wù)，每天數(shù)據(jù)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(yè)合作項目。在他看來，做技術(shù)研究的人最容易犯的錯誤就是太過在意“研究”，錯把商業(yè)合作當作科研項目。
須成忠教授指出：“研究院研發(fā)的產(chǎn)品原型充其量是證明你有這個技術(shù)能力，但還是需要針對用戶的具體需求來修改和定制開發(fā)。我們以前把項目當作研究項目來做，并沒有解決企業(yè)的剛性需求，研究院經(jīng)常會遇到這樣的問題。結(jié)果導(dǎo)致我們做的技術(shù)，用戶并不是特別感興趣。”
須成忠教授舉了一個例子，假設(shè)客戶要做出租車實時報表，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(shù)據(jù)處理將報表處理時間降到一分半鐘后，客戶就很滿意了。至于一分半鐘和一分鐘的差距，就屬于研究問題了，這個問題客戶可能并不感興趣。雖然從研究的角度來說，時間縮短了50%，但對企業(yè)來說價值不大。
“技術(shù)輸出首先要搞清楚解決企業(yè)問題和研究項目的差別。只要技術(shù)好，然后能夠鉆進去跟客戶一起做一些面向客戶需求的定制化開發(fā)，肯定能夠生存下來。”
無數(shù)據(jù)不AI，無場景不AI
傳統(tǒng)網(wǎng)絡(luò)設(shè)備商思科早已開始數(shù)字化轉(zhuǎn)型，同時也期望能夠通過技術(shù)幫助行業(yè)升級。全球很多流量都跑在思科的網(wǎng)絡(luò)設(shè)備上，“如今大家都在關(guān)注AI，但其實最核心的是底層數(shù)據(jù)。”思科大中華區(qū)副總裁、大客戶事業(yè)部經(jīng)理海廣躍告訴AI前線，而底層數(shù)據(jù)正是網(wǎng)絡(luò)設(shè)備商思科的強項。
思科嘗試將網(wǎng)絡(luò)設(shè)備變成傳感器，從底層基礎(chǔ)設(shè)施開始引入AI、大數(shù)據(jù)，幫助各行各業(yè)進行技術(shù)升級和轉(zhuǎn)型。據(jù)介紹，目前思科的數(shù)字化轉(zhuǎn)型支持已經(jīng)覆蓋了11個行業(yè)，包括互聯(lián)網(wǎng)公司、運營商、金融和娛樂行業(yè)，醫(yī)療和教育行業(yè)相對受AI影響慢一些，石油石化、電力系統(tǒng)最慢。
不同行業(yè)AI落地速度快慢，有很大的因素與數(shù)據(jù)有關(guān)。由于這一波AI對數(shù)據(jù)的重度依賴，應(yīng)用首先得有足夠的數(shù)據(jù)，而這可能正是很多傳統(tǒng)行業(yè)所缺失的。即使有了數(shù)據(jù)，數(shù)據(jù)是否正確、是否足夠有代表性、如何準確標注又成了另一個老大難。“種瓜得瓜，種豆得豆”，機器學(xué)習(xí)的成果取決于數(shù)據(jù)的質(zhì)量，錯誤的數(shù)據(jù)只會讓訓(xùn)練結(jié)果出現(xiàn)嚴重偏差。
海廣躍指出，AI最核心的價值在于數(shù)據(jù)和場景，而目前很多傳統(tǒng)行業(yè)難以應(yīng)用AI或者應(yīng)用效果不佳一般也是數(shù)據(jù)或場景的問題。
數(shù)據(jù)方面的問題包括：
數(shù)據(jù)太少甚至沒有，比如電力行業(yè)、工廠車間；
數(shù)據(jù)實時性，以自動駕駛為例，車本身是要和周圍環(huán)境交互，包括公路情況、天氣情況、行人聚集情況，需要實時判斷并決策，網(wǎng)絡(luò)存在時延，如果不能實時響應(yīng)就可能會出現(xiàn)事故；
數(shù)據(jù)處理需要借助領(lǐng)域知識和經(jīng)驗。先找到特征值并進行標注，經(jīng)過訓(xùn)練之后才能用來做決策或預(yù)測，不懂行業(yè)的數(shù)據(jù)科學(xué)家無法做到這一點，比如醫(yī)院X光片、工廠設(shè)備故障檢測等。而沒有特征值就沒辦法應(yīng)用AI，只有懂行業(yè)、懂場景的人與數(shù)據(jù)科學(xué)家配合才能真正將AI用起來。
軟通動力集團執(zhí)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(jié)合方面，軟通動力集團與不少大公司有合作。軟通負責(zé)提供語音數(shù)據(jù)和產(chǎn)品測試服務(wù)，輔助驗證語音產(chǎn)品的可用性，而在這樣的合作中數(shù)據(jù)正確性顯得尤其重要。
康燕文指出：“在對AI產(chǎn)品進行測試時，如果數(shù)據(jù)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“拿著錘子找釘子”的初創(chuàng)企業(yè)，也有不少還沒想清楚為什么要升級就想先把AI“用”起來的傳統(tǒng)企業(yè)。“這不太現(xiàn)實。所有的技術(shù)升級都是業(yè)務(wù)驅(qū)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(xué)家周春英告訴AI前線。
氪信是一家專注于運用機器學(xué)習(xí)與大數(shù)據(jù)技術(shù)解決金融信用風(fēng)險問題的服務(wù)商，目前已經(jīng)與數(shù)百家金融機構(gòu)達成合作。
營銷和風(fēng)控是目前機器學(xué)習(xí)在金融領(lǐng)域的主要應(yīng)用點。營銷方面，主要就是解決不同的客戶和不同產(chǎn)品的匹配問題，以實現(xiàn)精準推薦。在這方面應(yīng)用機器學(xué)習(xí)更多是一種“升級”，由于整合的用戶數(shù)據(jù)和產(chǎn)品數(shù)據(jù)更多，相比簡單的LR，推薦成功率有所提升。風(fēng)控則相對復(fù)雜，涉及反欺詐、信用評分、行為監(jiān)控等。其中反欺詐分為兩個維度，一是基于個人數(shù)據(jù)，和營銷類似，從簡單的評分卡轉(zhuǎn)為機器學(xué)習(xí)，升級數(shù)據(jù)處理和模型技術(shù)、提升效率；另一個是為機構(gòu)建立全套體系，包括機器學(xué)習(xí)的模型、算法、訓(xùn)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(shù)升級，問題是怎么找到需要升級的那個實際業(yè)務(wù)問題，如果平白無故地去做技術(shù)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(yè)務(wù)負責(zé)人交流，共同尋找切入點。周春英補充道：“找到切入點之后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(chǎn)品的抽象能力，既不能過度設(shè)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(chǎn)品的抽象設(shè)計是對于AI技術(shù)服務(wù)商的另一項挑戰(zhàn)。
傳統(tǒng)行業(yè)對新技術(shù)不夠開放
AI技術(shù)不是單點技術(shù)，它需要形成一個體系，因此免不了需要巨大的投入，從底層硬件到數(shù)據(jù)再到專業(yè)人才，缺一不可。對于金融機構(gòu)來說，硬件和系統(tǒng)花錢買不難，但AI人才培養(yǎng)比較難。
周春英認為這是專注技術(shù)的AI初創(chuàng)企業(yè)的機會。術(shù)業(yè)有專攻，技術(shù)的問題可以交給懂技術(shù)的人，但尋找業(yè)務(wù)場景離不開良好的合作。合作中可能遭遇的問題就是傳統(tǒng)行業(yè)不夠開放。雖然金融領(lǐng)域有其特殊性，包括對信息安全、數(shù)據(jù)安全都有特殊的需求，但是如果金融機構(gòu)越來越封閉，對于新技術(shù)的應(yīng)用只會有不好的影響。
“對于新技術(shù)、新方式，或者新的技術(shù)方向，傳統(tǒng)行業(yè)要有一個更開放的態(tài)度，包括數(shù)據(jù)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(nèi)心的呼喊。
如何將AI技術(shù)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(shù)服務(wù)，此外也給國內(nèi)的眾多銀行和保險公司提供服務(wù)。過去幾年，平安科技一直在進行AI的研發(fā)，目前在大數(shù)據(jù)平臺的基礎(chǔ)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(shù)，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、基于各項數(shù)據(jù)智能分析客戶的風(fēng)險狀況，3分鐘之內(nèi)就可以在網(wǎng)上給客戶派發(fā)貸款。
平安科技大數(shù)據(jù)高級產(chǎn)品總監(jiān)王建宗告訴AI前線，平安集團在AI時代轉(zhuǎn)型的難點不在于做不做AI。對于先在公司內(nèi)部落地AI之后，再開始嘗試將AI技術(shù)對外輸出的平安科技，面臨的難題是：如何將AI技術(shù)與自身業(yè)務(wù)剝離，使其通用化、標準化、產(chǎn)品化？
王建宗指出：“首先，每個公司的數(shù)據(jù)不一樣，數(shù)據(jù)標準參差不齊，平安的數(shù)據(jù)是平安的一套，但另外一個公司可能是另外一套數(shù)據(jù)，中間涉及數(shù)據(jù)融合、數(shù)據(jù)歸集化、數(shù)據(jù)交叉，這是一個挑戰(zhàn)。第二個挑戰(zhàn)來自于業(yè)務(wù)流程的差異性，保險行業(yè)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伙伴落地AI的時候，既會提供模型和算法，也會提供能對模型和算法進行閉環(huán)訓(xùn)練的系統(tǒng)，使數(shù)據(jù)和規(guī)則能夠快速通過系統(tǒng)優(yōu)化，并應(yīng)用到實際業(yè)務(wù)中。
破局之道
看清：AI不是銀彈
當大數(shù)據(jù)將AI推向“技術(shù)炒作”舞臺的正中央，帶來的一個令人混淆的結(jié)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么問題。
在硅谷人工智能研究院創(chuàng)始人Piero Scaruffi教授看來，以上問題不只出現(xiàn)在中國，在全球任何地方都一樣。
AI真正應(yīng)用于商業(yè)場景通常會面臨兩個問題：第一，有些商業(yè)人士可能擅長傳統(tǒng)的科技思維，但是對AI了解不多；第二，很多優(yōu)秀的軟件工程師從未學(xué)習(xí)過AI，他們學(xué)的是其他領(lǐng)域的技術(shù)，AI不是他們擅長的東西。對于工程師來說，有計劃地學(xué)習(xí)一些課程就能解決問題，但對于商業(yè)人士則非常困難。
面對這些問題，企業(yè)決策者和技術(shù)管理人員首先應(yīng)該明確一點：AI不是萬能藥。當問題已經(jīng)有解決方案時，可能沒必要采用AI，否則反而是在把工作復(fù)雜化，或者變成自己給自己制造問題。
Scaruffi教授指出，沒有AI商業(yè)照樣可以運轉(zhuǎn)，現(xiàn)在大多數(shù)AI僅是優(yōu)化程序，比如機器人。為什么買機器人？為什么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。
“當有人說中國每年制造1000萬臺機器人時，你應(yīng)該問問這是什么機器人。一天到晚都在做簡單機械工作的機器人并不是AI，但是它們的確省錢。這可以稱作自動化，但已經(jīng)是存在很久的技術(shù)了。而真正的AI，比如說可以回答問題、實時監(jiān)測的機器人，一般非常貴。”
正如前面所說，這一波AI是基于數(shù)據(jù)的AI，因此AI應(yīng)用到實際問題中離不開數(shù)據(jù)。沒數(shù)據(jù)就不能訓(xùn)練神經(jīng)網(wǎng)絡(luò)，不管計算能力多強、速度多快。無數(shù)據(jù)無AI，如果沒有就需要先搞到數(shù)據(jù)。如果有數(shù)據(jù)，AI可能是有用的。但在一些情況下其實大數(shù)據(jù)技術(shù)就可以解決企業(yè)的問題，未必需要用到AI。企業(yè)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(shù)就可以了。
康燕文認為，應(yīng)用AI之前首先對AI的認識要清楚，要知道AI到底可以做什么、局限在哪里。比如制造業(yè)要用AI識別成品存在的缺陷，需要先積累大量數(shù)據(jù)，讓機器去學(xué)習(xí)，才能開始識別。工人師傅需要積累經(jīng)驗，機器同樣需要積累數(shù)據(jù)，獲取數(shù)據(jù)、積累數(shù)據(jù)都需要一個過程。康燕文還補充了一點，即新技術(shù)需要測試環(huán)境，不能一下就拿來用，出錯的風(fēng)險太大，需要先做一些實驗。
須成忠表示，人們應(yīng)該要修正自己對于人工智能的期望。雖然人工智能目前在封閉式環(huán)境中確實有了一些很好的突破，但是在開放環(huán)境中還有很長的路要走。另外，人工智能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(fā)現(xiàn)人工智能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(huán)境還有問題。更何況數(shù)據(jù)清理和轉(zhuǎn)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(shù)”的問題。做AI工程的人，最在意的是這個算法怎么樣，夠不夠快，這是“術(shù)”的角度；做業(yè)務(wù)咨詢的人更考慮你有什么問題，我要幫你解決問題，我用什么你別管，我有創(chuàng)意，最后成了就行，這是“道”的角度。
那么當掌握了AI技術(shù)或有了科研成果，怎么跟企業(yè)需求對接？如何在企業(yè)的業(yè)務(wù)場景中找到應(yīng)用新技術(shù)的切入點？
海廣躍認為，首先得將業(yè)務(wù)或場景流程化，才能找到存在問題、可以應(yīng)用AI的環(huán)節(jié)，接下來再考慮怎么以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(xiàn)在，看未來會是什么樣的使用習(xí)慣，找到未來的場景，就能夠知道該做什么樣的產(chǎn)品。這是另一個如何創(chuàng)造新業(yè)務(wù)的問題。
周春英則表示，尋找應(yīng)用場景的切入點其實沒有什么竅門，最實際的就是做技術(shù)的人必須懂業(yè)務(wù)，而方法總結(jié)起來也簡單，就是多溝通、多學(xué)習(xí)。通過經(jīng)常和不同的客戶交流和溝通來學(xué)習(xí)業(yè)務(wù)，先從客戶的出發(fā)點考慮問題，然后再轉(zhuǎn)化為用什么技術(shù)去解決它。
“要幫助客戶解決問題，既要懂業(yè)務(wù)也要懂技術(shù)。光懂技術(shù)跟客戶談不到一起去。弄懂業(yè)務(wù)之后，再想怎么把業(yè)務(wù)的痛點轉(zhuǎn)化為技術(shù)的解決方案。接下來把這個方案講通講明白，這個事情怎么做，實際的痛點是什么，什么技術(shù)能解決，出什么樣的解決方案，這個就是我們實際項目過程中的經(jīng)驗。”周春英說，“跨學(xué)科能力是技術(shù)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“拿著錘子找釘子”的做法目前并不是很可行，因為通用的一般性技術(shù)、一般性系統(tǒng)很難找到，也很難有市場。
“軟件行業(yè)開源那么多，但實際上開源只是證明你的能力，最后還是需要做定制開發(fā)。至于說怎么找到用戶的需求，首先要讓用戶知道你能做什么東西，有什么樣的能力，然后再根據(jù)用戶的需求去做深做透。這是雙方互相碰撞的一個過程。需要雙方溝通后，弄清楚我有什么問題，你有什么辦法能解決我的問題才能確定目標。”須成忠教授說。
基于平安醫(yī)療健康的業(yè)務(wù)場景，穆強給AI前線列舉了AI在醫(yī)療領(lǐng)域可以切入的角度。
保險就是管理可控風(fēng)險，怎么讓風(fēng)險變得可控？其實就是兩個問題，怎么收錢以及怎么花錢。這兩個方面規(guī)則的定義恰好是如今基于大數(shù)據(jù)的AI所擅長的——基于客觀事實數(shù)據(jù)和規(guī)律，將主觀判斷變客觀，從而更合理地制定規(guī)則和策略。
醫(yī)保風(fēng)險控制包括三點，一是防止欺詐濫用浪費，二是降低疾病發(fā)生風(fēng)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。“對于保險公司來說，1%的重疾和19%的慢病會花掉70%的醫(yī)保費用，那么這20%的人就是保險公司重點管理的對象。怎么把這些人挑出來？怎么干預(yù)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(chǎn)出
目前不乏有些企業(yè)辛辛苦苦搗鼓了AI，但效率卻得不到相應(yīng)價值的提升。那這些投入只能算是打水漂了嗎？企業(yè)應(yīng)該怎么評估AI技術(shù)能帶來的實用價值？又該如何衡量應(yīng)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(lián)網(wǎng)的發(fā)展升級，數(shù)據(jù)只會越來越多。以后誰能利用好數(shù)據(jù)，誰就會在業(yè)界領(lǐng)先，而不會用數(shù)據(jù)可能就會被淘汰，所以AI升級肯定是要做的。但現(xiàn)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，所以不能特別短視于此時此刻的回報上。但不同企業(yè)的需求不同，不能一概而論。周春英告訴AI前線：“我比較傾向于，AI技術(shù)升級不要想著一蹴而就，一步就到深度學(xué)習(xí)，而是逐步迭代，先有一個整體的規(guī)劃，然后一步一步慢慢取得成果。這樣能夠比較好地平衡投入和產(chǎn)出，對于一些小型金融機構(gòu)來說確實是這種做法比較好。”
康燕文認為，不能把新技術(shù)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(xiàn)投入很多卻得不到預(yù)期結(jié)果的問題。“人工智能是大趨勢，現(xiàn)階段企業(yè)更應(yīng)該趕快去試，越不去試，越搞不清楚，等試了之后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：民主化還是定制化？
最近不少企業(yè)都在談AI民主化、AI普及化、AI服務(wù)化，或者AI for all，其實不管名字怎么叫，其核心就是一點，希望能夠降低人工智能的門檻，讓非專家也能使用AI，這也是很多人對于未來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(yè)的應(yīng)用普及。
海廣躍說：“當AI高高在上的時候，傳統(tǒng)行業(yè)懂場景不懂技術(shù)的人，與懂技術(shù)不懂場景的專家之間有鴻溝，AI和數(shù)據(jù)、AI和應(yīng)用場景、AI和知識之間也同樣存在鴻溝。”
至于如何跨越這個鴻溝，海廣躍也提出了他的想法。一是構(gòu)建一個各行業(yè)通用且低價的AI平臺，使不同行業(yè)的人都能很方便地使用AI，在平臺之上運行業(yè)務(wù)而非研究技術(shù)。但他也坦承，難度比較大，因為很難用一個AI平臺滿足各行各業(yè)的不同需求。偏底層的AI基礎(chǔ)平臺或許可行。
另一點就是縱向打通，將一個垂直行業(yè)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(yè)產(chǎn)生價值之后再繼續(xù)做加法。
須成忠教授則認為垂直領(lǐng)域的深挖更有潛力。他告訴AI前線：“通用的一般性技術(shù)不一定有市場，充其量就是開源，想要發(fā)展就一定要把這個通用技術(shù)應(yīng)用到垂直領(lǐng)域，然后針對這個垂直領(lǐng)域來做定制化的開發(fā)。將來的人工智能不管發(fā)展到了哪個階段，一定不會像人那樣什么都懂、什么都會，它一定是這個軟件和系統(tǒng)專注一個業(yè)務(wù)，另一個專注另一個業(yè)務(wù)，是跟領(lǐng)域相關(guān)的。未來AI會越來越偏向跟應(yīng)用接軌，越來越多地與應(yīng)用相關(guān)。”
AI的未來
有人說人工智能是未來已來，也有不少人認為人工智能的蜜月期會終結(jié)于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，無處不是人工智能，對于普通消費者來說，AI似乎很近。但對于企業(yè)和技術(shù)人來說，不是所有問題都像消費級產(chǎn)品一樣容易解決。人工智能所有涵蓋的技術(shù)紛繁復(fù)雜，怎么從中找到合適的方法來解決自己的問題？怎么得到數(shù)據(jù)？怎么清洗數(shù)據(jù)？甚至一開始怎么找到應(yīng)該解決的問題？這些都是企業(yè)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能真正扎根于工業(yè)界、真正改變每個人的生活所必須解決的問題。
人工智能落地難，卻是這項技術(shù)真正變成“新電力”般存在的必經(jīng)之路。對于傳統(tǒng)行業(yè)公司與AI技術(shù)初創(chuàng)公司來說，都是挑戰(zhàn)與機遇并存。
原百度研究院院長林元慶從百度離職后，創(chuàng)辦了自己的公司AIbee，他的目標是利用AI深度賦能傳統(tǒng)行業(yè)，實現(xiàn)產(chǎn)業(yè)升級。而人工智能著名學(xué)者吳恩達也于今年12月宣布成立Landing.ai，立足于解決AI轉(zhuǎn)型問題，第一站是制造業(yè)。
從國家政策來看，12月工信部發(fā)布了《促進新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃》，從培育智能產(chǎn)品、突破核心技術(shù)、深化發(fā)展智能制造、構(gòu)建支撐體系和保障措施等方面詳細規(guī)劃了AI在未來三年的重點發(fā)展方向和目標，足以看出國家對AI產(chǎn)業(yè)化的重視。未來AI企業(yè)也將從拼技術(shù)逐步轉(zhuǎn)移到拼行業(yè)、拼落地。
2018年，人工智能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，人工智能落地勢必會是業(yè)界最為關(guān)心的話題，而人工智能落地?zé)o非是：弄臟手、扎進去、踏實干。
京公網(wǎng)安備 11010502049343號