AI 商业落地的痛点和希望

文/靖宇

公众号/顶楼TopView

2017 年已经过半，从 2016 年开始火到现在的 人工智能 技术度过了热度超高的一年。据统计，过去半年共有 120 家以上的 AI 公司获得超过 230 亿元融资。很多公司都在标榜自己有 AI 技术，更多公司则在尝试如何将 AI 融进自己的产品和服务。在火热的行情背后，其实隐藏着一个不安的事实。

近两年 AI 在大众认知上的成功，绝对要归于谷歌的 AlphaGo 项目。去年和今年连续打败李世石和柯洁两大亚洲围棋高手，成功炒热人工智能这个话题。有意思的是，AlphaGo 荣升「九段」后，谷歌马上就宣布将其「退休」。

除了表示谦虚，还有一个实际问题，那就是这个人工智能算法，除了能够打败围棋高手，基本不能应用于任何其他领域。AlphaGo 的命运折射的是整个 AI 行业的困境，花费高昂成本打造的 AI 解决方案无法大规模普及。

如何让 AI 实现规模化应用落地，在 To B 领域如何突破行业障碍，在大众消费层面，如何让 AI 走进普通消费者的生活，面对这些 AI 公司共同的疑问，8 月 6 日极客公园前沿社夏季会晤活动中，CMU 机器学习系副主任邢波教授与众多国内 AI 公司创始人共同探讨了人工智能的各种可能性。

AI 版 Android 系统的重要性

邢波教授认为，当我们衡量一个工业是否成熟时，通常会看相关的公司能否进行规模化的生产，这就是为什么历经百年发展的好莱坞可以被称为电影工业，而同样有近百年历史的中国电影到现在还是导演中心制的作品。

虽然 AI 的概念已经有半个多世纪的历程，但其实在近几年发展才突飞猛进。不过，即便接受了全球数百亿美元的投资，AI 依然处于非常早期的发展阶段，其表现之一就是没有统一的标准，也没有统一的系统，无法制式化，无法量产。

邢波教授分享关于人工智能行业的看法

以手机行业为参考，自 2007 年苹果的 iPhone 定义智能手机之后，目前只有 iOS 和谷歌的安卓两大操作系统，你很难想象一个手机厂商想卖产品的话，需要先自己写个手机系统。

但其实目前的情况是，大多数 AI 公司的运作就像是本来只是想做一个手机应用，但是他必须把相关手机的硬件和软件上下游都做到——这显然有点强人所难。

如果按照 AI 产业链来划分的话，目前大部分 AI 公司的业务涉及到的是上游的任务、模型及算法，但是为了实现方案，这些应用公司还需要操心更深层次的软件实现、系统以及设备硬件的选择。这样一个情况导致的结果就是 AI 实现的成本高昂，同时一个解决方案无法实现复用，最终导致的是 AI 技术难以普及。

「目前很多公司打造的 AI 系统或软硬件近似于雕琢工艺品，而不是能够进行量产，复制，和普及的高度鲁棒和易用的工业产品。」邢波教授解释道，他认为如果 AI 是一个产业的话，那么我们目前还处在「AI 的前工业化时代」。

邢波教授指出，正像安卓和 iOS 系统的确立，最终促成了移动应用的爆发，人工智能行业目前也需要一个全新的跨平台的系统。而这样一套系统应该包含从模型、算法到软件实现和操作系统层面。其功能应该包含：兼容多来源数据（如多种数据库）、兼容多种编程语言（如 TensorFlow、Python）、同时能够加载到任何硬件设备，实现跨平台 AI。

这样一套系统的出现，能够为做 AI 产业上游的公司省下大量精力和成本，他们可以专注为客户解决业务需求，在通用功能模块上实现针对用户和特别应用的专门化（如同为不同负载改装飞机，而不是重新从头设计制造飞机以致引擎），而不用担心基础设施等底层系统。同时，免除开发底层系统，也能让 AI 公司的解决方案快速迁移，实现规模化生产，促成 AI 的真正工业化落地。

AI 在 B 端的真正市场机遇

如果说 AI 是一支一飞冲天的火箭的话，那么其燃料毫无疑问就是各种海量的数据，没有大量数据，再好的算法和模型也不会起作用。由于互联网技术在近几十年的迅速发展，很多 IT 公司积累了大量数据，这也使得他们成为 AI 关注的重点。

目前数据挖掘和使用最多的，就是互联网行业，但真相是，那些被目前 AI 公司忽视的传统行业如电信、能源、基础设施、制造、航空以及金融领域，蕴含的才是真正的海量数据。

邢波教授引用数据说明，每个普通用户每天产生的数据量大约为 4MB，而每一口石油矿井的数据量为 3500TB、每一个波音 747 引擎的数据为 500TB。

但是相对于互联网公司来说，传统行业在使用 AI 方面并不积极，相当于一个坐拥大量财宝的人却不知如何使用。有从事物联网（IoT）的人士就指出，其行业有 99% 的数据并没有派上用场。

很多传统公司已经意识到数据的重要性，并开始纪录并积累了大量数据，就像飞机引擎产生的海量数据，但是人们却不知如何利用。另外，虽然 Google 和苹果在全球公司市值上折桂，但利润相对于很多传统行业来说并不高。

所以，如何用 AI 来对接这些传统行业，通过这些海量数据来提升效率，创造更多价值，是 AI 公司真正需要考虑的。

图片来源：网络

To B 端落地 AI 需要专家调教

既然传统行业有如此多的数据和需求，显然早已有 AI 公司早已经瞄准了这个市场。iPIN 公司一直关注的是用机器去学习人的发展轨迹，用机器分析人、分析企业，在具体应用落地上，团队选择了三个有些许关联的行业：生涯规划（高考填报志愿）、企业招聘和法律。

iPIN 公司 CEO 杨洋曾经尝试将单一场景训练出的 AI 体系，应用到其他场景中，但结果并不尽如人意，这种「迁移学习」很不成功，他们遭遇到了此前邢波教授所描述的 AI 不可复用的难题。

iPIN 公司发现，虽然 AI 公司可以建立模型和算法，但是在判断层面依然需要相关行业专家进行指导和把关，将后者的专业知识融合到解决方案之中。

正因如此，AI 解决方案的迁移隔行如隔山，因为每到一个新的行业，都需要找到其行业专家进行合作，与行业进行深度匹配。

作为国内较早看好 AI 领域的投资公司，北极光创投董事总经理杨磊认为，在 AI 行业发展早期，创业公司需要做的一定是垂直整合，打穿整个产业链。就像芯片巨头英特尔在上世纪 60 年代的时候，不仅要做芯片，而且要做半导体相关的生产设备和工具。

「目前的客户需要的是完整的解决方案，并非单一的技术。」杨磊解释道，而能够打穿整个垂直产业的 AI 公司，也是北极光投资的参考标准之一。

由于 AI 在近年来的逐渐升温，很多传统企业也在寻找 AI 公司来为自己赋能。

总的来说，传统公司对于 AI 解决方案的诉求有两点：1. 提升生产力；2. 提高生产效率。而相对互联网公司，这些传统公司的数据积累比较薄弱，很多数据很难投入应用，这对 AI 公司来说也是一个难题。有意思的是，很多大公司在与 AI 公司合作时，合约中明确表示必须保密。

这些公司将 AI 当成了一个秘密武器，想要因此保持行业竞争力，当然不希望竞争对手知道 AI 的好处。

在 To B 端市场，AI 创业公司需要有一个有力的方案，能够将整个行业凿穿，才能在市场上有所斩获。而这样的垂直整合经验，也将为 AI 公司构建独特的商业壁垒。

不过，由于 AI 技术发展日新月异，在应用层面不断进取的团队也要时刻注意 AI 底层架构方面的变革，一旦 AI 基础设施发生变化，在上游应用端构筑的壁垒可能一夜之间失去意义，杨磊和邢波都提出了这样的建议。

让消费者接受 AI 还要看场景

相对于 B 端，拜谷歌、苹果等大公司所赐，AI 在消费层面更为人所知。而 AI 行业激烈竞争的一个代表，就是智能音箱。从亚马逊 Echo 开始，谷歌、苹果、阿里巴巴等巨头公司纷纷涉推出智能音箱。

小鱼在家创始人兼 CEO 的宋晨枫认为，下半年国内市场将会出现「百箱大战」，在这个时间节点小公司加入战场，可能并不明智。首先，智能音箱从本质上不是卖硬件，而是卖其背后连接的服务和内容，而用户购买的也正是后者，而非一个硬件本身。

对于很多巨头公司来说，智能音箱已经被当看成了下一个互联网入口和交互工具。出门问问创始人兼 CEO 李志飞认为，智能音箱的语音在交互层面并不完美，至少还需要一块屏幕。

正如其言，不久前，先行者亚马逊就在自家智能音箱上加了一块屏幕（Echo Show）。不过，李志飞依然认为，即便加上屏幕，音箱的交互依然有问题。不过，智能音箱在未来有可能和其他设备如电视、手机、平板等组成一个智能体系。

深耕于智能家居生态系统的 BroadLink 公司创始人兼 CEO 刘宗孺认为，一些家电例如空调，可能并不需要深度神经网络等机器学习技术，只用决策树就能做出一个合适的模型。智能家居的要点在于如何将用户使用习惯的数据和体验打通。

而至于以语音助手为代表的 AI 如何让消费者真心接受，几位业内人士认为最重要的还是使用场景。李志飞以语音助手的用户使用频率为例，指出一些主流设备的语音助手使用率为智能眼镜>车载>智能手表>手机，其中 Google Glass 的使用频率高达 80% 以上，而手机则低于 1%。出现这种情况的一个重要原因，是智能眼镜的主要交互方式就是语音，而手机的触摸屏交互太好用，以至于人们很好选择语音作为交互。

李志飞总结认为，语音助手想要爆发，首先需要一个用户粘性极高的设备，同时语音应该是其最主要的交互方式。从这个角度来说，车载可能是语音助手的一个合适的应用场景。

在软件层面，流利说团队使用语音识别技术、写作自动评测引擎和机器自适应学习技术等，为用户打造出一个私人订制的「AI 英语老师」。

目前，流利说的中式英语语音识别技术在全球准确率最高，即便有口音，也能精准识别，但流利说公司联合创始人兼 CTO 胡哲人说，在实际运用中，流利说的 AI 技术会显得有人情味且更智能，在有的时候，系统在评测打分时，会更看重用户可以流利连贯的表达、语法的正确，而不会去刻意突出口音问题。

另外，和电商可以通过用户浏览记录推荐很多商品不同，由于流利说做的是英语学习类的推荐，所以必须在推荐算法需要做得更加精确，给用户的内容都是适合他的能力和水平的。因为如果推荐了不合适的内容，用户很快会对产品产生疑问。