人工智能发展至今，经历了三波浪潮。前两波由于当时的技术环境等原因受阻，最终大潮退去，留下感叹和遗憾。如今，随着技术环境的成熟，算法、算力、数据的不断升级完善，第三次AI浪潮又来了，而且比前两次来得更加猛烈。这只名叫“阿尔法”的狗在围棋上打败了人类，人们发现人工智能在某些方面确实比人类强。大街小巷都在谈论人工智能，大家可以一起期待未来人工智能给生活带来的改变。算法工程师成为企业招聘的宠儿，大型互联网公司开始花高薪引进算法人员，希望能在这波浪潮中抢占先机。无论是科技创业公司还是传统创业公司，都需要在对外宣传PPT中触及AI的概念，希望能够得到更多投资人的关注。人们在科幻电影中看到的场景，似乎很快就要实现了。然而，普通人不知道的是，第三次人工智能浪潮仍然遇到了一些困难。01AI落地遇到的困难这一波与前两波不同的是，前两波主要是学术界参与，但这次除了学术界，更多的是产业界参与，而这一波人的目标是通过商业化实现盈利，能够真正卖掉AI。人工智能要真正被付费，就必须能够解决实际问题。所以现在说到AI的关键要素，除了“算法”、“算力”、“数据”这三个要素之外，还多了一个“场景”的要素。人工智能技术必须在特定的场景下落地，才能发挥其真正的价值。毫无疑问，这个“场景”元素是让第三次AI浪潮得以延续的关键元素。喊着“落地”的口号，AI世界开始招兵买马，开始大刀阔斧的行动。然而，实际情况是，近两年AI热潮遭遇寒潮，大量AI企业亏损倒闭，投资热情大幅下降。剩下的企业也都沉默了，有的在挣扎求存，有的在积蓄力量，寻找机会。02原因分析那么究竟是什么原因导致AI难以落地呢？我总结了以下几点原因：1、纯技术型企业很难生存。市面上的AI公司按类型大致分为基础型、技术型和应用型。基础公司主要提供底层软件框架或硬件平台服务。应用公司一般专注于几个行业的封装解决方案，而技术公司主要专注于深度学习算法，并将其封装成API供外部系统调用。一种上层应用赋能。首先，这种纯技术型的公司过于强调算法研究，忽视了用户、产品和市场研究，放弃了对用户需求的把控。这种商业模式是不完整的。如果一个企业一味地沉迷于发表论文和玩游戏，每天沉浸在自我设定条件的进步中而沾沾自喜，就会离真正的需求越来越远。做任何产品的第一步，都是把问题和用户说清楚，而不是你有什么技术。这种“锤子找钉子”的方法很少能真正解决问题，但遗憾的是，这是常态。因为他们给自己贴上了AI的标签，所以他们必须用AI的方法来解决问题。大公司研究算法，但不只是算法。谷歌、微软、阿里等公司的成功，不仅是因为拥有一流的技术，更重要的是拥有稳定的商业模式。第二，AI算法壁垒太容易被打破。由于现在算法的更新速度非常快，每隔一段时间就会有新的算法开源出来。比如BERT模型在发布后的短时间内就大放异彩，在十几个NLP领域创造了新的记录。比其他算法好很多。面对这种现象，客户还会为一个随时可能被超越的算法付出高昂的代价吗？直接调用最新的开源算法不是更便宜高效吗？第三，AI企业懂技术不懂业务，客户懂业务不懂技术，两者交互时，这种认知偏差会造成很多额外的学习成本。这种问题在中小型人工智能公司中尤为普遍。相比之下，一线公司不仅有自己的AI团队，还有自己独立的业务。他们搞AI主要是为了服务自己的业务。比如百度的搜索系统，抖音的推荐系统，淘宝的图片搜索算法，都应用到了自己的业务中，可以不断尝试，不断犯错。同时，由于数据源源不断，AI进化效果显着。大公司有足够的土壤让AI快速生根发芽，而中小型公司则不具备这样的条件，导致发展缓慢。相比之下，传统企业搞AI比AI企业搞业务靠谱。只要先用基于业务的类似算法，后面慢慢迭代，总会越来越好。所以，目前人工智能发展最快的公司，一定是那些有自己独立业务的公司。在原有业务中加入人工智能，比用人工智能做生意要容易得多。正因如此，纯AI技术公司处境尴尬，现在越来越少了。2、实验与实际相差甚远。经常可以看到有AI公司在其官网或公众号上宣称其算法准确率取得了突破。经过某数据集测试，准确率达到99%以上，超越微软，Facebook等全球一流公司……之类的描述。但这样的指标到底有多大意义，还是要打一个大大的问号。且不说实际效果，光是让参与者在类似说出答案的条件下不断尝试拿分，又怎么可能令人信服呢？最重要的是，这些算法能在真实场景中使用，效果真的好吗？要知道，实验场景和真实场景的区别是非常大的。在真实场景中，需要考虑的因素比在实验场景中多得多。早期我们在LFW人脸识别数据集上已经达到了99.8+%的准确率，但是在真实场景下人脸识别效果还是不理想，会受到光照、角度、遮挡、相机分辨率等各种条件的影响.限制。与其试图将算法的精度提高不到1个点，还不如加个补光灯或换个摄像头。人脸识别算法还是比较成熟的算法，在实际场景中也能发挥很好的作用。但是，仍然有很多针对小众需求的算法，准确率只有60%或70%，远不能满足商业需求。对于算法准确率，应该解决的是如何在真实环境中做到80%到90%，而不是实验室环境中的99.5%到99.7%。一些公司为了包装自己，将“人工”伪装成“智能”。银行机器人能流利地和人开玩笑，尽显可爱，但即使是最基本的算术题，也要在后台长时间计算。这还不够明显吗？更不用说已经被曝光的同声传译造假事件。外界的期望是一回事。如果你真的相信它，你就是在自欺欺人。3、定制化要求多，投入产出比低。有些东西很难实现，不一定是技术实现的问题。很多创业公司都有一个困惑。早期开发应该项目驱动还是产品驱动？如果是产品驱动，不管是通过市场调研还是老板的决策，一旦确定了一个方向，公司就会开始投入资源进行产品研发。发展。在这种情况下，短期的利润是没有的，需要解决各种各样的问题，比如数据从哪里来？业务流程是怎样的？这样的设计是否符合企业的需求？用户使用场景是什么？如果是项目Drive，老板或者高管通过自己的渠道找到一两个客户，通常是有AI需求的传统客户，希望通过AI的赋能达到降本增效的目的。在这种情况下，客户往往会根据现有业务提出各种定制化需求。有的要求稍加修改就可以作为通用的产品要求，有的要求只针对这个客户。所以，对于一些小场景，如果客户不是很重要，AI公司是不愿意接受的。记得之前做AI项目的时候，经常接到各种定制需求，比如在废铁厂卸货时识别废铁的等级，高空作业时识别人员的眼睛状态，识别状态等。政务厅服务人员。“窃窃私语”行为识别等等，不胜枚举。如果只看算法能否实现，大概率是没有大问题的，但是涉及到完整的系统级解决方案，就会有很多工程问题需要考虑。对于客户来说，一个小场景不值得投入太多的钱，而对于AI公司来说，这点钱也不值得投入那么多的资源。03结语虽然AI技术在落地的过程中遇到了各种各样的问题，但我个人认为这次AI的浪潮不会像前两次那样突然平息。因为这是全球化的浪潮，AI技术已经开始渗透到各行各业，而且确实带来了明显的变化。所以以后虽然小时间轴会有往复运动，但是大时间轴肯定是逐渐上升的趋势。有时候“锤子找钉子”只是无奈之举。只有迅速认清自己的能力边界，早早冲击，才能真正站稳脚跟。
