《2018中国人工智能商业落地研究报告》表示，过去一年，业界对人工智能寄予厚望，各种应用层出不穷，但收获甚微。2017年中国AI初创企业累计融资超过500亿元，但2017年中国AI商业百强企业累计营收不足100亿元，90%以上AI企业亏损钱。业内普遍认为，作为2017年全球信息通信领域最大热点的人工智能产业，雷声大雨点小，遭遇商业落地阵痛，着实耐人寻味。人工智能作为新一波技术浪潮，只有通过商业化，才能最终实现对各行业的赋能。只有这样，它才能实现可持续发展。那些只有技术实力而缺乏商业化的企业经不起市场的考验。本文结合当前人工智能技术的进展，从三个方面对人工智能如何商业化进行深入探讨。一、人工智能应用落地的四大关键因素1、明确应用场景边界目前，人工智能还处于弱人工智能阶段，商业落地要循序渐进，不能急于求成。目前的人工智能技术只能解决一部分问题。人工智能要实现商业落地，需要弄清楚具体要解决的领域，明确应用场景的边界，将人工智能的功能限制在特定的边界内。这样的AI解决方案更具有实用价值。2、闭环数据反馈循环中国的BAT，以及谷歌、微软、苹果、特斯拉等国外巨头，都有一个共同的特点——闭环数据反馈循环。百度、谷歌等互联网公司可以通过用户输入的信息，及时获取用户的第一手数据。通过特定的技术，可以改善客户体验。从终端收集数据，然后用数据训练模型，使模型可以用来提升用户体验，用户端会反复产生数据，形成一个闭环的数据反馈循环。3、海量优质数据近年来，随着云计算、大数据、物联网、人工智能等信息技术的快速发展和传统产业的数字化改造，数据量呈几何级数增长。据IDC统计，2020年全球数据总量预计将达到44ZB，中国数据量将达到8060EB，占全球数据总量的18%。对于视频和音频等数据，其分析越来越侧重于提取语义。以深度学习为代表的人工智能技术本质上是一个多层神经网络。只有依靠海量数据，它的学习质量才能达到预期的效果。4.高性能计算硬件的深度学习模型可以分为预训练、云端推理、终端推理三个环节。前两个环节计算量大。目前，CPU+GPU架构已经成为大多数企业的首选。FPGA的性能功耗比使其成为一个巨大的市场。百度用FPGA打造百度大脑专用的AI芯片。微软还基于英特尔Stratix10FPGA芯片构建了Brainwave平台。在终端推理环节，由于终端设备需求不同，需要定制化、低功耗、低成本的嵌入式解决方案，市场竞争呈现多元化，如寒武纪1A处理器。通过前面几章的讨论，我们知道要想实现人工智能，必须把握四个关键因素。未来我们可以从这四个方面形成合力，加速人工智能的应用，构建应用场景，高性能计算硬件成为人工智能。智能化应用落地的重中之重。那么，人工智能会在哪些领域率先落地呢？这也是很多人关注的焦点。关于这个话题，我们将进行进一步的讨论。2、人工智能将在哪些领域取得领先？在不久的将来，人工智能将赋能绝大部分行业，改变行业规则。众所周知，人工智能最擅长处理海量数据，而大数据也是人工智能应用的基础，任何能够产生海量数据的行业都非常有利于人工智能的落地。这些行业包括：金融、零售、企业和服务、医疗等行业。接下来，我们就具体行业进行分析。1、金融领域长期以来，由于风控和运营的局限性，金融服务存在诸多瓶颈。但是，随着人工智能、大数据、云计算时代的到来，这些问题完全有可能得到解决。因此，百度高级副总裁朱光判断，“人工智能最好的、最具商业价值的应用是金融，人工智能技术现在能够发生深刻变革的行业就是金融。”在传统领域最好的数据是在金融领域。李开复曾指出：“第一，金融领域比较孤立，金融领域不和其他领域混在一起。股票是股票，保险是保险，银行是银行，票据是票据，这些东西都可以用用于计算，属于比较狭窄的领域。二是利用手头的大量数据获取更多的数据。三是金融是最无摩擦的领域，钱进来钱出去，有这里没有生产、仓库和物流。“这就是为什么人工智能在金融领域很容易落地的原因。人工智能在金融领域的应用主要是通过机器学习、语音识别、视觉等来预测交易数据、价格走势等，从而为客户提供先进的金融服务，可以大大降低投资风险。这里需要强调的是，人工智能技术不会取代人类，而是帮助人类做得更好。2、人工智能在零售领域的应用是主要是通过大数据分析、仓储物流智能管控和导购，从而达到节约成本、提高效率、简化购物流程的目的。人工智能在零售行业的应用场景很多，比如：计算机视觉与模式识别、消费者分析、智能库存管理等。这里我们就拿计算机视觉和patte以识别为例。让我们举一个简单的例子。电商平台每天都有大量图片，通过计算机视觉、模式识别等深度学习技术，对其进行分析识别。在信息不完整的情况下，可以自动识别图片的关键元素，为消费者提供更便捷的体验。3.企业级服务使用算法和大数据处理系统。现阶段人工智能已经具备了人脸识别、智能交互等，已经具备了分析数据和描述客户画像的能力，可以让服务和营销的精准度更加精准。由于机器学习是人工智能的基础，机器学习在企业服务领域有着广泛的应用场景。例如：碳云智能利用AI技术分析健康数据，为医院、药企、健康管理公司等提供人群健康指数分析预测；GTCL通用深度学习、神经网络等技术为客户提供海量的机器翻译和语义搜索等服务；因果树利用AI投资机器人辅助企业进行投资决策。4、医疗领域人工智能在医疗健康领域的应用领域包括虚拟助手、医学影像、药物挖掘、营养、生物技术、急诊/医院管理、健康管理等。近年来，智能医疗的普及护理逐渐增加。随着图像识别、深度学习、神经网络技术的不断进步，在很大程度上推动了医疗行业与人工智能的深度融合。从另一个方面来说，随着社会的进步和人们对健康的逐渐重视，人们对提高医疗技术、延长人类寿命的需求更加迫切。然而，实际情况是：医疗资源分布不均，药物研发周期长，成本高。对优质医疗服务的需求极大地刺激了人工智能技术浪潮的兴起，推动医疗行业转型升级。上面我们提到了人工智能最容易首先实现的四大领域，但是具体的实现方式还不是很清楚，基于目前对人工智能整体形势的认识，作者给出了以下是人工智能的具体实施方案，供大家参考。三、人工智能落地的具体方案第一步：找到人工智能可以带来商业价值的应用场景要找到适合人工智能商业落地的应用场景，需要了解人工智能可以在哪些方面做比人类更好。目前，并不是所有的工作都可以被人工智能取代，但是对于海量数据的处理和分类，人工智能可以比人类做得更好。现阶段，人工智能已经能够代替人类从事简单、重复性的工作。即使是高级白领，他们的工作也包括一些简单重复的工作，如：信息录入、检索分析、流程的反复优化等，这些工作涉及各行各业。即使不使用机器来代替人，使用人工智能来提高工作效率也是普遍的需求。当我们知道人工智能可以代替人从事哪些工作时，我们可以进一步思考一个问题：目前是什么阻碍了生产力？当我们回答这个问题时，很容易找到一个实际的应用场景。例如：企业中的会计需要反复录入和分析相关的财务数据。人工智能能否用于提高这类工作的效率。第二步：快速验证迭代。如果要大规模实施人工智能，至少要满足两个条件。一是要有数据基础，二是要有合理的团队架构。我们已经讨论了如何找到人工智能的应用场景。当数据完整，团队准备就绪后，接下来要做的就是验证基于AI的流程设计原型。在确认技术原型可行后，进行迭代，最终大规模实施。结论以上内容是人工智能商业化落地的基本框架，但在实际操作过程中会遇到一些实际问题。由于人工智能在技术上还没有完全成熟，在实现过程中还存在一定的局限性。这既是一个巨大的挑战，也是行业发展的机遇。谁能率先在人工智能的商业落地上取得突破，谁就将在这场关乎未来的竞争中获得巨大的优势！
