人工智能應用新趨勢

現階段，國內人工智能應用已經由技術嘗試轉入規模化應用，主要受到兩方面因素驅動：一方面在宏觀經濟下行的背景下，面對利潤下滑和經營成本增加的壓力，企業已經普遍意識到數字化轉型作為驅動業務增長的新引擎的價值，催生海量智能化應用場景。

另一方面，新基建從數據、算法和算力三個方面推動人工智能基礎設施的完善，并進一步拓展人工智能應用場景。新基建包括5G基站建設、特高壓、城際高速鐵路和城際軌道交通、新能源汽車充電樁、大數據中心、人工智能和工業互聯網七大領域。基于邊緣計算、5G等新技術的融合應用將成為下一個人工智能產業機會點。

以5G的應用為例。5G可以支撐大量設備實時在線和海量數據的傳輸，提升數據實時性。以往大量的工業生產現場不具備建設高帶寬有線網絡的條件，傳統的Wi-Fi等無線網絡也不滿足帶寬要求，無法通過高清視頻監控實現對產線故障、人員違規操作等異常狀況的實時監控和識別預警，而5G網絡提供了新解決方案，基于5G，可結合AR/VR技術，對設備故障進行遠程專家診斷和運維。

展望未來，企業人工智能應用發展趨勢集中體現在以下三方面：

1）知識圖譜技術應用場景爆發，助力企業實現認知智能

企業非結構化數據占比已達到80%，知識圖譜技術為企業提供了一種從海量非結構化數據中抽取結構化知識，并利用圖分析進行關聯關系挖掘的技術手段，洞察“肉眼”無法發現的關系和邏輯，為決策提供支持。

知識圖譜是實現認知智能的關鍵技術。一方面，知識圖譜能夠增強自然語言理解能力：知識圖譜包含的實體規模大（如在公安場景，知識圖譜即有16億實體）且具備多種常見語義關系，RDF三元組的表達方式能夠幫助機器有效處理的語義結構，且知識圖譜能夠利用大數據的多源特性進行交叉驗證，為自然語言理解提供知識背景，提升模型精準性；此外，知識圖譜可增加人工智能模型的可解釋性：知識圖譜涵蓋概念、屬性和關系的表達，能夠利用屬性對于實體進行準確歸類，對人工智能模型進行解釋；最后，知識圖譜能夠提升機器學習的能力：與通過大樣本訓練進行機器學習模型訓練不同，知識圖譜能夠結合專業領域、通用領域的知識庫，降低機器學習模型對于大樣本的依賴和對先驗知識的利用率，提高機器學習模型訓練效率。

2）AI+RPA的實現端到端的業務流程自動化

RPA和AI本質上是兩種截然不同的技術。RPA負責執行，即利用代碼編寫規則，通過軟件機器人模擬人與計算機的交互過程，自動完成重復性工作。AI則負責發布指令，即利用代碼編寫模型，模型經過海量數據的訓練后可進行輸出，完成特定任務。此外，AI具備自我學習、糾錯和優化能力，能夠幫企業挖掘哪些流程適合自動化、創建自動化流程讓RPA機器人執行。

在傳統與RPA技術相關的業務流程中，AI+RPA更多涉及非結構化數據的處理。隨著企業業務的發展，非結構化數據增長迅速，但傳統RPA機器人不具備處理非結構化數據的能力。AI+RPA能夠將RPA與NLP和機器學習等算法結合，將非結構化的圖片、文檔轉化為結構化數據，拓展RPA應用邊界。例如，在電商場景，用戶下完后需要修改地址時，可利用AI技術通過多輪對話確認用戶要修改的訂單和地址，使用RPA機器人操作訂單系統完成地址更改，全流程無需人工客服參與，有效提升了服務效率。

3）AI中臺助力企業智能化落地

隨著人工智能應用場景大規模增長，企業技術能力不足、資源重復建設、業務敏捷響應慢和投入產出低的問題進一步凸顯。尤其是新場景下應用開發效率低，阻礙了企業內部AI應用場景的拓展。大多數企業在AI工程能力建設方面存在不足，Gartner的研究表明，只有53%的項目能夠將AI原型轉化為生產。

有鑒于此，越來越多的企業將以中臺思維取代過去的“煙囪式”單點項目模式，通過構建統一的AI中臺對智能應用提供人工智能能力支撐。AI中臺以平臺化開發模式替代“煙囪式”開發架構，在數據接入和數據清洗環節實現智能化，在模型建立和模型迭代等環節結合自動化、低門檻的建模，提升投入產出比，為AI應用開發提供快速構建能力支持。

目前，頭部企業已率先布局，自上而下建立AI中臺。以金融行業為例，某國有銀行搭建的機器學習平臺已上線精準營銷、風險防范/預測舒心等場景，將項目研發落地速度提升了一倍，新場景的開發部署僅需1個月。
編輯：hfy