在即將過去的2019年，人工智能經歷了明顯的泡沫降溫，進入了技術成熟度曲線的低谷期。行業開始回歸理性，更多地關注產業落地場景，而淡化對實驗室算法準確度的比拼。

這一方面是由于計算機視覺、智能語音、自然語言處理等人工智能通用技術走向成熟，純算法技術層面的比拼缺乏進一步的想象空間。另外，智能駕駛等前沿場景遇到了階段性挫折。

另一方面，隨著產業數字化帶來的數據基礎的日益成熟，人工智能在落地安防、金融、廣告營銷等行業的過程中，正在帶來顯著的效益。傳統企業已經充分認可人工智能的應用價值，開始在實際業務場景規模化地引入相關技術。

然而，在深入產業落地的過程中，人工智能技術與企業需求之間仍然存在鴻溝。

企業用戶的核心目標是利用人工智能技術達成業務目標，而人工智能技術本身無法直接解決業務需求，需要根據復雜的業務場景和目標，融合多種技術能力和業務知識，形成可規模化落地的產品和服務。在此過程中，人工智能在數據、算法、行業know-how、服務方式、ROI等方面都面臨新的挑戰。

人工智能助力

企業數字化轉型

的三個價值層次

企業數字化轉型正在走向深入。從信息化走向在線化、智能化的過程中，隨著數據量的增長和業務場景復雜度的提升，企業必然需要應用人工智能技術。具體而言，人工智能助力企業數字化轉型的價值分為自動化、智能化、創新化三個層次。

自動化，是依靠計算機視覺、智能語音等感知技術提升業務自動化程度，并不改變原有業務流程，而由機器替代人來自動執行業務流程，從而提升效率，降低成本。典型的場景，例如工業機器人取代工人進行分揀、組裝等重復性勞動；醫學影像領域，人工智能系統輔助閱片，提升醫生診斷效率；廣告營銷領域的程序化廣告投放等。

智能化，是基于機器學習、知識圖譜等技術，讓機器具備感知分析和決策能力，可以完成人力無法實現的工作，對業務流程進行改造，創造增量價值。例如在安防領域，基于行業知識圖譜技術在幾億個實體中尋找隱性關系，發現團伙作案的行為，人力無法處理如此大數據量的分析。零售領域，基于門店歷史銷售數據，通過機器學習構建銷量預測模型，實現銷量預測，實現遠高于依靠經驗預測的準確度，降低庫存和損耗。

創新化，是人工智能與行業深度融合后重塑業務流程和產業鏈，形成新的商業模式甚至新的細分行業。例如，基于計算機視覺的智能貨柜，相比傳統機械式無人售貨機成本下降50%以上，容納更多商品種類。無人駕駛是未來最具備創新潛力的人工智能落地方向，一旦無人駕駛技術成熟，傳統汽車行業從主機廠到用車場景的產業鏈關系將被顛覆。

人工智能落地面臨的挑戰

從自動化到智能化和創新化，人工智能創造的價值在不斷增長。同時，業務場景的復雜度也在不斷提升，為人工智能技術的落地帶來一系列挑戰。

1.數據

數據是人工智能的基礎要素，要把人工智能應用到業務當中，首先需要解決數據獲取和數據治理問題。

在人臉識別等單點場景，涉及到的數據類型一般比較簡單。但在更完整的業務場景中，需要采集和分析的數據會變得更加復雜，往往涉及到多源異構數據、時序數據等，數據存儲和治理的難度大幅提升。例如，在工業場景，就涉及到工業現場圖像數據、工藝流程文本數據和設備運行的時序數據等。

面對數據治理的挑戰，需要新的數據治理手段。目前，比較成熟的手段是用大數據湖的模式，同時兼顧結構化數據和非結構化數據的處理，并可以實現更低成本的存儲，更好地支撐人工智能算法的數據調用。

此外，數據使用合規的挑戰也日益突出。一方面，涉及到個人隱私方面的數據保護政策趨嚴，對數據的使用需要更加關注安全問題。另一方面，涉及到數據的歸屬權問題，出于數據安全的考慮，歸屬于不同主體的數據往往很難實現流動和融合打通。這些因素，會限制人工智能對于數據的使用。

對于數據歸屬權限制的問題，目前的應對策略之一是采用聯邦學習等新技術，在底層數據不進行交換的前提下進行加密訓練，可以實現聯合建模，并保護數據隱私。

另外，在模型訓練前的數據標注環節，隨著建模不斷深入垂直行業的細分業務場景，數據標注的復雜度提升，要求標注人員掌握更復雜的行業知識，進一步提升了數據標注的門檻和成本。例如，醫療領域對醫療影像和文本的標注，需要具備醫學專業知識的人員進行。從數據類型來看，文本類、3D圖像類數據不斷增加，標注復雜度高于早期的平面圖像類數據。

在數據標注方面，可以看到一些第三方的數據標注平臺正在興起。第三方數據標注平臺一方面通過受培訓的專業團隊和定制化的服務，來解決數據采集、數據標注的質量和成本問題；另一方面，也通過研發一些自動化的輔助工具，通過技術手段來提升數據標注流程的效率。

2.算法模型

在算法模型層面，人工智能在與業務系統結合的過程中面臨的挑戰是模型的可解釋性問題。從原理上，大部分基于深度學習的算法是個“黑盒子”，模型不具備可解釋性。然而，在落地金融、工業、醫療等行業的生產環境時，出于安全風險控制、監管合規等因素考慮，直接應用到業務系統的模型需要具備符合業務邏輯的可解釋性，讓業務人員和決策者、監管層能夠理解，否則將難以落地。

正因如此，“可解釋AI”被稱為人工智能的圣杯，日益受到行業關注。實際落地中，可以采用深度學習算法與經典統計類規則結合的方式來進行建模，來解決模型可解釋性問題。

例如，芯盾時代針對金融的反欺詐場景研發的反欺詐引擎，其智能決策環節由兩部分組成：一部分是規則引擎，是基于100多個金融業務風險場景建立的上千組反欺詐規則和模型；另外一部分是無監督機器學習引擎。兩者結合，共同構建智能的反欺詐系統，適應金融客戶的需求。

3.行業know-how

從理解業務需求到建模分析，行業know-how是人工智能賦能業務的前提和必備能力。隨著人工智能從感知走向認知，要解決的業務問題從單個業務場景、單點問題，向業務全流程演進，行業know-how的復雜度和壁壘變得更高，給技術驅動的人工智能服務商帶來更大的挑戰。

在這樣的背景下，單純依靠業務經驗積累難以解決行業know-how不足的問題，人工智能算法與專家經驗和業務規則結合的重要性凸顯，知識圖譜技術成為重要的解決方案。先通過建立統一的知識圖譜來實現知識融合，再進一步推進人工智能的快速落地應用，是解決行業know-how問題的比較可行的方式。

4.服務方式

人工智能落地過程中，還需要考慮服務方式的問題。企業用戶的需求是實現具體的業務目標，并保證系統持續運營，而且傳統企業往往不具備很強的技術能力。

因此，標準化的人工智能技術產品或者API輸出的模式，無法解決業務人員的最終需求，而是需要根據具體業務場景提供定制化的解決方案，并封裝成可直接應用到業務系統的產品，需要“AI+產品”。此外，甚至還需要提供持續的業務運營服務，以保證最終業務效果的達成，需要“AI+服務”。

另一方面，人工智能服務商也需要考慮自身業務模式的問題，避免過于定制化和重服務。例如，可以通過中臺化的方式賦能前端業務人員，共同為客戶解決業務問題。中臺層把各項通用能力都中臺化，基于中臺支撐賦能前端人員去服務客戶的業務運營，共同推動解決方案的落地和業務目標的達成。

5.ROI

目前，企業用戶投入人工智能應用仍然會面臨成本過高的問題。一方面，涉及到芯片等硬件在內的智能化產品成本仍然較高。另一方面，人工智能應用對專業人員的依賴非常大，而算法工程師等人工智能人才的成本也很高。這導致對于某些行業而言，ROI成為限制人工智能應用規模化落地的最大阻礙。

在成本方面，可以看到數據科學平臺等產品的涌現，正在提升人工智能建模的自動化程度。數據科學平臺可以在數據準備、模型建立、決策部署、模型管理等方面實現自動化，降低整個業務流程對算法工程師的依賴，從而降低人工智能應用的成本。此外，未來我們還會看到算法的進步和人工智能芯片成本的下降。

責任編輯：ct