如何破解AI落地應用難

過去十年間，在5G、大數據、云計算等新興技術的賦能下，人工智能加速發展，人工智能的應用也受到各行各業的廣泛關注。但隨之而來就是AI技術“落地難”的問題。日前，有媒體報道，深圳將探索建立與人工智能產業發展相適應的產品準入制度，并支持低風險人工智能產品和服務先行先試。而且，日前《深圳經濟特區人工智能產業促進條例（草案）》首次披露并提請深圳市人大常委會審議，旨在破解AI產品應用“落地難”等瓶頸問題，打通創新“最后一公里”，這也是全國人工智能領域的首部地方性法規。

那么，為什么人工智能落地應用難？表現在哪些方面？在哪些關鍵環節突破，可以實現AI在各行業的深入應用？

AI落地應用知易行難

AI既能創造東西，又能解放我們，但在各行業實際應用AI的過程中，進展是相對較緩慢的，這是為什么呢？

“AI落地階段是個知易行難的階段。首先是數據因素。因為AI和機器學習工具依賴于數據來訓練基礎算法，獲得清潔、有意義的高質量數據投喂，對于AI計劃的成功至關重要。而各行業落地需要扎實的數據基礎，如果缺少比較統一、標準化、高質量的數據，AI應用可能會是無米之炊、無源之水。”圖靈機器人首席戰略官譚茗洲表示。

有專家指出，數據有“罪”——“自由散慢”。“自由”就是當你靠一些服務器收集數據，會發現很多數據有問題，無法使用，比如英國HealthCare普查發現，80%的人都出生于1911年11月11日，之所以有這種情況，是因為有些被調查者不想回答一些隱私問題，他們就想輸入“00”，但系統不允許“00”，于是大家都輸入“11”，所以80%的人生日都是隨意填寫的，這個數據是臟的。“散”是指散落在各處;“慢”是指速度慢。

很少有行業能比制造業更受益于人工智能。譚茗洲指出，“該行業產生了大量的數據，數據質量和數據管理問題非常重要。但是，制造業數據可能是有偏差的、過時的、甚至充滿錯誤的。尤其是生產車間、繁重的制造環境中在極端、惡劣的操作條件下收集的數據。”

風險和合規因素也不容忽視。“AI讓企業開始大量依賴機器幫忙做決策。在這個過程中會帶來業務連續性、隱私保護、AI可信度、倫理和社會的問題等，這些在AI落地過程中都不能忽視。規模化也是一大難題。大多數企業的AI創新都是點狀、實驗性質、局部的創新，缺少規模化、商業化、運行態的布局。”譚茗洲強調。

突破技術上的挑戰和邊界

任何新技術應用到企業和行業的時候，其爆發點需要有三條：為企業降低成本、為企業增加效益、為企業尋找創新的機會。以目前的AI技術水平，很多時候還只能在產業的某一個環節、某一個步驟實現“降本、增效、創新”，只有在極少數情況下，AI技術才可能完全替代人類。在經過數百個場景和項目的驗證中，我們逐漸看到AI技術落地的一些挑戰和邊界。

“目前來看，AI在產業中應用的主要場景分為三大類：智能感知、智能交互和智能決策。AI真正在這三類場景應用面臨巨大的挑戰。這就需要降低算力成本，提高算法和框架的性能，那么AI落地時會才不會因為成本過高而失去商業價值，進而實現商業化、規模化。”譚茗洲說。

譚茗洲指出，“可以說，應用場景、資源與基礎設施、算法和模型、智能設備、數據構成了AI技術落地的五要素。如何將這五大要素在落地場景中實現協調，是AI技術在產業界落地中另一個關鍵點。在實現智能感知、智能決策、智能交互的時候，往往任何一個要素的變化都會導致其他要素的變化。比如算法模型發生變化，設備資源調度都要跟著改變。結果就是，真正落地實施的時候就會需要算法專家、設備專家、資源專家，以及應用開發的合作伙伴都在場。最終結果就是AI落地的成本太高，無法真正在產業應用中大規模鋪開。”

如何才可能讓整個AI落地的成本快速降到有商業價值的水平？“需要讓這些要素并行發展，不用在任何時候都要顧及所有要素。也就是說，算法專家不用關心應用是什么情況，設備供應商也不用關心算法問題，把這五個要素進行解耦，讓一個要素相對其他幾個要素變得更加透明。從思路看上去有點像PC操作系統，將把鼠標、鍵盤等所有這些設備之間的復雜度都通過一個標準化的協議屏蔽掉，讓它們之間能夠互相解耦，各自專注自己擅長的方向，以降低各個方面的成本，AI才能真正規模化，實現商業上的成功。”譚茗洲表示。

儲備懂AI思維及語言的人才

什么樣的應用才是真正的AI應用？“未來還是要結合場景和用戶體驗去重新設計，用AI本身的方式思考，才會產生真正的AI應用。未來五年會有真正的AI應用出現，AI的能力也會發揮到極致，到時候，AI會作為一項背后的技術參與其中，但這個技術已經普及而且消費者無需感知了——因為技術應用的最高境界是技術變得無感，場景當中最合適的技術實現了，這是AI應用到來的時候。”云知聲董事長梁家恩認為。

人工智能專家丁磊在其新作中強調，“AI，不只是一個技術、工具，是一種思維方式，它能夠幫助我們有效分析大量的數據，并從中得出預測，甚至幫助我們做出決策”。那么，在AI落地過程中，儲備真正懂得AI思維、AI語言的人才，顯得尤為重要。

實際上，在大部分的企業場景下，都是工程師、科學家講一套語言，而業務負責人講另外一套語言，相互之間沒有一個很好的交流通道。這種狀態下，AI是沒辦法落地的。

譚茗洲說，“有經驗的人工智能專業人員很難聘請，這對于所有行業的企業來說都是個難題。實施AI項目通常需要建立一個由數據科學家、ML工程師、軟件架構師、BI分析師和中小企業組成的跨學科團隊。并且，AI落地中關鍵需要加大對企業老板或者業務負責人，甚至包括部分一線業務負責人在AI思維上的提升和教育。當這些人真正地理解這樣一個框架和AI數據思維的閉環邏輯的話，再進行AI落地就會順利很多。”

建設高端人才隊伍，開設人工智能專業的高校無疑是“沖鋒軍”。如今，一些高校開始注重培養學生跨學科意識，結合自身特色專業，制訂有關“人工智能+”的培養計劃，培養相關專業混合體系的學生。

譚茗洲表示，“AI教育從本質上來說，不是知識層面的教育，而是思維能力、思維方式的教育。AI人才培養應該從小抓起，幫助廣大青少年樹立AI意識，不斷提升他們的科學素養，并激發其對人工智能的興趣與熱愛。目前，中小學開展的人工智能相關課程，偏向于基礎性編程教育，通過模塊化操作，實現一些智能功能，例如讓機器人踢足球、行走等。這樣更可以幫助青少年培養機器學習的思維，讓中小學生對人工智能建立初級認知。”B695E358-CED0-4EEC-A112-7AE2E8EC2CE8