如何解決人工智能商業落地之痛？
《2018中國人工智能商業落地研究報告》稱，過去一年，產業對人工智能期待值很高，各種應用層出不窮，但收獲卻很少。2017年中國AI創業公司獲得的累計融資超過500億元，但2017年中國AI商業落地100強創業公司累計產生的收入卻不足100億元，90%以上的AI企業虧損。業界普遍認為，作為2017年全球信息通信領域最大熱點的人工智能產業，雷聲大、雨點小，遭遇商業落地之痛，確實令人深思。人工智能作為一股新的技術浪潮，只有通過商業化落地，才能最終實現對各個行業的賦能，只有這樣，才能獲得持續發展。那些僅有技術實力，而缺乏商業化落地的企業是經不起市場的考驗的。
結合當前人工智能技術的進展，本文從三個方面就人工智能如何進行商業化落地進行了深入探討。
一、人工智能應用落地的四個關鍵因素
1. 明確應用場景邊界
目前，人工智能還處于弱人工智能水平階段，商業落地應該一步一個腳印，不能急于求成。目前的人工智能技術只能解決部分問題，人工智能要實現商業落地，需要搞清楚要解決問題的具體領域，并有明確的應用場景邊界，把人工智能的功能限定在特定的邊境之中，這樣的AI解決方案才更具有實用價值。
2. 閉環數據反饋循環
中國的BAT,以及國外的谷歌、微軟、蘋果、特斯拉等巨頭公司，他們都有一個共同特征—閉環的數據反饋循環。向百度、Google等互聯網公司，能夠通過用戶輸入的信息，就能及時獲取用戶的一手數據。通過特定技術，就能提高客戶的體驗。從終端收集數據，然后用數據訓練模型，這樣就可以用模型提高用戶體驗，用戶端又會重復產生數據，這就形成了閉環的數據反饋循環。
3. 海量高質量數據
近年來，伴隨著云計算、大數據、物聯網、人工智能等信息技術的快速發展和傳統產業數字化的轉型，數據量呈現幾何級增長，根據IDC統計，全球數據總量預計2020年達到44ZB，中國數據量將達到8060EB，占全球數據總量的18%。針對視頻和音頻等數據，其分析越來越聚集于提取其中的語義，以深度學習為代表的人工智能技術，本質上是一個具有多層的神經網絡，只有依托海量的數據，才能使其學習質量達到理想的結果。
4. 高性能計算硬件
深度學習模型可以分為三個環節，分別為：前期訓練、云端推理、終端推理，其中前兩個環節存在較大的計算量，目前，CPU+GPU架構已經成為大部分企業的首選。FPGA的性能功耗比使得它有很大的市場，百度采用FPGA打造百度大腦專用AI芯片，微軟也是基于英特爾Stratix 10 FPGA芯片打造了Brainwave平臺。在終端推理環節，由于終端設備需求各不相同，需要定制化、低功耗、低成本的嵌入式解決方案，市場的競爭呈現多樣化，如寒武紀的1A處理器。
通過前面章節的探討，我們知道了想要人工智能落地，就必須把握好四個關鍵因素，未來可從這四個方面形成合力，加速人工智能應用落地，構建應用場景、高性能計算硬件成為人工智能應用落地的重中之重。那么，人工智能將率先在哪些領域落地?這也是很多人所關注的焦點，就此話題，我們展開進一步的討論。
二、人工智能將在哪些領域率先落地?
在不久的將來，人工智能將會對大部分行業賦能，改變行業的游戲規則，眾所周知，人工智能最擅長的就是對海量數據的處理，大數據也是人工智能應用的基礎，凡是能夠產生海量數據的行業，都非常有利于人工智能的落地，這些行業包括：金融、零售、企業及服務、醫療等行業，接下來，我們就針對具體行業來展開分析。
1. 金融領域
很長時間以來，由于在風控和運營方面的局限，金融服務一直存在很多瓶頸，不過，隨著人工智能、大數據、云計算時代的來臨，這些問題完全有可能迎刃而解，對此，百度高級副總裁朱光的判斷是，“人工智能最好、最有商業價值的落地場景就是金融。人工智能技術現在就能使其真正發生深刻變革的產業就是金融。”在傳統領域里面數據做得最好的就是金融界，李開復曾經指出：“一是在金融界里相對隔離得非常清晰。金融領域是不跟其他領域混在一起的，股票就是股票、保險就是保險、銀行就是銀行、賬單就是賬單，這些東西是能夠用來計算的，且屬于狹窄的領域。二是利用手中擁有的大數據量，可以獲取更多的數據。三是金融是最無摩擦的領域，錢進錢出，這里沒有生產、倉庫和物流。”這就是為何人工智能很容易在金融領域落地，人工智能在金融領域的應用，主要通過機器學習、語音識別、視覺等方式來預測交易數據、價格走勢等，從而為客戶提供先關的金融服務，這樣能大大降低投資風險。這里需要強調的是，并不是人工智能技術將要取代人類，而是幫助人類做的更好。
2. 零售領域
人工智能在零售領域的應用，主要是通過大數據的分析，對倉儲和物流以及導購進行智能管控，從而達到節省成本、提高效率、簡化購物程序的目的。人工智能在零售行業有很多應用場景，如：計算機視覺和模式識別、消費者分析、智能庫存管理等，這里以計算機視覺和模式識別為例，簡要做一舉例，電商平臺每天都會有海量圖片，而通過計算機視覺和模式識別等深度學習技術，能對其進行分析和識別，在不完整信息的情況下，自動識別圖片的關鍵要素，從而為消費者提供更便捷的體驗。
3. 企業級服務
通過算法以及大數據處理系統的運用，現階段人工智能已經具備人臉識別、智能交互等功能，已經具備數據分析和描繪客戶畫像的能力，能夠讓服務和營銷的精確度更加精準。由于機器學習是人工智能的基礎，所以機器學習在企業服務領域中的應用場景非常廣泛。例如：碳云智能利用AI技術進行健康數據分析，為醫院、藥廠、健康管理公司等提供人群健康指數分析和預測;中譯語通用深度學習、神經網絡等技術為客戶提供海量的機器翻譯與語義搜索等服務;因果樹用AI投資機器人輔助企業進行投資決策。
4. 醫療領域
人工智能在醫療健康領域中的應用領域包括虛擬助理、醫學影像、藥物挖掘、營養學、生物技術、急救室/醫院管理、健康管理等，近年來，智能醫療的熱度逐漸攀升，隨著圖像識別、深度學習、神經網絡技術的不斷進步，在很大程度上推動了醫療產業與人工智能的深度融合。從另一個方面來講，隨著社會的進步和人們逐步對健康的重視，人們對于提升醫療技術、延長人類壽命的需求也更加迫切，然而，實際情況是：醫療資源分配不均、藥物研制周期長、費用高等問題。對優質醫療服務的需求極大地刺激了以人工智能技術推動醫療產業變革升級浪潮的興起。
上文我們已經提出，有四大領域是人工智能最容易率先落地的行業，但是具體落地方法還不是很明確，筆者基于對人工智能目前整體形勢的認知，給出以下人工智能具體落地的方案，供大家參考。
三、人工智能落地具體方案
第一步：尋找人工智能所能帶來商業價值的應用場景
要找到合適的人工智能商業落地應用場景，就是要明白人工智能在哪些方面可以做的比人類更優秀。目前，并不是所有的工作都可以被人工智能所替代，但是對于海量數據的處理和分類，人工智能可以比人類做的更好。現階段，人工智能已經能夠代替人類做那些簡單重復性的工作了。即使是對于高級白領，他們的工作中也包含了一些簡單重復性的工作，例如：信息的錄入、檢索和分析，流程的重復優化等。這些工作覆蓋了各行各業，即使不用機器替代人，利用人工智能來提高工作效率也是很普遍的需求。
當我們知道了人工智能可以替代人們做什么工作以后，可以進一步思考一個問題：目前是什么阻礙了生產效率?當我們回答了這個問題，就很容易找到一個切合實際的應用場景。例如：企業里的會計人員需要重復的對相關財務數據進行錄入和分析，這類的工作能否通過人工智能來提升效率。
第二步：快速驗證迭代，大規模實施
人工智能想要落地，至少要具備兩個條件，一是要有數據基礎，二是團隊結構要合理。前面我們已經討論了如何尋找人工智能的應用場景，當有了完善的數據，團隊搭建就緒以后，接下來要做的就是基于AI的過程設計原型驗證，在確認技術原型可行的情況下，再進行迭代和最終的大規模實施。
結語
以上內容是將人工智能進行商業落地的基本框架，但是在實際操作過程中還會遇到一些現實問題，由于人工智能在技術上還沒有完全成熟，所以在落地過程中還存在一定的局限性。這不僅是一個大的挑戰，也同時是行業發展中的機遇，誰能最先在人工智能商業落地上取得突破，誰就將會在這場關于未來的競爭中取得巨大的優勢!
