如何破解人工智能“落地难”？

目前的人工智能犹如90年代的互联网

历史上任何一次新技术的爆发，都带来了超乎想象的新商业与新经济模式。从最近的一次看，90年代互联网发展初期，我们没有预料到商业社会将如此大规模的被影响和改变。

互联网的影响开始于媒体，《纽约时报》、《华尔街日报》等媒体通过网站更新新闻，最终全媒体行业都面临转型压力。后来消费者逐渐通过互联网买书、租录像带。

互联网对商业社会的影响有一个过程，人工智能时代也是一样。

一位粗心大意经常忘记按时归还录影带而不得不缴纳大笔罚金的电影爱好者，里德•哈斯廷斯，为了避免高额预期罚金的电影租赁模式而创办了Netflix公司。

1999 年，成立不久的Netflix公司推出线上影片订阅服务。当时美国最大的影片出租连锁企业Blockbuster公司并没有预料到这个营业额不到自己千分之一的Netflix公司会成为日后的行业颠覆者，到 2007 年， Netflix注册用户数超过 750 万，年复合增长率高于 50%。2010年曾经的美国影碟租赁巨头Blockbuster申请破产。2011年美国第二大连锁书店Borders申请破产。 

互联网发展初期，线下商业巨头没预料到新技术和商业模式的冲击将如此之大，没有将新兴互联网上的新模式看成潜在对手并引起重视，十几年后，这些曾经的巨头已经消失。

张益肇认为,同样的事情也将发生在人工智能时代，哪怕体量再大的公司，如果不能把握和了解新的趋势，将在这一波浪潮中被颠覆掉，反之，像Amazon，Netflix，因为新的技术，有机会去颠覆不同的行业。

目前，一些与计算机视觉相关的应用，比如在安防领域，已经产生了比较大的变化。

之前的安防行业采用的是事后追查责任的思路，通过查找监控录像，回溯历史记录。比如北京机场据说有超过两万个摄像头，这是不可能靠人力实时监控保障安全的。而目前通过人工智能，可以预防和实时阻止部分危险情况的发生。

未来，人工智能对金融、医疗、教育、制造、零售、运输(自动驾驶)、物流等行业都会产生很大影响。

张益肇认为，在人工智能算法依赖大数据训练的阶段，产生的价值大的行业会发展的好——如果一个行业应用人工智能产生的价值够大，会有人愿意出钱标注数据。现在大部分人工智能是要靠大量数据来进行学习的，一个行业发展人工智能相关应用的前提是获得与行业、领域相关的，且标注、整理过的数据。

微软希望通过与金融、医疗、制造等行业少数的几家领头羊企业合作，把问题弄清楚，给出问题的有效解决方案，在此之后，才有可能将解决方案模块化，让更多的合作伙伴利用。目前微软亚洲研究院成立了旨在通过开放创新推动行业应用发展的组织“创新汇”，来加强与各行业的领先企业合作。

每一波技术浪潮都会大幅提高社会生产力。与20年前相比，互联网使社会生产力大幅提高。人工智能同样如此，但人工智能落地需要技术与行业公司深度合作。要实现全社会生产力提升，靠一两家企业做不到，需要很多有远见的领头羊企业共同合作。

以金融领域的人工智能应用为例，在基金管理和辅助股票分析方面，技术公司与金融公司各有所长。

一些基金公司也有数据科学家的团队，有些做的是比较传统的数据挖掘，还不是很了解深度学习等人工智能技术。基于数十年经验积累，基金公司更擅长判断一只股票是否值得投资，哪些市场信息具有参考价值。而人工智能技术公司没有这方面的知识积累，但拥有先进的人工智能技术储备。

通过业务公司与技术公司的合作，基金经理可以在人工智能的帮助下更好地分析市场。比如，有上市公司称由于今年春节较晚而影响了这一季度的销售额，分析师需要就春节对销售额的影响做一个分析和历史对比，分析这是公司的借口还是真实情况。

每个上市公司都会有季报，内容几页到几十页的不等，要做很细的分析，除了看现在的，还要把去年、前年、甚至大前年的数据做对比，这么细的分析单靠人是不可能的，一个分析师要分析几十家公司，不可能每一份季报都看的非常细，这方面可以由人工智能来辅助分析。

人工智能技术企业要进入某一个垂直领域缺乏的是相关领域的数据和知识。

假如与医院合作，由于技术企业没有经验丰富的医生，无法判断医学影像的数据是否正确。由于缺乏相关专业知识和经验，在出错的时候也无法判断是由于标注错误还是由于图像不够清晰造成。而技术企业与垂直行业互动的时候，需要让行业理解，人工智能不是超人类智慧，无法做到提供给机器一个数据库就可以得到想要的结果，这是目前双方合作前面对的挑战之一。

由于数据需要标注整理，目前阶段的人工智能实现的前提，是以大量人为标注的数据为基础的。比如斯坦福大学建立的目前全球最大的图像识别数据库ImageNet里面数百万张照片也是很多人花费大量的时间标注完成后，才能让机器去学习。

人工智能在不同国家的发展，与当地的产业发展特点相关，取决于技术与当地产业的结合。

以金融业为例，中美有两个主要差异。

第一，在技术应用方面，美国金融市场竞争比较激烈，很多银行早就习惯通过技术手段竞争。一个金融公司里10%的员工是IT和技术员工，在中国，这个比例大概是3%-4%。在美国，人工智能在金融方面的应用相对走的更往前，很多对冲基金是通过机器学习、数据挖掘，量化基金通过程序来管理基金。与美国比，中国处于相对早期。

另一方面，两国在金融领域的监管法规有一定差异。在美国，没有太多监管限制通过开发程序管理基金，只要敢冒险，自负盈亏，相比之下中国则整体相对谨慎。

在其他应用领域，中美也呈现出各自的特点。对于中美两国，人口红利都在消失，但两国人工智能应用很有可能先在各自比较发达的产业中得到发展。

在美国，服务业比较发达，目前人工智能的应用更多的是从服务业角度考虑机器人的应用。比如在医院、疗养院里照顾老人。

在中国，制造业转型已经成为趋势，制造业工人的重复性工作对于年轻人不再有吸引力，在深圳，很多制造业企业招不满员工。不光是在中国，越南等一些发展中国家也会逐渐遇到类似的问题，在这种情况下，制造业将更多的依靠人工智能等技术手段，未来中国先把这些技术做成熟以后，也可能将技术应用到其他国家去。

如何判断目前正在进行的人工智能技术开发是否有落地的可能?比如，是否能够将语音识别技术应用在会议在线翻译的场景?张益肇称微软亚洲研究院在进行技术创新商业化的时候使用BTX(Business商业、Technology技术、Experience用户体验)的判断原则。

第一步要判断技术是否成熟，这个场景是不是能够实现?

开会的时候自动录音、自动转换成文字，要实现技术在真实场景中的应用会涉及到很多因素，有可能讲话内容中文夹杂英文，有可能发言人离麦克风比较远，声音听不清楚。所以要判断，技术本身是否成熟?如果要做成产品，技术本身能否达到?

第二，如果技术达到了，用户体验怎么样?用户会不会用?如果产品本身的技术和用户体验都不是问题，要考虑有没有办法产生一定的收入，使产品维持下去并持续改进?

比如会议实时翻译的例子，如果这种服务定价每小时3000美元，很难卖出去。但如果定价是每小时3美元，就很有可能。

第一是技术;第二是场景中的体验，是否做出用户能用的东西。

第三是可运营的商业模式，有没有可能在用户能接受的成本下启用这个服务。

过去一年多，关于人工智能的诸多报道导致公众的一些误解。

人工智能在围棋界能够成为第一名是否意味着人工智能比任何人都聪明?很多人都能学会开车，但让电脑安全的开车要比赢一盘围棋困难得多。

围棋是有限的变量，而开车涉及到更多的判断。如果路边有人对你招手，是因为有个警察还是因为发生了事故请你停下来?或者有人想搭便车?还是有人车坏了请你帮忙修?要了解这个场景，需要更多的变量，这个人穿制服吗?有车子抛锚吗?这些变量是千变万化的，电脑还不能理解这个人的表情是什么样的，表情有什么含义?人类所谓的“常识”对电脑来说是非常难的事情。

传统行业尤其是企业的最高领导需要对人工智能有更客观的认识，尽可能去接触和理解人工智能能做什么，哪些还不能做，不应有过高的期待。毕竟有些技术还没到成熟的阶段。目前有很多人工智能在线课程和书，也有很多免费的网上平台鼓励大家去尝试，这个门槛正越来越低。

传统企业的转型，第一要了解技术，第二要了解自己的行业，思考通过人工智能解决什么问题对自己的企业最有价值。单纯为了吸引眼球的项目，不如做关键的、能对企业产生效用的项目，转型的成功性就会大很多。

这一波人工智能浪潮类似互联网初期，无论企业规模大小，任何时候拥抱AI都不嫌早。企业最终将由于人工智能的应用而大幅提升生产效率。

大型企业内部本身有IT部门，资源也多一些，有条件(人力和相关资源)去研究AI，可以选择是自己做还是去寻求外部帮助，小企业则可能需要找人做。大小企业的思考模式和基本逻辑相同，只是具体的操作方式不同。

关于传统企业是否需要自己的技术团队，应该结合企业的自身情况，目前想做的项目难度有多大，是否需要专家的帮助。

张益肇博士见过不少传统企业高管，他们普遍对人工智能很感兴趣，但是对人工智能的理解还有很多需要加强的地方。企业转型AI就好像人的健康问题。每个人都应该对自己的健康有基本常识，看难度判断是自己就能解决还是找专家。

企业具备了这个前提，理解了自己的问题，理解了技术如何去应用，进一步分析判断事情的难度和风险有多大。

比如，现在有很多关于聊天机器人的探讨，微软有小冰这样的聊天机器人，所以不少企业兴趣很高，也希望用聊天机器人来增强与客户的互动，那需要考虑聊天的内容是什么，如果出错的话成本是什么?如果是医院需要用来和病人互动，并且指导病人如何吃药，这样错误成本太高，就不建议通过内部团队开发。

处于人工智能技术应用起飞的前夜，这样探讨的价值在于，传统企业无论规模大小，都需要思考如何避免成为下一个Blockbuster或者Borders，并且是不是能够抓住技术浪潮提供的机遇，实现业务模式转型。毕竟等到人工智能技术带来的用户达到一定浓度、新业务规模起飞时，再进行这样的投入已然是来不及了。