如何破解AI落地应用难

过去十年间，在5G、大数据、云计算等新兴技术的赋能下，人工智能加速发展，人工智能的应用也受到各行各业的广泛关注。但随之而来就是AI技术“落地难”的问题。日前，有媒体报道，深圳将探索建立与人工智能产业发展相适应的产品准入制度，并支持低风险人工智能产品和服务先行先试。而且，日前《深圳经济特区人工智能产业促进条例（草案）》首次披露并提请深圳市人大常委会审议，旨在破解AI产品应用“落地难”等瓶颈问题，打通创新“最后一公里”，这也是全国人工智能领域的首部地方性法规。

那么，为什么人工智能落地应用难？表现在哪些方面？在哪些关键环节突破，可以实现AI在各行业的深入应用？

AI落地应用知易行难

AI既能创造东西，又能解放我们，但在各行业实际应用AI的过程中，进展是相对较缓慢的，这是为什么呢？

“AI落地阶段是个知易行难的阶段。首先是数据因素。因为AI和机器学习工具依赖于数据来训练基础算法，获得清洁、有意义的高质量数据投喂，对于AI计划的成功至关重要。而各行业落地需要扎实的数据基础，如果缺少比较统一、标准化、高质量的数据，AI应用可能会是无米之炊、无源之水。”图灵机器人首席战略官谭茗洲表示。

有专家指出，数据有“罪”——“自由散慢”。“自由”就是当你靠一些服务器收集数据，会发现很多数据有问题，无法使用，比如英国HealthCare普查发现，80%的人都出生于1911年11月11日，之所以有这种情况，是因为有些被调查者不想回答一些隐私问题，他们就想输入“00”，但系统不允许“00”，于是大家都输入“11”，所以80%的人生日都是随意填写的，这个数据是脏的。“散”是指散落在各处;“慢”是指速度慢。

很少有行业能比制造业更受益于人工智能。谭茗洲指出，“该行业产生了大量的数据，数据质量和数据管理问题非常重要。但是，制造业数据可能是有偏差的、过时的、甚至充满错误的。尤其是生产车间、繁重的制造环境中在极端、恶劣的操作条件下收集的数据。”

风险和合规因素也不容忽视。“AI让企业开始大量依赖机器帮忙做决策。在这个过程中会带来业务连续性、隐私保护、AI可信度、伦理和社会的问题等，这些在AI落地过程中都不能忽视。规模化也是一大难题。大多数企业的AI创新都是点状、实验性质、局部的创新，缺少规模化、商业化、运行态的布局。”谭茗洲强调。

突破技术上的挑战和边界

任何新技术应用到企业和行业的时候，其爆发点需要有三条：为企业降低成本、为企业增加效益、为企业寻找创新的机会。以目前的AI技术水平，很多时候还只能在产业的某一个环节、某一个步骤实现“降本、增效、创新”，只有在极少数情况下，AI技术才可能完全替代人类。在经过数百个场景和项目的验证中，我们逐渐看到AI技术落地的一些挑战和边界。

“目前来看，AI在产业中应用的主要场景分为三大类：智能感知、智能交互和智能决策。AI真正在这三类场景应用面临巨大的挑战。这就需要降低算力成本，提高算法和框架的性能，那么AI落地时会才不会因为成本过高而失去商业价值，进而实现商业化、规模化。”谭茗洲说。

谭茗洲指出，“可以说，应用场景、资源与基础设施、算法和模型、智能设备、数据构成了AI技术落地的五要素。如何将这五大要素在落地场景中实现协调，是AI技术在产业界落地中另一个关键点。在实现智能感知、智能决策、智能交互的时候，往往任何一个要素的变化都会导致其他要素的变化。比如算法模型发生变化，设备资源调度都要跟着改变。结果就是，真正落地实施的时候就会需要算法专家、设备专家、资源专家，以及应用开发的合作伙伴都在场。最终结果就是AI落地的成本太高，无法真正在产业应用中大规模铺开。”

如何才可能让整个AI落地的成本快速降到有商业价值的水平？“需要让这些要素并行发展，不用在任何时候都要顾及所有要素。也就是说，算法专家不用关心应用是什么情况，设备供应商也不用关心算法问题，把这五个要素进行解耦，让一个要素相对其他几个要素变得更加透明。从思路看上去有点像PC操作系统，将把鼠标、键盘等所有这些设备之间的复杂度都通过一个标准化的协议屏蔽掉，让它们之间能够互相解耦，各自专注自己擅长的方向，以降低各个方面的成本，AI才能真正规模化，实现商业上的成功。”谭茗洲表示。

储备懂AI思维及语言的人才

什么样的应用才是真正的AI应用？“未来还是要结合场景和用户体验去重新设计，用AI本身的方式思考，才会产生真正的AI应用。未来五年会有真正的AI应用出现，AI的能力也会发挥到极致，到时候，AI会作为一项背后的技术参与其中，但这个技术已经普及而且消费者无需感知了——因为技术应用的最高境界是技术变得无感，场景当中最合适的技术实现了，这是AI应用到来的时候。”云知声董事长梁家恩认为。

人工智能专家丁磊在其新作中强调，“AI，不只是一个技术、工具，是一种思维方式，它能够帮助我们有效分析大量的数据，并从中得出预测，甚至帮助我们做出决策”。那么，在AI落地过程中，储备真正懂得AI思维、AI语言的人才，显得尤为重要。

实际上，在大部分的企业场景下，都是工程师、科学家讲一套語言，而业务负责人讲另外一套语言，相互之间没有一个很好的交流通道。这种状态下，AI是没办法落地的。

谭茗洲说，“有经验的人工智能专业人员很难聘请，这对于所有行业的企业来说都是个难题。实施AI项目通常需要建立一个由数据科学家、ML工程师、软件架构师、BI分析师和中小企业组成的跨学科团队。并且，AI落地中关键需要加大对企业老板或者业务负责人，甚至包括部分一线业务负责人在AI思维上的提升和教育。当这些人真正地理解这样一个框架和AI数据思维的闭环逻辑的话，再进行AI落地就会顺利很多。”

建设高端人才队伍，开设人工智能专业的高校无疑是“冲锋军”。如今，一些高校开始注重培养学生跨学科意识，结合自身特色专业，制订有关“人工智能+”的培养计划，培养相关专业混合体系的学生。

谭茗洲表示，“AI教育从本质上来说，不是知识层面的教育，而是思维能力、思维方式的教育。AI人才培养应该从小抓起，帮助广大青少年树立AI意识，不断提升他们的科学素养，并激发其对人工智能的兴趣与热爱。目前，中小学开展的人工智能相关课程，偏向于基础性编程教育，通过模块化操作，实现一些智能功能，例如让机器人踢足球、行走等。这样更可以帮助青少年培养机器学习的思维，让中小学生对人工智能建立初级认知。”B695E358-CED0-4EEC-A112-7AE2E8EC2CE8