實時更新飛瑞敖最新動態，了解飛瑞敖
在過去的2021年，我們見證了人工智能這個細分行業的起起伏伏，有些企業長期虧損乃至瀕臨破產，有些企業順利獲得融資或成功上市，可謂幾家歡喜幾家愁。但縱觀現在國內人工智能的產業化之路，總是無法回避一個現實的問題，即“人工智能企業究竟離盈利還有多遠？”誠然人工智能領域的研發工作需要巨大的投入，但所有的研發投入只有在產業化的落地場景中才能實現真正的商業價值，脫離了現實的產業需求，人工智能只能停留在技術本身。
目前，人工智能的產業化發展的3個路徑：（1）AI+產業，即人工智能的技術型公司掌握某種人工智能技術后，向產業化的具體場景落地。比如商湯科技、云天勵飛、曠世科技等知名人工智能公司都是采取的這條路徑。（2）產業+AI，即由某一細分產業里的公司，尤其是頭部大型企業作為主導力量，主動引入人工智能技術完成升級。比如平安保險、、順豐快遞等細分領域的大型企業自身的產業升級。（3）產學研成果轉化，即由高校和科研機構為主導，主動面向市場的科研成果轉化道路。近些年各大頂尖高校都建立了人工智能研究院，諸如北京、上海、深圳等城市也有很多政府背景的人工智能科研和成果轉化平臺。
筆者從2020年以來持續走訪了上百家人工智能企業及科研機構，就在行業里的所見所聞，結合自己的想法，談一下我對于人工智能的產業化之路的思考。
一、“AI+產業”的道路已經進入平臺期
“AI+產業”的模式，主要指人工智能的技術型公司通過技術先行，然后尋找合適的業務場景實現商業價值。這條路可以借鑒移動互聯網的發展歷程，諸如淘寶、滴滴這樣的互聯網企業，都是通過技術和商業模式創新，發現了一個0-1的全新產業。我們曾經也認為人工智能的技術型公司可以通過0-1的技術突破，借鑒移動互聯網的經驗，廣泛覆蓋到各行各業的細分場景中。但除了人臉識別等少數幾個場景外，人工智能的技術型公司并沒有復制科技前輩在移動互聯網的成功。
其中的原因有很多，我們并不能將其簡單歸咎于市場、資本或團隊本身，筆者認為根源在于人工智能技術本身進入了一個進步相對緩慢的平臺期了，我們拿人工智能的三大核心要素：算力、算法和數據來對應分析。
我們先說算力的問題，根據中國信息通信研究院在2021年《中國算力發展指數白皮書》的分析，雖然近些年基礎算力、智能算力和超算算力都有很大程度的增長，未來5年全球的增速甚至超過50%，但與日益復雜的算法模型和快速增長的現實需求而言，仍然存在較大的缺口。同時，存算一體架構、量子計算、光子計算和類腦計算芯片尚處于實驗室的研發階段，離大規模商業化還有較長的時間，無法以技術革命的方式實現跨越式發展。雖然，諸如商湯科技、華為等頭部公司采取了建立人工智能計算中心（AIDC）的方式，來滿足未來智能計算需求的快速增長；我國神威、天河、曙光三臺E級超算系統的研制工作也在逐步推進，很多國內的硬件公司著手計算機硬件的國產化替代。但從短期來看，算力將會是一個制約人工智能技術發展的現實困難。
我們再說到算法，算法表面上是計算機技術，但就本質抽離分析它是個數學問題。近些年數學領域還是有很多發展，比如無限函數計算等，但在計算機領域的發展速度相對而言沒有那么的快。就算法這一特定領域的發展，中美最頂級的算法之間目前并沒有代差。雖然層算法需要投入海量的資金進行研發，但是就應用層來說，企業完全可以自己下載Gitub或OpenAI的開源代碼，或者使用百度、阿里、騰訊等互聯網大廠的現有技術方案，從而大大降低技術應用的門檻。在市場競爭的層面上，人工智能技術型公司并不必然比傳統互聯網公司，甚至處于數字化轉型的傳統企業更具有優勢。
另外一個關鍵要素就是數據，我國從2020年開始就逐步收緊了數據安全相關的管理，《個人信息保護法》、《數據安全法》以及九部委《關于加強互聯網信息服務算法綜合治理的指導意見》的陸續出臺，使得人工智能的技術型公司獲得數據的難度越來越，除非他們能夠深入到業務的細分場景中，否則很難像過去那樣獲得訓練算法模型的大規模數據。而這些“喂養”算法模型的數據，大都掌握在產業里的公司，尤其是大型公司的手中。這些大型公司無論是處于商業目的，還是自身業務安全性的考慮，幾乎很難同人工智能的技術型公司開展合作，這也造成人工智能的技術型公司在產業化的道路上困難重重。
二、“產業+AI”和產學研成果轉化的機遇
“產業+AI”的路徑，屬于產業里的企業自發性升級換代的過程，我們可以將其歸納進企業數字化轉型的進程。產業里的企業為了適應市場競爭，會主動尋求與人工智能領域的技術型公司或者研究機構進行合作，甚至自己建立團隊完成研發工作。對于大部分產業里的企業來說，他們面對的并不是0-1的全新市場，往往是在既有的紅海市場中競爭，這種長期在產業內的拼搏經歷，使得他們在人工智能的產業化上具備以下兩大獨特優勢：
1. 掌握了大量特定生產場景下的專業知識和數據資料：我們一般稱其為行業knowhow，比如化工材料的配方或某種特殊的生產工藝流程等。這種行業knowhow往往是企業的核心機密，在一些數據采集封閉、生產流程保密的領域，往往只有少數幾家企業可以獲得足夠訓練人工智能模型的專業知識和數據資料。所以，很多產業里的企業在尋找技術合作方時，會對侵略性較強的技術型公司比較排斥，往往要求技術型公司提交算法源代碼，目的在于避免培養潛在競爭對手。
2. 了解真實的交易和應用場景：比如怎樣建立可靠的供應鏈，怎樣探析市場的情報信息，怎樣建立全新的商業模式和盈利模式等。這些內容看似都屬于業務相關的范疇，但卻是技術型公司的痛點，幾乎90%的人工智能公司都死在了打磨商業模式、尋找應用場景的道路上。但對于產業里的企業來說，敏銳捕捉市場機會并從產業里賺到錢，是他們與生俱來的天然能力，所有不具備這種能力的企業都在過去的市場競爭中淘汰掉了。
隨著人工智能技術準入門檻的降低，大量傳統企業與人工智能技術的適配將更加便捷，未來每一家企業都具備成為“人工智能+公司”的潛質。相信隨著國家新基建和數字化轉型工作的不斷深化，在各行各業里都會出現“產業+AI”的明星企業。
在人工智能的產業化之路上，少不了高校和科研機構的參與，對于產業里的企業來說，高校和科研機構可以很好補充其自身研發能力的不足。目前，我國的產學研成果轉化的之路并不十分順暢，雖然國家每年投入了大量科研經費，但由于學術、科研同商業、市場的差異巨大，高校和科研機構在商業判斷和市場嗅覺等方面總顯得不太“接地氣”，更多的成果停留在實驗室里很難走出去，面臨“酒香也怕巷子深”的現實窘境。
另外，高校和科研機構往往在工程能力也有所欠缺，雖然容易聚集高層次的頂尖人才，但缺乏實際操作的操盤型業務能手。正因為強于研發而弱于市場，高校和科研機構往往更愿意將科技成果以出售、技術入股或收益分成的方式與產業里的企業進行合作，而不是自己開拓市場。與人工智能的技術型公司相比，高校和科研機構有著大量國家基礎科研經費的保障，對于本就容易聚集人才的高校和科研機構來說，很多人工智能的技術型公司而言很復雜的技術，對于高校和科研機構來說并不困難。隨著國家《科學技術進步法》的修訂，科研人員參與到成果轉化的途徑也將更通暢，一旦企業找到適合自身的成果轉化路徑，就可以很好的與高校和科研機構建立“產業+技術”的聯合。可以預見，未來各類新型技術和成果轉化平臺將持續涌現，作為技術與市場的橋梁。
三、以產業需求出發，以產業結果為驗證標準
人工智能行業的發展變化很快，即使在產業內的從業人員也免不了持續性、高強度的學習和研究。各行各業的專家在跨到人工智能這個領域的時候，可能都需要經歷持續性“回頭看”的過程。筆者在2020年參與深圳特區人工智能立法的時候，關于“什么是人工智能”的界定，現在看起來內涵和外延都不充分。過去，我們曾經認為人工智能就是模擬人的智能，但隨著近些年的發展，我們發現機器在模擬人的智能上出現了很多痛點，但在模擬昆蟲、動物的智能上反而進展很快，很多成果應用在障礙躲避、行為預判等諸多領域。于是，我們發現人工智能并不能單純界定為“模擬人的智能”，而應當是“人造的智能”。顯然，當時幾乎所有的立法專家對于人工智能的基礎理解并不全面和前瞻。
人工智能學界有一個著名的猴子上樹的故事：我們不能認為基于當下在人工智能領域的技術進步，都是為通用人工智能的到來添磚加瓦；這正如我們不能認為一只猴子上了樹，就意味著它向登月邁了一大步一樣。在人工智能的產業化之路上，我們必須保持著謙虛、務實的精神，一切從產業的需求出發，一切以產業的實際結果為驗證標準。任何一種技術或者商業模式的驗證，都有自己的時間窗口，當市場機遇的紅利期錯過后，再想實現企業的快速發展就非常困難了，勢必面臨更加激烈的肉搏戰。
與人工智能技術的發展一樣，產業化的道路總是“看”起來容易，“做”起來難。雖然我們不提倡以成敗論英雄，但在人工智能的產業化道路上，能夠解決真實問題、拿到客觀結果，才是企業家需要思考的核心問題。對于每一個產業里的專家來說，與其采取一種“預判式”的論證，執著于向其他人說明自己了解的知識，遠不如切實在產業里面做出現實案例更具有說服力。未來各行各業的每一家企業都是“人工智能+公司”，愿與行業里的同仁一起共同成長、見證人工智能產業化之路的發展。
