最近一段时期，以深度学习为代表的人工智能技术在实际的落地中遇到了不少困难，未能充分满足客户的期望，行业内也产生了较多的质疑。然而就像所有其他的新兴技术一样，随着“泡沫”的逐渐破灭，行业的发展反而更加趋向务实，这为人工智能相关技术和产品的成熟及规模化落地打下坚实的基础。这同时也意味着，未来没有硬实力的公司会与泡沫一同消散，真正具有商业价值的公司才能存活，经得住考验的公司方能“剩”者为王。
权威行业分析机构的相关报告显示，当前越来越多的企业关注和使用AI技术的同时，也越来越关注AI的实用性。企业家们不但期望AI能够真正帮助企业降本增效创新，而且要求使用AI技术的价值必须是可被量化、可被感知的。
“AI落地面临很多挑战，过去三年中，相当一部分的AI项目都是失败或部分失败的，它们没有真正的产生价值，或者说没有产生足够的、符合投资回报预期的价值。但是也有不少AI项目成功了，并已经进入了规模化复制阶段，为大家摸索出了可借鉴的成功经验。”
12月21日至12月22日，腾讯产业加速器之AI与SaaS第二次融合课程在深圳举行。腾讯云副总裁、大数据人工智能总经理王龙带来《现状和未来，协作与创新-人工智能行业落地探讨》的主题分享。在课程中，王龙梳理了近几年已经实现落地的AI场景 以及未来最有可能落地成熟的AI技术，与学员们一起探讨了AI落地过程中面临的挑战和可能的解决方案，并介绍了腾讯在AI领域的重点布局、发展战略。
(腾讯云副总裁、大数据人工智能总经理 王龙)
阅读前请先思考：
AI在哪些领域里渐入佳境，还有哪些提升空间?
未来一年，最有潜力的AI领域是哪些? 未来三年呢? 十年?
AI在每个领域发展的瓶颈在哪里?最有可能的突破方向在哪里?
部分领域的人工智能渐入佳境，进入规模复制阶段
过去三年多，伴随着人工智能技术的第三次热潮，各个行业都在不断的试验和探索AI技术的应用场景和创新机会。在资本和人才的强力推动下，我们可以看到，一方面广告营销、智能推荐、金融风控等传统机器学习场景开始使用深度学习来加强效果，另一方面在人脸核身(实人实名认证)、智能客服、图像和视频分析、社交娱乐、智能音箱等几个较大的细分领域里，人工智能技术已经充分证明其效果和价值，进入规模复制阶段。
其中，人脸核身已经实现快速发展，很多行业都开始应用相关技术，稳健的增长以及刚需的地位，让这一领域不会有太多变数。
智能客服方面，相应的算力、算法、工程、工具等条件都比较成熟，多年的市场教育和数以百计的产品供应商及其实践案例，让很多企业找到AI和内部流程、信息、组织架构等完美融合的方法，这使得智能客服的项目落地变得越来越容易。
图像和视频分析方面，线上基于消费互联网的积累，线下基于产业互联网的政策红利，在数据、算力和人才投入上都比较充分，因此过去数年的落地效果也得到了体现。
社交娱乐是人工智能规模化落地的重要场景之一。它有一个非常重要的特征，就是在于人的感受，不是需要精确计算投资回报比的。通过工程化来做应用创新，能制造娱乐感，哪怕有一些误差，也会有大量的用户愿意为其付费。
智能音箱得益于巨额商业补贴，催生了大量的数据反馈。相比于三年前，智能音箱的对话体验得到了很大的提升，同时和智能家居的协同发展也使得智能音箱的普及率越来越高。
这些已经规模化的AI应用场景，效果和体验还会持续的上升，但对此类产品技术的供应商而言，竞争的重点很快会回到实施成本及运营效率上。
“通过这些已经验证的场景，我们可以看到，AI的商业化和规模化落地不仅仅取决于数据质量、算法模型、计算能效等因素，还受到行业状况、市场认知、生态成熟度等一系列大环境的影响。”
如果我们以相同的方式来进行筛选和评估，那么以下场景都可能存在着较大的机会。
未来1-2年最可能实现AI落地的领域
RPA(机器人流程自动化)，这是两年前开始受到关注，2019年初的时候到达顶峰的新风口。典型的场景例如腾讯的智能核保，它帮助客户自动化完成从输入图像、链接内部多个系统、到输出结果的完整流程。 对于通常需要在多个烟囱式系统处理业务流程的行业，例如政府、金融、制造领域等，都有很大的发展空间。
辅助智能创作将是内容创作工业化时代的重要应用场景。内容生产多为线上，数据质量和算力都能够得到保证，AI能够有效的推动内容创造将进入工业化时代。能否批量的个性化，高效灵活的生产内容，很大程度上将决定一个内容供应商的成败。
领域知识图谱在最近也得到越来越多的关注。知识图谱能够大大提升数据存储、查询和分析的效率，使得人工智能的应用门槛降低，投资回报率提升。但因为知识图谱通常与特定的行业相关，这一方向的规模化依然存在一定的门槛。
作为这一类领域的产品技术供应商，算法模型的优化、工程能力、行业理解会变得同等重要。如何让AI技术在整体系统中的价值被衡量和感知，给客户以清晰的投资回报比，会成为产品能否推向市场的关键因素。
未来3-10年最可能实现AI落地的领域
医疗AI可使用计算机视觉进行医疗影像分析，或者自然语言理解来进行病历分析，从而达到辅助诊断的效果。然而，信息化程度问题、数据孤岛问题、合规问题、伦理问题，都需要一定的时间来解决。
工业AI的全面落地也还需要一段时间。工业门类众多、工艺流程复杂，一些利润较高、先进的制造业可能会率先应用人工智能来改进设计、生产、品控、仓储、物流等环节。然而，对于大量信息化程度较低、利润薄弱的制造业而言，AI成本还是远高于收益。
视频理解目前能做到抽取一些常用的视频标签，但想做到真正理解视频，例如用一段准确可接受的文字来描述视频内容还任重而道远。
除此之外，农业、零售、物流等多个行业在10年内也应该都会有更多规模化使用AI的细分场景出现。
在这些领域的创业公司，需要不断寻找并试探细分的应用场景，然后围绕影响AI商业化的几大因素来优化和突破，等待各方面条件成熟后的大爆发。
通用人工智能和完全自动驾驶尚需时日
通用人工智能和完全自动驾驶更是公认的业界难题，尚没有明确成熟的路线图，不仅存在技术上的瓶颈，还有伦理道德规范、法律法规的制约。
这一领域的创业者和企业家，都在确定长期路线的同时，拆解出了短期可执行的路径，或者围绕产业的上下游，寻找“曲线救国”的道路。
解决AI落地难的对策
腾讯云将AI落地的挑战归为两大类：构建AI和应用AI。构建AI模型是指在确定场景的情况下，围绕数据科学家或者算法专家提供高质量的数据、高性价比的算力和高效的工具。 应用AI则需要围绕应用开发者，提供灵活丰富的AI能力，降低AI能力的接入门槛，从而能更加快速的将AI集成到应用系统中。
在克服这两个挑战的过程中，腾讯云一方面基于腾讯20多年在各个应用中的积累，精心打磨产品和工具来为用户服务，另一方面秉持开放的原则积极拥抱合作伙伴的能力，和合作伙伴一起创造有利的条件，加速各行各业各种场景下的AI落地。
“腾讯云作为云厂商，与行业里的大量合作伙伴优势互补。 合作伙伴在垂直领域的专业深耕和行业理解，与腾讯的基础设施、安全、各种平台软件以及企业微信、微信小程序等能力结合起来，一定能够帮助企业实现降本增效创新的目标，从而加速产业互联网的数字化和智能化升级。”
返回
