編輯導語：隨著AI技術的優化升級和人們生活水平的提高，利用AI技術促進消費升級，是未來的大勢所趨。但是，目前想要實現AI大規模落地仍然存在很多問題，AI技術該如何真正跟產品結合起來並落地實施？本文作者從當前問題出發，對此展開了分析討論，一起來看看~
AI發展到今天已經經歷了三次浪潮，前兩次浪潮因為當時的技術環境等原因，以至於受阻不前，最終潮水退去，留下唏噓和遺憾。
而今，隨著技術環境的成熟，演算法、算力、數據的不斷升級和完善，第三次AI浪潮又來了，而且比以往兩次更加猛烈。
那隻叫「阿爾法」的狗在圍棋上打敗了人類，人們發現，AI在某些方面真的做到了比人強。
大街小巷都在談論人工智慧，每個人都能憧憬一番未來AI給生活帶來的變化。
演算法工程師成為企業招聘的寵兒，大型互聯網公司都開始花高薪引入演算法人員，希望在這次浪潮中搶到頭陣。
無論是科技創業公司還是傳統創業公司的對外宣傳PPT里都要沾點AI的概念，希望藉此多得到一些投資方的關注。
好像很快就會實現人們在科幻片中看到的那些場景，然而，普通民眾不知道的是，第三次AI浪潮仍然遭遇了一些困境。
01 AI落地遭遇困境
這一波浪潮與前兩波不一樣的是，前兩波主要是學術界參與的，而這次除了學術界，有更多的工業界參與了進來，而這一波人的目標是要通過商業化實現盈利的，要能夠真正的把AI賣出去。
而要讓AI真正有人買單，必須要能解決實際的問題。
所以現在提到AI的關鍵要素，除了「演算法」、「算力」和「數據」三要素之外，又加了一個「場景」要素。AI技術必須落地到具體的場景中，才能實現它真正的價值。
毫無疑問，這個「場景」要素，才是讓第三次AI浪潮能夠延續的關鍵要素。
AI界高喊著「落地」的口號開始招兵買馬、大刀闊斧地開始了行動。
然而實際情況是，近兩年AI熱遇到了寒潮，大批AI企業虧損倒閉，投資熱度大幅下降。剩下的企業也不聲不響，有的在艱難度日，有的在積蓄力量，尋找機會。
02 原因分析
那到底是什麼原因導致AI落地難呢？我總結了以下原因：
1. 純技術導向公司難以生存
市面上的AI公司按照類型，大致分為基礎型、技術型和應用型。基礎型公司主要提供底層軟體框架或硬體平台服務，應用型公司一般會聚焦幾個行業打包解決方案，而技術型公司則主要以深度學習演算法為核心，通過封裝成API供外部系統調用，為各種上層應用賦能。
首先，這種純技術導向型公司，把太多工作重心放到了演算法研究上，而忽略了用戶、產品和市場的調研，放棄了對用戶需求的把控，這種商業模式是不完整的。
如果一個公司一味地痴迷於發paper和打比賽，每日沉浸在自我設定條件下的進步而沾沾自喜，那將離真實的需求越來越遠。
任何產品產生的第一步都是要明確問題和用戶，而不是自己有什麼技術。這種「拿著鎚子找釘子」的方法很難真正解決問題，但很遺憾，這就是常態。因為他們為自己貼了AI的標籤，必須要用AI的方法去解決問題。
大公司研究演算法，但不只研究演算法。谷歌、微軟、阿里這些公司，他們的成功不僅僅是因為他們有一流的技術，還因為他們有穩定的商業模式。
其次，AI演算法壁壘太容易被打破。由於現在演算法更新的速度特別快，每隔一段時間就會有新的演算法開源出來，比如BERT模型在發布后的短短時間內就大放異彩，在十幾個NLP領域都刷新了記錄，遠遠超過其他其他演算法。
面對這種現象，客戶還會花高價錢買一個隨時可能會被超越的演算法嗎？直接調用最新的開源演算法，不是更加便宜且高效？
第三，AI公司懂技術不懂業務，客戶懂業務不懂技術，二者在交互的時候，這種認知偏差就會造成很多額外的學習成本。
這種問題對於中小型AI公司尤其常見，而反觀一線大廠，他們不但有有自己的AI團隊，而且還有自己獨立的業務，他們搞AI主要是為自己的業務服務。比如百度的搜索系統，抖音的推薦系統，淘寶的以圖搜圖等演算法都是應用在自己的業務上，可以不斷試錯，同時因為擁有源源不斷的數據，AI進化效果顯著。
大公司有充足的土壤讓AI快速生根發芽、茁壯成長，而中小公司就沒有這種條件，導致發展緩慢。
相比較起來，傳統企業去搞AI反而比AI公司去搞業務更靠譜一些。只要基於業務搞個差不多的演算法先用起來，後期慢慢迭代，總能越來越好。
所以當前AI發展最快的一定是那些有自己獨立業務的公司，在原有業務上增加AI，比拿著AI做業務可省事多了。正因為如此，純AI技術公司所處的位置非常尷尬，現在已經越來越少。
2. 實驗和實際相差甚遠
經常看到某AI公司在官網或公眾號上宣稱自己的演算法精度又實現了突破，經過某數據集的測試，準確率達到了99%以上，超越了微軟、Facebook等全球一流公司……之類描述。
但是這樣的指標意義有多大，是需要打一個大大的問號的。且不說真實效果如何，就單是這種在近似於告知答案的條件下讓參與者去不斷嘗試而拿到得分的競賽，怎能讓人信服？
最重要的是，這些演算法在真實場景下，效果真的好嗎？
要知道，實驗場景和真實場景區別是非常大的。在真實場景下，要考慮的因素比實驗場景多得多。我們之前在LFW人臉識別數據集上早早就達到了99.8+%的精度，但在真實場景下的人臉識別效果仍然不甚理想，會受到光照、角度、遮擋、攝像頭解析度等各種條件制約。與其為提高不到1個點的演算法精度絞盡腦汁，倒不如加個補光燈，或者換個攝像頭實在。
人臉識別演算法還算是現在比較成熟的演算法，在實際場景中還能起到不錯的效果。但是還有很多小眾需求的演算法，精度只有60%、70%，遠達不到商用要求。
對於演算法精度，應該解決的是如何在真實環境下做到從80%到90%，而不是在實驗室環境下做到從99.5%到99.7%。
有些公司為了包裝自己，把「人工」偽裝成「智能」。一個銀行機器人能流暢地跟人開玩笑和賣萌，卻連最基本的算術題都要在後台運算半天，這還不夠明顯嗎？更不用提已經被爆出的同傳造假等事件了。
外界的期待是一回事，自己如果真信了，那就自欺欺人了。
3. 定製化要求多，投入產出比低
有些事情難以做到，不一定是技術實現的問題。
很多創業公司都有一個困惑，前期發展到底應該是項目驅動還是產品驅動？
如果是產品驅動，無論是通過市場調研也好，還是老闆拍板也好，確定了一個方向，公司就開始投入資源進行產品開發。這種情況短時間是看不到盈利的，同時還需要解決各種問題，比如數據從哪裡來？業務流程到底是怎樣的？這樣設計是不是滿足企業需求？用戶使用場景是什麼？
如果是項目驅動，老闆或高管通過自己的渠道找到一兩個客戶，一般是有AI化需求的傳統客戶，希望通過AI的賦能實現企業降本增效等目標。這種情況下，客戶經常會依據現有業務，提出各種定製化的需求。有些需求稍作修改，可以作為通用的產品需求，而有些需求，就完全只是為這一個客戶服務。所以，對於一些小場景，如果不是很重要的客戶，AI公司反而是不願意接的。
記得之前做AI項目的時候，經常會收到各種定製需求，比如在廢鐵廠卸貨的時候對廢鐵的等級進行識別，在高空作業中對人員眼睛狀態進行識別，在政務大廳對服務人員「交頭接耳」行為進行識別等，不勝枚舉。如果只看演算法能不能實現，那大概率是沒太大的問題，但涉及到完整的系統級方案，就會有很多工程問題需要考慮。
對於客戶來講，一個小場景不值得投入太多錢，對於AI公司來講，這點錢不值得投入這麼多資源。
03 結語
雖然AI技術在落地過程中遇到了種種問題，但是個人認為，這一次的AI浪潮不會再像前兩次那樣突然沉寂下去。
因為這次是全球化的浪潮，而且AI技術已經開始在各行各業進行滲透，並且真的已經帶來明顯的變化。所以未來儘管還會有小時間軸的往複，但大時間軸一定是逐步向上的趨勢。
有時候「拿著鎚子找釘子」只是無奈之舉，快速認清自己的能力邊界，及早砸下去，才能真正站穩腳跟。
不過度神話，腳踏實地，實事求是，穩步前行。