AI發(fā)展到今天已經(jīng)經(jīng)歷了三次浪潮，前兩次浪潮因為當(dāng)時的技術(shù)環(huán)境等原因，以至于受阻不前，最終潮水退去，留下唏噓和遺憾。

[[386966]]

而今，隨著技術(shù)環(huán)境的成熟，算法、算力、數(shù)據(jù)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。

那只叫“阿爾法”的狗在圍棋上打敗了人類，人們發(fā)現(xiàn)，AI在某些方面真的做到了比人強。

大街小巷都在談?wù)撊斯ぶ悄?，每個人都能憧憬一番未來AI給生活帶來的變化。

算法工程師成為企業(yè)招聘的寵兒，大型互聯(lián)網(wǎng)公司都開始花高薪引入算法人員，希望在這次浪潮中搶到頭陣。

無論是科技創(chuàng)業(yè)公司還是傳統(tǒng)創(chuàng)業(yè)公司的對外宣傳PPT里都要沾點AI的概念，希望借此多得到一些投資方的關(guān)注。

好像很快就會實現(xiàn)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(xué)術(shù)界參與的，而這次除了學(xué)術(shù)界，有更多的工業(yè)界參與了進來，而這一波人的目標(biāo)是要通過商業(yè)化實現(xiàn)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(xiàn)在提到AI的關(guān)鍵要素，除了“算法”、“算力”和“數(shù)據(jù)”三要素之外，又加了一個“場景”要素。AI技術(shù)必須落地到具體的場景中，才能實現(xiàn)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(xù)的關(guān)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(yè)虧損倒閉，投資熱度大幅下降。剩下的企業(yè)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

那到底是什么原因?qū)е翧I落地難呢?我總結(jié)了以下原因：

1. 純技術(shù)導(dǎo)向公司難以生存

市面上的AI公司按照類型，大致分為基礎(chǔ)型、技術(shù)型和應(yīng)用型。基礎(chǔ)型公司主要提供底層軟件框架或硬件平臺服務(wù)，應(yīng)用型公司一般會聚焦幾個行業(yè)打包解決方案，而技術(shù)型公司則主要以深度學(xué)習(xí)算法為核心，通過封裝成API供外部系統(tǒng)調(diào)用，為各種上層應(yīng)用賦能。

首先，這種純技術(shù)導(dǎo)向型公司，把太多工作重心放到了算法研究上，而忽略了用戶、產(chǎn)品和市場的調(diào)研，放棄了對用戶需求的把控，這種商業(yè)模式是不完整的。

如果一個公司一味地癡迷于發(fā)paper和打比賽，每日沉浸在自我設(shè)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(chǎn)品產(chǎn)生的第一步都是要明確問題和用戶，而不是自己有什么技術(shù)。這種“拿著錘子找釘子”的方法很難真正解決問題，但很遺憾，這就是常態(tài)。因為他們?yōu)樽约嘿N了AI的標(biāo)簽，必須要用AI的方法去解決問題。

大公司研究算法，但不只研究算法。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(shù)，還因為他們有穩(wěn)定的商業(yè)模式。

其次，AI算法壁壘太容易被打破。由于現(xiàn)在算法更新的速度特別快，每隔一段時間就會有新的算法開源出來，比如BERT模型在發(fā)布后的短短時間內(nèi)就大放異彩，在十幾個NLP領(lǐng)域都刷新了記錄，遠遠超過其他其他算法。

面對這種現(xiàn)象，客戶還會花高價錢買一個隨時可能會被超越的算法嗎?直接調(diào)用最新的開源算法，不是更加便宜且高效?

第三，AI公司懂技術(shù)不懂業(yè)務(wù)，客戶懂業(yè)務(wù)不懂技術(shù)，二者在交互的時候，這種認(rèn)知偏差就會造成很多額外的學(xué)習(xí)成本。

這種問題對于中小型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(yè)務(wù)，他們搞AI主要是為自己的業(yè)務(wù)服務(wù)。比如百度的搜索系統(tǒng)，抖音的推薦系統(tǒng)，淘寶的以圖搜圖等算法都是應(yīng)用在自己的業(yè)務(wù)上，可以不斷試錯，同時因為擁有源源不斷的數(shù)據(jù)，AI進化效果顯著。

大公司有充足的土壤讓AI快速生根發(fā)芽、茁壯成長，而中小公司就沒有這種條件，導(dǎo)致發(fā)展緩慢。

相比較起來，傳統(tǒng)企業(yè)去搞AI反而比AI公司去搞業(yè)務(wù)更靠譜一些。只要基于業(yè)務(wù)搞個差不多的算法先用起來，后期慢慢迭代，總能越來越好。

所以當(dāng)前AI發(fā)展最快的一定是那些有自己獨立業(yè)務(wù)的公司，在原有業(yè)務(wù)上增加AI，比拿著AI做業(yè)務(wù)可省事多了。正因為如此，純AI技術(shù)公司所處的位置非常尷尬，現(xiàn)在已經(jīng)越來越少。

2. 實驗和實際相差甚遠

經(jīng)?？吹侥矨I公司在官網(wǎng)或公眾號上宣稱自己的算法精度又實現(xiàn)了突破，經(jīng)過某數(shù)據(jù)集的測試，準(zhǔn)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(biāo)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，就單是這種在近似于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(qū)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(shù)據(jù)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、攝像頭分辨率等各種條件制約。與其為提高不到1個點的算法精度絞盡腦汁，倒不如加個補光燈，或者換個攝像頭實在。

人臉識別算法還算是現(xiàn)在比較成熟的算法，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算法，精度只有60%、70%，遠達不到商用要求。

對于算法精度，應(yīng)該解決的是如何在真實環(huán)境下做到從80%到90%，而不是在實驗室環(huán)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(shù)題都要在后臺運算半天，這還不夠明顯嗎?更不用提已經(jīng)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. 定制化要求多，投入產(chǎn)出比低

有些事情難以做到，不一定是技術(shù)實現(xiàn)的問題。

很多創(chuàng)業(yè)公司都有一個困惑，前期發(fā)展到底應(yīng)該是項目驅(qū)動還是產(chǎn)品驅(qū)動?

如果是產(chǎn)品驅(qū)動，無論是通過市場調(diào)研也好，還是老板拍板也好，確定了一個方向，公司就開始投入資源進行產(chǎn)品開發(fā)。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(shù)據(jù)從哪里來?業(yè)務(wù)流程到底是怎樣的?這樣設(shè)計是不是滿足企業(yè)需求?用戶使用場景是什么?

如果是項目驅(qū)動，老板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(tǒng)客戶，希望通過AI的賦能實現(xiàn)企業(yè)降本增效等目標(biāo)。這種情況下，客戶經(jīng)常會依據(jù)現(xiàn)有業(yè)務(wù)，提出各種定制化的需求。有些需求稍作修改，可以作為通用的產(chǎn)品需求，而有些需求，就完全只是為這一個客戶服務(wù)。所以，對于一些小場景，如果不是很重要的客戶，AI公司反而是不愿意接的。

記得之前做AI項目的時候，經(jīng)常會收到各種定制需求，比如在廢鐵廠卸貨的時候?qū)U鐵的等級進行識別，在高空作業(yè)中對人員眼睛狀態(tài)進行識別，在政務(wù)大廳對服務(wù)人員“交頭接耳”行為進行識別等，不勝枚舉。如果只看算法能不能實現(xiàn)，那大概率是沒太大的問題，但涉及到完整的系統(tǒng)級方案，就會有很多工程問題需要考慮。

對于客戶來講，一個小場景不值得投入太多錢，對于AI公司來講，這點錢不值得投入這么多資源。

03 結(jié)語

雖然AI技術(shù)在落地過程中遇到了種種問題，但是個人認(rèn)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(shù)已經(jīng)開始在各行各業(yè)進行滲透，并且真的已經(jīng)帶來明顯的變化。所以未來盡管還會有小時間軸的往復(fù)，但大時間軸一定是逐步向上的趨勢。

有時候“拿著錘子找釘子”只是無奈之舉，快速認(rèn)清自己的能力邊界，及早砸下去，才能真正站穩(wěn)腳跟。