2017 年已經過半，從 2016 年開始火到現在的人工智能技術度過了熱度超高的一年。據統計，過去半年共有 120 家以上的 AI 公司獲得超過 230 億元融資。很多公司都在標榜自己有 AI 技術，更多公司則在嘗試如何將 AI 融進自己的產品和服務。在火熱的行情背后，其實隱藏著一個不安的事實。

近兩年 AI 在大眾認知上的成功，絕對要歸于谷歌的 AlphaGo 項目。去年和今年連續打敗李世石和柯潔兩大亞洲圍棋高手，成功炒熱人工智能這個話題。有意思的是，AlphaGo 榮升「九段」后，谷歌馬上就宣布將其「退休」。除了表示謙虛，還有一個實際問題，那就是這個人工智能算法，除了能夠打敗圍棋高手，基本不能應用于任何其他領域。AlphaGo 的命運折射的是整個 AI 行業的困境，花費高昂成本打造的 AI 解決方案無法大規模普及。

如何讓 AI 實現規模化應用落地，在 To B 領域如何突破行業障礙，在大眾消費層面，如何讓 AI 走進普通消費者的生活，面對這些 AI 公司共同的疑問，8 月 6 日極客公園前沿社夏季會晤活動中，CMU 機器學習系副主任邢波教授與眾多國內 AI 公司創始人共同探討了人工智能的各種可能性。

AI 版 Android 系統的重要性

邢波教授認為，當我們衡量一個工業是否成熟時，通常會看相關的公司能否進行規模化的生產，這就是為什么歷經百年發展的好萊塢可以被稱為電影工業，而同樣有近百年歷史的中國電影到現在還是導演中心制的作品。雖然 AI 的概念已經有半個多世紀的歷程，但其實在近幾年發展才突飛猛進。不過，即便接受了全球數百億美元的投資，AI 依然處于非常早期的發展階段，其表現之一就是沒有統一的標準，也沒有統一的系統，無法制式化，無法量產。

邢波教授分享關于人工智能行業的看法

以手機行業為參考，自 2007 年蘋果的 iPhone 定義智能手機之后，目前只有 iOS 和谷歌的安卓兩大操作系統，你很難想象一個手機廠商想賣產品的話，需要先自己寫個手機系統。但其實目前的情況是，大多數 AI 公司的運作就像是本來只是想做一個手機應用，但是他必須把相關手機的硬件和軟件上下游都做到——這顯然有點強人所難。

如果按照 AI 產業鏈來劃分的話，目前大部分 AI 公司的業務涉及到的是上游的任務、模型及算法，但是為了實現方案，這些應用公司還需要操心更深層次的軟件實現、系統以及設備硬件的選擇。這樣一個情況導致的結果就是 AI 實現的成本高昂，同時一個解決方案無法實現復用，最終導致的是 AI 技術難以普及。「目前很多公司打造的 AI 系統或軟硬件近似于雕琢工藝品，而不是能夠進行量產，復制，和普及的高度魯棒和易用的工業產品。」邢波教授解釋道，他認為如果 AI 是一個產業的話，那么我們目前還處在「AI 的前工業化時代」。

邢波教授指出，正像安卓和 iOS 系統的確立，最終促成了移動應用的爆發，人工智能行業目前也需要一個全新的跨平臺的系統。而這樣一套系統應該包含從模型、算法到軟件實現和操作系統層面。其功能應該包含：兼容多來源數據（如多種數據庫）、兼容多種編程語言（如 TensorFlow、Python）、同時能夠加載到任何硬件設備，實現跨平臺 AI。

這樣一套系統的出現，能夠為做 AI 產業上游的公司省下大量精力和成本，他們可以專注為客戶解決業務需求，在通用功能模塊上實現針對用戶和特別應用的專門化（如同為不同負載改裝飛機，而不是重新從頭設計制造飛機以致引擎），而不用擔心基礎設施等底層系統。同時，免除開發底層系統，也能讓 AI 公司的解決方案快速遷移，實現規模化生產，促成 AI 的真正工業化落地。

AI 在 B 端的真正市場機遇

如果說 AI 是一支一飛沖天的火箭的話，那么其燃料毫無疑問就是各種海量的數據，沒有大量數據，再好的算法和模型也不會起作用。由于互聯網技術在近幾十年的迅速發展，很多 IT 公司積累了大量數據，這也使得他們成為 AI 關注的重點。目前數據挖掘和使用最多的，就是互聯網行業，但真相是，那些被目前 AI 公司忽視的傳統行業如電信、能源、基礎設施、制造、航空以及金融領域，蘊含的才是真正的海量數據。

邢波教授引用數據說明，每個普通用戶每天產生的數據量大約為 4MB，而每一口石油礦井的數據量為 3500TB、每一個波音 747 引擎的數據為 500TB。但是相對于互聯網公司來說，傳統行業在使用 AI 方面并不積極，相當于一個坐擁大量財寶的人卻不知如何使用。有從事物聯網（IoT）的人士就指出，其行業有 99% 的數據并沒有派上用場。

很多傳統公司已經意識到數據的重要性，并開始紀錄并積累了大量數據，就像飛機引擎產生的海量數據，但是人們卻不知如何利用。另外，雖然 Google 和蘋果在全球公司市值上折桂，但利潤相對于很多傳統行業來說并不高。所以，如何用 AI 來對接這些傳統行業，通過這些海量數據來提升效率，創造更多價值，是 AI 公司真正需要考慮的。

To B 端落地 AI 需要專家調教

既然傳統行業有如此多的數據和需求，顯然早已有 AI 公司早已經瞄準了這個市場。iPIN 公司一直關注的是用機器去學習人的發展軌跡，用機器分析人、分析企業，在具體應用落地上，團隊選擇了三個有些許關聯的行業：生涯規劃（高考填報志愿）、企業招聘和法律。iPIN 公司 CEO 楊洋曾經嘗試將單一場景訓練出的 AI 體系，應用到其他場景中，但結果并不盡如人意，這種「遷移學習」很不成功，他們遭遇到了此前邢波教授所描述的 AI 不可復用的難題。

iPIN 公司發現，雖然 AI 公司可以建立模型和算法，但是在判斷層面依然需要相關行業專家進行指導和把關，將后者的專業知識融合到解決方案之中。正因如此，AI 解決方案的遷移隔行如隔山，因為每到一個新的行業，都需要找到其行業專家進行合作，與行業進行深度匹配。

作為國內較早看好 AI 領域的投資公司，北極光創投董事總經理楊磊認為，在 AI 行業發展早期，創業公司需要做的一定是垂直整合，打穿整個產業鏈。就像芯片巨頭英特爾在上世紀 60 年代的時候，不僅要做芯片，而且要做半導體相關的生產設備和工具。「目前的客戶需要的是完整的解決方案，并非單一的技術。」楊磊解釋道，而能夠打穿整個垂直產業的 AI 公司，也是北極光投資的參考標準之一。

由于 AI 在近年來的逐漸升溫，很多傳統企業也在尋找 AI 公司來為自己賦能。總的來說，傳統公司對于 AI 解決方案的訴求有兩點：1. 提升生產力；2. 提高生產效率。而相對互聯網公司，這些傳統公司的數據積累比較薄弱，很多數據很難投入應用，這對 AI 公司來說也是一個難題。有意思的是，很多大公司在與 AI 公司合作時，合約中明確表示必須保密。這些公司將 AI 當成了一個秘密武器，想要因此保持行業競爭力，當然不希望競爭對手知道 AI 的好處。

在 To B 端市場，AI 創業公司需要有一個有力的方案，能夠將整個行業鑿穿，才能在市場上有所斬獲。而這樣的垂直整合經驗，也將為 AI 公司構建獨特的商業壁壘。不過，由于 AI 技術發展日新月異，在應用層面不斷進取的團隊也要時刻注意 AI 底層架構方面的變革，一旦 AI 基礎設施發生變化，在上游應用端構筑的壁壘可能一夜之間失去意義，楊磊和邢波都提出了這樣的建議。

前沿社會員探討中

讓消費者接受 AI 還要看場景

相對于 B 端，拜谷歌、蘋果等大公司所賜，AI 在消費層面更為人所知。而 AI 行業激烈競爭的一個代表，就是智能音箱。從亞馬遜 Echo 開始，谷歌、蘋果、阿里巴巴等巨頭公司紛紛涉推出智能音箱。小魚在家創始人兼 CEO 的宋晨楓認為，下半年國內市場將會出現「百箱大戰」，在這個時間節點小公司加入戰場，可能并不明智。首先，智能音箱從本質上不是賣硬件，而是賣其背后連接的服務和內容，而用戶購買的也正是后者，而非一個硬件本身。

對于很多巨頭公司來說，智能音箱已經被當看成了下一個互聯網入口和交互工具。出門問問創始人兼 CEO 李志飛認為，智能音箱的語音在交互層面并不完美，至少還需要一塊屏幕。正如其言，不久前，先行者亞馬遜就在自家智能音箱上加了一塊屏幕（Echo Show）。不過，李志飛依然認為，即便加上屏幕，音箱的交互依然有問題。不過，智能音箱在未來有可能和其他設備如電視、手機、平板等組成一個智能體系。

深耕于智能家居生態系統的 BroadLink 公司創始人兼 CEO 劉宗孺認為，一些家電例如空調，可能并不需要深度神經網絡等機器學習技術，只用決策樹就能做出一個合適的模型。智能家居的要點在于如何將用戶使用習慣的數據和體驗打通。

而至于以語音助手為代表的 AI 如何讓消費者真心接受，幾位業內人士認為最重要的還是使用場景。李志飛以語音助手的用戶使用頻率為例，指出一些主流設備的語音助手使用率為智能眼鏡》車載》智能手表》手機，其中 Google Glass 的使用頻率高達 80% 以上，而手機則低于 1%。出現這種情況的一個重要原因，是智能眼鏡的主要交互方式就是語音，而手機的觸摸屏交互太好用，以至于人們很好選擇語音作為交互。李志飛總結認為，語音助手想要爆發，首先需要一個用戶粘性極高的設備，同時語音應該是其最主要的交互方式。從這個角度來說，車載可能是語音助手的一個合適的應用場景。

在軟件層面，流利說團隊使用語音識別技術、寫作自動評測引擎和機器自適應學習技術等，為用戶打造出一個私人訂制的「AI 英語老師」。目前，流利說的中式英語語音識別技術在全球準確率最高，即便有口音，也能精準識別，但流利說公司聯合創始人兼 CTO 胡哲人說，在實際運用中，流利說的 AI 技術會顯得有人情味且更智能，在有的時候，系統在評測打分時，會更看重用戶可以流利連貫的表達、語法的正確，而不會去刻意突出口音問題。

另外，和電商可以通過用戶瀏覽記錄推薦很多商品不同，由于流利說做的是英語學習類的推薦，所以必須在推薦算法需要做得更加精確，給用戶的內容都是適合他的能力和水平的。因為如果推薦了不合適的內容，用戶很快會對產品產生疑問。