人工智能領域的增速放緩，主要體現在AI應用程序的部署增長方面。原計劃23％的數據將在2019年被應用部署，而截至目前，只有5％的數據被應用部署，增長率明顯低于2018年。很顯然AI正在被某些“因素”拖累，比如相關領域企業員工缺乏相應的技能、企業可獲得數據的質量以及對AI真實優勢和用途的了解并不全面。

對于人工智能而言，大數據是人工智能研發的重要基礎。目前人工智能領域的研究細分有很多，包括機器視覺、自然語言處理、深度學習、機器人學、知識表示、自動推理等，研究方式上各有不同，但是數據收集、數據整理、算法設計、算法訓練等是它們繞不開的研究路徑，人工智能的核心是算法設計，但基礎仍是大數據。

而數據洞價值察或許仍是“穩定”人工智能發展的重要因素，在細分領域上有著不同體現，比如“增強分析”技術在數據與分析領域的應用、嵌入式人工智能在物聯網領域的應用、浮層互動技術在視頻領域的應用等。

“增強分析”的概念最先被Gartner在2017年提出，“增強分析”曾譽為「數據與分析市場內的下一波顛覆性技術，是數據分析的未來」增強分析指的是在傳統分析功能中加入更多的增強功能，這些功能大多是通過人工智能、深度學習等技術來實現，可以幫助分析人員對于數據進行自動化、精細化、結構化的分析，有利于進行更加精準的模型訓練，從而滿足多種數據分析需求。

當前的增強分析功能主要有兩種應用方式，一是幫助專業的數據分析師或數據科學家，通過數據建模來提升數據分析的能力。二是針對普通的用戶，增強分析可以支持他們訪問有效數據，并對理論和假設情況展開測試與驗證，從而為分析計劃帶來更多自動化動能以及創新洞察力。在增強分析技術實現上主要包含以下三種工具。

1、增強數據準備（Augmented Data Preparation）：采用機器學習（ML）／人工智能（AI）自動化來擴大和加速數據剖析和數據質量、數據協調、數據建模、數據處理、數據聚合／推理，元數據開發，以及數據編目，這種增強趨勢同樣能夠改變數據管理的各個方面，包括自動化數據集成和數據湖管理。

2、應用于分析和商務智能系統的增強分析技術（Augmented Analytics As Part Of Analytics And BI Platforms），該技術使商務用戶和“民間數據科學家”（Citizen Data Scientist，指那些能夠進行數據建模的非統計分析專業領域的人）無需建模和編寫算法，就能自動尋找數據規律，將相關結果以可視化的方式表達（比如相關性、例外、集群、連接和預測）。用戶通過可視化和對話界面來研究數據，采用自然語言問詢技術來查找用戶情境下的最重要數據結果。”民間數據科學家”可以采用增強分析技術來客觀分析數據。

3、增強分析數據科學和機器學習（Augmented Data Science And Machine Learning）——采用ML／AI實現數據科學和ML／AI建模的自動化，比如特征工程和模型篩選，以及模型運行，模型解釋以及最后的模型校正和管理。增強分析技術的應用，將會降低對高級分析模型操作的技巧性要求。它向民間數據科學家和應用開發者開放了數據科學和ML內容創造，最終，這些專業的數據科學家擁有更多的時間來聚焦創造性任務以及建立和運行最相關模型。

增強分析在企業銷售中的應用可以體現在精細化的數據洞察方面。過去，我們從銷售報表中可以看到銷售數據的上升或下降，通常最直觀的數據維度只有價格、產品質量、人員因素等，但是這樣的推測并不是完全準確的，「增強分析」的應用可以通過BI工具獲取數十個甚至上百個維度，不光包括價格、用戶等直觀因素，甚至還包含天氣、環境、交通等外部因素。其應用的意義就在于通過更多工具分析更多維度，力求找到問題解決的最優路徑，對數據全面洞察。

Gartner 公司的Julian Sun曾表示，目前的數據分析模式多是可視化形式，或者拖拉拽形式做數據分析，很有可能會造成另外一種孤島——分析孤島。這個時候用增強分析可以把這樣的增強分析模式放到業務情景當中，最契合業務實際做一些業務針織。

小結：在增強分析領域，數據洞察能力集中體現在分析維度會更加全面，那些曾經不被大家注意的數據可能就是導致“結果”的原因，就像“蝴蝶效應”一樣。

嵌入式人工智能（Embedded artificial intelligence）

通過數據洞察帶來的“賦能”效果在物聯網領域和互聯網APP產品方面也有體現，IDC和Forrester對2020年頂級人工智能的預測中提到，“至少 90％ 的新企業 APP 將包含嵌入式人工智能功能。然而真正有顛覆性人工智能主導的 APP 將只占總數的 10％”。

許多新的APP在前期設計中大都包含或多或少的人工智能功能，對數據的獲取和整理的能力有了顯著的提升，便于平臺方對APP的運營。而更深入地嵌入式人工智能應用正在圍繞物聯網領域展開。

嵌入式人工智能是讓AI算法可以在終端設備上運行的技術概念，更加直觀的理解就是讓手

機、音響、機器人、自動泊車等智能硬件，在不聯網的情況下獨立完成環境感知和人機交互等。對于AI工程師而言，將編寫好的程序嵌入到各類智能設備的控制主板中，再測試運行效果，即算法是否能高效地在主板上運行。

因為物聯網應用要求處理器設計，要提供面向最終用戶和應用程序的解決方案。物聯網應用的芯片設計強調功率效率，隨工業級人工智能技術的應用，越來產生越多的數字平臺，而下一代工業數字平臺的演進，就是讓工業設施可以在不同的網絡環境下運轉，對各類主板芯片的需求隨之增加，研發集成效果是否優異、軟件支撐平臺是否便利，就成為考量一款嵌入式處理器解決方案性能的主要因素。

同時，嵌入式人工智能技術正在解決物聯網設備所面臨幾個“痛點”問題，包括高延遲和低響應、網絡安全、數據隱私問題等。以數據隱私為例，物聯網設備在服務用戶或企業時，會產生大量的運行數據，其中會包含一些隱私、機密信息，一旦隱私數據泄漏就將給企業、用戶帶來不同程度的損失。比如家庭物聯網中的攝像頭、掃地機器人在自動運行中產生的圖片、視頻泄露等，使用戶飽受損失。而嵌入式人工智能技術可以讓設備在非聯網的情況下獨立運行，一定程度上保證了數據的隱私性，另外隨著智能聯網設備的普及，集成智能設備的硬件終端也將隨之出現，可以保證數據的“物理隔離”。

嵌入式人工智能也被稱作為邊緣計算技術。首先，智能終端并不是完全需要在云平臺上進行，會給通信傳輸帶來較大壓力，同時未來解決數據延遲和安全性等問題，邊緣計算逐漸開始被應用。今年華為發布了“昇騰910”AI芯片和“麒麟990”5G芯片，其中“昇騰910”是目前單芯片計算密度最大的芯片，計算力遠超國際同類產品。華為表示，將向全球開發者公布其技術參數，共同打造AI生態，推動AI產業落地。

小結：在嵌入式人工智能技術領域，數據洞察主要體現在對產品或技術的補足方面，讓物聯網終端設備具備獨立處理數據的能力。

浮層互動技術（Embedded interaction）

在視頻領域內，與浮層互動技術相對應的還有嵌入式互動技術，和嵌入式人工智能的技術實現上有較大差距。奈飛（Netflix）推出的《黑鏡：潘達斯奈基》（下文稱《黑鏡》）互動視頻，就屬于嵌入式互動技術。即，觀眾可以通過“互動點”自由選擇劇情走向。而《黑鏡》90分鐘的視頻時長中包含312個視頻素材和5個不同的結局。通常對視頻內容層面的互動，被歸納為嵌入式互動，通常視頻內容和互動工具在視頻制作過程中就嵌入到視頻格式之中，通過技術處理改變觀看體驗。

在生活服務、娛樂APP方面，抖音的“以視頻搜視頻”、快手的“AI寵物”、AI視頻廣告都屬于浮層式互動技術。我們通常把“彈幕”歸類為浮層互動技術的初級功能，通常浮層互動技術與視頻內容（視頻編輯）沒有必然關聯性。就像“AI寵物”只是一個具備娛樂、工具屬性的功能，輔助視頻直播、優化用戶體驗，但沒有“AI寵物”也并不影響直播的進行。彈幕、云圖廣告、AI寵物等，這些只是輕度的互動功能，更加深入的互動，需要視頻小程序來實現。極鏈科技以自研 VideoAI、VideoOS 為底層操作系統，專注消費級視頻AI技術研發和商業應用，并持續投入小程序開發者生態的構建。

浮層互動技術的底層原理是“AI視頻識別”，即在不影響視頻播放的前提下，對視頻內容的結構化處理。以人工智能技術為底層引擎的視聯網服務將會給浮層互動帶來更全面的應用場景，給視頻產業帶來新的增長點。在以下三個方面，視聯網的人工智能引擎得到了大幅的進步，初步具備了支撐一個產業的能力。

一是對視頻內容信息的理解更加全面，即視頻標注維度越來越豐富。過去，在人工智能識別方面只有面部識別滿足商業化標準，但隨著近些年算力、算法、數據的的優化、積累，人工智能已經可以識別視頻中的人臉、物體、場景、品牌、動作、表情、事件、地標等多個類別和不同標簽維度。并且算力成本逐漸降低，使得浮層互動可以給視頻帶來更多的商業化應用。

二是對知識圖譜的構建更加完善，即數據的整理分類更具人腦思維邏輯。人們對視頻結構化數據的理解更深入，推動了知識圖譜的價值體現。一方面，知識圖譜的豐富性可以推動AI識別效率的提升，基于信息間的相互關聯性，可以減少識別所需的訓練樣本。另一方面，知識圖譜的完善有利于視頻商業價值的挖掘，例如在AI廣告方面除了選擇較好的廣告點位之外，還可以通過文字、表情、音樂等方面排除負面場景，從而提高廣告的投放質量。

三是逐漸具備構建數據業務中臺的能力，包括服務視頻平臺、小程序開發平臺、廣告主操作平臺等多種數據業務中臺。比如計算資源優先級處理和數據資源管理，以及數據調度等，讓視頻平臺方可以清晰且實時掌控視頻數據表現的綜合圖譜等。

浮層互動技術的應用，不僅要依托視頻內容數據，還需要深入理解消費者的視頻觀看習慣，從潛在需求出發滿足用戶需求，優化小程序及其他相關功能的調用方式，以達到視頻內容價值放大的效果。

隨著AI技術應用越來越廣泛，各種產業數據以“倍數”形式增長。大多數企業已經意識到了數據中所隱藏的價值，但是還不具備挖掘數據價值的能力，所以導致了當前企業會花大的代價存儲數據，而無法標注數據讓其產生價值的尷尬局面。因此，數據價值的洞察仍是未來人工智能領域發展的內核。