人工智能商业化还要多久？

发布时间：2017-09-06 作者：佚名来源：IDC圈

关键字：人工智能 AlphaGo

收藏好文推荐打印

一直以来，人工智能都是人们关注的焦点。伴随AlphaGo先后两次战胜围棋界冠军李世石、柯洁二人，人工智能便进入到“暖春”阶段。现阶段，在人工智能领域，百度、谷歌、苹果、微软、Facebook、IBM、英特尔等国内外互联网巨头纷纷加注资金，对应用更为广泛的人工智能产品进行开发。

伴随数据的增多以及硬件算力（大量高性能硬件组成的计算能力，如GPU）的提升，语音识别、自动驾驶、深度学习等人工智能技术正逐步从实验室走向应用化和产业化。然而，技术壁垒逐渐消除之后，人工智能再次面临着另外一个难题——商业模式的探索。

近日，国务院印发了我国第一份人工智能发展规划——《新一代人工智能发展规划》。《规划》对人工智能的发展进行了战略性部署，确立了“三步走”的目标。《规划》指出，到2030年，我国人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。

此前，在第十六届中国互联网大会上，工业和信息化部部长苗圩曾表示，新兴科技产业应加强关键核心技术的攻关突破，加快人工智能、虚拟现实等技术的研发和商用。

由此可见，以人工智能为首的新兴科技，正在逐渐成为国家发展扶持的对象。而对于人工智能如何实现商业场景的应用？如何使人工智能成为我国经济发展的又一驱动力？日益成为越来越多工商企业界甚至是政府所关注的焦点。

一、人工智能的近忧——商业价值没有得到充分的验证

日前，麦肯锡发布的一份报告显示，2016全年，全球企业在人工智能领域投资约300亿美元，与2013年相比，多出3倍。然而，投资的90%用于研发，10%用于收购，大部分人工智能投资者尚未拿到投资回报。足以见得，人工智能的商业价值并未充分体现。

1、技术驱动人工智能热潮再袭

无论是语音识别还是图像识别，亦或是AlphaGo的出现，现阶段的人工智能确实取得了飞速发展，实质上这是技术驱动的结果，并不是商业驱动，甚至谈不上人工智能商业化。为什么说是技术驱动？

首先是大数据时代的到来。数据极大的增多，是人工智能再一次赚足人眼球的重要原因。究其根本，数据的增多得益于互联网的发展；再者就是整个硬件算力（大量高性能硬件组成的计算能力，如GPU）层面的提升。伴随GPU、TPU等硬件的不断更新，计算能力得到了大大地提升；最后就是深度学习广泛运用于人工智能。在80年代，人们就开始提及深度学习。然而，在当时的条件，没有充足的数据以及高效的算力支撑，深度学习根本无法开展，因此，深度学习并不能完全作用于人工智能。从目前来看，人工智能只是单纯地实现了技术的驱动。

2、人工智能尚未充分满足客户需求

从客户需求角度来讲，实际上，人工智能并没有完全的、充分的满足客户需求。现阶段，用户在感知和交互方面的需求极为强烈，但是目前人工智能在这两方面的发展并不能满足用户需求。例如：在语音交互方面，用户要想实现语音唤醒，操作起来还是比较困难的。而且，人工智能并没有解决在远距离上实现语音识别功能的问题。

而且，从目前的几个典型应用场景来看，诸如：机器翻译、语音助手以及身份识别，并没有满足用户需求。实际的客户需求并没有得到完全的、充分的满足，这也就意味着人工智能技术本身没有得到商业认可。

3、新的商业模式没有出现

实际上，人工智能并没有带来新的商业模式，主要体现在两个方面：

一方面是指现有的人工智能技术是一种优化，主要是在业务层面的优化。换句话讲，一旦失去人工智能这种技术，公司不会受到任何影响，公司的业务还能继续进行运作，企业的商业模式也不会遭受威胁。从目前整个商业层面来看，至今没有出现因为离开了人工智能，企业的商业模式受到极大挑战的案例。

另外一个层面是说，人工智能团队在企业里面仅仅是起到技术支撑的作用，算得上是技术部门，而不是独立的业务部门。这一点也就说明了由于人工智能而单独存在的商业模式并没有出现。

4、人工智能技术应用领域狭窄

据统计，目前覆盖全球的62个国家的近千家人工智能公司，人工智能应用场景仅仅包含语音识别、手势控制、虚拟私人助手、语音翻译、智能机器人和智能汽车等十余个产业。由此可见，整个人工智能的应用领域还是比较狭窄、狭隘的。

就目前应用领域来讲，人工智能广泛应用于机器翻译、智能控制、专家系统、机器人学、语言和图像理解、遗传编程机器人工厂、自动程序设计、航天应用、庞大的信息处理、储存与管理、执行化合生命体无法执行的或复杂或规模庞大的任务等方面。比如，人脸识别技术现在开始逐步应用，并且主要运用在安防领域。当然，我们也看到了人工智能在医疗、教育、娱乐等方面的做了一些尝试，但其开发的广度和深度还是有待拓展的。

而在大量的线下实体行业中，人工智能技术并没有得到充分的应用。因为在这些行业里面，数据往往都是很少量的，没有大量的用户行为数据。没有大量数据的支撑，就很难实现人工智能技术层面的应用。然而，没有应用场景支持的人工智能终究还是空中楼阁。

三角兽科技创始人兼COO马宇驰表示，人工智能技术只有真正落地，有商业场景应用才具有生命力。

当然，人工智能的商业化不是一蹴而就的，它的实现是需要一个过程的，需要企业把人工智能真正地应用到商业环境里面去。人工智能可以通过技术支撑不断发展，拓展更多的应用场景，应用到更多的产业领域，而多样化的应用场景、广大的市场需求又反过来驱动支撑技术，从而带动整个人工智能行业的可持续发展。

二、人工智能怎样才能真正落地？

百分点集团董事长苏萌认为，目前人工智能领域的火爆，与3年前大数据火爆场景似乎同出一辙。他表示，尽管现在在人工智能领域的创业团队越来越多，但真正能找到并实现商业模式的团队并不多。目前应该深刻思考的一个问题是：人工智能如何能真正的落地。在苏萌看来，能真正实现人工智能落地的领域只有行业人工智能和商业人工智能。

百分点集团技术副总裁兼首席架构师刘译璟认为，人工智能本身是一个非常综合的领域，它与哲学、数学、物理学、信息学、心理学和生命科学等学科都存在着密切关系。如果人工智能要实现自身发展，支撑其发展的底层理论同样也要得到更新。除了在理论层面进行更新外，刘译璟强调在技术层面要建立集中式建模+ 微建模的建模模型，实现云计算与边缘计算的紧密结合。

在刘译璟看来，目前在计算能力方面，量子计算将给人工智能带来新的飞跃。一方面，量子算法可以极大的提高机器学习的效率，另一方面，量子物理理论阐述：人的意识与量子计算之间有很大的关联的。正是基于量子理论与意识之间微妙的关系，量子计算有可能会为人工智能带来“意识”。现阶段，像IBM、Google、微软这样的巨头公司早已经开始布局量子计算领域。

针对大量的线下实体行业往往不具备海量数据，刘译璟给出自己的看法，通过建立实用的知识图谱解决机器学习面临的冷启动问题。解决冷启动这一问题是利用人们在该领域中已有的经验和知识，将这些知识“告知”计算机，并让它利用这些知识解决问题。刘译璟认为，建设一个实用的知识图谱，首先需要清晰准确地梳理已有的知识，然后用实体、属性、关系等方式对知识进行描述。一旦将知识图谱建立起来，将不仅为单个企业，还将为整个行业、乃至整个世界带来极大的价值。目前，像 Google、微软这样的巨头已经在纷纷建设自己的知识图谱。

可以预料到，人工智能的进一步发展一定会依赖于各行各业知识图谱的建设，否则人工智能终将停留在实验室而无法深入到真实业务中。

然而，IBM大中华区副总裁郭继军曾经表示，并不是每个领域都要实现人工智能商业化，首先要找到适合运用人工智能的领域。人工智能的商业应用势必会在传统的线下行业得到运用，甚至是更加聚焦的垂直行业里面。但是，在这些行业里面，数据往往都是很少量的，没有大量的LG数据以及用户行为数据。通过人工智能，在行业领域内，形成一套新的、完整的知识体系，从而帮助这些企业进行决策。

在郭继军看来，找到合适的领域之后，最为重要一点便是解决如何提高数据挖掘能力的难题。大数据是企业能否实现人工智能的关键性因素。在深度学习之前，可能因为算力的原因，没有办法理解和洞察企业的非结构化数据，但是基于深度学习的人工智能现在具备这样的能力。所以对于现阶段的人工智能来讲，不是惧怕数据太多，而是怕没有数据可进行分析。

三、究竟我国的人工智能商业化还要多久？

在此前发布的《中美两国人工智能产业发展全面解读》报告中似乎能找到答案，报告指出，虽然目前中国AI企业增势并不明朗，但根据行业发展周期来计算，中国人工智能产业将会在2018年回暖，新增公司数量会上扬到30家以上，预期融资累计量将会达到900-1000亿人民币。

日前，《新一代人工智能发展规划的通知》的颁发，确立了“三步走”目标：到2020年人工智能总体技术和应用与世界先进水平同步；到2025年人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平；到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。《规划》从国家层面对人工智能进行系统布局，部署构筑我国人工智能发展的先发优势。

这样看来，到2025年，人工智能的部分应用领域将实现商业化运作，到2030年，人工智能的总体应用将实现更为广泛的商用。由此看来，人工智能商业化已经处于阵痛期，人工智能的商业化运作，产业化运营已经离我们不远了。

本文来源于互联网，e-works本着传播知识、有益学习和研究的目的进行的转载，为网友免费提供，并以尽力标明作者与出处，如有著作权人或出版方提出异议，本站将立即删除。如果您对文章转载有任何疑问请告之我们，以便我们及时纠正。联系方式：editor@e-works.net.cn tel：027-87592219/20/21。

上一篇文章：工业的死敌是互联网化 | 警惕制造业BAT化
下一篇文章：RFID助力服装厂实现返工率从25%降至3%