大众狂欢消退商业人工智能正在中国市场迅速崛起

从2017年AI与Go大规模圈开始，我们经历了几个阶段的变化：

第一阶段，全社会会讨论AI的使用；

第二阶段，相关生产、教育、政党共同讨论AI应该如何使用；

第三阶段，负责交钱和收钱的双方努力讨论如何用AI更便宜。

随着工业化的推进，公众对AI的讨论也缩小了。现在的营销数字里基本没有关于AI的吓人头条，底层算法也很少有让行业大跌眼镜的突破。可能有人认为AI泡沫破灭，AI冬天又来了。然而，在大众狂欢消退的同时，我们可以看到商业AI在中国市场迅速崛起。到2021年，大部分云计算和AI厂商似乎没有时间继续讨论AI应用场景和可行性，而是专注于另一个关键词：成本。

随着人工智能成为一种企业服务，高部署成本成为行业内最明显的问题，尤其是在中国的人工智能行业。与其他企业IT技术不同，AI作为一种灵活的软件形式，需要长期的投入和专业人员。这样一来，AI在大型科技公司或者平台型企业中有着非常灵活的投资曲线，可以进行战略投资，灵活解决各种问题。然而，对于传统企业、中小企业和缺乏信息化基础的企业来说，人工智能的应用往往可以在理论上解决非常重要的问题，但缺乏一个直接、可操作、成本可控的实施方案。

回到云计算和AI服务商，虽然理论上把AI卖给企业潜力很大。但现实是每个客户都有大量需要定制的需求，很多行业专家、算法架构师、软硬件工程师往往需要解决一些小问题。这样做虽然取得了可观的效果，但只是个案性质，缺乏推广的可能性。

另一方面，疫情造成美国AI行业创新缓慢，总公司算法突破不理想。同时AI对欧美B市场净值高，客户数字化能力强。虽然Google Cloud和微软Cloud的兴起与AI有着密切的关系，但它们更适合大规模、分散的企业软件市场。相反，中国市场AI的目标用户更多的是政府企业和实体经济企业，需要一对一的AI能力和工业AI解决方案。

在这种情况下，将AI技术推向高度产业化和标准化，突然成为中国科技界的一项独立任务。虽然在2019年，谷歌等领先的AI公司已经开始推广机器学习简化的相关技术，但他们的目标更多地集中在所谓的“AI民主化”上，而不是当今中国云计算和AI厂商所面临的大规模AI部署和工业AI场景。

毫不夸张地说，低成本的AI产业化已经成为我国AI行业目前的主要任务，但相关分析并不丰富。本文希望探讨中国人工智能产业化轨道的几种产品逻辑、典型案例和商业模式。由于各厂商的命名方案与产品标准不统一，为了避免误解，我们选择在这里隐藏厂商和技术的具体名称。不过不难发现，相关技术逻辑带进几个大厂，关注度也不低。

看过东野圭吾《神探伽利略》系列的朋友可能会被主角汤川对速溶咖啡的热爱所打动。速溶咖啡看似廉价低端，实际上凝聚了20世纪初人类科学和工业能力的精华，比如喷雾干燥。速溶咖啡的出现使咖啡的大规模生产、运输和储存成为可能。

如果说深度学习是发现咖啡是一种饮料；所以中国人工智能试图实现的是制造一种侵略性的速溶咖啡。

真正的咖啡时代可能更有可能从后者开始。

行业知识地图

对于大多数企业用户来说，AI在机器视觉和NLP系统下提供了几种固定的能力。基于这些能力，企业的定制变体非常复杂。但是有一种AI技术很容易适应企业和行业的特殊需求，那就是知识图谱。

知识地图的技术逻辑是人工关联一些知识，从而在调用知识A时带动知识B，从而达到近乎“智能”的效果。这不是什么新奇的技术。甚至在机器学习诞生之前，知识地图就已经广泛应用于许多领域。如今，搜索引擎和电子商务产品中的相关推荐功能大多依赖于知识地图。

在AI对B的应用中，一个巨大的问题是企业处于特定行业。每个行业不同的知识，或者说经验，决定了AI的应用有不同的需求和不同的成本。比如安全场景要求的AI识别，和质检场景有很大区别。

因此，一种新的AI产品服务模式是将技术供应商升级为行业信息服务提供商，积极打造符合特定行业需求的知识地图产品。例如，工业知识图谱可能包括排序、质量检验、产品流程等方面。当工业识别解决方案与之结合时，AI不仅可以完成单点任务，还可以根据工业知识图谱完成一定程度的复杂需求，如知识推理、知识预测等。

类似的行业知识图谱有广泛的应用可能性，无论是在强调“经验”的工业和能源领域，还是在强调“数据关系”的金融和物流领域。此外，行业知识地图还可以帮助AI进入一般知识算法难以工作的行业，如油气勘探、生物医学等。最重要的是，如果云计算供应商提供有效的行业知识地图服务，

那么就可以免除一个个订单去给企业做知识、经验适配，从而降低人工成本。

但行业知识图谱的问题在于，行业知识是一个非常抽象、难以标准化的版图。每个行业有多少知识可以取公约数也是个问题。因此市面上的类似服务，都大体集中在金融、能源、工业质检等几个基础板块，难以细化到更具体、小众的行业。并且行业知识图谱已经极大改变了云计算、AI 供应商的角色，使其从算法等基础能力提供商变成了行业咨询、行业数字化解决方案提供商，这对商业模式和行业认可也提出了挑战。

目前，与机器视觉、NLP 等基础能力适配的行业知识图谱，还是中国 AI 界独一份的产业板块。它能走到多远，或许是接下来 AI 产业一个非常重要的发展指示物。

自动机器学习

虽然苏大强都知道手磨咖啡好喝，但让每个人都去磨咖啡显然不现实。速溶咖啡的价值也因此得到了确认。

这就像 AI 虽好，但每家企业都高价聘用算法架构师，花费大量时间做数据调优、分类、提取也很不现实。为了解决这个问题，谷歌早在 2018 年就推出了 AutoML，也就是自动机器学习的相关工具。这类工具的基础逻辑在于，尽量让普通开发者，甚至不会写代码的 AI 应用者，都能通过按要求上传图片的方式生成固定的 AI 模型。这些模型虽然简单，但胜在零门槛，低成本。大众熟知的类似应用，可能就是以给明星换脸而出圈的 deepfake。当这东西被全球集体封杀，或许也侧面证明了自动机器学习的威力。

随着产业发展，自动机器学习也不再仅仅能做简单的视频处理。尤其随着大厂的不断投入，今天中国 AI 产业的自动机器学习平台与工具，在能力的多元化与工业化上已经远远超过了谷歌等美国公司。广义来看，从数据处理到数据特征提取，再到数据调参和训练，几乎每一个 AI 步骤都可以在今天找到一些办法来进行自动或半自动简化。而国内几大相关厂商也推出了自动机器学习平台的升级版，以此来提升复杂模型的开发效率，或者帮助进行行业化的 AI 落地。

在产业端，自动机器学习的最突出价值在于可以快速渗透那些缺乏 AI，甚至缺乏信息化基础，同时也无法进行定制化服务的微型领域。比如说农业、医疗，甚至校园场景。即使缺乏 AI 能力甚至编程能力的个人开发者，也可以依靠自动机器学习平台很快完成一个简单 AI 模型的开发，并且在手机、摄像头等设备上完成部署。比如在一个案例中，农村扶贫干部可以依靠类似平台快速开发一个识别房屋、果树、农作物的软件，从而加强扶贫工作标准化以及提升工作效率。

当然了，自动机器学习类软件既然瞄准的是低门槛，那么问题也随之产生。这类平台的自动化能力，导致其往往难以处理复杂数据或者完成算法创新。而一旦给平台加强更多技术能力，又容易变得更为专业复杂，不适配缺少技术能力的企业和开发者。其中的平衡点很难拿捏。

无论如何，近两年我们在看到越来越多的工业级 AI 项目开始基于自动机器学习平台来搭建，AI 开发的时间成本与人力成本也在极速下降。

这些真正面向解放生产力的升级，构成了中国 AI 的最佳风景。

大规模预训练模型

说到工业级 AI，那么就不得不提 AI 应用的另两个核心问题：数据量和训练算力。

在工业、能源、金融、医疗这些行业中应用的 AI，需求特征是参数精度高、训练数据需求量大。但问题也来了，一家传统企业去哪搞那么多数据，又哪来的算力进行长时间、需要复杂调参优化的模型训练呢?

面对这个问题，业界也有个办法。就是平台提供预训练模式，然而企业买回去进行二次加工，从而生成自己想要的 AI 能力。这个逻辑很容易理解，有点像买熟食回家再二次烹饪一下。家里人还是会夸你手艺好，谁又在乎前面 98% 的步骤都是在餐厅完成的呢?

在 AI 领域，这个用半成品再加工的逻辑被叫做迁移学习。其在大数据集训练的预训练模型上再完成小数据的迁移，最终在企业用户时间、人力成本的基础上，保证了模型的精度和使用效果。

大规模预训练模型的逻辑很早就被提出，但近两年在中国 AI 产业中开始不断得到重视，形成了解决 AI 工业化的核心思路之一。一般来说，云计算企业会提供 NLP、机器视觉等主要品类的 AI 预训练模型，或者重要行业、重要工作场景中的预训练模型，供企业下载部署。一方面以此带动企业用云量，另一方面还可以衍生出更多的智能化解决方案服务。

预训练模型这个领域的竞争主要集中在两个方向：

一是有效数据的参数规模和收敛精度，以此来决定模型在通用赛道上的能力指数;

二是预训练模型的行业细分度，以此来决定与行业、任务场景的适配广度。

最典型的预训练模型应用场景，应该是工业巡检、质检等领域。这些领域的绝大部分数据精度要求都是一样的，就是识别能力的精准度。这个可以在云计算厂商进行大数据预训练。而厂商到底是要识别划痕还是识别污垢，就可以回到厂里进行迁移训练来搞定。

最后说说问题，预训练模型目前还更多属于云计算厂商提供的附加产品，不像基础 AI 算法一样有稳定的市场空间。究竟其前景如何还有待检验。另外预训练模型虽然比较受企业用户的欢迎，但商业模式还有待探索，给供应商带来的实际价值不太清晰。

结束语

当中国 AI 走到 2021，工业级、产业级成为了三句不离口的关键词。但真正具备工业化特征的 AI，其实就像齿轮、轴承、钢筋一样，是标准化、规模化、低成本的产物，而不是某种美好的智能魔法。

中国 AI 开始大面积拥抱工业化、流程化、标准化，也许将构成一个交叉点。这条赛道上的 AI，不那么受资本关注，理论上更接近企业 IT 而非传统意义上的 AI 生态，至少一点也不极客，不够酷炫。

但这条路很重要，或者可以说是全球 AI 产业的一个拐点。尤其重要的是，中国 AI 的前景，不能一直被美国 AI 的上限所制约。行业知识图谱、自动机器学习这些东西其实都发源于美国，但在应用化、平台化和标准化上，美国 AI 并没有中国业界来的干脆有力度。

至少在今天看来，沉默前行的 AI 工业化是一条孤独的路。

前方一无所有，也因此给人安慰。