今年五月，谷歌人工智能程序 "AlphaGo" 戰勝世界圍棋冠軍柯潔，引發瞭世界范圍內人們對人工智能的探討。同時，國內的 " 天網 " 監控系統憑借著精準的人臉識別技術相繼抓獲瞭多名逃犯，引起瞭網絡熱議。人們忽然發現，以前看似陌生而遙遠的 " 人工智能 "、" 深度學習 " 等概念已經在不經意間實現瞭應用化和產業化，出現在我們身邊。
人工智能產業的市場規模究竟有多大？人工智能項目究竟如何實現商業落地？面對人工智能，投資人究竟應該儲備哪些知識？艾瑞咨詢分析師張雲給出瞭他的階段性分析成果。
本篇實錄系根據健一會（ID：jianyihui2011）沙龍第196位主講人張雲在健一會 " 人工智能的商業化變現 " 專題沙龍上的精彩分享整理而成。原標題為《人工智能的商業落地》，現標題為健一君所加。
根據嘉賓意見，分享內容已刪去部分敏感觀點及內部信息。
■ 張雲
艾瑞咨詢分析師
經濟學碩士、關註前沿科技、企業服務領域，如人工智能、大數據、雲計算等。主要研究成果有《2017 年中國商業智能行業研究報告》、《2017 年中國計算機視覺行業研究報告》、《2017 年中國互聯網發展報告》、《2016 年互聯網全行業洞察及趨勢報告》、《2016 年中國企業雲服務行業研究報告》、《某國傢級新區大數據、健康、文化等產業研究》。
大傢好，我是艾瑞的張雲，我今天講的主題是《人工智能商業落地》。人工智能現在雖然很火，但其實巨頭對 AI 在很多領域的商業落地也處於探索階段，下面和大傢分享一下我們的階段性研究成果。
人工智能發展史上有過三次熱潮，最近的這次和以往兩次不同的是，前兩次熱潮主要蔓延於學界和政界，而此次熱潮則很大程度上是由谷歌 AlphaGo 所引發，逐漸激起來自工業界、投資界、政府、媒體、大眾對人工智能的興趣，大傢都在希望它能給各行各業帶來巨大改變。
還有個不同是，前兩次人工智能熱潮中的科學傢相對集中在麻省理工、斯坦福等世界級學術殿堂裡，此番熱潮裡的科學傢們會相對分散到全球各地不同實驗室、高校乃至產業界中，這也使得可能沒有一個科學傢能真正完全瞭解人工智能所有細分領域的發展進度與研究水平。
產業規模難以估算，投資人得不到答案
國傢在 2017 年 7 月公佈的新一代人工智能發展規劃中將戰略目標分為兩個維度，一個是人工智能核心產業規模，一個是相關產業規模。
比如說在安防領域，人臉識別算法和技術屬於核心產業，當這些算法與技術落地時，要加上攝像頭、傳輸線路、存儲等基礎硬件設施，後者都屬於相關產業規模。又比如在無人駕駛領域，自動駕駛的感知與決策算法屬於核心產業，整車生產制造則屬於相關產業。
投資人在選擇投資標的的時候通常都會問創始人，人工智能這個產業現階段的市場規模有多大？有些市場相對來說有比較清晰的邏輯，但整體而言 AI 市場規模的推算有諸多不確定性，為什麼？有三點原因。
首先是收費模式。
人工智能的很多產品或服務具有開放性的特點，前所未有，有些甚至還在研發中，要給它們確定一種定價模式，是按一次性授權收費，還是按年或按 API 調用次數收費？另外還有乙方競爭的問題，人工智能在落地應用的時候，現階段未必能夠形成很高的技術、產品壁壘，這就會導致一個問題：在出現多傢供應商競爭時，如何保持價格優勢？如果提供的是免費服務，又該如何計算其市場空間？
第二個是供應量集中度的問題。
人工智能這個產業的業務比較新，很多領域集中度低，難以由個別推整體。雖然存在一些知名公司目前在 AI 企業服務領域非常領先，但一些地方性的企業因為資源渠道優勢，取得的營收也會非常客觀，卻因為分散難以統計。
另外，如果目前接受 AI 技術服務的需求方之後自行組建隊伍進行相關應用的開發，那麼之前由技術供應商主導的市場空間該如何估算？
第三個是推算邏輯。不同領域的推算邏輯千差萬別，比如說在安防領域，人工智能技術落地的方式之一是幫助警察做影像中的人臉比對，它起的是一種輔助效果，輔助公安人員去判斷，而在工業領域，未來假如說人工智能應用於質檢等環節，所起的作用可能將會是代替，很多質檢工作就完全被機器取代瞭。如何區分不同領域的推算邏輯以及其商業落地的困難程度，並結合這種程度做市場規模推斷，這中間困難重重。
應用場景比較明確，技術受限仍需發展
智能語音領域，知名廠商在近場識別聽寫方面，對外宣稱的準確率均在 97% 以上，但是必須是在比較安靜的環境下，而且說的是普通話；若是遠場識別，技術仍在快速迭代中。
識別之後要做對話，目前對話交互隻能滿足限定任務，比如說在特定的客服場景、金融領域或是服裝領域。如果要進行開放式聊天，比如以朋友的身份與人類談心，人工智能可能還處於人工智障的階段。
語音在企業服務的落地，一個是醫生語音錄入病例，另一個是諸如法院庭審之類的閉門會議記錄。但其實在更多的場景，在開放性的會議活動上安排的還是人工速記，因為人工速記雖然會遺漏一些信息，但人類會識別哪些話需要記錄，哪些話屬於噪音，不需要記錄，現階段的機器分析不出來這個區別。
人工智能在 To C 端的商業應用場景相對比較明確，一個是智能車載，另一個是智能傢居。我們在開車的時候不方便用手機去完成導航等其他操作，在這種場景下，通過語音進行交互就會比較好。智能傢居裡現在智能音箱比較火，但目前市場空間不見得很大。
機器視覺進步顯著，落地安防越來越強
2015 年，微軟的卷積神經網絡以 3.57% 的錯誤率獲得 ImageNet 大規模視覺識別挑戰賽第一名，而人眼的錯誤率為 5.1%，所以有人說機器視覺現在超越瞭人眼識別。
其實，比賽表現好，不代表實戰真能做的好。比賽裡所用的圖片都是公開和標準化的，並且可能已經做好瞭標註，但在安防等實際場景裡，角度、光照、臉型、臉上是否戴口罩等因素都會影響人臉識別的實際效果，網速、帶寬也會影響識別的準確率。
比賽本身的數據集也往往相對有限，所以比賽的意義更多地是向公眾展示新算法，讓大傢看到相關領域的技術進步。
計算機識別比較有市場化的落地場景是安防。其實真正跟 AI 相關的主要是兩個功能，一個是動態視頻人臉對比，另一個是視頻結構化。
動態視頻可以做到，在高速公路檢查站、機場、火車站檢票口等處對海量人群進行人臉抓拍識別，並將其與警方所提供的黑名單庫進行比對，把比對結果實時推送給警方，如果與黑名單中的人物匹配，警方就會實時出警進行逮捕。
公安部門的攝像頭監控的大量視頻信息都屬於非結構化信息，警方若是想抓某個人，需要花大量時間把相關視頻拷出來，或者分給幾十個人去分析，而計算機視覺技術則可將其結構化，機器可以自動把視頻裡的敏感信息截取出來，它可能是某個特定場景、特定人物或是特定事件，這樣警察就從之前的大海撈針變成甕中捉鱉，判斷更為精準和快速。
3D 視覺技術仍處於研發階段
視覺在工業場景的應用有兩個維度，一個和 3D 視覺有關，一個是將深度學習用於產品質檢。
3D 視覺在國內是有一些技術相對成熟的國外企業在提供相關服務，不過該技術本身還不太成熟，國外企業很難大規模落地。首先，國外企業售價較高，國內企業的產品服務將會存在價格優勢。第二，一旦出現技術問題，國外往往通過電子郵件進行溝通，國內的企業客戶不太能接受這種解決方式。
計算機視覺在醫療領域中的優缺點
大傢都覺得醫療領域可被技術改造的空間很大，這主要有三點原因。
首先，中國的醫療資源不平衡，北京有很多三甲醫院，其他二三線城市沒有；其次，醫生工作強度大，一天要看很多片子，接待很多病人；第三，由於工作強度大，導致醫生誤診誤判的現象出現。
當然，計算機視覺在醫療領域也存在技術瓶頸。醫生在看病時，不是單一的考量，他會通過望聞問切，和病人交流，最後對癥下藥，而機器隻能通過醫療影像這個方式做輔助，儀器很難完全參照醫生的判斷邏輯做決策。
計算機視覺在醫療影像診斷領域落地時還存在別的限制。
一個是數據量少，數據很難獲取。一傢三甲醫院的某個典型疾病，每年可能也就幾十個病例。
另一個是標註成本高。我們做安防、汽車等場景的標註，普通人通過簡單培訓就能上崗，而醫療樣本的標註可能需要請三甲醫院醫生進行標註。
自動駕駛看上去很美，想要變現不容易
今年有很多自動駕駛公司獲得天使輪融資，不過當下的投資人對這些廠商的商業變現能力開始有要求瞭，不會再像之前那樣給他們較長的周期去研發。
全球 14 傢汽車巨頭裡有 13 傢、14 傢科技巨頭裡有 12 傢都已經涉足自動駕駛領域，英特爾曾經推算過，到 2050 年，自動駕駛產業有 7 萬億美元的市場空間，這個數字不僅僅包括汽車本身，還包括自動駕駛相關服務及其給人類帶來的因時間節約所產生的市場價值。
一些創業公司都在說，2020 年自動駕駛就會落地並量產。我問過很多學術界的專傢，他們都認為現在看來要想在 2020 年實現這個目標是比較困難的，甚至有的教授坦言，目前的這套技術路徑，並不是能達到自動駕駛的技術路徑。美國交通部門近期公佈瞭一個自動駕駛汽車指導方針，他們認為，將在 2025 年之後實現全面自動的安全功能以及高速公路的自動駕駛。
To B 服務關鍵要做好落地工程建設
對場景的理解，是人工智能產業升級的關鍵。盡管有很多很高級的模型，但它必須要理解業務場景，能清晰地定義問題，才能做好算法，才能有效地求解。現在的問題是，大多數廠商對於場景的理解不是很深刻。
問答環節
提問：面對人工智能項目，投資人往往需要對技術的價值做出準確判斷。如何能夠做到在儲備相關技術知識的同時，不陷入具體的技術細節？
張雲：還是需要花費一些時間的，最好有興趣去看一些專業書籍。南京大學周志華教授的《機器學習》、伯克利人工智能專傢斯圖爾特 · 拉塞爾的《人工智能：一種現代化方法》都涉及對 AI 相關技術的梳理，能夠幫助大傢對人工智能、機器學習等形成一個相對全面的認知。
提問：人工智能目前在教育領域有哪些應用嗎？
張雲：目前在教育信息化方面，包括自動批卷、個性化課程推薦等有一些探索落地。今年出現瞭一些在教育領域應用人工智能的公司。教育這個場景非常好，因為它離錢特別近，而且目前教育資源不平衡的問題很突出，優質資源集中在少數的地區或者是一些學校，人工智能的應用可能會打破這樣的局面。
提問：目前研究算法和技術的公司，他們的甲方或者下沉渠道公司，如果想往上遊走，技術壁壘大不大？他們會不會自己做算法？
張雲：確實有些下沉渠道的公司開始自己組建團隊，研究算法。但這些公司往往有多條業務線，在算法上投入的精力相對有限。
提問：有些開發算法的公司也在研究專用芯片，他們跟上遊芯片廠商有無沖突？
張雲：對於這個問題，我引用一下邢波老師的觀點。目前在深度學習方面，不同場景、不同習慣領域用的是不同的算法。針對不同場景、不同習慣領域開發針對性的芯片，市場空間其實相對有限，而且這些算法本身也處於快速迭代中。
提問：您如何看待人工智能在棋牌競技裡的應用？
張雲：今年 "AlphaGo" 和 " 冷撲大師 "（一款根據德州撲克規則設計，能夠進行自我學習的程序）都引起瞭大傢的熱議。"AlphaGo" 的技術很難直接實現商業落地，谷歌將這項技術用於節省其能源中心的成本，相關技術讓能源中心的消耗降低瞭 40%，但是它在其他場景落地還是比較困難的。而 " 冷撲大師 " 並沒太涉及如今最火的技術，基於博弈論和人工智能的結合。相比較來說，"AlphaGo" 面對的是完備信息，大傢都可以看到整個棋盤和佈局，但是打德州撲克的時候我們並不知道每個人手裡有哪些牌，它是一個不完備信息下的落地，它跟我們的實際業務會有一些類似的地方。但無論是 "AlphaGo" 還是 " 冷撲大師 "，面對我們實際業務場景的金融產品風控或者商務談判時，還是難以直接應對，因為它們沒有相關領域的知識體系。
