AI创新落地路径：AI算法的规模化扩散

1943年,美国生理学家麦克路和逻辑学家匹兹建立了一个神经网络的简化模型,激发了人类对于人造神经网络的研究。七十多年之后,以此为基础在发达的半导体以及互联网技术上,AI技术正在深入人们生产生活的方方面面。

AI技术的创新和应用并不是一帆风顺的,特别是在过去的一段时间。一方面AI产业在繁荣发展,另一方面,在进步的过程中也有不少质疑的声音。比如AI是否真能够带来生产力的提升?AI商业化的前景能不能经受住考验?

近日,2021WAIC世界人工智能大会如期举办。此次大会是第四届,不少全球领先的AI企业都集中展示了AI技术发展、应用的最新成果。AI未来的发展方向以及商业化前景也进一步明晰。那么本次世界人工智能大会上,究竟透露出怎样的AI产业发展风向?我们不妨深究一番。

AI创新落地路径:AI算法的规模化扩散

纵观工业革命以来的经济增长史,技术进步主要由少数关键的突破性技术推动,这些技术都是通用技术,比如蒸汽机、电力和信息技术等。不过,通用技术只有在全面技术扩散、深度渗透到经济结构的各方面,生产力才会发生质变。

以互联网为例,最早的互联网诞生于1969年,但从1983年开始,民用化互联网才开始逐渐发展,如今互联网已经成为一种社会基础设施,并且在发展的过程诞生了一批互联网巨头企业,也促进了许多传统行业的生产力发展。

AI也是如此。

怎样才能发生技术扩散?一是新技术对生产力有明显提升作用,二是技术本身的生产能够规模化。目前,AI对生产力的提升已经不断被验证,无人工厂在各个领域开始初步应用。问题就在于技术生产本身的规模化。

也就是说,AI技术与产业端的融合发展,使得技术的演化出现了新的特征,AI技术的创新发展,来到了一个新的融合扩散阶段。

这意味着:

一方面在AI扩散至各个行业的过程中,在技术先进性之外,AI本身的生产需要考虑更多的成本要素。

对于很多行业来说,AI技术大范围落地不仅是一个技术问题,更是一个成本问题。过去几年中AI“精打细算”的模式,其实就是一个人力密集生产的模式,因为AI技术本身的生产很大程度上依赖大量的人力。因此,在技术上,高费效比的算法开发是一个行业性的共识。

另外,AI不单单是一种技术,而是一系列技术的组合,AI场景落地的越多,算法就越多元化,因此规模化的通用算法生产能力,是人工智能的规模化落地的前提。反映在AI三要素发展的趋势上,通用算法的发展促进底层算力增长,在技术落地的过程中,也要求算法模型的生产成本进一步降低。

另一方面,在AI技术扩散的过程中,出现了明显的通用化、长尾化的趋势。

AI落地的过程中,规模化导向下数据越来越多,AI模型越来越通用。AI技术落地更注重实际场景需求,越来越多的长尾需求出现。长尾需求虽然应用频次较低,但由于长尾端在规模上的优势,也同样拥有巨大的商业价值。AI在长尾端的落地是打通AI技术、大数据技术价值闭环的关键。

从这次2021WAIC大会来看,对于这些AI落地中新出现的变化,已经开始有AI厂商给出了解决方案。

在本次世界人工智能大会上商汤科技又以线上的方式举行了一场行业论坛,并展示了一个名为SenseCore商汤AI大装置的新型基础设施,据介绍其能够促进AI技术规模化落地——,其本质是让AI落地摆脱人力密集的状态。

商汤CEO自己亲自介绍了商汤AI大装置,共包含三层:由AI芯片+人工智能计算中心+AI传感器组成的算力层;数据平台+训练平台+推理部署引擎+模型生产平台组成的平台层;算法工具箱+开源框架组成的算法层。大数据、大模型和超强算力的“三位一体”的AI大装置推动AI技术在各个应用场景落地。

实际上,AI大装置可以看作是一个底层系统,通过不同行业需求加载不同的AI能力,从而实现AI对于某个垂直行业的推动。

AI大装置已经有了一些应用案例,比如在城市治理领域,商汤科技与上海市长宁区合作,在江苏路街道试点AI+一网统管,构建了一个多场景的AI城市治理系统,通过AI研判处置全闭环管理,形成一个AI城市治理的闭环,从而提升城市治理效率。

对于行业发展而言,这套AI大装置对于AI行业的意义,我们目前还无法作出判断,或许它可能会不亚于当年福特T型车对于汽车行业的意义,也或许最终只变成对一个AI方向的探索。但AI大装置作为行业软硬一体的基础设施,目前还是为AI技术在各个领域大规模的工业化生产和融合提供了可能性。

一方面,它能够满足低成本规模化的AI技术生产需求,可以实现通用AI技术的批量输出,另一方面,大装置本身也有很强的通用性,适应各个垂直领域的AI技术融合应用。这也有望推动AI行业进入一个“指数增长”阶段。

Ray Kurzwei曾经在《奇点临近的》中写到:“几乎我见过的所有人都以线性发展看待未来。这就是为什么人们往往高估短期能够达到的目标(因为我们常常忽略必要的细节),却容易低估那些需要较长时间才能达到的目标(因为忽略了指数增长)”。

“整个存量时代,如何挖掘更多精细化运作的价值,挖掘技术的价值,是时代要义,商汤推出AI大装置很具有一定的时代性。”长期关注AI领域的分析师刘轩(化名)对互联网江湖团队表示。

从长期主义的角度来看,对于AI技术的发展而言,‘工业化’的AI生产或许会成为未来AI技术、产业增长的关键节点。当有了最新一代的AI行业基础设施,对行业来说,这也可能意味着AI技术大范围商业化提供了基础。

技术壁垒也是商业壁垒,未来商业化可期

从最近几年AI行业的发展来看,商业化是一条发展的主线。目前,技术创新的初级阶段,AI技术也比以往更强调场景应用,对于行业头部企业来说,这可能也意味着即将进入一个商业化密集落地的阶段。

AI的商业化变现,低维度的是向应用端收取技术服务费,AI企业在AI落地的环节中,更倾向于做一个“技术服务商”的角色。高维度的商业化,则更多的是以技术为基础,建立起AI商业生态。

正所谓赠人玫瑰,手有余香。对于AI企业来说想要做大,不是只考虑自己赚钱,而是如何为企业赋能,为行业赋能,让AI价值得以释放,顺道实现自身商业化。

其中核心有两点,一:找到对的落地领域,二、构建起对的商业生态。

什么是对的落地领域?其实就是能够起到明显示范效应的领域,一方面要对B端以及G端客户产生深刻的印象,另外一方面,AI能够真正的去深入到这些领域,解决传统方式难以解决的痛点。

比如,在智慧医疗领域,将AI技术赋能诊疗愈环节,让AI辅助诊断覆盖胸部CT、胸部X线、心脏冠脉、肝脏、病理、骨科等多个科室;在运营端,通过AI数字人进行分诊、导诊促进医院运营效率的提升。

AI企业在这样垂类领域的商业影响力越强,越有利于AI多元化落地的发展。随着AI技术在各垂直行业落地,便能搭建起一个辐射多行业的商业生态。

那么,怎样构建起对的商业生态?

微软发力人工智能就曾经找错过赛道,比如,微软开始研发语音助手小娜时,一度认为亚马逊的技术很落后,在落地路径上,亚马逊选择用Alexa构建起商业生态,而微软的Cortana则随着微软移动战略的失败而逐渐被超越。

对中国的AI企业而言,一方面要对AI基础研究和基础研究持续深入,使得在技术上能够始终保持在行业前沿构成技术上的竞争力,另一方面在于通过AI技术的不断落地,建立起自己的生态,从而形成商业上的竞争力。

要做到这一点,首先要建立技术壁垒。技术壁垒永远是第一壁垒,围绕核心的技术壁垒,才能逐渐展开第二层的商业壁垒。AI大装置就无疑被商汤看作其在技术上的核心竞争力。

商汤把强大的算力、平台、算法体系都放入其中,更像是打造了一个现代化流水线AI工厂,去激发行业跃迁式创新,加速AI落地各个产业。

当大装置真的行有所成时,技术壁垒也就成了商业壁垒。

对于AI大厂来说,核心在于AI能力的产品化、标准化以及可复制化。技术能力的输出成为一种高效落地的范式。对于行业而言,这可能意味着AI的规模化落地会变得有迹可循,AI规模化的生产成本越低,商业化也就有更大的空间。

AI技术要想发展,技术越强大就越需要更大的商业网络去满足AI自身演化的需要。因为AI的特性是越用越灵活,商业化稳健落地,意味着未来会有大量的落地场景反馈,从落地行业到赋能行业效果也就更好。

反过来看,AI落地的效果越好,也就更有助于商业化进一步落地,进而形成AI商业化的正向循环。

另外,从成本控制的角度来看,技术的演化能力决定了技术成本究竟有多少被压缩的空间。AI落地行业越多,越顺畅,前期技术研发的成本就有压缩的空间。

换句话来说,AI商业生态参与的企业越多,前期研发、投入成本就能被分摊得更低,从而不断地将企业的护城河,加宽、未来商业空间也就更大。而这样的商业空间,也会反映到AI企业自身在一级市场和二级市场上,构成AI企业的价值基本面。

“AI企业的价值不是一成不变的。”分析师刘轩表示:“目前国内有规模化AI生产能力的企业并不多,随着各行各业数字化的推进,市场对于规模化AI生产能力的需求也将进一步显现,届时,这些AI厂商的价值,也能迎来重构的机遇”。

科技自媒体志刚,订阅号:互联网江湖。