转载

Comet Labs解析：AI离中国传统产业有多远？

2016年注定是科技界喧闹、激动又有些焦虑的一年，从Google推出能在崎岖雪地里平稳行走的波士顿动力机器人到AlphaGo4:1大胜李师师（李世石），从日本“人狼智能”团队创作AI小说到微软推出聊天机器人Tay在一天之内因为“学习能力过强”而遭到“沦陷”，乃至国内外各种“蜂拥而出”的人工智能（后统一简述为“AI”）峰会、沙龙、讲座和活动…

恍惚之间，所有人、所有行业都在谈AI，大家在为未来多样化工作/生活可能性激动的同时也在焦灼：

AI会否在未来对我们产生实质性威胁？

AI到底离我们的工作和生活有多远？

我们自己所处的行业马上会发生变化吗？

从技术到实际行业应用的距离到底有多远…

今天，我们就来讨论一下：对于大多数与我们生活密切相关的中国传统产业来说，AI到底离他们有多远？是否已经具备了规模化应用AI产品和服务的条件，哪些因素将可能制约这些产业的“智能化/人工智能化”进程？

我们这里所述的传统产业，更多是指非高科技、生物科技等新兴产业的其他领域，劳动力密集、与社会基础运营/企业日常运作/消费者普通生活密切相关是典型特征，例如零售、房地产、农业、物流等）

在展开具体观点之前，借由AI“三重门”概念，我们默认本文讨论的AI更多是指“弱人工智能”和部分“强人工智能”的范畴

Comet Labs观点一：AI基础能力（底层技术、训练环境、场景应用等）在近年已经取得了很大进步，AI与大数据的结合将能够推动智能机器从“物理世界认知能力”到“个性化应用场景落地”的跨越

1. AI基础软硬件条件基本具备

机器自身的存储和计算能力得到进一步发展

目前世界上微处理器的运行速度可以达到相当于脑神经元1000万倍的速度；类似“二值神经网络”等新技术的突破，将带来AI更低效能、更小应用场景的多种可能，更快/更小型化/更低能耗/更智能算法将是未来CPU、GPU的发展方向。

几大关键核心技术和能力已经接近甚至超越人类的水平

包括“人脸/图像识别技术“和”语音识别技术“等在内的AI核心技术，已经在近年取得了跨越式的发展，例如Face++目前的图像识别能力已经完全可以满足“非配合式、高动态”等大数据环境的精准识别需求以及特定领域的应用要求（例如金融行业应用、安防行业应用），机器对于图像的识别已经超越了人类在这方面的能力。软硬件成本降低和兼容性扩展为AI发展提供更多可能

以传感器为例，作为AI大脑输出的重要感官设备，无论在数量、类型、材质以及技术方案上将有更成熟的输出。且随着参与厂商的加入，传感器市场的整体价格也在较以往更快的速度在下降。

2. 技术进步的速度变得更快、循环周期变得更短

在AI提出到现在的60年内，技术的发展也经历了多次起伏和循环。且我们可喜的发现：整个技术演进的循环周期变得更短，可以预见：未来AI技术的发展和产业化应用的进程将变得更快。以图像识别技术为例：

从多样化移动终端的普及、数据的云端存储和处理，加上数据的个性化标识过程，形成了图像识别的第一个循环：建立基于云计算的图像库并实现高精度的有条件识别（例如配合式、静态等）。这个过程可能花费了约5-10年时间（中国智能终端普及在2011年左右，欧美地区约在2008年前后）

第二个循环是机器基于图像库逐渐建立深度学习能力尤其是自学习能力，逐步破解原有的条件限制，扩大识别应用场景及识别效果。例如前面提到的Face++能够满足的非配合式动态识别，就是这个阶段发生的事情，这大约经历了2-3年的时间

第三个循环是技术从某一领域到多个领域的拓展应用，例如图像识别技术在基于人脸安防中的应用拓展到移动车流中车辆识别等领域，我们相信都会很快得到规模化复制

在未来，随着更先进芯片及软硬件的升级，更细分的应用场景也会很快推出，例如基于夜视/盲视的图像识别…

3. AI和大数据的深度融合，将能建立智能领域从“识别”到“分析”新循环

从狭义的AI概念来讲，机器解决的更多是“基于物理世界的认知和理解能力”，也就是能够通过各类标签“ID”，将世界万物定义成其能够理解并输出的某个信息源。但这些信息源以及更多结构化数据的应用和分析，则需要大数据技术的配合，建立这些数据源之间的关系，并应用于具体场景。例如，在线下零售模式中，通过“人脸识别技术”解决用户识别问题（年龄、性别、是否为VIP用户等），通过“基于用户或者物品的协作性过滤算法”（Collaborative Filtering）为用户提供精准推荐和配套服务。

Comet Labs认为：AI与更多技术的融合，包括大数据、物联网等，将能在未来智能领域得到更多的突破可能，也就是AI三重门中提到的“强人工智能阶段”。

Comet Labs观点二：图像识别能力的提升，将为AI更多细分和场景化的应用提供可能

在讨论AI未来产业化应用的话题时，我们必须要提一下图像识别技术革新对整个产业带来的影响。作为视觉系统的一种技术方案，基于图像识别的技术极大改变了原有基于“RFID、二维码“等视觉识别技术的应用限制，无需改变后台商品管理系统、无需额外在商品上进行操作（打上相应的条码），并支付长期的运营性成本（条码的成本），极大提升了视觉技术的柔性应用空间。

同时，随着新型传感技术的引入和基础硬件成本的下降，未来图像识别技术将有可能在更多细分市场中得到应用，例如黑夜、风沙、有遮挡物等干扰性场景下，也能得到针对特定需求的更多应用可能，这也是Comet Labs未来将重点关注的领域。

Comet Labs观点三：人机混合是我们认同和看好的方向，更人机融合、整体柔性化的解决方案将是未来趋势
大家在讨论AI时，不可避免的都会提到“AI威胁论“，大到对整个社会稳定性和安全性的影响，小到对我们日常工作的替代程度。我们的观点是：在大多数场景下，人机混合将是最好的模式。人的柔性化程度和个性化服务能力，将可以满足特定节点的需求。而机器则比较容易处理更多重复性的工作，两者的配合将可以在”成本和效率“之间取得比较好的平衡。

以物流行业为例，商品的识别和商品基于固定空间的运输已经可以更多的交给机器来完成，而针对不同材质、形状、存储环境要求以及重量的物品取放，虽然目前已经有机械臂等设备来尝试性解决，但考虑到应用的规模效益性以及场景的特殊性，在短时间内，这个环节的工作交给人来完成，可能也是一个不错的选择。

Comet Labs观点四：在传统行业中，有较多人工智能的应用领域和应用场景值得挖掘。主要方向包括一些高度重复性工作以及需要多方信息共同决策的领域

尽管从目前来看，中国大部分传统产业还处在工业2.0的阶段，即规模化信息化建设阶段（例如ERP的建设）。整个产业要跨越工业3.0（精细化运作阶段，例如大数据挖掘）、达到4.0（万物互联的智能化阶段），并向上升级成4.0+“AI阶段”，并非一朝一夕能实现。

但基于我们对各大行业发展模式和典型企业内部需求的了解，我们发现在多个具体的场景中，存在较多AI应用的空间和机会。以下是两个典型的方向：

劳动力密集及重复性较高的工作：例如各类库房的商品搬运和盘点工作，这类在零售、食品、农业（粮食）等领域都存在，高强度、低技术含量、规则较为清晰是此类工作的特点，物流机器人、商品盘点机器人等完全可以解决此类的需求

需要大量信息支撑并决策的工作：这种情况大多需要在结构化数据上进行一定实时模型的构建，例如对于交通行业的实时路况疏导、对于消费品行业的精准营销以及对于农业行业的精细化田间管理等。这些需求往往需要结合较多的AI技术得以实现，例如图像识别进行事实信息的判断、大数据模型进行决策信息的输出，同时辅以人在关键环节的干预性动作

Comet Labs观点五：智能技术的成熟以及在产业中的应用深度取决于当前产业的准备速度，包括应用场景的设计、基础数据和应用环境的准备

互联网时代改变了我们信息交互的方式、移动互联网时代改变了我们的生活和工作方式，AI时代将会带给我们什么呢？我们当下没法给出准确答案，就像在智能手机推出的最初，我们无法想象当下衣食住行所呈现的“随心所欲”状态一样。但我们可以肯定的是：未来很多现在我们谈及的传统行业将会呈现深度变革，“Uber+无人驾驶”的模式将完全可能颠覆传统出租车行业，那么其他传统行业呢？现在就是开始探索、储备和渐进式变革的最好的时代！

1. 行业垂直化的应用场景设计

任何技术对行业的影响都是渐进式的，不是一蹴而就的，AI在未来中国传统产业中的应用，亦是如此。对于我们的大部分企业而言，我们首先需要明确的是：在现有AI技术和解决方案中，哪些场景将可能被落地化实施。同时，这些场景中AI承载形态、与内部资源的对接、技术的个性化应用定制以及商业价值等多方面的问题，都需提前设计和准备。

2. 数据等基础应用环境的准备

AI的技术要应用到产业的具体业务中，需要基础环境的相应准备，包括但不限于IT系统和结构化数据的准备，以及内部员工和客户使用习惯培养等。在Comet Labs与多个企业的深度沟通和交流中，我们了解到：很多产业中的巨头，都已经开始致力于这些工作的准备，包括：跨业态的信息系统构建、线上/线下会员系统的打通、更精准用户画像的打造、商品的数字化管理和展现等等。

3. 行业主导企业的影响力

行业的变革需要一个渐进的过程，其中主导企业的举措和动作将会成为其中的风向标。有战略高度的主导企业领导者将会更主动关注外部环境和技术演进对整个产业以及自身企业的影响，同时也会更有意愿去逐步引导自身企业的转型和发展。关注业内主导企业的创新动向，尤其是国外领先企业的举动，将可以给自身变革带来更多的借鉴和思考。