中国 AI 开始独立完成工业化

从 2017 年 AI 借助围棋大规模出圈开始算起，我们经历了这么几个阶段的变化：

第一阶段，全社会一起讨论 AI 到底有什么用；

第二阶段，相关产学政各方一起讨论，AI 应该怎么用；

第三阶段，负责出钱和收钱的双方努力讨论，AI 怎么用才能便宜点？

随着产业化的推进，公众范围对 AI 的探讨也随之收窄。如今，基本看不到营销号那些关于 AI 的惊悚标题，也很少有让业界惊喜的底层算法突破。也许有人认为 AI 泡沫正在破裂，AI 寒冬又将到来。但在大众狂欢消退之余，却又能看到商用 AI 正在中国市场快速兴起。到了 2021 年，大部分云计算和 AI 供应商似乎都无暇继续讨论 AI 的应用场景和应用可行性，而是专注于另一个关键词：成本。

随着 AI 开始变成企业服务的一种，部署成本过高开始变成业界最显著的问题，而且在中国 AI 产业中尤甚。与其他企业 IT 技术不同，AI 作为一种灵活多变的软件形态，需要长期投入和专业人才。这导致 AI 在大型科技公司或者平台型企业具有非常弹性的投资曲线，可以战略性投入，从而灵活多变地解决各种问题。但对于传统企业、中小型企业、缺乏信息化基础的企业来说，应用 AI 往往能在理论上解决非常重要的问题，却缺乏直接、可操作且成本可控的执行方案。

回到云计算和 AI 服务提供商这边，虽然面向企业卖 AI 理论上潜力巨大。但现实是每家客户都有大量需要定制解决的需求，往往要投入众多行业专家、算法架构师、软硬件工程师来解决一些细小问题。这样做出来的成果虽然可观，但其实只具备案例性质，缺乏推广可能。

另一方面，疫情导致美国 AI 行业创新缓慢，头部公司算法突破不理想。同时欧美的 AI to B 市场净值较高，客户数字化能力较强。谷歌云、微软云的崛起虽然都与 AI 息息相关，但适配的更多是大规模、分散式的企业软件市场。反而中国市场中的 AI 目标用户更多是政企、实体经济企业，需要一对一的 AI 能力与行业化的 AI 解决方案。

这种情况下，把 AI 技术推向高度工业化、标准化，就猛然间变成了中国科技界的独立任务。虽然在 2019 年谷歌等头部 AI 公司已经开始推动机器学习简单化的相关技术，但其目标更多集中在所谓“AI 民主化”，而非今天中国云计算与 AI 厂商面向的大规模 AI 部署与工业级 AI 场景。

不夸张地说，低成本的 AI 工业化，已经成为目前中国 AI 产业的主线任务，但相关分析却并不充沛。本文希望讨论一下中国 AI 工业化这条赛道的几种产品逻辑，以及代表案例、商业模型。由于各家厂商的命名方案与产品标准并不统一，为免误会这里选择隐去具体的厂商与技术名称。但将相关技术逻辑带入到几家大厂，不难发现聚焦程度已经不低。

看过东野圭吾《神探伽利略》系列的朋友，可能对主角汤川学钟爱速溶咖啡钟爱印象深刻。看似廉价、低端的速溶咖啡，其实凝结了喷雾干燥等 20 世纪初人类科学与工业能力的精髓。也正是速溶咖啡的出现，才让咖啡大规模生产、运输、存储成为可能。

如果说，深度学习是人类发现了咖啡这种饮料；那么中国 AI 正在努力完成的，就是炮制出一杯进击的速溶咖啡。

真正的咖啡时代，或许更可能开启于后者。

行业知识图谱

对于大部分企业用户来说，AI 提供的都是机器视觉、NLP 体系下的几种固定能力。基于这些能力衍生出企业的定制化变体复杂度很高。但有一种 AI 技术却很容易与企业和行业的特殊需求进行适配，那就是知识图谱。

知识图谱的技术逻辑是将一些知识进行人为关联，从而在调用 A 知识时驱动 B 知识，从而达成近乎“智能”的效果。这并不是多么新颖的技术，甚至早已机器学习诞生前，知识图谱已经在很多领域有了广泛应用。今天在搜索引擎和电商产品中的相关推荐功能，很大一部分都依靠知识图谱来完成。

在 AI to B 的应用中，一个巨大问题在于企业处在特定行业里。每个行业不同的知识，或者说经验，决定了应用 AI 的需求不同、成本各异。比如说，安防场景需要的 AI 识别，就和质检场景大相径庭。

因此一种新的 AI 产品服务模式，是技术供应商上升为行业信息化服务商，主动打造符合具体行业需求的知识图谱产品。比如工业知识图谱里可能包含分拣、质检、产品流程等方方面面，当工业识别解决方案与之结合，AI 就不仅能够完成单点任务，还可以依据行业知识图谱完成一定程度的复杂需求，比如知识推理、知识预测等等。

类似的行业知识图谱拥有广泛的应用可能性，无论是在工业、能源这样注重“经验”的场景，还是金融、物流这样看重“数据关系”的领域。另外，行业知识图谱也可以帮助 AI 打入那些通识类算法难以奏效的行业，比如说油气勘探、生物医药等等。最重要的是，如果云计算厂商提供有效的行业知识图谱服务，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。