目前AI在产业中的应用场景主要分为三大类，即智能感知、智能交互和智能决策。在这三类场景中，AI要真正落地，就需要降低算力成本，提高算法和框架的性能。只有这样，AI落地时才不会因为成本过高而失去商业价值，进而实现商业化、规模化。

——谭茗洲 远望智库人工智能事业部部长、图灵机器人首席战略官

过去10年间，在5G、大数据、云计算等新兴技术的赋能下，人工智能(AI)加速发展。但AI技术“落地难”的问题也随之而来。日前《深圳经济特区人工智能产业促进条例(草案)》首次披露并提请审议，将探索建立与人工智能产业发展相适应的产品准入制度，并支持低风险人工智能产品和服务先行先试。这也是全国人工智能领域的首部地方性法规。

AI产品落地难并非个案。如何让AI产品顺利落地，打通创新“最后一公里”，已成为人工智能应用阶段急需解决的问题。

要落地首先要有好数据

AI既能提高劳动效率，又能解放劳动力，但在各行业的实际应用中，进展却相对较缓慢，这是为什么呢?

“AI落地是一个知易行难的过程。数据是制约AI成功落地的一大因素。因为AI依赖数据训练基础算法。获得有意义的高质量数据，对于AI落地成功至关重要。如果缺少统一、标准化、高质量的数据，AI应用可能就是无米之炊、无源之水。”远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲在接受科技日报记者采访时表示。

有专家指出，数据有“罪”——“自由散慢”。“自由”是指当你靠一些服务器收集数据时，会发现很多数据有问题，根本无法使用。比如英国调查机构发现，80%的人都出生于1911年11月11日，之所以有这种情况，是因为有些被调查者不愿回答一些隐私问题，在需要输入出生日期时他们想输入00，但系统不允许输入00，于是大家就都输入11，所以80%的人生日都是随意填写的。“散”是指数据散落在各处。“慢”则是指数据的更新速度慢。

再比如在制造行业，“该行业产生了大量的数据，数据质量和数据管理问题非常重要。”谭茗洲指出，但是制造业的数据可能是有偏差的、过时的，甚至是充满错误的。尤其是在生产车间这种繁重的制造环境中，极端、恶劣的操作条件下收集的数据。

此外，数据的风险和合规因素也不容忽视。“AI让企业开始习惯于大量依赖机器帮忙做决策。在这个过程中会带来隐私保护、AI可信度、伦理和社会的问题等，这些都是AI在落地过程中需要解决的。”谭茗洲强调，规模化也是一大难题。大多数企业的AI创新都是点状的、实验性质的、局部的创新，缺少规模化、商业化、运行态的布局。

降低成本是实现商业化的关键

业内普遍认为，任何新技术想要在行业中实现规模应用，都需要为企业降低成本、增加效益，并能为企业寻找创新的机会。以目前的AI技术水平而言，很多时候还只能在产业的某一个环节、某一个步骤实现“降本、增效、创新”，只有在极少数的情况下，AI技术才可能完全替代人类。

“目前AI在产业中的应用场景主要分为三大类，即智能感知、智能交互和智能决策。在这三类场景中，AI要真正落地，就需要降低算力成本，提高算法和框架的性能。只有这样，AI落地时才不会因为成本过高而失去商业价值，进而实现商业化、规模化。”谭茗洲说。

谭茗洲指出，应用场景、资源与基础设施、算法和模型、智能设备、数据构成了AI技术落地的五大要素。如何将这五大要素在落地场景中实现协调，是AI技术在产业界落地的另一个关键点。在实现智能感知、智能决策、智能交互的时候，往往任何一个要素的变化都会导致其他要素的变化。比如算法模型发生变化，设备资源调度就要跟着改变。结果就是，真正落地实施的时候，算法专家、设备专家、资源专家，以及应用开发的合作伙伴都需要在场。这最终导致AI落地的成本太高，无法真正在产业应用中大规模铺开。

如何才可能让整个AI落地的成本快速降到有商业价值的水平?“需要让这些要素并行发展，不用在任何时候都要顾及所有要素。也就是说，算法专家不用关心应用是什么情况，设备供应商也不用关心算法问题，把这五个要素进行解耦，让一个要素相对其他几个要素变得更加透明。从思路上看，这有点像PC操作系统，把鼠标、键盘等所有设备之间的复杂度都通过一个标准化的协议屏蔽掉，让它们之间能够互相解耦，各自专注自己擅长的方向，以降低各个方面的成本。只有这样AI才能真正规模化，实现商业上的成功。”谭茗洲说。

储备懂AI思维及语言的人才

什么样的应用才是真正的AI应用?“未来还是要结合场景和用户体验去重新设计，用AI本身的方式思考，才会产生真正的AI应用。”云知声董事长兼CTO梁家恩认为，未来5年会有真正的AI应用出现，AI的能力也会发挥到极致。到时候，AI作为一项“背后的技术”已经普及而且消费者将会对其毫无感知——因为技术应用的最高境界是技术变得无感。

人工智能专家丁磊在其新作《AI思维》中强调，AI不只是一个技术、工具，更是一种思维方式，它能够帮助我们有效分析大量的数据，并从中得出预测，甚至帮助我们做出决策。那么，在AI落地过程中，储备真正懂得AI思维、AI语言的人才，就显得尤为重要。

实际上，在大部分的企业场景下，都是工程师、科学家讲一套语言，而业务负责人讲另外一套语言，相互之间没有一个很好地交流通道。这种状态进一步导致了AI的落地难。

谭茗洲说，有经验的人工智能专业人员很难聘请，这对于所有行业的企业来说都是个难题。实施AI项目通常需要建立一个由数据科学家、ML工程师、软件架构师、BI分析师和中小企业相关人员组成的跨学科团队。并且AI落地过程中关键需要加大对企业老板或者业务负责人，甚至包括部分一线业务负责人在AI思维上的提升和教育。当这些人真正地理解AI数据思维的闭环逻辑时，再进行AI落地就会顺利很多。

建设高端人才队伍，开设人工智能专业的高校无疑是“冲锋军”。如今，一些高校开始注重培养学生跨学科意识，结合自身特色专业，制定有关“人工智能+”的培养计划。

谭茗洲表示，AI教育从本质上来说，不是知识层面的教育，而是思维能力、思维方式的教育。应该从小抓起，帮助广大青少年树立AI意识，不断提升他们的科学素养，并激发其对人工智能的兴趣与热爱。目前中小学开展的人工智能相关课程，偏向于基础性编程教育，通过模块化操作，实现一些智能功能，例如让机器人踢足球、行走等，这样可以帮助青少年培养机器学习的思维，让中小学生对人工智能建立初级认知。(华 凌)

关键词： 进展相对较缓慢 降低成本是实现 “慢”则是指数据的更新速度慢 AI商业化的关键