有人說網際網路開始由黃金時代轉入白銀時代，但AI可能與此相反，初創期的“白銀時代”已經向產業應用全面落地的“黃金時代”進發。
12月20日，國際資料公司（IDC）與百度AI產業研究中心（BACC）聯合釋出《百度大腦領導力白皮書》。該白皮書按官方說法意在“洞察AI趨勢，激發產業新效能”，在開篇著重預測了2019年中國AI市場發展的十大趨勢。
解構該白皮書，我們發現，未來AI的發展在很多地方都將超出現有預期。
AI帶來的便捷，將比你想得還要極致
AI給產業和生活帶來了無與倫比的便捷，而未來AI帶來的便利將比你想象的還要更進一步。
1、部署AI，程式碼都不想敲？那就點幾下滑鼠吧
在雲端計算巨頭的支撐下，企業自己部署AI即將擺脫過去那種全靠碼農一行行程式碼敲出模型的境況，用少量的引導程式碼就能部署完整、可用、高效的演算法模型。
不過，這還沒有結束，那些對AI需求相對固定、大眾化的企業，甚至可以“懶”到連少量程式碼都不用敲，直接在專業開發平臺上點幾下滑鼠就能實現AI部署自動化，像訪問WEB一樣便捷。由此，“普惠AI”將不再是一個概念。
類似的開發平臺不斷湧現，典型的如谷歌AutoML、百度EasyDL等。例如，在EasyDL上，使用者可以上傳圖片、音訊、文字等原始資料，系統可自動訓練出合適的模型，以影象分類為例，訓練資料每類僅需20-100張圖片，最快10分鐘可訓練完畢。
2、不光人想變得更懶，機器也是
在AI之前IT資訊化已經大行其道，財務、人力等的IT化讓人可以更“懶”更輕鬆。但是，過去的IT資訊化本質上只是把人要做的事由機器去執行（進行了一定的流程重構）。
現在，智慧化使得業務流程再度重構，某種程度上，機器也變得“更懶”，憑藉AI模型只需要少量的步驟就能完成過去IT資訊化系統要做的工作。
IDC預計至2023年，AI將取代50%的IT業務工作量，節省20%以上的運營成本。在已有的實踐案例中，太平洋保險和百度合作，在車險理賠環節採用AI技術（原有IT資訊化支撐），每年預計將節省2-3億元運營成本。在車險理賠中，超過70%的車險理賠都是5000元以下的小額碰擦事故，而整體賠付金額只佔到20%多，這十分適合AI的介入。
3、不能隨心所欲的智慧互動都是偽命題
智慧音響現在十分流行，它代表人機互動介面的智慧化趨向，即擺脫螢幕的束縛，讓互動通過語音的方式實現。
人和人之間獲取和互動資訊，可通過說話、讀文字、對眼神、瀏覽照片、播放視訊等多種方式，這些，正是AI加持互動的最終目標。智慧音響只是開始，那些人與機器的互動，將通過AI實現“隨心所欲”不被時間、裝置、場所所桎梏。
在這之前，至少要先擺脫螢幕。IDC預計到2023年，支援AI的人機互動介面將取代目前50%的基於螢幕的B2B和B2C的應用程式。在融合語音、影象、視訊以及語義理解能力的AI能力不斷進化時，有理由相信，未來人與機器的互動將“心有靈犀”，而不是隻靠冰冷的電容屏。
AI已經很聰明瞭？對，但它還能比你想象的聰明更多
除了產業與生活的便捷化，AI自己在也變得更“聰明”，甚至比我們想象的AI要聰明得多。
1、全能型選手馬上要成型了
李開復曾經對AI落地場景有過直白的觀點——金融行業會是最好、最先落地AI的場景。時至今日，Fintech領域的AI應用的確大放異彩，金融風控成為AI落地的典型產品。同時，在政府行業、網際網路行業，AI近年來的實踐也突飛猛進，城市治理、政務ATM背後都有AI的身影，連我們平時點個外賣，小哥如何配送背後都存在著AI路徑優化。
不止於此，按照IDC與百度的預測，除了上述三個行業的全面擴充套件，新零售、新制造、醫療領域也將成為AI市場的新增長點。這六大行業未來應用AI的3年複合增長率將超過30%。
例如，廣州婦女兒童醫療中心已於2年前開始全面探索AI的應用，包括在電子病歷系統中應用語音識別幫助撰寫，利用影象識別、深度學習技術進行智慧閱片輔助診斷，此外，還有病種分析、影像報告文書撰寫、智慧導診、臨床輔助診斷等多個AI應用場景落地。
而這些，還只是AI的典型應用，在更多領域AI也在崛起。.
2、不只是知其然，還要知其所以然
過去及當前某些AI技術，還處在只能聽清、看清的“知其然”狀態，而資訊到底想表達什麼，AI其實是不懂的。就好像用AI語音聽寫一段話，它能準確地翻譯出來而不用使用者打字，但這句話究竟是什麼用意AI並不知道，或者說，需要換用另一個AI演算法來實現。
這顯然是不夠的。在IDC與百度釋出的報告中，多模態計算會成為下一步的技術趨勢。
按百度高階副總裁王海峰的說法，機器智慧不僅僅能夠“看清聽清”，還要能夠“看懂聽懂”。由此，融合視覺、語音、語義及情感的多模態計算成為必然，其結果，是AI更能深入理解資訊背後的含義，進而更好地支撐各種應用。
例如，服務快消品行業的惠合科技接入百度EasyDL進行陳列稽核，旗下e店佳應用上傳陳列視訊，EasyDL以定製化的物體檢測能力來識別商品是什麼，同時還能推演出圖片中該型別商品的陳列究竟是否符合要求。目前，該影象識別已經應用至40000家零售門店，這背後，就是多模態計算的價值呈現。
3、不管什麼型別資料，只要有需求AI隨時“效命”
資料是AI演算法模型的原料，一個演算法對應一種結構化資料，要是資料不匹配演算法便不能很好執行甚至出錯。
然而，很多企業的數字化轉型過程中，物理世界到虛擬數字多數時候並不能成為結構化資料，它們型別多樣、形式複雜。例如，製造業機械維保往往有零件或元件名稱、序列號、製造商資訊、維護間隔、維護日期、分包商資訊、手冊和文件的連結、聯絡人、保修和服務合同資訊等非結構化資料，十分“豐富”。
這些非結構化資料帶來龐大的AI計算需求，在它們應用到AI演算法之前，需要有多模型資料庫的支撐，什麼都能往裡邊塞，AI通過這樣的資料庫什麼都能“算”。由此，在迫切需求的支撐下，所謂多模型資料庫開始走向市場，IDC預計到2023年，多模型資料庫的支出將達到NoSQL資料庫（一種當前興起的主流資料庫形態）支出的30%。
產業化、生態化，AI的玩法還要多幾分“意外”
從AI產業化、生態化的商業玩法上看，AI的趨勢也有些令人“意外”，過去某些玩法出現“反轉”。
1、人人AI不再是憧憬了
IDC預計，傳統行業中的大中型企業到2020年行業前15%的企業都將採用機器學習。這意味著，AI不再是高高在上的時髦技術，幾年內就就將“飛入尋常百姓家”，而越是傳統行業就越發積極，價值體現也更為明顯。
空調製造巨頭美的，用影象識別技術通過監測空調外觀來保證空調出廠質量；專業服務製造業“檢測”的領邦智慧，基於百度PaddlePaddle框架訓練深度學習模型，能夠高效準確地識別出問題零件及其種類，精度與人工檢測持平，成本節約15%以上；代工巨頭富士康更不用說，每年將收入的2%-5%用於AI的研究。目前，在模具生產中，富士康建立了基於深度學習的模型演算法，實現刀具更換提前預警、自動補償，人力成本投入進一步減少。
目前中國正面臨著人工智慧技術產業化以及傳統產業智慧化的最佳機遇，能否抓住新機遇幫助企業建立核心競爭優勢取決於企業如何行動。白皮書指出，百度大腦3.0技術能力已進入“多模態深度語義理解”階段，已經開放能力超140項，每日呼叫次數超過4000億次。除了開放AI技術能力之外，在生態方面，百度大腦推出了燎原計劃，對合作夥伴提供商業落地所需的市場與運營資源，全力支援生態共贏 。在智慧硬體和裝置領域，百度大腦與晶片、嵌入式開發板、感測器模組，以及閘機、門禁、機器人等廠商廣泛建立合作，幫助客戶獲得軟硬體適配更加整合的方案。百度大腦還創新性地推出了AI市場，為合作伙伴提供品牌營銷、產品評測、產品推薦等全套服務，旨在為合作伙伴帶來更多優質的訂單。同時，百度大腦的行業創新合夥人計劃在每個細分領域最多選擇3家企業，與百度大腦聯合設計、開發，共同打造行業解決方案，推動產品落地。
2、AI不再“深居雲端”，邊緣也需要“AI一下”
由於百度雲等雲端計算玩家的引領，過去雲端計算應用都偏向於雲端部署。不過，隨著物聯網的深度發展，靠近資料來源的端側裝置的AI部署將盛行起來。
用大白話說，過去是資料統一彙總到雲端統一運算，現在，那些終端裝置（例如終端攝像頭、溫度感測器等）將進行必要的計算（物品識別、人臉識別等），雲端只負責統籌式的資料運算。
例如，百度雲的“天工”就是針對智慧物聯網的雲平臺產品，其主要特點之一是可以實現“智慧邊緣”——端計算、雲管理、端雲融合，在工業、物流、車聯網、家居、城市等物聯網領域都能夠被應用。騰訊雲、阿里雲等也有類似的產品，IDC預計至2022年，25%的物聯網端裝置都將執行AI演算法模型。
3、軟硬體的協作，這回不只有硬體說了算
過去，AI的計算是建立在已有的硬體基礎上，例如intel已經成型CPU，或者Nvidia本來用於畫圖或遊戲的GPU。有什麼硬體就用什麼硬體，硬體決定軟體計算能力。
不過，這個狀況正在被改變，軟硬體的關係以後將逐步走向協同，軟體定義計算已成為晶片廠商的重要戰略之一，軟體及應用驅動AI專用晶片的階段也將到來。
7月，百度釋出“崑崙”AI晶片，每秒運算260萬億次，這遠遠超過Nvidia的GPU進行AI運算的效能。顯然，“崑崙”的基礎架構建立在機器學習、AI應用趨勢的基礎之上。此外，華為在手機晶片中植入的NPU模組，以及剛剛釋出不久的Ascend 310獨立AI晶片，都遵循同樣的玩法。
4、所謂生態參與者越來越多，想做“平臺”挑戰越來越明顯
開放一直是AI大佬級企業做生態的標配，BAT皆是如此，只是開放的程度和姿態不一樣，有些啥都開放強調共贏，有些強調控制，有些只管投資收益。
做AI平臺生態過去就是籠絡一大批需要AI技術加持的企業，建立合作關係、輸出AI能力，誰能獲得的合作伙伴越多、型別越豐富，誰的生態就最“扎眼”。
然而，正如上文所說，AI技術正在向端側智慧滲透，且軟硬體需要高度適配，於是平臺在整合生態的過程中，不僅僅需求合作伙伴的數量和種類，在產業鏈方面的要求更為嚴苛。以物聯網領域為例，平臺的AI生態不僅僅只有需求方（例如製造企業），還需要與感測器、攝像頭、模組這些上游企業就AI的應用達成一致，一些時候晶片也需要改造或重建。
產業鏈上的細分產業的整合愈加重要，未來的AI生態平臺將是網狀結構的，百度等AI大佬要穩坐釣魚臺，挑戰會更大，而一旦這樣的生態建立起來，護城河也將更寬更深。