AI正在瘋狂尋找Know-How

行業AI、產業AI、產業網際網路，這些詞在今天都已經變成了熱門詞彙。

在流量紅利差不多吃乾淨之後，科技企業需要向產業走，這是今天大部分科技公司的共識。然而產業市場不同於消費者市場的一個核心區別在於，每個行業之間實在是有太多不同。能源行業的要求跟教育行業的要求顯然不一樣，而一套智慧技術解決方案打天下，顯然也是不靠譜的。

如果我們多留心產業AI的動向，就會發現從去年下半年開始，相關專案的PPT里正在越來越多提到行業專家、Know-How這樣的字眼。

在AI公司開始不斷強調Know-How的重要性，呼喚擁有Know-How的公司參與到AI產業化進展中的時候，也許我們應該從頭爬梳一下這個問題——

行業專家到底如何與AI演算法與算力的提供商合作，缺乏行業專家又給AI進入垂直行業帶來了哪些阻礙?

讓我們來看看AI圈裡大廠的夢中情人、創業公司的救命稻草，神秘的Know-How，到底是個什麼情況。

產業AI的無形之牆

所謂Know-How，是指工匠時代那些師傅對徒弟口傳心授的“行業秘訣”。

到了機械大生產時代，Know-How雖然看似被資訊爆炸沖刷地越來越透明。但在日益精細化的行業分割，以及眾多產業各自攀爬科技樹的大形勢下，Know-How反而在經濟實體中不斷沉澱與積累。

比如說，汽車、船舶就是坐擁大量Know-How節點的產業。即使在基礎技術不難複製，行業供應鏈比較透明的情況下。汽車和船隻的生產水準依舊難以複製，原因之一就在於其中的“秘密”太多了。

Know-How可以被理解為一種能力、一種資源，也可以是被稱作行業專家的人。在投資行業中，Know-How也被看作一個創業專案的評分標準之一——假如某汽車電商的創始人是浸淫汽車產業幾十年的老油條，那麼BP上往往會寫著我們有Know-How。

而在AI主導的資料與網路智慧化技術，希望進入產業中時，Know-How恰好將變得極為重要。

所謂行業AI或者產業AI，能夠提高勞動生產率的本質原因之一，在於可以利用機器學習技術，實現資料分析與再挖掘，讓AI將原本粗放生長的環節資料重新整合，重新求得一些產業效率的最優解。比如計算原料投入比例、倉儲擺放規律、產業流程重塑等等。

此外，AI的另一個功能是為產業端提供語音和視覺的能力，比如園區語音導覽、基於機器視覺的質量檢測等等。

劃個重點，這些AI能力需要從方方面面的複雜細節進入已有產業實體當中。但是到底如何進入，進入需要注意哪些難以預料的問題，何時能收回技術迭代成本——這些答案都掌握在Know-How手中。

拿著演算法和算力以及PPT的AI，在進入細分產業時，尤其是工業屬性相對較強的產業，都難免遇到這種尷尬。AI雖然聽上去靠譜，但沒有“產業帶路黨”的幫助卻寸步難行。

更顯著的問題來自於人才儲備。

一般來說，AI演算法工程師注意研究深度學習的訓練部署等相關內容。真實的邏輯，細節點的AI化方案，企業的價效比估算，產業智慧化的彈性生長，這些都不在演算法架構師或者AI開發者日常的考慮範圍中。

而產業專家則對產業週期瞭如指掌，卻很難有經歷和機會去學習和了解AI相關的內容。最終導致產業AI變成了各說各話，難以相互瞭解的兩個鄰居。

而相比較而言，今天AI這端是相對透明的，真正的產業鏈合作壓力，就來到了AI公司尋找產業Know-How這邊。

在我們瞭解到的很多實際AI產業融合案例中，會發現往往產業專家發現的問題，都不在AI以及資料智慧技術的常規視野中。一個好問題的發現，往往預示著一個新產業空間的開啟。

歸根結底，缺乏專業知識以及專業人才，正在成為限制AI落地產業市場的無形之牆。這個稀缺既不是技術問題也不是市場問題，但卻實際制約著AI的腳步。

Know-How如何工作

理想情況下，機器學習等技術進入某家工廠、某個企業時，需要一名合格的Know-How或者Know-How公司來提供一下幫助。從而確保通用的AI技術與差異化的企業需求實現對接。

1、尋找和控制AI工作中的行業差異化。機器學習的工作模式是提取抽象化特徵並反向輸送給機器，從而實現智慧。但是到底提取什麼特徵，提取過程中有哪些問題，工作中又有哪些不合理性，這些都是AI開發者難以預料的。比如說著名的AI提升良品率問題，到底什麼是良品，每個產業的定義都是不同的。這個定義，就是Know-How需要提供的差異化節點。

2、關鍵訓練資料。AI離不開資料，然而通用資料雖然多，方向卻相對單薄，往往缺乏產業化的實際潛力。而不公開的行業價值資料在哪裡呢?這也是Know-How型人才和公司的價值所在。

3、成本與價值的理解。用AI總是聽上去很好，但到底這個價值不菲的東西應該投入多少人力物力，什麼時候收回成本，未來能創造多少價值，卻都是極大取決於行業利潤比的。為行業應用者估算整個投入產出週期，也就成為了Know-How的職責。

4、產業鏈的理解。今天還有一種情況，就是自己的企業系統AI了，生產能力上去了，與供應商的連線能力反而減弱了。在複雜的產業鏈中，一家企業從管理系統、運維繫統到生產系統的更新，都將影響並且受制於產業上下游關係。對這些關係的理解和預判，對於企業技術決策來說是至關重要的，而其把握能力也在Know-How手中。

這樣來看，好像Know-How有點像是AI與行業間的中介。很多時候我們都不想找中介，結果發現不找他們問題更多，效率更差。

那麼對於AI來說，到底誰是今天的Know-How呢?

誰是AI需要的準Know-how?

充當AI帶路黨的重任，顯然是那些可以接觸行業核心資料，並且理解行業技術體系、供需關係的人、部門與第三方企業。

一般來說，有這樣幾種Know-How可以被AI公司利用，結成緊密的生態聯盟，搭建AI進入產業的通道：

1、企業的IT部門。一家非網際網路領域企業的IT部門，經常看起來像是負責修網的。然而在長時間錘鍊下，類似部門往往積累下了對行業需求的獨特理解，並且積攢了大量可以被機器學習系統利用的關鍵資料。一家企業開始運用AI技術擴充生產系統，往往也會以IT部門為主導。

2、技術業務骨幹。很多實體經濟與傳統企業中，都有非常資深高水準的技術專業人才。他們不僅擁有著本行業的知識，事實上往往也對新技術抱有關注度和熱情，同時也有再學習的能力。這些人才的充沛利用，可以作為AI進入行業中解決融入問題的關鍵。同時，以行業技術骨幹為受眾，培養高階產業AI融合人才，也已經成為了科技巨頭關注的目標。

3、成熟的行業技術服務商。在汽車、能源、冶金等領域，看似體量不大，但具備全球覆蓋能力的技術服務商大量存在。在巨頭企業的背後，有成千上萬家專門技術解決方案提供者在工作著。以這些供應鏈企業為突破點釋放AI紅利，可以作為很多產業AI的發展模式。

4、資料和諮詢服務提供者。另一方面，很多行業還存在著為數眾多的戰略諮詢和產業資料服務機構。這些企業圍繞著生產資料釋放價值，積累了大量企業需求與真實想法。如果能有效加以利用，也可以作為AI與企業對接的出口。

當然，Know-How們還有非常多的身份和存在可能。但總體而言，尋找這些人，利用這些人，在今天的AI領域還僅僅是個開始。

服務企業是相當困難、充滿變數的市場。先覺醒一部分幫手，對於AI來說是一個必然趨勢。

Know-How的稀少，導致了什麼?

科技巨頭們紛紛注意到了Know-How的重要性，開始搭建自己的Know-How生態，加之產業AI命題實際上處在初級階段，行業的接受度還非常有限。讓為AI提供服務的Know-How整體處在供小於求的階段。

而Know-How的稀少，則讓產業AI發展必然經歷這樣幾個趨勢：

1、重點產業開始率先發展AI。我們都在說AI進入百行百業。然而顯然AI是不可能同時進入一百個行業的。數字化程度高、Know-How資源儲備充分、IT基礎好的產業更有可能率先發展產業AI生態。目前來看，汽車、零售、製造、網際網路等幾個行業擁有更好的AI化基礎。

2、AI進入垂直產業，尤其在工業領域，將會面臨非常複雜的局面。由於工業領域的龐雜和差異化廣泛，AI技術進入的週期和成本會非常高。Know-How的複雜性也讓工業領域很難出現快刀斬亂麻的智慧化程式，只能徐徐圖之。

3、擁有Know-How，會變成某種AI創業公司的底牌。今天的AI創業公司，更多是拼大牛，拼演算法獨特性。這些故事會成為投資人眼中最性感的部分，而在垂直產業准入門檻問題不斷暴露出來後，企業擁有的Know-How水準，會開始影響AI創業公司的融資能力與發展水準。同時具備Know-How能力也將成為創業公司與科技巨頭、算力提供商的生態合作籌碼。

4、講案例，講故事將變得異常重要。尋找Know-How是一個差異化很大的繁雜任務，進而讓企業認識到行業差異化AI解決方案的存在與合理性，也是一件複雜的差事。這種情況下，AI企業的選擇只能是珍惜已有案例，好好拆解其中邏輯，加大宣傳力度，讓更多產業關係者認識到合作可能，加強自身的Know-How主動吸引力。因此AI進入產業的這個週期，基本一定是案例為王的。

從演算法問題，算力與資料問題，再到Know-How問題，本質上來說AI正在一步步向神秘的產業世界進發。本質上來說，AI是一種將直接影響到產業生產步驟，像煤與電一樣影響工業生產的新生技術。

讓懂AI的人與懂行業的人在此時儘快認識，甚至相互形成吸引力，是AI發展中不可或缺的一個環節。