人工智慧落地難，難在哪裡?丨曼孚科技

近年來，在演算法、算力與資料三大要素的共同驅動下，人工智慧進入高速發展階段。

相關預測資料顯示，2018-2022年人工智慧行業複合年增長率達到達31%，至2035年，人工智慧將推動中國勞動生產率提高27%，經濟總增加值預計提升7.1萬億美元。

然而人工智慧行業在發展的過程中也並非一帆風順，統計資料顯示，自2012年國內人工智慧創業熱潮興起後，新創企業以48%的年複合增長率高速增長，2016年達到頂峰，此後AI創業企業數量斷崖式下跌，2020年1-4月，AI新創企業僅為2019年的12.5%。

人工智慧行業歷經多年快速發展，逐步進入一個瓶頸期。一個很重要的影響因素就是AI落地難。

眾所周知，企業的最終目的是盈利，只有將AI技術應用到現實世界裡，才能為企業創造利潤價值。然而，很多AI企業在深入產業落地的過程中發現，人工智慧技術與現實需求之間仍然存在鴻溝。

企業使用者的核心目標是利用人工智慧技術實現業務增長，而目前人工智慧技術本身無法直接解決業務需求，需要根據具體的業務場景與目標，形成可規模化落地的產品與服務。

在此過程中，人工智慧在業務場景、資料等諸多場景都面臨一系列挑戰。

1.業務場景

隨著人工智慧深入落地各垂直行業，相關人工智慧企業已經逐步從早期技術驅動階段向商業驅動階段過渡，解決的業務問題也從通用場景、單點問題發展到特定場景、全流程業務中。

目前，基於視覺、語音和文字的AI技術相對較為成熟，在安防、醫療、金融等領域逐漸開始落地結果。不過隨著業務場景的複雜度和進入壁壘變得更高，對業務場景理解能力的要求也不斷提升，人工智慧企業的發展將更加依賴落地場景的洞察以及解決行業實際需求的能力。

2.資料服務

演算法、算力與資料是構成人工智慧三個重要的基本要素，其中資料是基礎。

近年來人工智慧雖然在計算機視覺、智慧語音領等特定領域實現了突破，但尚未具備通用性，AI技術整體還處於依託通用資料驅動的感知智慧階段。隨著AI技術在各個場景中逐步開始落地，對於資料服務行業也提出了新的要求。

以資料標註領域為例，隨著業務場景不斷深入垂直行業，資料標註的複雜度也在不斷提升。

首先細分業務場景要求資料標註服務供應商具備場景化標註能力。例如，在汽車自動駕駛領域，資料標註處理的標註場景通常包括換道超車、透過路口、無紅綠燈控制的無保護左轉、右轉，以及一些複雜的長尾場景諸如闖紅燈車輛、橫穿馬路的行人、路邊違章停靠的車輛等等。

這對資料標註服務商的場景化標註能力有著極高的要求，此外細化的標註場景對標註員的專業知識能力要求也很高，進一步提升了資料標註的門檻和成本。

此外，人工智慧落地應用從通用場景過渡到特定場景也帶來了資料需求量的幾何級提升。目前資料標註行業仍屬於勞動密集型產業，資料標註服務商擴大產能最常用的方式就是擴充標註團隊人數，用數量提高數量，但與之相對應的是人力成本的飆升。

以上這些問題的存在已經在很大程度上阻礙了人工智慧商業落地程式。為了清除阻礙，更好地釋放人工智慧的商業價值，一方面需要深度融合於行業，與行業企業深度合作、共同進行場景適配挖掘;另一方面，要充分發揮資料對於人工智慧的基礎支撐作用，用海量優質的資料建立優良的應用模型，引領企業數字化轉型程式，助力釋放AI無限市場潛力。