小程序
传感搜
传感圈

从ChatGPT的爆火,聊聊AI该如何赚钱

2023-03-05
关注

本文来自微信公众号:胡说成理(ID:hushuochengli),作者:胡喆,原文标题:《AI落地的范式创新,比一个ChatGPT更激动人心》,题图来自:《华尔街之狼》


仅仅在北京,这个城市就拥有人工智能核心企业1048家,占我国人工智能企业总量的29%,位列全国第一,同时,北京人工智能领域核心技术人才超4万人,占全国的60%。


我们拥有如此多的AI企业,为什么我们对AI的商业成就的认知感并不强?为什么我们只读到天文数字的“预计市场规模”,但很少看到AI企业有漂亮的财务报表?


如今的AI行业进入越亏越烧,越烧越亏的循环,笔者和大多数人一样,也一直在总结一些结论,如这些企业商业化的共性问题是诸如技术能力有限、缺少通向行业的痛点清单、实用人才的匮乏等等……事实上,这些问题都存在,而且本文也要进行详细的记述,但是这似乎不完全是问题的终极答案。


直到做完了对圈内十几位专业人士的深度调研,笔者才发现,问题的根源,可能源自我们对于AI落地的第一性与第二性的认知错位,进而决定了大多数企业的路径和资源的错配,这才是根本性的原因。


阅读提要:


1.认知误差——AI落地的第一性问题是什么?


2.心智突破——如何让决策者支持而非制约AI落地?


3.范式创新——如何解决通用性和专用性的必然矛盾?


4.重点突破——在核心行业深度赋能需要“助手心态”。


5.生态建设——当前AI落地生态的难与痛。


技术和工程,孰轻孰重?


“我们的规模虽然目前并不大,但我们是一直创造正向价值的并植根于实践的,我们的努力没有被束之高阁,而成了有创新价值的产品。”这是曾任微软雷德蒙德研究院深度学习技术中心的首席研究员、现任京东集团副总裁、京东AI研究院执行院长的何晓冬一直颇感自豪的事。


“我们方向走的对,其实只有一个原因,就是搞清楚了我们能给市场带来什么价值,价值的核心点在哪里,然后用我们的工程能力搞定它。”何晓冬说:“脱离了价值锁定的AI研发是很酷,但很难有商业回报。”


在何晓冬看来,真正意义上的“科学原理意义上的进步”,只来源于两个渠道:“要么是对于大规模应用实践的规律总结,要么是极少数天才在很少外部资源的支持下的‘顿悟’,而前者是绝大多数非天才的必由之路。”


何晓冬举例说,如何制造一台光刻机——“所需要的任何数学公式、物理学定律和工作原理,都可以在任何一所理工科大学的图书馆里找全,但是这距离制造出来完全是两码事,其间需要解决数以十万级的工程问题。”


如果仅仅从经历来说,马兆远是我们传统观念里的那种科学家,他是南方科技大学教授、英国物理学会会士,曾任清华大学未来实验室首席研究员、更是深圳两化融合的首席科学家。


推动世界的绝大多数进步,首先是解决了工程问题,这也是马兆远的观点,他认为自己是“世界二流科学家,但更是个工程师。好的科学家应该是工程师,好的工程师应该是科学家”。


马兆远的观点很犀利,他认为:“科学是第二性的,工程才是第一性的。科学家解决可能性问题,而工程师解决可行性问题。”


对于目前正在如火如荼的进行着的高端制造业升级,马兆远认为,中国高端制造业的升级,包括参与工业4.0,提升高端制造业的研发、生产水平等等,需要的首先是工程能力,是价值实现的手段问题,他说:“产业的真实进步,每一步改进,都意味着大量的选择和优化,而这是在实践中大量开发经验和工程训练积累而成的能力。”


而真正意义上的科学进步,反而是“需要大量工程沉淀,在充分的工程文明基础上,科学文明自然地发生”。


而纵观我们的AI企业,不缺乏的从来是讲故事的能力,更不缺乏的是发论文的能力,但是对如何解决问题却语焉不详,或即使有案例说明,也只有前因和后果,而独独跳过了其中的工程环节。


而这种“跳过”并不是因为商业上的保密,而是因为乏善可陈,马与何两位的观点重合之处在于他们都认为,AI企业不仅要了解科学、懂得技术,更重要的是知道痛点何在、价值何在,“并进行真正能把构想和创意造出来的创新型工作”。


而在笔者看来,这种辨析,才解决了AI商业化命题中的第一性原则,而我们的大多数AI企业,似乎把两者颠倒过来,所以我们看到的企业请的科学家越来越高级、发的顶会论文和拿回来的国际奖项越来越多……这似乎意味着中国的AI能力不断增强,但这似乎又无益于企业的商业变现。


该是解开这个悖论的时候了。


管理者是第二个问题


在AI的商业化落地中,排在第二位的重要因素,同样是非技术问题,严格说,是一种管理者问题,或者是管理者的认知问题。


目前,中国AI企业最希望打开的是大型企业市场。利润尚在其次,主要是大型企业的示范效应很强,一个大型企业打开局面,就可能意味着一个行业对AI敞开大门。


行业里盛传的故事是,在某个重要的会议上,一家AI企业的负责人恰好与一家超大国企的负责人同车,于是顺便安利了一下自家的AI技术,遂拿下千万级的大单。


从大型企业的局中人,和局外人看来,对这个故事看法截然不同。


“这其实才是正确的打开大企业AI市场的做法,就是一定让一把手有感知、有认同。”笔者拜访的某特大企业的一位中层负责人给出了这样的评价:“其实,就是两个人不同车,也可以想办法安排同车,或者安排在某个场合见面,这比什么推广的效果都要好。”


这个说法可能让一些AI企业不爽,但笔者采访的绝大多数特大型企业的AI从业者却基本形成共识,他们指出,大型企业要落地一项全新的技术,最好的办法是自上而下,而非自下而上


一个特大型国企落地一个新技术体系,本身就很难,特别是前沿的数字技术。


绝大多数特大企业的信息化建设都很早,多年来的累积建设,如同叠屋架床,体系非常复杂。如果是在体系外围做单点式创新还不算难,但如果要把AI技术融入大企业、大行业的技术底座,其复杂性难以想象,其失败也是有一定概率的。


举一个非AI的案例,当年阿里为了推广钉钉,不但马云直接找到了复星系的掌门人郭广昌,甚至还把钉钉做成了定制版的“复星通”。即使如此,一个协同软件也在复星体系内三年才基本铺到基层单位,而AI落地的难度远非钉钉可比。


“特大型企业负责人要考虑的问题很多,而很多问题本身是矛盾的,没有绝对的最优解。所以没有确定性答案的问题,就是他们很难做决定的问题。这时候你就要灌输认知,但其实特大企业的一把手,对于互联网巨头的掌门人的认知度并不高,信赖成本很高。”一位业者这样告诉笔者:“认知度不高,你还不主动接触,不做说服工作,怎么能让人下决心?”


笔者访问过的几乎所有特大型企业的AI负责人基本都是同样的观点——特大企业规模化上马AI,一定是一个“一把手工程”,不是99%,而是100%。


但他们也承认,对如此复杂的体系性问题,很难通过一次对话解决,但“如果你连对话的机会都没有,就更不要想拿下订单了”。


插一句,对于这个结论,很多非体系内的业者并不认同,例如前文叙及的何晓冬博士,他就认为:“刷脸营销是不可靠的,可以偶尔为之,但主要还是靠提供对方需要的价值。”


都没错,但看待问题的角度不同,就得出了截然不同的结论。从目前来看,恐怕还是要遵循大型企业内部人士的视角,才更为切实。


接下来,几位大企业内部人士的另一个观点让我更感震撼,他们的观点是:“AI能否进入企业的考虑目标,取决于高层,但是否能落地成功,取决于执行层是否倾力支持,而最大的阻力,就是中层的技术骨干。”


“中层其实是最保守的,因为他们是最实际的。他们的出发点是相对保守,最大的诉求是维护既得利益,所以做体系性调整中他们的阻力最大。”受访者告诉我:“一个中层对应的可能就是一个技术条线,而整个一个技术条线的消极配合,就绝对会影响到最终的结果。”


当然,并不是每个人都完全是从个人考量出发,而是站位决定了保守,“对于很多成熟业务来说,用传统的方法已经做到了极致。这时候,要你去接受一个新的技术,而且是不成熟的、需要不断调整、优化,而且优化的权力和能力又不掌握在自己手里的技术,大部分中层骨干会选择说不”。


对于AI应用,很多企业里发生的现实就是,高层难以接触但未必排斥,基层年轻人大多欢迎、热爱新技术,真正最难说服的是掌控实际业务的中层


走出AI落地的新路径


关于AI企业的技术能力,其实一直以来缺乏评定的标准。因为公司毕竟不是学术机构,参加顶会、发表论文这些标准只能参考,不能转化为直接的销售动能。


所以,这部分的采访,笔者除了采访技术人员外,还采访了销售和服务环节的从业者。你也许会觉得奇怪,为什么技术问题要去采访销售和服务环节的人?


因为只有他们对于技术的落地和后续的服务感触最深。


什么是AI企业最需要的技术能力?笔者认为应该包括两部分,即技术能力和服务于客户的业务能力,后者是前者的延伸,但并不是前者解决了,后者就一定能自动解决。


目前AI商业化落地的最大困难,是没有一条高效率、低成本,而且可以大规模复制的赋能方式。


而大家知道,数字经济最大的魅力就在于可复制,一个数字产品的虚拟化拷贝可以服务于数亿人,但边际成本极度接近于零。


但是,在目前的AI领域,却很难出现这样的边际效用递减的现象,反而体现为应用的越深,边际效益却无限的增加的问题。


从表层看,这是AI模型的通用能力和专用能力之间的矛盾。


绝大多数的用户企业都不具备独立打造模型或者算法的能力,因为不但门槛极高,而且几乎没有边际效益,所以从AI通用型企业购买服务是主流方式。像百度这样的AI头部企业也是着力在打造通用化AI能力。


我们再回想下,早年买电视的时候,甚至调试天线的位置,都需要人爬到屋顶上;或者我们早期买电脑的时候,会不明觉厉地看着带着一叠软盘在BIOS界面上运指如飞调参数的工程师。


今天,我们使用电脑,其实只要掌握开机、关机和连上Wi-Fi就可以了,这就是技术应用的进步。


而AI的模型复杂程度虽然远非家电、电脑的调试可比,但道理是一样的,目前的人工智能模型本身并不“智能”,它需要经过复杂的调试和预训练才能够使用。


比如,制造企业里的生产安全监测,算是最通用的场景了,但它的落地也不是那么简单的。


比如我拜访的一个AI架构师,他所在的企业的生产场景,是在深深的地下、复杂的地层中。


那么问题就来了,网络信号无法传输,需要配备边缘算力的摄像头,或者需要有线传输,这成本可就高了……更严重的问题是,生产环境中油性颗粒和烟尘含量很高,再干净的摄像头,用三天就彻底“糊了”。


最后,这个项目面临的选择是,要么放弃;要么产生一条新的工序——工人必须每三天清洗一次摄像头的外罩。


而这仅仅是最简单的,还不涉及到核心技术问题,仅仅是外部变量问题的AI落地难点。


远远比这艰难的是,真正给传统的高技术产业赋能。


所谓的传统的高技术产业,就是石油、海洋监测、卫星、核能这些行业,它们本身的技术壁垒极高,AI行业的从业者很难从外部获取足够的知识来设计通用模型。


比如石油行业,很多人认为是一个傻大黑粗的土豪行业。其实,石油行业在国内应用计算机的历史,可能比军工行业都早。


石油行业的一个最典型的场景,是通过制造人工地震,用仪器回收地震波,再根据波形还原地形构造从而找油,被形象的称为“给地球做CT”。


这是一个超级吃算力的行业,是一个最早拥有行业超算中心的行业,也是一个数字化程度很高,人工智能可以大有作为的行业。


与之相似的还有卫星行业,你可能不知道,我们头顶的数百颗卫星,每天至少下传100TB级别的数据,而其中传统用户如国土资源、海洋监测、农田监测等等,只能用到20%的数据。


这个行业与前面的石油行业的类似之处在于,每天产生海量的数据和图像,但这种图像的识别高度的非智能化,只能在计算机辅助下通过受过专业训练的人眼识别。


这也是一个让AI行业人士兴奋不已的领域,要知道CV(计算机视觉)可是和NLP(自然语言理解)相媲美的人工智能前两大应用领域,是最成熟的领域之一。


非常多石油、卫星领域的行业人士,都希望通过计算机视觉来解决读图问题,用他们的话说,哪怕只有80%的准确率,也可以把现有数据的利用率从20%提升到50%,相当于生产力提升了2.5倍。


但是,非常智能、也非常成熟的AI,偏偏在这个领域铩羽。


其实,真正困住AI企业的,就是这类行业的传统高技术壁垒。


无论是地震波的收集工具,还是卫星上的各种可见光、非可见光传感器,都有一个特点——标准化程度很低。


比如石油行业的某种图像格式,是一个上世纪80年代在行业内很盛行的西方某国的中小企业开发的专用仪器生成的,因为好用,一直用到现在还有很多地方在用。


但对于通用AI企业的人来说,他们几乎没有可能知道这家公司的存在。很大概率是,这家公司可能已经不存在了。


我见过不止一个石油行业的人士向AI公司的人抱怨:“你们的模型,连我们基本的数据格式都无法导入,我们怎么用呢?”


所以,一位业者这样对我说过:打造垂直行业应用的难度,和它的收益成正比。越难的事情,你做成了才有独特的价值。我们需要AI企业的人有一种助手的心态,和我们并肩工作三年、五年,把我们这个行业真正弄懂了,才能拿下大单。


是AI企业的人傲慢么?其实他们也一肚子委屈,因为他们根本没法派出大队人马去服务,如果真的如此,结果可能是天价。


我们看多了“AI企业深入产业内部,携手寻找行业know-how”之类的报道,但其实这类事情极少发生,或多发生于开拓某个行业的早期,或者是老板亲自盯的项目。


更现实的情况是AI企业的工程师几乎与被服务企业的人连面都没见过。


为什么?因为真正的、优秀的算法工程师、架构师实在是太贵了,如果以他们的薪酬来计算服务费用,所有的订单都是亏损的。


行业里盛传的“一次派出几十个工程师,自己掏钱住酒店,走的时候连客户的打印机都修好了”的段子,据说就是某H企业攻掠AI市场的方法,但这的确是用亏损换市场,不走寻常路。


对于正常的AI企业,重头的开销本来是在研发上,可事实教育之下发现,更多的费用其实产生在销售和服务环节。


于是,ISV模式大行其道。所谓ISV,英文全称是Independent Software Vendors ,意为“独立软件开发商”,原本特指专门从事软件的开发、生产、销售和服务的企业。但这个词在现今的语境下,特指通过“被集成”方式,为开放接口生态下的用户提供第三方服务的公司。


原本,ISV是一种正常的、合理的商业现象,因为人才本身是分层的,人工智能模型也是一种产品。但是,就像你买一台空调,去给你安装的人,对空调的理解并不用达到空调设计师的程度。


但AI企业的特殊性在于,ISV的能力程度,虽然不需要高到算法工程师的程度,但也不能降到空调安装工的程度,他们需要相当了解AI,能独立协助用户优化,最终达到合格交付的水准。


笔者没有调查过海外的ISV市场,所以无法对比,但至少在本次调查中接触的企业,对国内ISV的评价普遍不高,认为他们“不会做比及格线高哪怕1分的事情”。


这话可能偏激,但有个用户企业给我讲了一个实际故事——某个业内盛传的AI智能客服大单,就是因为ISV缺乏足够的责任心(或者是业务能力的不足),使得精心开发的模型在实际落地中,并没有足够的优化和升级到位,最终使得用户单位极不满意,第一单,就成了最后一单。


但你要全怪ISV也不行,这个行业有两个特点:


第一,大部分ISV的利润并不丰富,客户黏性也很低。所以绝大多数ISV的结果都是长不大,刚刚够自给自足,这样的企业很难有足够的雄心把服务做好,因为前途不大,不适合有足够野心的创业者,所以也难以内生强大的变革动力和把服务做好的决心。


第二,虽然这些ISV不好用,但现实状态是,随着产业级数字技术的普及,各大巨头都需要大量的ISV去做落地,在这种情况下ISV虽然前途不大,但生存压力也不大,企业也很难苛责他们。


可以看到,传统软件时代的“顾问咨询-交易成单-软件实施-软件交付”的业务流程,高度定制化、非标化的特点,并不适用于产业互联网,因为后者本身的出发点就是为了降低服务成本、降低人力支出,所以才有了云计算、AI乃至于PaaS、SaaS等概念,它们的出现本身是为了降本增效,但其落地环节却成了降本增效的最大门槛。


这就是AI落地难的商业现实,有人总说,中国的AI行业缺的是ChatGPT这样惊艳的发明和创新。但笔者认为,这种惊艳之作固然对人类的意义极大,但创造一种更简便、更普惠、更低成本的把AI落地于千行百业的技术范式或者商业范式,可能难度和意义都更大


结语


其实,AI的商业化落地的难处,还远不止以上这些。


比如,在人才侧,传统的企业对于AI人才来说,培养难、招聘更难。一个高铁行业的朋友就告诉我,按照铁路的机制,最接近AI实操的是各铁路局、机务段,但在整个铁路都是亏损的情况下,这种基层的单位开出的薪资,都很难吸引到哪怕是一个AI专业的应届生。


还有,AI落地的成本高,短期内收益低,决策者要承担的成本高,推行的阻力大等等。


也有人认为,技术的问题,可以通过技术来解决。例如,近年来低代码、零门槛的AI工具也大行其道,不乏普通的铁路工人、大学生、AI爱好者利用这些工具独立开发出好的AI应用的案例。


确实,开发一个简单的模型不难,但如前述的石油、海洋、卫星、核能等高技术壁垒的行业,才是能够真正放大AI价值,使之成为国之重器的领域。而这些领域的技术深度,绝非工具层面可以解决的。


但笔者还是相信,AI行业有能力解决自己的问题,就像ChatGPT出现前,我们无法想象人工智能可以达到这样的程度,AI在能力上的储备已经到了从缓慢溢出,即将变为喷薄而出的阶段,高科技行业有自己的规律,也一定能找到自己的商业化未来。


本文来自微信公众号:胡说成理(ID:hushuochengli),作者:胡喆

您觉得本篇内容如何
评分

相关产品

CSMS 中科微感 人工智能+嗅觉传感器(AI-Nose) 气体传感器

中科微感逐步攻克了制约人工嗅觉传感发展的核心材料、硬件、算法等技术,开发出了以新型纳米敏感材料为基础,以微纳加工技术为支撑,以人工智能算法为核心的第一代 MEMS 基金属氧化物半导体原理的人工嗅觉传感器产这一产品将解决当前制约人工智能嗅觉技术与市场应用发展的关键问题:提供量产化的高一致、低成本、微型化的嗅觉传感器阵列硬件,以及提供标准化的人工智能+嗅觉气味感知软件平台,使客户能够快速构建和应用气味数据模型

XKCON 祥控 弹药库环境温湿度异常报警与智能监控系统 温湿度变送器

济南祥控自动化设备有限公司自主研发的XKCON祥控弹药库环境温湿度异常报警与智能监控系统采用物联网、传感器、大数据、人工智能等先进技术,能够对弹药库环境温湿度信息实现数字化、可视化管理。

山东美安 矿山电机车防追尾道岔口报警器 控制器及系统

煤矿用机车防追尾保护装置 机车防追尾保护装置是一种矿用人工智能保护装置、具有防追尾保护、无线触发沿途弯道语言保护、输出控制并记录等功能可广泛的使用在矿山井下、井上的运输机车上。

KEYENCE 基恩士 AI-1000C 图像匹配传感器

因此,人工智能系列能够在模式匹配的基础上对物体进行稳定的检测和识别,而这是基于强度或距离的传感器难以实现的。 基于强度或距离的传感器难以实现。

云传物联 水处理河道水中水质浮标在线PH监测系统 便携式水质检测仪

电子水质监测解决方案利用信息控制与处理、人工智能、自动化、物联网及多媒体等技术,集水质参数在线采集、无线传输、智能处理、超限报警、远程管理等功能于一体的水质监测解决方案

大立科技 DM60-W3 红外体温快速筛检

红外热成像体温快速筛检系统DM60-W3系列为384*288/640*480像素,人工智能算法,远距离、大场景测温更精准。

Handsome 翰德圣 HDSELM V1.1 安全传感器和系统

设备全生命周期管理平台融合的物联网、云计算、大数据、人工智能、优化制造、再制造六项主流技术,通过云端模块化的架构可为企业灵活管理设备,不仅可以随时随地了解设备运行状态、发现故障隐患,还能够通过大数据分析指导企业维修

上海自连电子 自连ALXB15i网桥 智能终端

自连科技是国内领先的物联网软硬件技术方案提供商,主要提供物联网智能部件、智能终端、智能传感设备、中间件套件、云接入技术、数智云平台等多元化产品。建立了AiDK、AiSDK、AiDMS和AiCloud 4大核心智能物联技术平台。具有丰富的无线连接、组网及传感技术、超1公里远距离无线通信技术、高带宽无线通信技术、精准室内位置定位技术、低功耗人工智能AI技术等核心能力。

清大菲恩 PR3000 全自动压力检定系统

作为国内首创的高科技产品,菲恩全自动压力检定系统,将人工智能(AI)技术成功地应用在计量检定产品中,它采用了当代最新数字图像识别技术(即人工视觉)和精确的数字化压力控制技术,使压力表的检定工作实现了全过程的自动化我公司推出的PR3000全自动压力检定系统,采用高分辨率工业数字摄像机代替人眼获取图像数据,用独创的先进计算机算法进行分析识别,从而使人们永远地告别了传统的人工肉眼读表过程,不仅极大地减轻了人工劳动的强度全部由电脑自动控制的精确造压功能,在减轻人工体力消耗的同时,使得加压过程的操作变得十分简便和精确。

评论

您需要登录才可以回复|注册

提交评论

天天炫技

这家伙很懒,什么描述也没留下

关注

点击进入下一篇

人工智能技术和行业的发展未来将影响全球!

提取码
复制提取码
点击跳转至百度网盘