|
行業 AI、產業 AI、產業互聯網，這些詞在今天都已經變成了熱門詞匯。 在流量紅利差不多吃干凈之后，科技企業需要向產業走，這是今天大部分科技公司的共識。然而產業市場不同于消費者市場的一個核心區別在于，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，而一套智能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，相關項目的 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 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 圈里大廠的夢中情人、創業公司的救命稻草，神秘的 Know-How，到底是個什么情況。 產業 AI 的無形之墻 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 雖然看似被信息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淀與積累。 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復制，行業供應鏈比較透明的情況下。汽車和船只的生產水準依舊難以復制，原因之一就在于其中的 " 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 也被看作一個創業項目的評分標準之一——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，那么 BP 上往往會寫著我們有 Know-How。 而在 AI 主導的數據與網絡智能化技術，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，在于可以利用機器學習技術，實現數據分析與再挖掘，讓 AI 將原本粗放生長的環節數據重新整合，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、基于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復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。 更顯著的問題來自于人才儲備。 一般來說，AI 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，企業的性價比估算，產業智能化的彈性生長，這些都不在算法架構師或者 AI 開發者日常的考慮范圍中。 而產業專家則對產業周期了如指掌，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，難以相互了解的兩個鄰居。 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。 在我們了解到的很多實際 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 以及數據智能技術的常規視野中。一個好問題的發現，往往預示著一個新產業空間的打開。 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墻。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征并反向輸送給機器，從而實現智能。但是到底提取什么特征，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，到底什么是良品，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、關鍵訓練數據。AI 離不開數據，然而通用數據雖然多，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數據在哪里呢？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，什么時候收回成本，未來能創造多少價值，卻都是極大取決于行業利潤比的。為行業應用者估算整個投入產出周期，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，與供應商的連接能力反而減弱了。在復雜的產業鏈中，一家企業從管理系統、運維系統到生產系統的更新，都將影響并且受制于產業上下游關系。對這些關系的理解和預判，對于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。 那么對于 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數據，并且理解行業技術體系、供需關系的人、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。一家非互聯網領域企業的 IT 部門，經?？雌饋硐袷秦撠熜蘧W的。然而在長時間錘煉下，類似部門往往積累下了對行業需求的獨特理解，并且積攢了大量可以被機器學習系統利用的關鍵數據。一家企業開始運用 AI 技術拓展生產系統，往往也會以 IT 部門為主導。 2、技術業務骨干。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，以行業技術骨干為受眾，培養高級產業 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。在巨頭企業的背后，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、數據和咨詢服務提供者。另一方面，很多行業還存在著為數眾多的戰略咨詢和產業數據服務機構。這些企業圍繞著生產數據釋放價值，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，對于 AI 來說是一個必然趨勢。 Know-How 的稀少，導致了什么？ 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 整體處在供小于求的階段。 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、制造、互聯網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，將會面臨非常復雜的局面。由于工業領域的龐雜和差異化廣泛，AI 技術進入的周期和成本會非常高。Know-How 的復雜性也讓工業領域很難出現快刀斬亂麻的智能化進程，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，而在垂直產業準入門檻問題不斷暴露出來后，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，也是一件復雜的差事。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，讓更多產業關系者認識到合作可能，加強自身的 Know-How 主動吸引力。因此 AI 進入產業的這個周期，基本一定是案例為王的。 從算法問題，算力與數據問題，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盡快認識，甚至相互形成吸引力，是 AI 發展中不可或缺的一個環節。 來源：ZAKER |
- 關注天氣:
