三者相辅相成的逻辑关系相信大家都有所了解:06年辛顿教授提出了深度学习算法,开创了A.I.理论界的创新突破,后续在移动互联网的到来,促进了A.I.发展的最基础条件“大数据”的产生。大数据和深度学习算法的双剑合璧,再配合摩尔定律下的算力快速提升,从而输出不同场景以及行业下的A.I.解决方案,如现在大家经常看到的人脸识别、物体识别、语音识别、语音合成等多方面的应用和成果。
人工智能发展到现如今还是一个被大数据喂养起来的一个小怪兽,而且在深度学习算法没有明显突破的情况下,人工智能实现自我学习能力看起来还是遥遥无期,因此对于A.I.对人类的替代性以及威胁,还远没有达到让人类担忧的地步,当前大家探讨最多的就是人工智能在各个领域的应用。
特别是在今年两会期间,人工智能多次出现在政府工作报告之后,今年更深入具体的提出了“智能+”的概念。政府工作报告提出“智能+”,即通过人工智能技术“赋能”生产性场景,打造工业互联网平台,提升各行各业的生产效率,创造新的市场需求,成为推动中国经济增长的新动力。
当人工智能这个性感的时髦词语和工业这一厚重沉闷的词语碰撞在一起的时候。问题来了:
人工智能三大要素在这一发展趋势之下,是否还会适用?
如果我们多留心产业A.I.的动向,就会发现从去年下半年开始,相关项目的PPT里越来越多提到行业专家、Know-How这样的字眼。从算法问题,算力与数据问题,再到Know-How问题,本质上来说A.I.正在一步步向神秘的产业世界进发。
那么到底什么是Know-How呢?
Know-How摘录自百度百科的内容如下:
中文译名为:技术诀窍,最早指中世纪手工作坊师傅向徒弟传授的技艺的总称。现在多指从事某行业或者做某项工作,所需要的技术诀窍和专业知识。就拿汽车制造工业来说,如果说制造汽车好比烹饪佳肴,技术文件整车数模好比该佳肴的“独门秘方”,那么Know-How就是“独门秘方”的调配、验证过程,这个过程是经过“世界名厨”们长时间多次反复试验而最终形成的。Know-How正是中国古训“授人以鱼不如授人以渔”之“渔”。
理想情况下:人工智能如果要进入一个工业领域,需要一个专业的行业专家做指导,这个专家可以是一个人,也可以是一家公司,Know-How更多的类似这种中介机制的存在,确保A.I.在各个领域的应用和需求充分对接和满足。它的好处有以下几点:
1、控制行业差异化,从而保证工业应用效果。
深度学习的原理就是提取人类标注过的大数据中抽象化特征并反向输送给机器,从而实现智能。但提取什么特征,提取过程中要注意哪些问题等,这些都是A.I.无法预计和预估的。比如说A.I.提升良品率问题,良品的定义到底什么?重量还是表面纹理,还是说运行振幅等。类似这个特征的定义,就是A.I.在工业应用中的Know-How点。
2.关键训练数据的获取和应用。
A.I.离不开数据,现在人工智能发展应用集中在通用数据,随着物联网和信息网的物信融合趋势,导致现在数据价值密度大大增加,甚至引发了边缘计算的趋势现象,大数据的获取纬度和密度都出现前所未有的加大,挑战和机遇并存。首先工业领域里那些从未被公开的工业价值数据如何应用、如何防止泄露,其次工业应用在物信融合的趋势,还可能发现一些新的数据纬度和价值,如何挖掘、如何应用。上述两点都可以理解为,A.I.在工业应用的另外一个Know-How价值点。
1.尝试在供应链中理解和梳理成本与价值的关系。
A.I.赋能,听上去很好,但到底这个到底需要投入多少人力物力,什么时间能回收成本,预计能创造多大的价值,都是极大取决于行业多年应用中形成的稳定的成本价值关系。为行业应用者估算整个A.I.赋能的投入产出周期,也是Know-How的价值点所在。
2.在产业链赋能中加入复杂的商业博弈逻辑和关系。
A.I.赋能工业,生产能力上去了,但是有可能与供应商的连接能力减弱了。在复杂的工业链条中,一家企业是从管理系统、运维系统到生产系统等和上下游深度紧密缠绕在一起的,任何一个维度的变更都可能影响上下游关系,同时变更条件也受制于上下游关系。对这些关系的理解和预判,也是Know-How的价值点。
其实总结下来,Know-How能力真的是有点像是A.I.与工业之间的中介。如同我们去买二手房一样,虽然我们都不想找中介,但是发现离开他们还真不行。想明白这一点,智能+的应用和推进落地就需要更多理性在里面:
智能+,不能快刀斩乱麻,只能循序渐进。
A.I.如果要进入垂直产业,尤其在工业领域,将会面临非常复杂的局面。切忌求急求快,因为工业领域的庞杂和差异化,A.I.赋能的周期和成本会非常高。每个行业都是自己的Know-How点,需要逐个融合,逐个攻破。
智能+,切入点要优先考虑某些重点工业领域,比如新千亿市场轨道交通领域
工业领域是一个Know-How点密集的领域,不过也是产业集群带动效应最明显的领域,它具备很强的购买能力和市场容量,同时如果某些工业领域数字化程度也很高的话,那么它的先天数据优势就降低了A.I.赋能的周期、成本以及风险。比如以广州地铁为代表的轨道交通领域,2018年末的中央经济工作会议提出的新基建,更是特意提出了轨道交通这一类新型的基础建设领域,既是保增长又是稳创新的一个新模式。粤港澳大湾区的规划纲要中也很明确地提出了,要建立“一小时生活圈”。这对整个湾区的互联互通,无论是物流、商流、资金流的互通都有很大的价值。一小时生活圈建设,最好的模式就是轨道交通。同时轨交交通领域具备潜力非常巨大的市场空间:广州公布轨道交通产业发展三年行动计划中特意提到,到2021年,仅广州市轨道交通产业规模预计就要达到1200亿元,2023年实现力争产值1800亿元。在数字化方面,轨道交通也走在了前列。2019年1月在佳都科技的技术支持下,广州地铁线网国内首创所有闸机支持乘车码过闸(广州地铁APP乘车码、广州地铁乘车码支付宝小程序、广州地铁乘车码微信小程序),同时佳都科技也借助自身浸淫轨交行业多年的Know-How能力,在地铁智能系统中实现了人脸识别、模糊图像处理、热力图人数统计、行为分析等多项技术功能。据其公告显示,3月佳都科技还中标 118亿广州地铁新线项目,则为全自动运行系统、人脸识别售检票系统、基于数字孪生的智能站台系统等一批 A.I.新产品的应用,更为轨道交通领域的数字化、网络化、智能化做好铺垫和基础。
拥有Know-How能力,才是智能+落地的关键!
在技术与场景融合的过程中,核心技术和行业 Know-How将成为企业构筑竞争壁垒的关键;
能否解决行业痛点、促进行业真正降本增效,关乎 A.I.企业的生存和发展。拥有Know-How,会变成某种A.I.公司的底牌。今天的A.I.公司,更多是拼大牛,拼算法独特。这些故事可以讲给投资人听,但是在真实行业应用的时候,是否拥有的Know-How水准,会开始影响A.I.公司的融资能力与发展水准。
所以说,A.I.可以像大家常说的像水和电一样进入每一个人的生活,但是不一定可以像水和电一样进入每一个工厂。
让懂A.I.的人与懂行业的人在此时尽快相识相爱,形成亲密的合作关系,才是人工智能发展到现如今,在智能+新时代下,大家需要重点考虑的问题。
为什么说这是第四次工业革命?
因为工业才是一个国家的基础,才是影响百行百业的源头。
发表回复