人工智慧來了，但只是生產工具而已

「在AI問題上，我錯得一塌糊塗」，前Google CEO施密特曾在2017年出的RSA安全大會上這樣說道。在此之前，施密特認為人工智慧技術的研究會遭遇巨大的阻礙，因此規模根本無法擴大，只能解決某些特殊問題，而事實上施密特低估了演算法解決複雜問題的能力。

演算法創業遇阻，AI浪潮這次真的到了嗎？

不過施密特的言論並沒有引起太多的媒體關注，因為看好AI（人工智慧）如今已經不是什麼新鮮話題，幾乎所有的科技巨頭都成立了自己的AI研究院，百度等公司更是將未來豪賭在了人工智慧上。「我認為互聯網的下一幕就是人工智慧的時代」，在百度創始人李彥宏眼中，人工智慧儼然已經成了和互聯網一樣的一個新的技術浪潮周期。

於是我們看到越來越多的知名學者進入工業界，或加入大公司的實驗室，或指導自己的學生創業，甚至自己親自充當操盤人的角色去創業。隨著這波人工智慧熱，科學界和工業界的界限開始變得模糊。

從人工智慧的核心三要素——演算法、計算力、數據來看，這些技術大牛創業往往都是抱著一套獨門秘籍的演算法起步，但想比於大公司，目前大多數以人工智慧演算法為核心的創業公司們，從現在來看並不算非常成功，儘管它們獲得了大量的估值，擁有著一個個自帶光環效應的明星團隊。

商湯科技，這家成立於2014年11月的創業公司，僅用了2年時間就實現了估值從0到10億美元的飛躍，其背後則是香港中文大學教授、IEEE Fellow 湯曉鷗博士，湯曉鷗是計算機視覺領域中華人科學家裡的翹楚，其帶領的團隊在ImageNet的排名中曾一度獲得第一名，超過了Google、Facebook旗下的AI研究團隊。

但這家融資超過1億美元的人工智慧創業公司似乎並沒有在技術的實際應用中找到好的場景，點開商湯科技的主頁我們不難發現，金融、商業、安防等領域都是商湯所研發的計算機視覺技術的應用方向，無論是官網，還是其在對外的文章中，我們似乎都很難搞清楚這家擁有著不錯技術的公司真正的發力點是哪裡。

與商湯有著同樣困惑的或許還有Face 、依圖等等，僅僅在計算機視覺演算法這一個小領域中，就已經聚集了多家融資超過千萬美元的創業公司，他們也一直在尋找自己技術應用場景，這其中不乏前微軟亞洲研究院首席研究員孫劍、中科院的人臉識別大牛山世光老師加入或帶領的創業團隊。

「今天再出來做一個公司，你要不說自己是用深度學習、人工智慧，你都不好意思出來混。就跟前兩年，你要不說自己是O2O，都不好意思去融資一樣，我覺得這個有泡沫的成分。」「大炮」周鴻禕曾這樣實在地評價人工智慧創業

但資本市場的泡沫並不意味人工智慧百無一用，只是當前大多數以演算法為核心的創業公司並沒有，也很難找到應用場景，而擁有場景和數據的產品疊加上人工智慧之後，所帶來的結果就大為不同了。

演算法、計算力、數據，人工智慧如何落地？

人工智慧離不開演算法、計算力、數據，隨著深度學習相關演算法的不斷成熟，以及計算力資源不再稀缺，那些從創業之初就圍繞演算法做文章的創業公司似乎很難在市場競爭中找到自己的位置，更無法依靠運營獲得更多的數據，不斷訓練自己的模型，調優演算法。

早在2016年6月，有著「互聯網女皇」之稱的KPCB合伙人瑪麗·米克爾就在其報告中表示，在中國BAT三家公司共同佔據了中國用戶71%的移動消費時長，僅微信一個產品就佔據了中國用戶35%的使用時長。在流量集中化、寡頭化的大背景下，商湯、Face 們自然很難找到屬於自己的場景，只能為現有的場景擁有者打工，或者去死磕更難的傳統行業，比如安防等等。

隨著演算法和計算力的成熟，人工智慧的天平開始更傾向於那些原本有著足夠多用戶和數據的場景擁有者們，因此除了BAT之外，我們也看到越來越多的成熟期創業公司開始應用人工智慧技術，並藉此尋找到了彎道超車，或鞏固自己優勢地位，建立壁壘的機會。

除此之外，由人工智慧去改造傳統行業也變得可能，不過這一切的前提是傳統行業的信息化，因此我們看到在過去的幾年中，SaaS成為最受資本追捧的賽道之一。

人工智慧相當於發動機，使其運作的前提是需要有足夠多的燃料，也就是數據。人工智慧能否從實驗室中走到實際的工業界中，核心問題也是能否找到足夠好的場景，獲取足夠大量的數據。

細分場景下的應用，人工智慧價值被凸顯

在BAT已經佔據絕大多數線上場景的情況下，在哪些行業，如何利用人工智慧技術實現邊緣創新，最終重塑用戶體驗，進而改變BAT壟斷移動互聯網流量格局或許才是創業者們最關注的。

1.AI 內容

在2016年的世界互聯網大會上，紅杉全球合伙人沈南鵬在接受採訪時曾表示，今日頭條就是自己最看好的人工智慧公司，其實在此之前，並沒有多少人把今日頭條看作一家人工智慧公司。但實事求是地說，今日頭條確實成功應用了人工智慧技術，提高了其個性化推薦內容的準確性，幫助用戶節省了篩選內容的時間。

而從人員配置上來看，今日頭條也正在向一線的人工智慧公司看齊，先是前百度少帥計劃的科學家、卡內基梅隆大學博士李磊加入，隨後微軟亞洲研究院常務副院長馬維英也加入金頭陀擔任副總裁。

聚攏了優秀的人工智慧人才，張一鳴也自然不僅僅希望將人工智慧用於頭條已經較為成熟的個性化推薦上，根據其2016年在世界互聯網大會上的發言，頭條正在試圖讓人工智慧應用於新聞內容的創作、智能問答，以及低劣內容的過濾。這些都將成為今日頭條面對百度、騰訊等競爭對手時的護城河，尤其是前者已經豪言將豪賭人工智慧和內容分發。

2.AI 工具

除了內容分發，在工具領域，人工智慧也在發揮著巨大價值，FaceU的成功其實是AR貼紙的成功，這背後則是商湯科技提供的計算機視覺技術支持。變美永遠都是用戶使用美顏相機類產品最大的驅動力，而人工智慧將這一點做得更好。

但遺憾的是人工智慧可以讓FaceU作為一款優秀的相機工具在95後群體中迅速走紅，但卻不能改變FaceU本身極強的工具屬性，相比於工具，社交需要的是時間和運營。

3.AI 社交

而擁有社交場景的項目則要簡單的多，剛剛上市的Snapchat本身也是人工智慧的獲益者，其AR貼紙極大程度上增強了Snapchat對於年輕人的可玩性。而在國內，in作為目前國內最大的圖片分享社區，也在AI 社交上有一套自己的邏輯。

困擾in的是如何把海量的UGC數據，通過人工智慧的篩子，再反哺分發給用戶。in平台上已經累積了1.8PB的圖片數據量，要知道全球最大的圖庫google photo一年的數據量也不過13.7PB。要做到精準分發匹配，先要基於AI深度學習對圖像進行識別，再通過in自主研發的Argus好圖發現系統，對圖像進行評判，最後結合用戶的點擊、瀏覽、點贊等行為畫像，匹配系統中已有的3000多個子類場景，推薦相應的貼紙內容。 比方說，你坐在星巴克拍了個杯子，系統會識別出你在咖啡館，並猜測你心情一定很閑適，然後推薦你「陽光溫熱、歲月靜好」的貼紙。那一刻，你會感覺機器很懂你。

不過，Facebook AI研究院負責人稱，「AI面臨的最簡單卻又最富有挑戰問題是「非監督學習」，現在AI分析的樣本是建立在人的行為作用之上的，機器學習人的方式來處理數據，我們要開發一個不需要人類標記來「監督」的系統。「AI雖說容易融入社交場景，但其本源太過依賴數據的依賴和挖掘，而數據的價值又取決於用戶的分享互動行為，因此社交平台做AI非一朝一夕之功。

4.AI X

人工智慧技術除了給互聯網產品賦能之外，也正在影響著傳統行業，隨著IBM Watson在醫療領域的成功，越來越多的創業者也將目光投向了人工智慧 醫學影像，甚至更深一步的機器人診斷系統。根據IT桔子的不完全統計，目前以人工智慧 醫學影像的創業公司多達26家，其中不乏紅杉、經緯、藍馳等知名基金投資的項目。儘管這背後面臨著如何合法有效獲取數據，如何進入醫院場景，由誰買單的問題，但人工智慧在一些細分場景下正在找到它的應用，並在為傳統行業賦能。

除了醫療之外，在物流運輸領域，基於人工智慧進行運力的優化和路線規劃；在金融行業，依靠人工智慧建立風控模型，降低資金風險；在教育領域，自適應學習在國外逐漸被認可……人工智慧也正在逐漸地改變著這些傳統行業

很明顯，在大多數領域，目前看來人工智慧可能並不足以支撐一家獨立的獨角獸企業，它更適合作為一個成熟公司的一個組成部分，或者一個創業公司切入某個細分領域的一把利刃，或者說改造傳統行業的一種催化劑。人工智慧可以為公司賦能，但卻很難直接產生價值。

它需要足夠多和好的數據土壤，這或許也是為什麼李飛飛等教授選擇離開學術界，投身工業界的原因，Google所擁有的數據量顯然不是斯坦福這樣的學校實驗室可以比擬的。數據是決定人工智慧能否落地的關鍵，而數據的背後則是場景。

人工智慧並非泡沫，只是我們將過多的精力放在了那些還很遙遠的通用AI、自動駕駛上，而沒有關注到身邊那些細微的變化。可問題是，任何一個技術的出現從來也不會如同驚雷一般振醒世界，而是潤物於無聲。