AI领域专家学者、企业大咖、资深投资人共话“人工智能应用落地”

点击上方“蓝字”，关注我们吧！

当前，由于数据、技术、应用基础等方面的差异，人工智能在各领域的应用广度与深度不尽相同。但整体来看，人工智能产业化迈出了实质性步伐。特别是新冠疫情以来， 会的数字化、智能化转型不断提速。近日，科技部发布《科技部关于支持建设新一代人工智能示范应用场景的通知》，首批支持建设十个示范应用场景，这标志着我国人工智能场景应用走向新阶段。但仍存在一定的问题：实际应用与 会期望还有些差距，大众感知度不高，未来还有很大的发展空间。

前不久，在 “AI+产业发展高峰对话暨国泰汉口科创中心开园仪式”上举办的“人工智能与实体经济的深度融合”圆桌沙龙，邀请银河水滴科技(北京)有限公司总裁冯亮、深圳市优必选科技股份有限公司副总裁陈世锐、洪泰基金投资副总裁金川、武汉大学叶茫教授、华中科技大学秦虎教授，一起就人工智能的应用落地及产学研转化等话题分享了真知灼见，国泰创投集团副总裁吴雪秀担任主持。

以下内容根据沙龙上各位嘉宾的发言整理完成，进行了一定精简。Enjoy~

01 建立AI落地的正确认知，找到商业模式

02 学术角度的AI落地难点

03 产学研转化的难点与建议

04 结语

01 建立AI落地的正确认知，找到商业模式

冯亮认为，人工智能经历了十年左右的发展，整个 会对于人工智能的认知偏向于两种：一种是之前对人工智能了解不多，认为人工智能无所不能，把人工智能想象得非常厉害，对其提出极高的要求；还有一种是接触过中早期的人工智能，曾受到过早期人工智能的打击，认为人工智能是人工智障或者是人工+智能。企业要做的是努力把更多的人拉向上述两者中间，让大家知道人工智能究竟能做什么，我们需要人工智能做什么，这是整个产业需要面对的事情。面对客户各种各样的需求，企业最重要的是如何在标准化和个性化之间找到平衡，做到最大可能地满客户需求的同时控制成本，否则就会坠入无穷无尽定制化开发的深渊。

陈世锐从长期预期和短期预期两方面发表了自己的看法。从长期预期来看，人工智能是未来二三十年的长赛道。以机器人为例，从十年二十年趋势的长期角度来看，机器人一定会在很多细分领域逐步帮助人解决很多具体的问题，甚至取代一部分工种。它的智能化演进过程，是逐步渗透到各个领域的，是一个长期的过程。但是不从事这个行业的人，对其没有深度了解，会觉得这个长期预期是短期可以实现的，这是一种误解。从短期预期来看，我们从技术、算法、产品变成一个商品会有一个过程，我们需要解决每个细分场景的问题。

过去几年，人工智能在语音技术、图像技术等纯软件的应用领域已经有了快速的发展。接下来，它如何与实体的硬件结合、和环境结合、和场景结合、和商业应用需求结合，将会非常具体地整合在每个细分领域里面，所以未来三到五年有很大、很具体空间，每个细分领域挖掘出来没有百亿起码也有十亿级别的市场。所以说我们通常会低估未来十几二十年的发展，但是会高估未来几年的发展，人工智能和实体经济的结合正处在这样一个换档期。

金川从投资机构和资本市场的视角分享了他的见解。他认为，人工智能从商业纬度上来讲与互联 、移动互联 或者后续的web3.0行业有本质区别。后三者做的是零成本扩张和to C的生意，更多的创新来自于模式创新；而人工智能是带来生产工具革新的技术革命。投资人、人工智能企业技术开发人员、尤其是企业管理人员应该明确自己的业务模式和业务定位。作为产业链上的一环，人工智能企业应该做的是如何提高实体经济的生产力，是to B的生意，而不是讲零成本扩张的故事。另一方面，如果人工智能企业不仅仅满足于在产业链上做服务的一环，想自身服务于终端客户，必须思考从技术能力转向商业化落地，才能服务好客户，成为一个成熟的商业公司。

02 学术角度的AI落地难点

叶茫针对他所研究的联邦学习领域发表了看法。在应用方面，联邦学习这一技术在杨强院士刚提出时，主要应用在金融领域，因为金融领域涉及到很复杂的利益，信息非常敏感，所以更多应用在对金融风险的预测和管控，可以利用不同机构之间的数据进行结合。另外，他认为联邦学习在医疗上的应用未来将有很大的空间。

联邦学习应用的最大挑战在于不同机构的协同，这是非常复杂而且庞大的工程。在联邦学习之前，虽然不考虑隐私，但企业只需要提供数据，即可得到模型。但在联邦学习的应用中，企业不上传数据，但要给予反馈，而且反馈需要持续更新，所以会给企业带来一些压力。叶茫相信，联邦学习是AI未来的趋势，它的优势是保护数据隐私并解决AI泛化能力。联邦学习的初衷是多个机构共同学习，因为模型要在不同的机构中应用，每个机构都有自己的特点，若能真正做好联邦学习，模型的泛化能力理应得到提升。

秦虎分享了运筹优化算法在应用过程中的难点、痛点。首先，运筹优化算法的特点是不依赖数据，也不依赖计算资源，而是依赖于个人能力，这个技术做到通用化很难，定制化比较强，这也是其麻烦的地方。目前秦教授的团队正在研究如何将运筹优化算法通用化，可以低成本快速优质地解决企业面临的难题。第二个难点是产学研转化的壁垒很多。

03 产学研转化的难点与建议

秦虎根据与企业合作的经验分享了校企合作的难点。首先，算法不像实体生产，实体产品是生产出之后再去销售，算法的生产与销售过程是同步的，但甲方（企业）与乙方（高校）往往是缺乏信任的。比如甲方可能在算法没有做出来之前不愿付钱，前期项目研究的繁重成本就需要高校研究人员自己承担。其次是定价问题，算法的定价目前没有标准，甲乙双方对算法难度的认知达不成共识，甲方对乙方的 价会有怀疑。秦教授的做法是让一些软件公司来提需求，他的团队来研发完成。如果软件公司做的产品有一定的营收，就可以分给高校一部分，以一种“背靠背”的方式来解决产学研转化的痛点。

作为人工智能企业的代表，冯亮与陈世锐都认为，产学研转化最重要的是不应太过于技术性的思维，而要有商业化思维。冯亮表示，面对客户不应该过分强调技术、算法、专家资源等，要切实地解决客户的问题，才能赢得客户的信任，逐渐找到技术的落脚点、价值点。陈世锐指出，技术要从想法变成利润，其源头不在算法，源头在于商业的想法，市场化思维，即怎么找到市场机会，把技术变成利润，而不是营收，利润和营收是有区别的。从技术变成产品要解决技术成熟度的问题，很多算法不一定能变成产品，变成产品之后要还解决成本的问题和市场接受度的问题。

另外，产学研转化很消耗精力。比如我们看到一些高校研究的算法、技术产品的原型有商业化的潜力，但企业需要投入大量的精力去把这个事情讲清楚，光是与高校的博导、研究生讲清楚就要消耗很大的精力。所以希望能够找到一个深度磨合的机制，避免点对点的脱节。

04 结语

人工智能在实体经济中的应用已取得阶段性的发展，但仍有很长的一段路要走。大众对人工智能商业化落地的进程应有理性的认知与判断，不高估技术短期的发展，也不要低估技术长期的价值。作为人工智能企业应该认清自己的商业模式，找到技术应用的细分领域，做好标准化与个性化之间的平衡。作为高校研究人员，在重视学术研究的基础上，还应该具有商业化思维。产学研转化需要企业与高校的共同努力与探讨，共同促进人工智能技术的加快落地。