“人工智能技术和传统信息化技术、互联网技术都是数字技术的不同表现形式，都遵循类似的技术产业发展模式。”

　　“我们创造了人工智能，人工智能在不断模拟、学习和探索我们的思考方式，而助力AI持续进化的核心因子就是各种应用场景。”

　　“每一个场景与AI技术的结合都有可能给创新者带来切入传统价值链的机会，而这些机会有可能是传统企业开启转型升级的起点，也有可能是另一家伟大新型科技公司的源头。”

　　“在AI时代，‘见识’和‘知识’同样重要：对于传统企业及其从业者来说，具备‘AI Thinking’和掌握一定程度的AI知识很重要；对于人工智能领域企业及其从业者来说，‘场景见识’比起‘AI知识’更加重要。”

　　“人工智能时代，传统产业的企业和企业的决策者才是主角，因为他们掌握了场景及场景的核心要素，他们才能驱动人工智能技术规模化渗透传统产业。”

　　“这是一个创新链条比以往更长更复杂的时代，无论是个人还是企业都需要有强大的学习精神和学习能力，唯有如此，我们才能适应数字化、智能化时代的快速节奏。”

　　技术触发商业变革，商业推动技术进步

　　今天，无论是国家竞争、企业发展还是学术研究，“人工智能”已经成为社会各个层面竞相开展价值创新的核心阵地，发展以人工智能技术为代表的先进生产力已然成为国家竞争、企业竞争以及人才竞争的关键。

　　今时今日的“人工智能技术”无疑也被我们给予了“史诗级先进生产力”的期望，像蒸汽技术、电力技术、计算机技术以及互联网技术一样，人们期待着“人工智能技术”能成为下一个引领世界进步的“奇点”。

　　生产力的进步，必然带来生产关系的改变，生产力技术的商业化就是这一过程的具体呈现。

　　2013年6月，王坚老师带领的阿里云团队突破了基于自主架构“飞天”的5000台集群调度，这样的技术突破得以成全“双11购物节”成为全新的商业狂欢，不断刷新纪录的“双11”也反向推动阿里云发展出全球领先的全栈云技术能力。

　　技术触发商业变革，商业推动技术进步，这样的例子还有很多，如SpaceX的火箭回收，美团的百万级骑手调度等；

　　以深度学习为代表此次人工智能浪潮，从2012年开始经历了产业和资本的狂热追逐到如今的相对理性，AI虽然在一些行业获得不错的应用效果，但是整体上还是质疑声音更大，人工智能商业化的进程似乎遇到了不小的阻力！

　　在《一个AI技术创业者看<投资人逃离人工智能>》一文中，我们已经讲到了人工智能技术的价值，这里就不再赘述，今天我们来分享一下对人工智能商业化的一些思考和总结。

　　技术的商业化想要取得成功，既要遵循技术的发展逻辑，更要符合商业逻辑，本文我们提出了一个简单且直观的模型来描述人工智能技术商业化的正确姿势

　　深度学习的技术本质和商业启示

　　讨论人工智能，必然离不开讲技术，但是今天我们不做技术分析，只给出一些行业共识，以便于大家理解后面的解读。

　　深度学习技术是这次人工智能浪潮的主角，主要表现在：深度学习使得图像识别、语音识别、语义理解等应用技术的关键性能相较于过往的传统做法有了较大的提升，这样的提升足以让以前无法满足的需求或者体验过差、成本过高的产品得以真正“落地”。

　　例如，如今基于深度学习的人脸识别产品，能够在数亿的人脸数据库中准确检索，而以前传统技术下的人脸识别在万人级别库基本就没有实用价值了。

　　所以，那些明显符合深度学习技术特点的应用就被大量挖掘了出来，深度学习的商业价值也得以迅速发酵。

　　那么深度学习的本质特点是什么呢？通俗来说，深度学习能够从海量标注数据中挖掘出人类难以发现的关联知识，而这些关联知识可以用来完成自动化的目标决策，从而在某种程度上替代人的角色（《一个AI技术创业者看<投资人逃离人工智能>》提到）。

　　深度学习的本质就是数据驱动决策（Data to Decision, D2D）。

　　例如，今天大家的手机上都能接受到各种推荐商品或服务，实际上就是手机采集采集我们每个人海量的各种维度的数据（标注数据），通过深度学习等技术进行数据分析，得出海量个性化需求（知识），最后完成了个性化推荐（决策）。

　　技术本身是没有商业价值的，结合到了商业元素才有价值，而“场景”提供了所有的商业元素。深度学习（人工智能技术）就像是一件精妙绝伦的工具，能够激发任何符合它技术本质的应用场景的商业价值。

　　我们创造了人工智能，人工智能在不断模拟、学习和探索人类的思考方式，而助力AI持续进化的核心因子就是各种应用场景。

　　技术产业发展规律

　　在解析“场景+AI”模型之前，我们先来谈一谈技术产业的发展规律，方便大家更全面地比较和推敲。

　　人工智能技术和传统信息化技术、互联网技术都是数字技术的不同表现形式，它们都遵循类似的技术产业发展模式。如下图所示：

　　互联网/移动互联网时代是模式创新的天堂，这一点大家是有共识的，“模式创新与技术创新”孰优孰劣的争论也一直未休，所谓的“新四大发明”更是被相关学者专家批得一无是处。

　　我们认为大家看到的互联网/移动互联网项目的结果固然是模式创新，但这些也都是基于多年的信息化技术和互联网技术的积累和演进，最终才得以呈现。

　　在传统信息化技术统治的PC时代，微机技术、存储、IO等硬件技术和操作系统等软件技术构成了基础设施；高级编程语言和编程工具能够访问复杂的基础设施，为IT技术人员提供了友好的开发接口；

　　在开发工具成熟后，各种软件应用大量出现，如聊天软件、杀毒软件、游戏等等；各种应用成为了各行业进行模式创新和新型解决方案设计的工具，整个商业社会随之发生变革。

　　在互联网/移动互联网时代，网络技术、通信运营商体系和移动终端构成了基础设施；LBS（基于位置的服务）、二维码技术、支付技术、云计算等让我们访问网络而进行连接和计算成为了可能；

　　在应用层，电子商务、直播、外卖等在传统信息化时代不能实现的应用都得以落地；在中国，人口红利的加持为互联网产业各层次都带来模式创新的巨大空间。

　　比如，携程和美团实质也是用电子商务这样的应用形式提供了生活类（交通、住宿、吃喝玩乐）产品和服务的交易解决方案。

　　当前，人工智能的发展还处在初级阶段，基础设施就是我们所说的人工智能技术黄金三角：“数据+算法+算力”；

　　信息化和互联网/移动互联网使得大数据爆发，深度学习等技术的突破，使得算法价值穿越商业奇点，GPU（图形处理器）、人工智能芯片等技术的发展也使得复杂的AI技术能够达到实用水平；

　　在工具层，Google的Tensorflow，百度的飞桨等算法框架软件以及一些人工智能芯片等基础硬件，都是为了降低开发智能化应用的门槛而出现的，现在也越来越成熟；

　　目前人工智能产业正在进入应用工业化大生产的阶段，各行各业的场景与人工智能将会大量融合，深度和广度都会有一个飞跃式的发展。

　　“场景+AI”商业化创新模型及解读

　　菁锐同行对近千个人工智能应用场景案例进行了分析和研究，总结出了我们对于人工智能商业化现状及趋势的理解。

　　这里，我们试图提出一个人工智能商业化模型：“场景（Application Scene）+人工智能（Artificial Intelligence）”商业化创新模型————“ASAI”模型，

　　来描述人工智能技术在商业化过程中的涉及到的基本要素和核心逻辑，以揭示人工智能技术如何才能做到对传统行业场景的价值渗透。

　　“场景+人工智能”商业化创新模型：

　　ASAI模型 = 场景（场景痛点、产品需求、闭环数据、商业模式、交易渠道） + 人工智能（AI算法、算力、传统IT技术）。

　　任何技术本身是不具备商业价值的，只有找到了合适的应用场景才能产生价值，ASAI模型主要就是依照这个原则得出的。下图为ASAI模型。

　　下面我们将对ASAI模型做一个详细的解读：

　　从商业的角度来说，有需求才有市场，有市场才有供给，场景中的痛点，以及因此痛点而产生的产品需求是前提；

　　场景中的闭环数据是人工智能技术用于解决场景痛点的核心，这里的“闭环”指的是从数据的准备（如标注、清洗等）到系统形成决策（推理）要形成闭环；

　　闭环数据基础之上，AI算法、算力和传统IT技术的加持，就可以形成智能化产品或者服务；

　　AI产品或降低原有场景的生产成本，或提高效益而产生价值，如果对整个行业、产业能够产生积极影响，就可以配以相应商业模式与交易渠道进行商业化落地。

　　当然，人工智能技术的商业化逻辑对于不同的对象也是有所不同的：

　　对于传统行业企业来说，提炼好场景要素，用好各种人工智能工具，针对性地完成场景价值的优化，以提升业务的附加值；

　　对于创新型科技企业而言，必须要深挖场景，做好长期作战的准备，帮助场景用户成长，自己才能最终收获。

　　从ASAI模型中可以看出，人工智能商业化过程中，最难的点在于如何挖掘场景中的数字资产，这需要对场景有深厚的理解和洞察，且需要具备“AI Thinking”，知道怎么使用人工智能技术进行挖掘。

　　每一个场景与AI技术的结合都有可能给创新者带来切入传统价值链的机会，而这些机会有可能是传统企业开启转型升级的起点，也有可能是另一家伟大新型科技公司的源头！

　　结合目前人工智能产业发展现状和上面的技术产业发展模型，我们可以看到：科技巨头有着做基础设施的巨大优势，大部分初创型AI公司更多应该把目光放在场景的挖掘上，也就是要多关注垂直领域的“智能+”机会！

　　在AI时代，“见识”和“知识”同样重要：对于传统企业及其从业者来说，具备“AI Thinking”和掌握一定的AI知识很重要；对于人工智能领域企业及其从业者来说，“场景见识”比起“AI知识”更加重要。

　　举个例子，人脸识别技术因其应用范围广而明确，早期数据获取相对容易，所以无论是技术性能还是商业化程度都相对较高。人脸识别的应用场景主要是安防，但如今智能安防早已成红海，那么人脸识别技术还能和其他有价值的场景结合吗？

　　当然有，医美行业的专家把人脸识别技术当成互动引流的绝佳工具、活动会务行业专家把人脸识别技术和活动场景进行深度融合等等，可见同样的AI技术和不同场景结合就可能触发不同的商业契机。

　　从ASAI模型中可以看出，“场景”要素是绝对更重要的那一部分，由此，我们认为：在人工智能时代，传统产业的企业和企业的决策者才是主角，因为他们掌握了场景及场景的核心要素，他们才能驱动人工智能技术规模化渗透传统产业。

　　这个也是我们菁锐同行对于人工智能产业发展的核心观点，我们希望更多的传统行业的决策者能够发现和感知到人工智能技术的价值、并大胆尝试使用适配的人工智能技术和产品。

　　人工智能创新项目的发展趋势

　　按照ASAI模型的逻辑，我们针对人工智能创新项目的发展趋势做出了如下解读：

　　深度学习、强化学习、迁移学习等人工智能算法正快速发展，微观来讲，无论是基础研究层面、工具链层面还是应用层面，这些技术都进展喜人；

　　传统产业的企业主和行业专家相对其他群体更有“场景优势”优势，只要能够不断强化其数字化思维，他们就将成为人工智能创新项目的主力；

　　“AI+X”项目指的是以AI算法（或者芯片）等底层技术起家或者为核心的人工智能初创项目，这一类项目也是过去5-8年人工智能风口的主要形态。

　　在接下来的时间中，由于AI技术门槛不断降低，营收压力增大，同业竞争加剧等因素，这些项目会加速洗牌和转型（目前已正在发生），人工智能算法技术会结合云计算、物联网等成为产业基础设施。

　　“X+AI”项目指的是应用AI算法（或者芯片）等底层技术垂直深耕某一个传统领域或者多个领域的项目，这类项目将成为主流，更多领域的应用场景将被人工智能渗透，场景的数据潜力被彻底激发，智能化模式创新成为可能。

　　结 语

　　这是一个创新链条比以往更长更复杂的时代，无论是个人还是企业都需要有强大的学习精神和学习能力，唯有如此，我们才能适应数字化、智能化时代的快速节奏。

　　人工智能技术从学术研究到商业化，就是一个需要不断“跨界”的过程，“保持敬畏，持续跨界学习”就是人工智能商业化落地的基本姿势，与各位同仁共勉！

　　我们看好人工智能的未来！