从技术的发明到落地的“最后一公里”问题，是最具社会价值的命题。在人口红利逐渐消退的今天，各行各业都面临着人力成本居高不下，流程效率亟待待提高，拓客面不断变窄的影响，AI的兴起带来了一股转型的新风，却仍与人们最初的期待存在着差距。

11 月 23 日，粤港澳大湾区数字经济研究院（International Digital Economy Academy，简称“IDEA”）CTO Labs 总负责人幺宝刚与氪信科技创始人朱明杰、智加科技中国区总经理容力、 翼方健数首席科学家张霖涛等 AI 产业界代表者共同开启 AI 产业落地论坛，分享了各自在行业深耕的经历和思考。

以下内容由 InfoQ 整理自现场速记，经过不改变原意的删减。

主持人： 人工智能产业化的时代已经到来。但如何做“可落地”的 AI，真正体现出 AI 的社会效益和商业价值？在这个论坛上我们会邀请几位来自不同领域的行业大咖，分享他们在 AI 落地过程的经验和心得，共同探讨 AI 产业化的挑战、道路和前景。有请：

IDEA CTO Labs 总负责人幺宝刚

翼方健数首席科学家张霖涛

智加科技中国区总经理容力

氪信科技创始人朱明杰

幺宝刚： 大家早上好！我在 IDEA 是负责 CTO Labs 建设的，所以我对 AI 产业化一直非常关注。

昨天 Harry 也提到过，我们既要仰望星空又要脚踏实地，所以选择了一个很脚踏实地的话题。

首先我介绍一下在座的三位嘉宾：

朱明杰博士是我们 CTO 工作室第一批入驻的成员，氪信科技的创始人，毕业于科大少年班是 MIT Take Review 评选出的 35 岁以下创新的 35 人之一、上海市青年拔尖人才，氪信也是首批与 IDEA 成立 CTO Labs 的企业，我们也很期待接下来把这个工作室一起建设好。

张霖涛博士，毕业于北京大学和普林斯顿大学，也是 IEEE Fellow，在翼方健数担任首席科学家。翼方健数是我们昨天刚刚宣布的第二批工作室成员之一，也非常感谢霖涛博士的支持。

容力博士，毕业于清华大学和滑铁卢大学，在人工智能领域有 20 多年的实践经验和经历。他现在是智加科技的工程高级副总监和中国区总经理，也是自动驾驶领域，自动驾驶领域一直是我们很关注的赛道，也非常希望未来有这个领域的 CTO 工作室成立，也期待跟容力博士一起探讨未来的合作机会。

接下来请几位嘉宾先从他们自身的业务出发，来介绍一下他们怎么定义可落地的 AI。从明杰博士开始。

朱明杰：AI 要落地，首先行业的痛点要足够明显。氪信科技是一家 AI 公司，面向落地的行业主要是金融行业。现在中国尤其是银行，资产规模前 15 位的银行应该大部分都是我们的客户。我们是帮助他们做深度数字化转型的合作伙伴。

关于 AI 可落地这件事，首先要回答：这个行业或者这个场景为什么需要 AI？我们就拿银行来举例子。

2010 年以前，银行业是跑马圈地阶段，是一个人口红利时代，遍地是客户。一个银行要发展很简单，开网点，多去超市门口发金龙鱼。那时候肯定不需要什么 AI，只要多雇人，多开网点就可以。

2010 年以后，是来自于互联网的创新的良性启发阶段，大家都去开网点，竞争有点饱和了。还有像蚂蚁、微众包括很多互联网金融创新的挑战。金融行业里大家为了争夺开户，必须要学习互联网的服务方式，要围着客户去转。反映到银行身上，就是学习像余额宝一样做一些创新。

现在行业信息基础建设进程普遍起来了，这几年银行可能真的很痛苦，因为用户今天不缺金融服务，想做个转帐和支付交易，都可以不需要银行。而且现在风险越来越高，监管越来越严，这就是内卷。内卷以后要逼着大家找一个能放大它的生产力的大杀器，那就是 AI。

今天你再问一家银行需不需要 AI，他一定说需要的，因为痛点真的很强烈的。再举个具体的例子：去年中国破获的电信网络诈骗案件 32 万起，今年上半年同比增长了 60%，这个工作量和精准度不是人力能包揽的。

在这种场景上，我们也可以看到 金融行业很像中国社会的代表缩影——从人口红利开始往工程师红利。要借助工程师的力量、AI 的力量做这件事情。 我们做的也就是落地的事情。

幺宝刚： 有一个跟进的问题：我在物流领域工作过一段时间，一个大的问题是我们去哪里找机会点。

当时我们有一个非常简单的原则，就是哪儿人多就去哪儿找机会点。物流行业就是人力成本，把人力降下来。这是立竿见影能看到效果的。那金融领域怎么找机会点呢？

朱明杰： 我们从 2015 年底开始创业面向金融行业时就提到过：真爱只能用钱表达。我们做的事情一定是客户愿意买单的，愿意买单就是真实的痛点。

就像我刚才讲的，现在电信网络诈骗，它真的非常痛。因为这件事情如果没有做好，用户会来投诉，监管又要罚款，很多时候有这种客观的诉求存在，但又不可能靠业务人员一笔一笔查到是怎么回事，倒逼着他要想这件事情。这里面来自业务的需求在，我们就去做这件事情。

我们也定义了一个概念：有效 AI 应用场景。 要甄别出无效或者是伪应用场景，以免干扰我们的资源和经历。很幸运的，氪信过去这五年里，跟中国头部的金融机构不断探索、探讨哪些领域是刚需的。我们梳理了大概 24 个有效 AI 应用场景，包括信用反欺诈、反洗钱、可疑交易识别、智能营销。

这里面有很多细分领域，感兴趣的同志可以关注我们公司后续一些产品介绍，谢谢大家！

幺宝刚： 谢谢明杰博士。容力博士，从你们业务角度介绍一下什么叫可落地的 AI。

容力： 我们公司叫智加科技，是做重卡干线物流上的自动驾驶。所谓干线物流是指长途运输，主要跑高速公路，做自动驾驶，重卡是指我国拉着集装箱的大卡车。

谈到落地应用，我们做了这几年，深有体会。因为我们做的不是一个研究的项目，是要应用在重卡上的项目。

基本总结，一个可以落地的人工智能技术，在我们看来有三个点很重要：一是选中的应用一定要解决一个什么痛点或者是一个什么问题。可以是一个经济问题，也可以是一个社会问题，也可以既是经济问题也是社会问题。重卡的运输，是经济 + 社会的问题。

从经济上来讲，降本增效。未来如果能够实现无人驾驶，卡车司机这种繁重的工作，而且工资也比较高，它可以达到很高的降本增效效应。社会效应也是，如同以前织布机替代纺织工人一样，带来的是产业上的变化，社会效应也很大。

二是要可以应用。因为社会上痛点很多，问题很多，但不是所有的问题能在看得见的未来通过技术解决的。所以我们要选择一个技术能够落地解决的问题。比如现在脑机接口，不是说不能解决，十年看不到最后的应用成果。包括要探索人类的下一次移民的地方。这个问题很严重，看过《三体》的都知道，很多问题。

但我们现在作为一个公司，看中的是在看得见的三五年时间里能解决。

三是 Scalable。选择一个 AI 能够解决社会或者经济问题，而且可应用，还得 Scalable，这样才能挣更多钱。我们所看中的物流市场，是万亿级的市场，市场规模非常大，国民经济将近 15%GDP 花在物流运输上。如果对物流运输带来降本增效的作用，哪怕是几个百分点，都是巨大的经济效应。

幺宝刚： 下面有请张霖涛博士为我们分享。

张霖涛： 首先非常感谢能有这个机会跟大家分享一下我们在 AI、数据方面做的一些工作，非常荣幸能够加入 CTO 工作室，来和 IDEA 合作，我们也 Looking forward 很多成果。

我们公司叫翼方健数，做隐私计算赛道。公司已经有五年历史。最近几年隐私计算是大家比较关注的行业，我们也希望在这方面为 AI 助力。

我们公司跟其他一些隐私公司不太一样的情况是，我们公司比较专注于医疗健康、生物信息等等行业。原因很简单，因为我们公司成立得比较早，当时其他行业都还在买数据。

所谓可落地的 AI，可能跟金融等行业不太一样。比如金融，大家能够看到这个数据的价值，比如能获多少客，或者我的风险降低了多少个点。在有些数据使用得不是特别好的行业，比如医疗健康，这是非常传统的行业，非常难啃的骨头。怎么样把这个技术落地，是非常有挑战的事情。

医疗行业有非常大的潜力，我们称之为有很高势能的行业。这个地方有很大的势能，但中间有一个坝，怎么能敲掉其中一些石头，把这个水流下来一点，就会产生很大的经济效益，但你说上来就能把整快山移开，这是不太现实的。

我们在这个行业的思考是，用 AI 的能力帮助医生或者帮助一些其他的医疗患者。这个功能必须要有医院会买单或者对医生有实实在在的价值。比如刚才说的诊疗医生，如果我能做一个医生，非常了不起。你想做一个 AI 医生，需要诊疗模型。这个诊疗模型的意思是根据你的症状就知道得了什么病，或者根据这些病，要得到什么药，要建一个大的 AI 系统。

但这个事是非常难做的，包括 IBM 做沃森，Deep Mind 做这些，都想一下子做出来。在实际应用中，你说“我想跟医生说我有一个东西能代替你。”这是很难做的。我们想做一些医生能认可的，像病例自控。比如你做了一个诊疗，这个人得了胃病，但你发现你的病例上诊断都是肺部的，肺的 X 光等等，要么是病例写错了，要么是当时的诊断有些问题。对于医院病例科都是非常有价值的。

另外我们还可以帮助填写病例，叫病例助手。医生要花二三十分钟写一份病例，把各种观察记录上去。我们能不能根据从病例中学习的一些知识，帮助医生来填。我们发现用知识库、诊疗模型等可以帮助客户省非常多时间。我们在一些大的三甲医院做测试后，发现很多医生都非常欢迎这样的产品，因为它帮医生省了时间。这都是业务落地的场景。

我们当然希望最后做的技术就是做一个病例辅导，随着我们能够收集更多数据，更多的医院 Deploy 这些系统，就可以训练出更好的模型，最后希望可以往诊疗方向走。

幺宝刚： 谢谢三位嘉宾对这个问题的分享。刚才有两个点大家都不同程度的提到，一个是怎么样能够找到真正的痛点和需求，一个是怎么样能够规模化落地。

我讲一下我自己遇到的一个亲身体会，AI，尤其是技术型的公司，往往会针对一个具体问题，定义得很清楚，去解决这个问题。但从产业或者企业的角度，往往是把整个解决方案提供出来。

举两个物流行业实际的例子，一个是用光学识别的方法，快速识别物品要到达的地址。后来我们落地时发现这个数据实验室很准，到场地不准。原来是上面有一个风扇在吹传送带，很薄的快递就被吹跑了，解决的方法是把电风扇换个位置。

另外一个例子，AGV 在场地里运输货品。一到实际场地里，速度、精准度都有问题，主要是因为灰尘太大。

从企业的角度，你只给他解决一个技术上的单点问题可能不够，他需要一个解决方案。我想知道，从氪信的角度，你们是会端到端把问题解决还是跟他们一起合作，把技术难点突破一下？

朱明杰： 氪信是第一批成立 CTO 工作室的，主要做了些什么呢？我们通过这段时间和幺宝刚老师合作，宝刚老师很多经验，包括 IDEA 其他研究员丰富的经验，对我们本身的工作和产品有很多启发，这是很也共通的。大家面对的问题，不同行业都差不多。

刚刚宝刚老师说在物流行业遇到什么问题。在金融行业里，我们说到底提供什么东西时，一样会遇到。

这个事情是业务和技术之间的距离，或者叫人机距离。 操作的人跟最后给他一个算法的东西，算法解决只是其中一个问题，这之间有很大的距离。业务员不懂到底怎么回事，出来一个数字或者模型，要解释给他。尤其 AI 又是黑盒子，在金融里这个问题非常重，但在一开始时又不得不给他提供的是单点的技术问题。

最开始时我们什么都没有，面对的客户又是非常大的银行。大金融机构被逼到内卷后没有办法，就要开始自动决策，会抛出一些单点的问题让你来解决。AI 公司都是去解决这样的技术问题。但后面的客户说他既不是那么熟悉数据，对业务的了解也没那么多，还需要你去告诉他该怎么做这件事情。

我们提供的产品解决方案是 AI 部分要加上业务部分，所以我们把这个东西叫 AI+Professional knowledge（专业知识）+Integration（融合），简称“API”战略。 我们过去几年在给大客户里做的单点技术问题过程中，一直在学习业务的 Know-How。把业务的 Know-How 变成内核是 AI 的技术框架，外面加一个业务解释层，能让业务的人懂，而且还能预制一些业务指导操作的经验，这样才能把产品给推广出去。

归纳下来，我们做这件事情，是需要在前期做单点，越到后面沉淀的东西越多，能固化下来的东西就越多。像最开始，大家拿的 AI 是电动机，不知道能干什么，我们就去不断向主人科普：你洗衣服怎么做的，我是不是可以帮你做一个壳？那就做成洗衣机；或者你需要做一个制冷的东西，我们可以做一个电冰箱。

客户要的是电冰箱、电饭锅、空调、洗衣机，不是要你的电动机。

幺宝刚： 容力博士，自动驾驶现在可以说是风口，大家都在往这个方向投入、努力。肯定这里面有很多需求，因为它既是经济问题也是社会问题，你们为什么选择了重卡领域而不是乘用车领域？

容力： 这里一个关键点是重卡作为运输的，按照我们以前学的理论，它是一个生产资料或者生产工具。它跟我们平常用的车是不一样的，作为一个生产工具，你如果给它一点降本增效的效应，就会让资本家有极大的兴趣。

卡车做自动驾驶和乘用车做自动驾驶都有一个共同点，现在技术不是完全成熟。如果在路上碰见一辆车在公开道路上开，车里没有司机，这还是比较罕见的，只有在非常少的限定的小区域里测试可以做到。

这个技术还没有那么成熟，但我们认为重卡的自动驾驶将会率先落地，率先落地的逻辑是因为我在能够完全去掉驾驶员实现之前的情况下，就带来降本增效的效益。因为现在通过人工智能、大数据、算法，能够让人工智能的辅助驾驶在开卡车时比老司机还省油。

大家做过物流行业，尤其是重卡驾驶，就知道我要是做一个物流企业尤其做一个车队，一年的费用里，将近 25-30% 是油费。如果通过人工智能自动驾驶方法，比老司机能省大概 10% 的油费。这是巨大的效益，尤其在物流行业内卷比较严重的情况下。

在完全无人驾驶实现之前，我们目前看到中的这个赛道，用重卡做无人驾驶，今年、明年就能达到这个效益。

我们公司做现在的自动驾驶卡车，是前装量产，跟一汽解放合作的，今年已经量产下线了。我们认为我们过去两年多的努力没有白费，现在能把自动驾驶、人工智能技术落地到重卡上。如果我们去做乘用车，它是看起来很性感的东西，比如我们做人工智能做到了比特斯拉还强，这一定是新闻头条 。但在我们作为公司来看，我们看中的不是上新闻头条，也不是把自动驾驶这个技术让大家都知道。我们是想挣钱的，这也是为什么选重卡自动驾驶。

幺宝刚： 容力博士，你既然提到特斯拉，我必须问一句。特斯拉花了很多精力投入到 FSD（完全自动驾驶）技术，在新闻上也做了很多这方面的宣传。乘用车的 FSD 技术跟重卡有什么关键的核心上的不同？

容力： 技术本身差别不大，两个流派：Waymo 流派、特斯拉流派的。Waymo 从收集数据开始做，大概现在有 600 台车在路上跑。还有一个是特斯拉这种方式，一边造火箭，一边造车。火箭是星辰大海，车是现在就挣钱，车给大家带来推背感的体验。

在我看来和重卡相比，技术没有太大区别。我们认为特斯拉的路线可能是正确的，首先要让车在路上跑，跑了才有足够的数据，有 100 万辆车的自动驾驶在路上跑，最后才能说那么快能实现 FSD。这样的数量规模是 Waymo 这几百台车没法比的。

可以说我过去受到宝刚和其他同事们的教育，一直认为大数据，100 万辆车的规模在路上跑，收集的各种各样数据，这是无法用一个实验室里拍几百台车的数据能解决的。

幺宝刚： 霖涛博士，刚刚您也介绍了你们在医疗领域的一些具体应用。但在我心目中翼方健数首先是一个很大的平台公司，隐私计算也是你们很关注的领域。回到需求，有一个说法，说隐私计算是“AI 落地的最后一公里”，您同不同意这个说法？

张霖涛： 我当然非常同意。我刚才说到很多 AI 应用问题，我们不是传统意义上的 AI 公司，是隐私计算公司，做数据和平台的。

问题在于我为什么要去做 AI，隐私计算本身不一定有任何价值，价值最后还是要数据的价值，用户觉得我需要这个东西。

像朱博士刚才谈的电，我们之所以要做这些应用，就相当于先弄个灯泡。我怎么能告诉你说电有用，这很难。你告诉我电有用，将来怎么样怎么样，人家说我现在有什么用？你说我现在就能给你点亮灯泡。我们现在讲的辅助诊疗是做这样的事情。

我们不希望说以后你家里的电器都我包了，这不是我们的目的。我们希望电给你布好了，将来有更加专业的公司能够把其他事情做起来， 比如医院里有各种信息化，比如药企就愿意用医院的数据做药物研发。比如保险公司会愿意用医院的数据对医疗的保险做很多控费，能够更有选择的进行保单的定价等等。

像这样事情，不一定是我们能做，当然我们也会去联系数据员和数据提供方。但我们也深深知道，数据全部用起来，数据的价值，这是几十万亿的市场，肯定有很多很多公司在这个 ecosystem 里大家一起贡献。但最重要的事情是一开始能把这个数据先变成一个可用的情况。

所谓可用的状态，医院里以前信息化是各种公司的设备宕出来的数据，每一家医院的影像设备都不是同一家公司造的。他们也无所谓，因为这个数据是不准备给别人用的，只是万一出了什么事需要查，就拿来用。我怎么把这个数据弄成将来被药企、保险公司用。我们需要做这个数据的治理、清理、归一和数据标准的制定。这些事情我们都得做，而这个东西也要用很多很多 AI 的技能，因为不可能全部都用手做，我们在这个过程中用了很多工具。

这么多工具，难道只是为了医疗上给大家填病例吗？不是的。后面希望把这个事情 skill 起来，需要各个其他公司的贡献或者一起协作。

幺宝刚： 谢谢霖涛博士。三位嘉宾都是有科学家头脑的创业者，从企业角度，企业对投入产出还是很在意的。在 AI 落地过程中，很多时候遇到的问题是项目制和规模化。怎么样避免被困于定制化的瓶颈中？

张霖涛： 也不是，这是所有 To B、To G 业务的痛点，我们公司主要是 To B 和 To G，不像 To C 的业务，做一份东西所有人都能用，To B 和 To G 往往是要定制的。我们也是深刻认识到这一点，其实没有什么特别好的答案。

我们在过程中不断地优化自己的能力。比如像做数据清洗，第一个医院进去，折腾得不得了，为了折腾这些工具，就建了很多自己的工具，用 Machine learning 的方法做得更快一点。到第二家医院就发现好多了，但又出现各种各样的问题，我们又得修。等做到第十家医院，该见过的事情都见过了，希望是这样做。从我们过去的经验来说，确实是这样。

很多 To C 的公司也会遇到这样的问题。第一个客户和第二个客户可能不一样，但第 1000 个客户和前面 999 个客户已经覆盖得差不太多了。

容力： 对于自动驾驶来讲，第一步就想得非常清楚我们要做一个产品，所以非常仔细的花一些时间定义这个产品，包括跟一汽解放合资成立像智途公司来发布这个产品，包括和我们的大股东满帮集团，我们很早就定义了这个产品，按产品的方式做。这样很早就规避了做项目，从第一个做到第十个的情况，取决于产业链最开始的建立，绕过了很多问题。

这是我们公司过去走的路。

朱明杰： 解决这个问题，最重要是产品化。我们这几年的实践下来有两点心得：一是用 AI 工程化的能力解决这个问题。我直接拿一个电动机给人，他就问你这个电动机能不能抽水，能不能干啥，你每一个都要给他做一套。

我们的 AI 决策引擎叫“非或然引擎”，外面套了一个 Pilot“业务专家驾驶舱”的壳，缩短人机交互的距离，能让业务人员更透明的看到输出结果和业务之间的关系。这需要跟业务场景磨炼很长时间，我们希望快速的做出“洗衣机”和标准的东西。

再者，就是跟大的头部客户做标杆，跟相对小的客户做规模化拓展。 因为相对小的客户自己知道他的业务知识也需要依赖于你，你的 Pilot 系统加“非或然引擎”给他的东西能够解决他 90% 的问题，也会更信赖你。

总结起来，还是响应沈向洋老师的建议：躬身入局。 我们做了好几年这样的工作，从这两年开始能看到一些收获，逐渐把这个业务和形成的“非或然引擎”+Pilot 系统集成 API，在通用场景上把它推广开。我们也希望以更快的速度让更多客户能够用上这些东西。

幺宝刚： 我们刚刚都谈了一些非常脚踏实地的话题。最后我想问一个仰望星空一点的问题：有一个说法是未来所有的企业都是 AI 企业。我也想请几位畅想一下，我们离这个未来还有多远？

朱明杰：行业进入到内卷时代后，就不得不成为 AI 企业。 说白了就是人口红利没了，必须借助工程师红利，如果工程师红利也不能解决，可能就留给未来去解决的问题吧。

比如我就自己开一个包子铺，不用什么 AI，只要把我家门口的生意做好就行了。但我要开一个连锁包子铺，要管理上千家企业，这么多流程，一定要从浅层数字化到深层数字化做到，做到这件事，必然倒逼 AI 的企业转型。

容力： 说所有的公司都是 AI 的公司，看怎么去理解。我认为这是一个非常非常美好的前景。对于我们在座的大家应该是非常好的，一小部分公司会成为 AI 的公司，其他的公司不得不借助我们在座的人，这些 AI 公司，去拥抱未来。

为什么只有一小部分人才能做到真正的 AI 公司，其他的公司去仰仗我们这些公司做事呢？因为成为一个 AI 公司并不那么容易，要有 AI 的人才、文化，还要有 AI 的胸怀。

张霖涛：我们认为不一定所有的公司最后都是 AI 公司，但所有公司可能都是数据驱动的公司或者数据公司。这个数据要拿出来用，需要更多的 expertise。

比如要做 AI，我们现在知道算法、算力、数据。不是所有的公司都有这三个能力这三个能力是非常非常少的 combination。阿里巴巴有，但随便一个社区医院不可能有这方面的能力。我们隐私计算做的事情是希望把这个东西 decompose。decompose 的意思是提供数据的人不一定懂算法，做算法的人不一定有数据。

像刚才说的包子铺概念，我开一家包子铺，有很多数据，我的客户都是谁，每天来我这儿吃多少包子。但问题在于你这个包子铺一共就三个员工，不可能有这样的能力。但他有数据，如果能把这个数据 expose 给别人，让别人来用，并且在很小的摩擦，建立数据和服务，很容易做起来，这就是隐私计算希望做的事情。

做成这件事后可能就有别人来为他服务，有一个标准的应用，把他的数据分析，说你应该这么调你的包子馅，因为别人都是怎么做的，你这个怎么做的。将来可能所有公司都是数据驱动或者 AI 的公司。

幺宝刚： 这个话题是非常大的话题，随着技术的发展，人才的集聚，外面的大环境包括人口红利逐渐消失，产业升级的需求，这个问题也变得越来越重要，我们只是在这个领域从不同行业、不同方法去尝试。