为什么 AI 很火，落地却很难？
目前 AI 在产业中的应用场景主要分为三大类，即智能感知、智能交互和智能决策。在这三类场景中，AI 要真正落地，就需要降低算力成本，提高算法和框架的性能。只有这样，AI 落地时才不会因为成本过高而失去商业价值，进而实现商业化、规模化。
——谭茗洲 远望智库人工智能事业部部长、图灵机器人首席战略官
过去 10 年间，在 5G、大数据、云计算等新兴技术的赋能下，人工智能 (AI) 加速发展。但 AI 技术 “落地难” 的问题也随之而来。日前《深圳经济特区人工智能产业促进条例 (草案)》首次披露并提请审议，将探索建立与人工智能产业发展相适应的产品准入制度，并支持低风险人工智能产品和服务先行先试。这也是全国人工智能领域的首部地方性法规。
AI 产品落地难并非个案。如何让 AI 产品顺利落地，打通创新 “最后一公里”，已成为人工智能应用阶段急需解决的问题。
AI 既能提高劳动效率，又能解放劳动力，但在各行业的实际应用中，进展却相对较缓慢，这是为什么呢？
“AI 落地是一个知易行难的过程。数据是制约AI成功落地的一大因素。因为 AI 依赖数据训练基础算法。获得有意义的高质量数据，对于 AI 落地成功至关重要。如果缺少统一、标准化、高质量的数据，AI 应用可能就是无米之炊、无源之水。” 远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲在接受科技日报记者采访时表示。
有专家指出，数据有 “罪” —— “自由散慢”。“自由” 是指当你靠一些服务器收集数据时，会发现很多数据有问题，根本无法使用。比如英国调查机构发现，80% 的人都出生于 1911 年 11 月 11 日，之所以有这种情况，是因为有些被调查者不愿回答一些隐私问题，在需要输入出生日期时他们想输入00，但系统不允许输入 00，于是大家就都输入 11，所以 80% 的人生日都是随意填写的。“散” 是指数据散落在各处。“慢” 则是指数据的更新速度慢。
再比如在制造行业，“该行业产生了大量的数据，数据质量和数据管理问题非常重要。” 谭茗洲指出，但是制造业的数据可能是有偏差的、过时的，甚至是充满错误的。尤其是在生产车间这种繁重的制造环境中，极端、恶劣的操作条件下收集的数据。
此外，数据的风险和合规因素也不容忽视。“AI 让企业开始习惯于大量依赖机器帮忙做决策。在这个过程中会带来隐私保护、AI 可信度、伦理和社会的问题等，这些都是 AI 在落地过程中需要解决的。” 谭茗洲强调，规模化也是一大难题。大多数企业的 AI 创新都是点状的、实验性质的、局部的创新，缺少规模化、商业化、运行态的布局。
业内普遍认为，任何新技术想要在行业中实现规模应用，都需要为企业降低成本、增加效益，并能为企业寻找创新的机会。以目前的 AI 技术水平而言，很多时候还只能在产业的某一个环节、某一个步骤实现 “降本、增效、创新”，只有在极少数的情况下，AI 技术才可能完全替代人类。
“目前 AI 在产业中的应用场景主要分为三大类，即智能感知、智能交互和智能决策。在这三类场景中，AI 要真正落地，就需要降低算力成本，提高算法和框架的性能。只有这样，AI 落地时才不会因为成本过高而失去商业价值，进而实现商业化、规模化。” 谭茗洲说。
谭茗洲指出，应用场景、资源与基础设施、算法和模型、智能设备、数据构成了 AI 技术落地的五大要素。如何将这五大要素在落地场景中实现协调，是 AI 技术在产业界落地的另一个关键点。在实现智能感知、智能决策、智能交互的时候，往往任何一个要素的变化都会导致其他要素的变化。比如算法模型发生变化，设备资源调度就要跟着改变。结果就是，真正落地实施的时候，算法专家、设备专家、资源专家，以及应用开发的合作伙伴都需要在场。这最终导致 AI 落地的成本太高，无法真正在产业应用中大规模铺开。
如何才可能让整个 AI 落地的成本快速降到有商业价值的水平？“需要让这些要素并行发展，不用在任何时候都要顾及所有要素。也就是说，算法专家不用关心应用是什么情况，设备供应商也不用关心算法问题，把这五个要素进行解耦，让一个要素相对其他几个要素变得更加透明。从思路上看，这有点像 PC 操作系统，把鼠标、键盘等所有设备之间的复杂度都通过一个标准化的协议屏蔽掉，让它们之间能够互相解耦，各自专注自己擅长的方向，以降低各个方面的成本。只有这样 AI 才能真正规模化，实现商业上的成功。” 谭茗洲说。
什么样的应用才是真正的 AI 应用？“未来还是要结合场景和用户体验去重新设计，用 AI 本身的方式思考，才会产生真正的 AI 应用。” 云知声董事长兼 CTO 梁家恩认为，未来 5 年会有真正的 AI 应用出现，AI 的能力也会发挥到极致。到时候，AI 作为一项 “背后的技术” 已经普及而且消费者将会对其毫无感知——因为技术应用的最高境界是技术变得无感。
人工智能专家丁磊在其新作《AI 思维》中强调，AI 不只是一个技术、工具，更是一种思维方式，它能够帮助我们有效分析大量的数据，并从中得出预测，甚至帮助我们做出决策。那么，在 AI 落地过程中，储备真正懂得 AI 思维、AI 语言的人才，就显得尤为重要。
实际上，在大部分的企业场景下，都是工程师、科学家讲一套语言，而业务负责人讲另外一套语言，相互之间没有一个很好地交流通道。这种状态进一步导致了 AI 的落地难。
谭茗洲说，有经验的人工智能专业人员很难聘请，这对于所有行业的企业来说都是个难题。实施 AI 项目通常需要建立一个由数据科学家、ML 工程师、软件架构师、BI 分析师和中小企业相关人员组成的跨学科团队。并且 AI 落地过程中关键需要加大对企业老板或者业务负责人，甚至包括部分一线业务负责人在 AI 思维上的提升和教育。当这些人真正地理解 AI 数据思维的闭环逻辑时，再进行 AI 落地就会顺利很多。
建设高端人才队伍，开设人工智能专业的高校无疑是 “冲锋军”。如今，一些高校开始注重培养学生跨学科意识，结合自身特色专业，制定有关 “人工智能 ” 的培养计划。
谭茗洲表示，AI 教育从本质上来说，不是知识层面的教育，而是思维能力、思维方式的教育。应该从小抓起，帮助广大青少年树立 AI 意识，不断提升他们的科学素养，并激发其对人工智能的兴趣与热爱。目前中小学开展的人工智能相关课程，偏向于基础性编程教育，通过模块化操作，实现一些智能功能，例如让机器人踢足球、行走等，这样可以帮助青少年培养机器学习的思维，让中小学生对人工智能建立初级认知。