少听大忽悠的AI万能论：不打开四道锁，企业永远无法享用AI

原标题：少听大忽悠的AI万能论：不打开四道锁，企业永远无法享用AI

如果你是一位科技和AI爱好者，想必会在各种信息渠道看到“人工智能又能干什么了”、“人工智能又在某领域超过人类了”，这类消息近乎于每天都在我们的眼球前摇晃。

久而久之，我们似乎会习惯性地认为AI已经可以拿下一切问题，甚至觉得AI已经是万能的。

这种想象假如只存在于普通消费者脑中，那么可能还好；假如企业家和行业从业者也靠这些判断来贸然尝试引入AI，那麻烦可就大了。

事实上，今天无论是科技大V、社交网络上的“明白人”，还是各种培训讲师、创业BP，都在似有似无间强调企业应用AI的“神奇之处”，这些亦真亦假。但他们不约而同选择忽略掉的，是今天中国企业选择应用AI时，还有大量的困境与难题摆在眼前。

企业AI并不是已经做好的蛋糕，只要付费后拿起刀叉即可享用；相反它更像是一片沃土，想要吃蛋糕，那么企业要从学会种小麦开始。

今天我们来聊聊，企业要跨过哪些困境才能享用AI。注意这个表述：享用。假如一个企业只是想要使用AI，那么很简单，在传达室装一个人脸识别门禁花不了多少钱，效果也不错，但问题是对企业的生产和市场似乎并没有什么用处。而企业想要购买全套的AI解决方案也很简单，只要付费即可得，问题是这些技术来到企业之后到底有什么用，是赔钱还是赚钱，就不得而知了。

所谓享用，是企业要真实地从AI中获益，可以控制AI为企业本身服务，甚至将AI作为进一步增长的生产资料。

我们注意到，前不久的苏州智博会上，华为云就为我们解释了关于企业智能EI的相关问题和华为云提供的解决方案，其认为能够帮助解决实际问题的AI才是企业需要的AI，AI也只有在企业的产业化落地才是真正的企业智能。今天我们就结合华为云体系中的企业智能EI服务案例，来看看今天横亘在企业与AI之间的四道枷锁。

或许我们也可以换个角度看待这个问题：这四道锁的一边，是媒体和公众想象出的AI；而另一边，是AI实用化的广袤旷野。

第一道锁：关于AI安全，今天到处都是坑

智能，代表着更快的数据交互，而数据的速度就像车的速度一样，速度越快，风险越高。

前不久我们已经在Facebook的数据泄露问题上，看到了AI时代面临的数据风险和安全挑战。

当然我们不能说个人用户数据和企业数据谁更重要，但对于企业本身而言，毫无疑问生产数据甚至技术专利可谓是生存下去的命脉所在。

但在我们呼唤AI高歌猛进的时候，却忽略了企业应用AI时的安全问题正在迅速扩张，并且很少被产业界重视。

我们可以看几个企业AI应用时面临的安全风险：

1、训练数据不安全。进行机器学习类的行业应用模型训练，就必须提供专属的训练数据。而这些数据往往都是从企业生产流程的核心中得来，可说是企业机密中的机密。假如必须把这些数据交给第三方，那么企业的风险系数也将骤然上升。

2、数据存储有风险。今天的AI解决方案中，企业一般要大量通过公有云API实现具体产品流程的AI化，那么也就意味着企业往往要将大量产业数据上传到公有云上。这对很多企业来说非常麻烦，但不如此又难以应用AI，容易造成骑虎难下的局面。

3、AI模型的不稳定性。去年TensorFlow已经被证实有致命漏洞存在，AI模型往往需要嫁接在不同的开发框架和应用平台上，面临着非常多的未知风险。一旦受到攻击或者任何环节崩坏，企业将直接面临着生产能力崩溃的局面。

事实上，这只是几种可能存在的风险。其他像算法本身缺乏可解释性、产业风险难以评估等等，都是围绕在企业AI身边挥之不去的安全阴影。可以说，今天企业应用AI，必须要面对随之而来的“安全问题大礼包”。

当然，解决安全问题任重道远。需要各产业环节，包括企业自身的不断探索和尝试。就华为云而言，他们在企业智能EI服务中会采取公有云、私有云等不同的交付方式，满足企业不同等级、不同产品形式的安全需求。

此外华为云还提供差分隐私保护和联合学习的方式，即通过密码学算法对用户数据进行加密。仅仅让机器学习模型去学习用户的数据特征，训练AI的同时避免泄露用户隐私和核心数据。

此外，AI安全方案也十分重要。在欧美基于AI产业发展，提供专门AI安全防护的配套服务企业已经很多，但在中国整个产业还处在萌芽阶段。AI安全有其独特的需求，比如说华为云的AI安全方案特征之一，是可以通过动态学习不断修正模型，防止模型受到攻击。AI的到来也为安全防护增添了利器，但这需要建立于企业的技术积累和实战经验的基础上。

第二道锁：脱离全栈计算谈AI，基本属于耍流氓

我们知道在AI世界，算法、算力、数据构成了智能的三要素。但在企业应用上，我们往往会过分重视算法和数据，忽略了算力也是重要的变数。

在AI这件事上，其实弥漫着一种暴利美学——面对着海量数据和运算量庞大的卷积任务，算力不达标一切都是纸老虎。

或许有人会说，企业都已经上云了，算力当然不成问题。但事实上，AI在企业应用，尤其是在工业领域应用时，需要处理大量数据的同时保证实时处理、实时决策。这也就决定了所有数据回传云端再传回来，基本是不现实的事情。毕竟谁也不希望自己工厂里的机器永远慢几拍。但终端计算显然也不可能，虽然IoT终端正在逐步发展，但相关的芯片、处理能力甚至产品形态都才刚刚开始。等终端能解决所有问题，AI的黄花菜真是早凉了。

所以说，企业应用AI时，真正需要的是云、端、边，三位一体化的算力配合，也就是企业对AI任务的全栈运算能力。今天对于企业来说的合理方案，是需要运算基础算力的AI任务回传云端，能够轻量化、集成化进行的快速任务延伸到边缘进行；而在硬件条件满足的前提下，再下放一部分到终端完成。

云边协同和异构计算，都是企业应用AI时无法绕过的问题。为此，前不久的苏州智博会上，华为云刚刚发布了智能边缘平台，帮助企业快速、低成本部署边缘计算能力，迅速激发AI的实用价值。

有一个华为云分享的案例，可以非常直接地展现出云边协同对于AI的价值。华为云的智慧园区解决方案中，提供了动态人像检索服务。通过摄像头，园区可以实现百亿人像秒级搜索。

人像搜索需要快速给出判断结果，完全上传云端自然不现实。但是假如要在终端部署AI运算能力，那就需要把所有摄像头换成智能摄像头。首先成本贵了十倍有余，另外爬到每根电线杆上换摄像头，那个工作量想想都够了。

而通过构筑边缘智能平台，将AI识别任务进行云边协同运算，华为云有效解决了这个问题。其实现了人脸识别1：N准确率大于95%，并且不需要换任何一颗摄像头。

可以看出，在真正的企业应用，尤其是工业应用中，对AI算力的呼唤是非常复杂和具体的。不是云，也不是终端芯片就能解决这个问题，而是需要全栈流程方案的具体部署，满足不同企业用户的不同需求。

想要把AI算力一刀切，那基本是对企业耍流氓。

第三道锁：充满朦胧美的AI产业价值

即使我们有了算力、数据、算法等基础配置，也确信自己企业应用的AI能力是安全的，AI大餐就可以上桌了吗？

很不幸，问题又来了：你怎么能确定买到的AI技术，真的实用呢？这并不是一个“杠精附身”的疑问。在AI产业价值自证上，确实存在着很多问题，比如：

1、黑箱和算法可解释性影响企业应用。深度学习模型具有黑箱性，这是今天难以规避的问题。而在企业构建业务中的深度学习能力时，算法的不透明时长会导致产品结果不可预知，甚至会因为很小的数据节点全盘崩坏。那么一味相信深度学习，很可能有一个深坑在等待着。

2、工程化问题。AI技术可以快速从实验室走到企业中，是它令人激动的一面。但同时也带来了问题，那就是很多算法和解决方案看起来很美，但却缺乏工程化可能。比如稳定性、延展性的欠缺，直接可能导致工程化失败。

而且新技术的准确度也是个问题，快速引入新技术，很可能买回了个不合格员工。

3、新技术的产业周期回报问题：AI并不是免费的。引入AI，意味着企业要增加各种成本，消耗大量的资源。但这些技术是否能在可靠周期内带回效益，对企业来说却是未知数。另一方面，假如期数延展性不足，企业购买的新技术很快被淘汰，或者无法与其他环节连接，那么企业应用AI时的未知数更将扩大。面对庞大的未知，企业在应用AI时往往是望而却步。

这个难题，最好的破解方式其实也简单，那就是直接引入在其他企业得到反复尝试，被证明没有问题的技术——绝不做第一个吃螃蟹的人，对于企业，尤其是中小企业来说是至理名言。

华为云的企业智能EI服务方案中，一个特性就是把已经在华为内部实验并应用了很久的技术，推广到各合作企业与行业中。华为作为一个巨型ICT企业，内部就已经是一个各种AI黑科技的绝妙舞台。并且华为也一直在坚持技术先内部再推广的原则。而AI显然是其中的核心，比如近期任正非又强调要加强AI在华为内部的应用，并且建立了专门的资金与技术团队。

从华为体系中先内而外的AI案例有很多。

比如AOI自动光学检测。在电子元器件焊接中，传统情况下需要工人一人4机值守来查看可能发生的缺陷，靠人工来审查焊接缺陷率。

显然，这种方法不仅速度慢、效率低，而且在检测过程中容易出错。根据资料，在华为松山湖工厂的生产线上，每个工人做每次检验要耗时5分钟左右。

在加持了AI之后，华为云通过工业视觉领域的图像识别能力，帮助焊接流程实现了无人值守，极大减少人工参与，并且提升了过程中发现缺陷的效率。

那么很明显，这项技术是在华为内部检验成功后，是可以推广到类似需要AOI检测的企业与工厂中的。

事实上，不仅是单独的技术部类，深度学习能力也一样可以进行先内而外的迁移。比如华为云正在使用迁移学习技术，将华为针对多个典型客户场景，所训练出的高性能的深度学习模型预置在华为云深度学习服务中。客户只需要少量数据和训练时间就可以完成独特模型的训练。

AI固然好，靠谱很重要。在企业应用AI时冒险并非美德，尽一切可能收获成熟AI能力，这或许也应该成为AI产业中的某种常识。

第四道锁：无法回避的行业独特性

最后一个问题，是很多AI专家在畅想未来时都有意无意规避掉的，那就是任何一个产业和企业，都有自己面临的独特性。无论是周期、需求、产业上下游关系，甚至所面临的客户特点，这些都让通用性AI往往施展不开手脚。

毫无疑问，让AI的价值最大化，那就必须要让AI和产业特征、企业周期、行业规律相结合。但这在今天显然是最难的一道关卡。

我们可以来看一个行业特定属性达成AI化的案例。在华为云企业智能EI服务中，有一个特殊的客户：供暖单位。如何让供暖在保证热率的同时，降低污染和排放，这是一个大众普遍关心的问题。但这里利用通用的AI计算方式显然不行，而是需要对于供暖产业中的独特数据，比如燃煤率、锅炉装置、燃烧通风率等等进行数据收集和整理，再用独立的AI算法给出解决方案。

通过华为云专家们深入场景的苦战之后，研发出了供暖阀门动态调节的技术。新的阀门会根据燃烧、温度、能耗、通风等不同情况自动调节，从而在不改变热度的前提下达成了能耗下降4-16%。对于雾霾天和取暖需求来说，可谓功莫大焉。

那么，到底如何针对不同行业和企业给出独立AI解决方案呢？

首先是满足不同技术等级用户的需求。比如华为云深度学习服务，就根据用户不同需求订了5个等级，让有技术开发能力和大规模应用需求的用户试用更高等级开发支撑，中小企业和轻度用户可以使用轻度开发降低成本。这种避免一刀切的AI策略，首先满足了不同企业的核心差异化。

其次，华为云提供颗粒化的人工智能API服务，满足企业具体、定制、重构的AI业务需求。让企业可以像去超市采购一样找到最合适自己的方案。

再次，在AI深入各行业当中的时候，最重要的一关是线下支持。毕竟AI的新颖和变化，对于大多数企业和行业来说都是无法马上适应的，只有强力的线下解决团队，企业才真正没有后顾之忧。

当然，行业独特性是一个非常模糊的概念，无法用某种万能公式去套用。唯一能做的，是AI和行业携手，一关一水去探索未知。

如何拿到钥匙？

说了这么多，好像AI很困难，不怎么靠谱的样子。但事实并非如此，今天AI在商业应用上的整体完成度已经值得期待，与大部分行业的连接密度可能都超过我们想象。所受困的是行业基础和人才窘境，这些当然都是问题，但同时也是企业超过竞品的机遇。

企业应用人工智能，在今天是否有打开这四道锁的钥匙呢？当然也有。

开锁的第一步，是要认识到锁的存在。这句非常像是废话，但其实不然。面对人工智能，今天垂直行业中普遍缺乏良性的认知。过于抵触和过于乐观是我们最常见的两种企业态度，但真正应用和掌控AI，显然两者都不可取。

其次，是要找到靠谱的产业合作关系。AI是无法一个企业、一个行业完成的共生技术体系，只有信赖，才能衍生未来。

最后，是要认清商业逻辑的必然阶段。解锁AI应用的每一步，事实上在这个产业周期中都是形成新壁垒的过程。无论是算法、人才还是数据，甚至是产业经验与产业关系，这些都是企业接下来的战略优势。合理积累优势并去撬动下一个可能，或许才是AI带给企业的真正机遇。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。