在刚刚过去的2021年，我们见证了人工智能这个子行业的风风雨雨。一些企业长期亏损，甚至破产。部分企业成功获得融资或成功上市，可谓几家欢喜几家愁。但纵观中国的人工智能产业化，我们无法回避一个现实问题，那就是“人工智能企业离盈利还有多远?”诚然，人工智能领域的研发工作需要巨大的投入，但所有R&D的投入只有在产业化的场景下才能实现真正的商业价值。脱离了实际的产业需求，人工智能只能停留在技术本身。
目前人工智能的产业化发展有三条路径:(1)AI+产业，即人工智能的技术公司掌握某种人工智能技术，然后走向产业化的具体场景。比如商汤科技、田芸李飞、师旷科技等知名人工智能公司，都走的是这条路。(2)行业+AI，即某个细分行业的公司，尤其是头部的大企业，主动引入人工智能技术完成升级。比如平安保险、顺丰等大企业的细分行业，进行自身产业升级。(3)产学研的成果转化，即以高校和科研机构为主导，积极面向市场的科研成果转化之路。近年来，顶尖大学建立了人工智能研究院，北京、上海、深圳等城市也有很多政府支持的人工智能研究和成果转化平台。
从2020年开始，笔者一直在走访上百家人工智能企业和科研机构。基于我在行业内的所见所闻，结合自己的想法，谈谈我对人工智能产业化的思考。
1.“AI+产业”之路已经进入平台期。
“AI+产业”的模式主要是指人工智能的技术型公司，在技术上领先，然后找到合适的商业场景，实现商业价值。这条路可以借鉴移动互联网的发展。淘宝、滴滴等互联网公司通过技术和商业模式创新，发现了一个全新的0-1行业。我们以前认为人工智能的科技型公司可以做0-1的技术突破，借鉴移动互联网的经验，广泛覆盖各行各业的细分场景。但除了人脸识别等少数场景，人工智能的科技型公司并没有复制前辈在移动互联网的成功。
造成这种情况的原因很多，不能简单的归咎于市场、资本或者球队本身。笔者认为，根本原因在于人工智能技术本身已经进入了一个相对缓慢的平台期。我们拿人工智能的三个核心要素:算力、算法、数据来做相应的分析。
先说算力。根据中国信息通信研究院2021年发布的《中国计算力发展指数白皮书》分析，虽然近年来基础计算力、智能计算力和超级计算力都有较大幅度的增长，未来五年全球增速甚至将超过50%，但与日益复杂的算法模型和快速增长的现实需求相比，仍有较大差距。同时，存储与计算的集成架构、量子计算、光子计算、类脑计算芯片还处于实验室研发阶段，距离大规模商业化还有很长的路要走，不可能以技术革命的方式实现跨越式发展。虽然，商汤科技、华为等头部公司采用建立人工智能计算中心(AIDC)的方式，满足未来智能计算需求的快速增长;我国神威、天河、曙光E级超算系统的研发也在逐步推进，国内多家硬件公司已经开始在国内替代计算机硬件。但在短期内，计算能力将是制约人工智能技术发展的一个现实困难。
先说算法。从表面上看，算法是计算机技术，但从本质分离分析来看，它是一个数学问题。这几年数学领域还是有很多发展的，比如无穷函数计算，但是在计算机领域发展速度就没那么快了。就算法的发展来说，中国和美国的顶尖算法没有代差。虽然层算法需要投入大量资金进行研发，但就应用层而言，企业可以自行下载Gitub或OpenAI的开源代码，或者使用百度、阿里、腾讯等互联网大公司现有的技术方案，从而大大降低了技术应用的门槛。论市场竞争层面，人工智能技术型公司在数字化转型上并不一定优于传统互联网公司甚至传统企业。
另一个关键因素是数据。自2020年以来，中国逐步收紧了与数据安全相关的管理。《个人信息保护法》、《数据安全法》以及九部委发布的《关于加强互联网信息服务算法综合治理的指导意见》，使得人工智能的技术公司获取数据越来越困难。除非他们能够深入到业务细分场景，否则很难像过去那样获得训练算法模型的大规模数据。这些“喂养”算法模型的数据大多掌握在行业内的公司手中，尤其是大公司。这些大公司几乎很难与人工智能的技术公司合作，无论是出于商业目的，还是为了自身的商业安全，这也使得人工智能的技术公司在产业化的道路上困难重重。
二。“产业+人工智能”与产学研成果转化的契机
“行业+AI”的路径属于行业内企业自发升级的过程，我们可以将其概括为企业数字化转型的过程。为了适应市场竞争，行业内的企业会积极寻求与人工智能领域的技术公司或研究机构合作，甚至组建自己的团队来完成研发。对于大多数行业的企业来说，面对的不是一个0-1的全新市场，而往往是在现有的红海市场中竞争。这种长期在行业内打拼的经历，使得他们在人工智能产业化方面有以下两个独特的优势:
1.在具体的生产场景中掌握大量的专业知识和数据:我们一般称之为行业诀窍，比如化工材料的配方或者某种特殊的生产工艺等。在这个行业中，技术诀窍往往是企业的核心秘密。在一些数据收集封闭、生产流程保密的领域，只有少数企业能够获得足够的专业知识和数据用于训练人工智能模型。因此，很多行业的企业在寻找技术合作伙伴时，往往会排斥咄咄逼人的技术公司，为了避免培养潜在的竞争对手，往往会要求技术公司提交算法源代码。
2.了解真实的交易和应用场景:比如如何建立可靠的供应链，如何分析市场信息，如何建立全新的商业模式和盈利模式等。这些内容看似属于业务相关的范畴，却是科技型公司的痛点。几乎90%的人工智能公司都死在了打磨商业模式和寻找应用场景的路上。但对于行业内的企业来说，敏锐捕捉市场机会，从行业中赚钱，是他们与生俱来的天然能力。不具备这种能力的企业，都在过去的市场竞争中被淘汰。
随着人工智能技术进入门槛的降低，大量传统企业适应人工智能技术会更加方便。未来，每个企业都有成为“人工智能+公司”的潜力。相信随着国家新基础建设和数字化转型的深入，“工业+AI”的明星企业将出现在各行各业。
在人工智能产业化的道路上，高校和科研机构的参与不可或缺。对于行业内的企业来说，高校和科研机构可以很好的补充自身的R&D能力。目前，我国产学研成果转化的道路并不平坦。虽然国家每年都投入大量科研经费，但由于学术和科研与商业和市场的巨大差异，高校和科研机构在商业判断和市场嗅觉上并不“接地气”，更多的成果停留在实验室，难以走出去，面临着“酒香也怕巷子深”的现实困境。
此外，大学和科研机构往往缺乏工程能力。虽然很容易聚集高层次的顶尖人才，但是缺乏实战型的操盘手。由于强于R&D但弱于市场，高校和科研机构往往更愿意通过出售科技成果、技术入股或利润分成等方式与行业内企业合作，而不是自己开拓市场。相对于以人工智能技术为主的公司，高校和科研院所拥有大量的国家基础研究经费。对于容易聚集人才的高校和科研院所来说，很多人工智能技术型的公司都有复杂的技术，对于高校和科研院所来说并不难。随着《国家科技进步法》的修订，科研人员参与成果转化的途径将更加顺畅。企业一旦找到自己的成果转化路径，就可以很好地与高校、科研机构建立“产业+技术”联盟。可以预见，在未来，各种新技术和成果转化平台将不断涌现，成为技术和市场之间的桥梁。
第三，从产业需求出发，以产业成果为验证标准。
人工智能行业的发展瞬息万变，即使是行业内的从业人员也无法避免持续高强度的学习和研究。各行各业的专家在跨越人工智能领域时，可能都要经历一个不断“回头看”的过程。笔者在2020年参与深圳经济特区人工智能立法时，对于“什么是人工智能”的定义，现在在内涵和外延上都显得不够充分。过去我们习惯认为人工智能就是模拟人类的智能。但是随着近几年的发展，我们发现机器在模拟人类智能方面有很多痛点，但是在模拟昆虫和动物的智能方面进步很快。许多研究成果已经在避障、行为预测等领域得到应用。所以我们发现，人工智能不能简单定义为“模拟人类智能”，而应该是“人工智能”。显然，当时几乎所有的立法专家对AI都没有一个全面的、前瞻性的认识。
人工智能领域有一个关于猴子爬树的著名故事:我们不能认为目前人工智能领域的技术进步正在促成通用人工智能的到来;就像我们不能认为猴子爬树就意味着它向登月迈出了一大步。在人工智能产业化的道路上，一定要保持谦虚务实的精神，从行业需求出发，以行业实际成果为验证标准。任何技术或商业模式的验证都有自己的时间窗口。当错过了市场机会的红利期，实现企业的快速发展是非常困难的，必然会面临更加激烈的肉搏战。
就像人工智能技术的发展一样，产业化的道路永远是“看”容易“做”难。虽然我们不提倡以成败论英雄，但在人工智能产业化的道路上，解决现实问题，得到客观结果，才是创业者需要思考的核心问题。对于每一个行业的专家来说，与其采取“预判”的论调，坚持把自己知道的东西解释给别人听，远不如在行业内做真实案例更有说服力。未来各行各业的每个企业都是“人工智能+公司”。我们愿意与行业同仁共同成长，见证人工智能产业化的发展。