随着高性能计算、大数据和深度学习技术的快速发展，人工智能迎来第三次发展浪潮。在许多国家的积极推动下，人工智能与众多领域的融合不断深入，涌现出一系列新技术与新应用。
在AI产业如火如荼地发展趋势下，传统企业已意识到AI应用可以带来巨大价值，但具体是什么，却如雾里看花，并不清晰。也因缺少一套体系化的应用方法论，其对短期内能否兑现这些价值又有水中望月的担心。同时，行业内对于AI的讨论更集中于AI产业本身，而对企业，尤其是传统企业如何切入AI应用谈之甚少。
本文旨在帮助传统企业建立一套系统、务实的AI部署思路，包括找到合适的AI应用切入点、合理规划AI项目，并匹配契合的外部合作伙伴等，助力传统企业从AI旁观者变成AI实践者（请继续关注下期本报刊文《传统企业如何拥抱人工智能》）。
AI商业化落地
美国和中国在人工智能领域处于全球领先地位。其中，在AI基础技术和算法方面，美国占有绝对优势。而在AI应用方面，由于数据获取和应用环境相对宽松，我国走在世界的前列。以新冠肺炎疫情中的AI应用为例：在高铁站等交通枢纽，AI测温系统在保证人流密集通过的同时，筛查出体温异常人员，大大减轻了手工测温的劳动强度；在医院或隔离区，无人配送机器人承担起物资、食物运送的工作，减少了接触病毒几率；在社区，疫情防控机器人能通过批量电话呼叫和多轮智能对话，自动采集与确认居民疫情相关信息，排查效率较人工排查提升数百倍；在家中，智能机器人线上应对冠状病毒的智能问答服务，方便居民及时预防疾病感染。
随着数据、算力和算法这三大人工智能发展瓶颈的逐步突破，AI产业迎来爆发式发展。我国AI产业在国家政策的推动下跻身国际前列。根据艾瑞咨询数据，截至2019年底，我国有近1200家活跃的AI企业，数量位列世界第二。其中，中国Top100独角兽企业中，人工智能企业有19家，占比为行业第一；2019年，我国AI领域融资金额达166亿美元，位列世界前茅，发表AI相关论文数量位居世界第一。近三年，我国AI市场规模以平均每年超过50%的速度增长，预计2020年将达到1000亿元人民币规模。
更为重要的是，“商业落地”已成为人工智能发展到当前阶段的主旋律。过去，AI产业发展更多侧重“硬实力”（芯片、算法平台以及AI技术）的发展。如今，随着下游行业需求的释放，AI行业涌现出越来越多的方案提供商，他们依赖商业场景洞察、专家团队实力，将 AI 技术与行业实际需求相结合，产生应用价值。研究表明，当下AI相关技术与传统行业经营模式和业务流程开始产生实质性融合，智能经济时代的全新产业版图初步显现。AI的应用也从科技企业向传统企业“普及”，对传统企业来说，拥抱AI正当时。
找准AI切入点
AI商业化落地正沿着“感知AI-认知AI-行动AI”三个阶段进行演进，其解决的需求场景愈加丰富（如图）。
AI商业化落地呈阶梯状渐进过程，通过不同的AI技术，实现数据的识别、理解、分析、探索和最终决策。
①在感知AI阶段，以数据感知应用为主，主要技术包括语音、图像、自然语言识别技术，主要目的是通过AI技术实现更多的多源异构数据在线。
②在认知AI阶段，以打造数据、业务和探索三大中枢为主，主要的AI技术包括知识图谱。目的是在数据在线的基础上，实现数据打通和数据实体的关系建立，并构建知识图谱。通过知识图谱从知识中更好地梳理出能供分析决策使用的信息，最终在现有领域基础上进行外向探索，扩展知识边界。
③在决策AI阶段，以打造行动系统为主，利用认知AI技术以及机器人技术进行辅助决策和行动控制。
对传统企业来说，了解AI商业化应用过程能更好地定位自己所处的阶段，从而更好地找准AI切入点。
从AI商业化程度来看，安防与金融领域程度最高，汽车、医疗、零售与教育等行业也有大量场景落地开花
AI商业化程度的高低主要取决于数据可得性、商业价值和方案实施难易度。从数据角度来看，海量、多源、动态更新的数据是训练模型和进行数据挖掘的必要条件，也是AI方案落地的基础，商业价值的高低则决定了企业是否愿意为AI方案买单。例如，在安防与金融两大领域，政府对安防的投入意愿以及金融企业应用反欺诈所能减少的损失，使得两大领域对AI投入的意愿强烈，提供了AI方案落地的土壤。方案实施难易度也是一大重要因素，企业更期望借用成熟方案进行快速部署，因此，无人收货、无人闸机、智能排班等跨行业、普适性强，因而更成熟的场景广受欢迎，而使用面窄且需要进行大量硬件采购/替换，以及大量人工参与数据标注的方案会受到冷落。
基于以上三大因素，目前安防、金融领域的AI商业化程度最高。汽车、医疗、零售与教育等行业也有大量场景落地。自动驾驶、智能医疗影像、无人零售以及教育机器人等方案的应用，正在提升行业内AI的“热度”。
对于传统企业，在开展AI项目之前，先从数据可得性、商业价值和方案实施难易度三个方面审视一下所处行业的AI商业化程度，为企业找准合理的定位与预期，并提前补强基础。之后通过了解行业内“热门”AI落地方案，可以帮助企业设定合理的AI战略。
面临诸多挑战
对于有意愿，也有一定基础的传统企业，其应用AI技术赋能业务时也是挑战重重，原因主要有以下三个方面：
①企业缺乏战略定位，没有针对自身数字化程度和行业特点制订AI战略，导致盲目推进或裹足不前。
制订AI战略规划时，传统企业通常面临两类问题：
一是在制订总体规划时，未将AI应用与业务以及企业数字化现状进行很好的结合，在底层数据与技术基础没有打扎实的情况下，求快求全，导致实施成本过高（相对于规划）但迟迟不见成果，最后信心与耐心迅速下降。二是在有合理的总体战略规划和目标情况下，如何确保敏捷的实施模式，让企业既可在短期内获得阶段性收益、增强组织的信心和支持，又可以根据实施情况及时调整AI规划以更好地适应业务需求和变化。
以时下热门的精准营销为例，在强调“千人千面”的今天，如果能通过众多触点收集消费者数据，并通过AI技术进行自动处理，为会员打上个性化标签，从而实现精准营销，将为品牌商大大提高会员黏性。理想的精准营销需要强大的数据积累，例如开展全渠道销售后的线上、线下会员体系打通，消费者历史数据的积累需包括交易、消费行为、社交等多元数据。在此基础上，AI技术应用可以很好地对会员乃至于新顾客勾勒较为精准的消费者画像，并实现“千人千面”菜单、优惠卷推送等功能。结合上述AI战略规划思路，一方面要有充分的历史数据搜集规划、并将其作为精准营销充分实现的前提；另一方面应采取敏捷的、循序渐进的精准营销阶段性推进策略，在早期仅有交易数据的情况下，借助外部行为数据或消费者调研等方式补足数据，推进阶段性精准营销。
②企业缺乏AI项目规划，没有进行业务、应用场景和技术方面的综合考量，导致项目虽然上马，但无法收获预期价值。
企业需要进行详细的项目规划，确保AI给实际业务带来最大价值。首先，在项目开展前需要对业务和相应场景尽可能细化，明确AI技术的切入点，确保在技术选型时选择最合适的技术方案。其次，AI技术种类繁多，单个业务场景可能会涉及多种技术，而多个项目之间可能会共用某项核心技术。这时，AI项目规划能帮助企业从技术角度明确未来主要的技术发展方向，同时能支持企业更有目的性地选择合作伙伴。
但我们看到一些传统企业在实施AI项目时，并没有事先进行统筹规划，项目开展后发现技术提供商的核心能力与业务需求不符，多家技术提供商参与项目带来项目管理难度提升、成本增加等问题，最终导致AI应用迟迟无法落地或效果不达预期。
③企业缺乏对AI技术合作伙伴的评估方法论，导致很难选择并最有效得利用外部伙伴力量。
传统企业应用AI技术时，往往需要外部技术服务商提供支持。但AI技术服务商云集，既有像阿里、百度、微软这样的全能型选手，更有数以百计的初创企业在专项领域/细分行业提供独到的解决方案。
传统企业由于对AI领域缺乏了解，在评估与选择合作伙伴时也缺乏有效的方法论和评估框架，只能更关注企业名气与过往案例，而对其他重要要素，如技术、数据、产品、交付、组织，以及合作契合度方面及各子要素缺乏评估能力。这一问题往往造成合作过程中挑战重重，导致项目质量无法把控等。最终结果是无法建立一个稳定的生态圈，合作伙伴频繁更换，选择费时费力。
