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

Posted 2020-11-06

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。