来源/中通研究院（ID：gh_06388c640745）

此次疫情期间透射出对AI场景应用关注度较高，如小区收货机器人，街道可用于自动驾驶，楼栋智能摄像头应用等等，让防控体验得以进一步改善。其中包括机器视觉，传感器，路径规划和自动驾驶在内的多项技术已相当成熟，但是当前还未能与实体经济进行深度融合。国内AI有很大进步，但是并不像宣传的那样出神入化，关键在于AI是否落地。

过去十年里，中国AI产业的技术发展可谓势如破竹。无论是人脸识别算法、超级计算机、人工智能实验室、东数西算的基础工程机等，都是世界一流水平。哈佛肯尼迪学院对比中美科技经历的一份报告里面有这么一段话:“china processes the might,talent and ambition to surpass the United States as the world’s leader in AI in the next decade”。未来十年中国的AI产业无论在实力、人才还是雄心上，都展现出超越美国的趋势。过去十年，中国AI科学家尽管发表了大量论文，在各项国际排名上名列前茅，但是回看整个AI产业能够大规模落地的场景主要还是局限于三类：第一信息流推荐、第二是辅助驾驶、第三是智能安防。那除此之外呢，无论是农业、零售、物流、工业、家居、社区等，AI虽有渗透，但是渗透率却不高。例如中国制造，虽然智能制造提法已有多年，但AI渗透率并不高，明显与当初的设想存在一定的差距。那么到底是什么影响AI在国内场景中的落地应用呢？

AI难以落地的原因有多个维度，就以AI算法来举例，其落地分成两个环节，第一个环节是训练，第二个环节是部署。能把一个算法训练出来工作其实做到百分之二十，剩下百分之八十的工作量全在部署环节里。一个AI公司可以训练一百种算法，却并不表示能把这些算法都变成价值，真实情况是这一百种算法里面，今天可能有超过七十种都卡在部署环节。举个例子，工厂想要AI视觉去检查机床内部的零件磨损，算法都已经训练好了，但就是部署不下来。因为这个机器缝隙太小，根本放不进摄像头。再比如非常高级的质检算法，在实验室里面准确率高达百分之九十九，但是一到真实工作环境准确率就降到百分之六十以下。因为那个工厂使用的特殊灯光环境导致反光极其严重，让图像完全失真。还有就是有人想把酒店里的机器人拿到居民楼里面送货，结果发现按不了电梯楼层，这数字识别算法是没问题，问题是没有按电梯的机器臂。这些都是AI落地遇到的真实问题，可谓各行各业千差万别。落地难题五颜六色、又多、又小、又琐碎，他们加在一起就成了制约中国AI产业的一块巨大绊脚石。

那美国的AI产业就没有类似的问题了吗？其没有中国这么庞大的实体产业链，也就没有这么多元的落地场景。中国如此大规模的AI落地场景，在全世界范围内就中国有这个机会遇到，这既是机会，也是挑战。一旦我们能将AI渗透率提升若干百分点，那么未来中国整体运行效率肯定能上一个大台阶，这个道理相信大家都懂，那是该怎么做呢？有什么模式或关键点需要注意呢？

当前，市场对于AIoT的关注日益增加，热度居高不下，AIoT翻译过来就是智能物联网，把这个事拆开就是AI和IoT、人工智能和物联网，这从字面上我们就能猜到IoT表示的就是带有人工智能的物联网。这不同过往我们谈及的单纯IoT概念，这是融入了人工智能的自动化感应，AIoT是三大行业的跨界组合，即物品、人工智能、互联网，这是个多领域的组合概念，而不是垂直的单一行业或领域。可以发现，三个行业之间的两两组合又会形成物联网、智联网和智能设备三个细分的IT行业，而这三大行业的融合地带就是AIoT。其中的物品并不是IT词汇，但其覆盖范围无比宽广，如从化妆进到电动车、从摄像头到扫地机、从机械臂到测绘仪、从跑鞋到沙发等，这一些都是物品。在这些物品里，当前已有大量智能化的应用了，比如智能扫地机、智能汽车、供应机器人、智能手环、智能手表等，甚至还有智能导弹。有一个名字叫switch play弹簧刀的智能导弹，其就是依靠计算机视觉锁定目标，能实现超长距离精准打击。AIoT产业在国内需要有进一步强化与发展，因为其很有可能成为衡量国家、市场、组织竞争力的主要看点。举个例子，如果说智能手机时代，AI对实体经济的渗透主要在一个树的根部主干，那么随着物联网的普及，AI算力的渗透模式其实在发生质变。它通过那些更细分的根茎全面铺开，呈现几十倍的扩展。而这些大量新增的细小根茎则遍布于中国大江南北的各类碎片化场景。

那什么是碎片化场景呢？要进一步理解这个问题，需要用出货量和非标化这两个维度来衡量整个AIoT产业整体。就以机器视觉方向的AIoT来举例，在出货量上，这个领域需求非常成熟，比如智能安防、摄像头这样的大产业，每款硬件的出货量都很大，可以依靠“海量硬件+定制算法”的方式来解决问题。那具体打法通常都是先做出一整套物联网的硬件，再针对不同的场景灌入不同的算法，其中每个场景都会对应一套硬件和一套算法，这种做法虽然不灵活，但是效率高，最能发挥规模效应，这是中国的强项，进而中国在此类AIoT模式中发展的很好。

但叠加一个非标化维度来看，问题就来了，基于不同需求的产品设计就是非标准化的集中体现，由此也就构成了碎片场景，碎片场景是用一套硬件绑定一套算法，这是传统靠规模化生产所难以实现的。比如流水线的瑕疵监测、养殖场的水下观测等，每个场景都是具有个性化、差异化的碎片化场景，其产品是非标化的。AI产业里面大家都不愿意花大精力做这个，关键是成本高，难以形成规模性。由此导致了诸多成熟算法模型只能够停留在实验室里，根本没法走向大众，这是中国科研领域的巨大损失。

有什么解决方案吗？其实，这些碎片场景可通过“海量算法+标准硬件”来解决问题。什么意思啊？就如一个标准的摄像头或者机械臂，应该可以根据不同场景加载不同的算法，这样一来硬件可以量产，算法就可以很小众。就像我们今天的智能手机一样，可以灵活安装各种小众app。以小区管理为例，垃圾监控、火灾隐患监控是两大问题，如何用AI同时解决这两类问题呢？最简单办法就是用普通摄像去加载不同的高级算法。比如可以使用入门级的卡片机，就是那种不需要摇头的固定摄像头。从硬件角度来看，这类摄像头技术简单、成本极低，但是要让他们针对垃圾、火情两类场景加载不同的算法模型，这才是真正的挑战。依照传统作法，则需要识别垃圾一套算法，识别烟头另一套算法，这两种算法切换之后精准度还不能下降。即便漏掉了一个烟头，也是可能导致火灾。所以这种碎片场景里，“海量算法+标准硬件”组合模式是最能够体现价值。但问题是在整个AIoT领域里，这种模式并未被大规模采用。

究其背后的缘由，就是懂需求的人不懂算法，懂算法的人不懂硬件，懂硬件的人不懂需求，跨界融合困难重重。那么要解决这个问题？AIoT的开放平台创建显得尤为重要，平台可将从AI算法到物联网硬件，所有软硬件、技术全部弄好开放出来，提供给那些有行业需求的公司去共创产品。例如物流、零售、交运等专业公司，如果能够利用这类研发开放平台去做出属于自己行业的AIoT新产品，而且发明专利能够归属自己所有，而不是归AI研发公司所有，那么就会有大量的AIoT被创造出来。

上面说的垃圾和火情的识别场景，那最早发现这种需求的可能就是某个物业系统集成公司的产品经理，中国此类公司众多。要说对于AI的理解，这些公司可能是外行，但是要说小区需求的理解，他们绝对是权威。但问题在于，即便他们能发现需求也不会有下文，因为产品经理会先找到技术团队评估实现难度。结果发现大家既不懂算法也不懂硬件，最终再好的idea也只能想象了。如果能有一个AIoT开放平台给这类公司，提供从AI软件、算法到摄像头、芯片、传感器模组方案，再到模型训练算法的部署，最后是POC测试方案与交付，那么这类小团队也能做出符合大家都需要的产品。