一、2017 年概况:行业应用大范围探索,2C 应用大量出现
总体而言,2017 年,AI 在各个行业展开了大范围应用探索,并取得了不少突出进展。
这一年里:人脸识别在各地警方监控、火车机场进出站甚至高校课堂都得到了应用;不少医院也开展了图像辅助诊断尝试;众多法院引入了 AI 庭审语音转录系统;无人驾驶汽车大规模路测;科技部公布分别依托 BAT 和讯飞的四大国家新一代人工智能开放创新平台,其中 3 个都是面向行业应用领域。
虽然在 2017 年人工智能呈现在各行业全面渗透,但真正人工智能在行业的应用,已经发展了很多年。
最早追溯到 2000 年左右,捷通华声,小i机器人等已经成立,并在持续开展智能客服在行业的应用。
到 12 年左右,伴随着深度学习的突破,人工智能创业显著加速,Face++ 等一批人脸识别企业开始在金融、安防等领域进行探索。
这一波人工智能创业在 15、16 年达到高潮,这两年新成立的企业,占了全部企业的近一半。
2017 年虽然人工智能概念火热,也曝出多笔大额融资,但新成立企业已经少了很多。
17 年,在初创公司、大公司的共同推动下,AI 行业应用呈现出全面开花状态。除了少数做芯片和纯技术的公司,绝大部分 AI 初创公司都在做 AI 的行业应用。
这些公司中的很多在 16-17 年开始推出产品或解决方案,并将产品推向行业进行试用和持续磨合。
17 年,随着 AI 的火热,大量互联网公司和传统行业内提供解决方案的公司,开始在产品中引入 AI 技术,或投入 AI 的研发,技术侧和行业侧开始共同推动 AI 的行业应用。
17 年之前,AI 的行业应用远离大众认知,17 年直接面向大众的产品开始显著增多。
之前 AI 的行业应用多集中在金融、安防、医疗等专业领域、专业客户,或以智能客服等大众无感知的形式,服务于大众生活中个别低频场景。
17 年,刷脸支付、公交刷脸、AI 翻译、无人店、智能语音音箱等很多直接接触大众的,更高频的 AI 应用开始显著增多,天猫智能音箱销量甚至破百万。
具体各行业应用中,安防和自动驾驶领域进展较快。安防领域人脸识别相关技术已经比较成熟,各地警方的使用证实了 AI 的应用价值,大量安防企业和新成立 AI 企业开始跟进,软硬件一体化解决方案大量推向市场。
17 年也有大量自动驾驶汽车公司获得融资,虽然离最终上路运营还有距离,但路测结果及政策持续利好给了行业很强的信心,资本的热情持续高涨,推动行业快速发展。
AI 在其它大部分行业都有一些应用,但有些处于零散试点状态,很多则处于和行业具体磨合和探索阶段,要么产品与行业需求不完全匹配,要么产品还比较原始,不能完全达到行业要求,要么落地时存在各种执行层面各种困难,导致企业难以获得销售收入。
虽然没有直接数据,但业界普遍流传的说法是,大部分公司 AI 产品或方案 17 年没有多少收入,少部分有收入,但还没实现显著盈利。
二、大公司、政策、资本、舆论热度是 4 大推动力
2017 年 AI 行业应用之所以取得了不少进展,与这一年里大公司、资本、政府以及舆论的强势推动有很大关系。
2017 是大公司全面布局 AI 战略的一年,互联网三巨头全面战略入局 AI,投入巨大,百度甚至提出了 ALL In AI 的口号(Bobin 最近又否认了)。
互联网小巨头京东、头条等,也都搞起了 AI 抢人大战,海康、平安等传统巨头,更是全面拥抱 AI。
一众巨头的入局,增强了行业信心,教育了市场,加快了 AI 的行业应用速度。尤其是百度免费开放语音和人脸识别能力,更是加速了 AI 的行业落地。
政府则是在 17 年密集出台了一系列 AI 相关政策。据亿欧智库统计,2017 年国家和各省市发布的涉及人工智能的政策共计 35 条,比 16 年的 17 条增长了一倍。
其中,仅国家层面的政策就有 10 条,7 月份国务院更是专门印发了《新一代人工智能发展规划》,从国家层面对人工智能产业进行了顶层设计。政策的出台,为人工智能企业获得政府支持和产业健康发展奠定了基础。
资本在这一年的投资也创了新高。据亿欧智库统计,2017 年全年公布的融资总额到达 273 亿元,前三季度投资金额合计就已经超过 2016 年全年,商汤、旷视等新一轮融资更是高达数亿美元。
真格、IDG、创新工场等多个著名投资机构投资的 AI 项目都超过 20 个,足见资本对 AI 的看好。大笔资金的注入,使得各个 AI 公司弹药充足,为各公司进行行业落地实施奠定了稳健的资金基础。
三、从技术角度分成 3 个大类,发展不尽相同
具体到实际落地的各种产品形态看,不论哪种行业,AI 应用的具体产品形态,都可以根据其背后主要的支撑技术,大概分成三种:
语音文字处理类:医疗语音记录、法院庭审语音记录、AI 写新闻稿、金融智能客服等;
图像与视觉类:自动驾驶、医疗影像诊断、机器判卷、机器人分拣等;
大数据分析预测类: 智能风控、健康管理系统、案件刑期预测等;
同类技术的产品方案在不同行业应用程度显然不同。不同行业本身的信息化程度不同,行业对技术指标需求也不同,方案为行业带来的价值不同,行业能够承受的成本也不同,同类技术的产品方案的应用程度肯定也就不同。
例如同样是人脸识别,刷脸支付对识别准确率和召回率的要求,比店铺会员识别高的多,因此人脸识别在两个行业落地进展差别较大。
不过从技术发展角度,由于在同一时间下,各个行业间同类技术产品的技术不会有很大差别,故技术原理接近的各种 AI 应用方案,其产品形态和应用成熟程度也会比较接近。
因此,从技术角度,对 AI 在各行业的应用进行跨越行业的综合判断,仍旧有重要参考意义。
1.语音文字处理类:进展较快
语音文字类应用,如智能客服、语音转文字、语音助手等,已经在很多领域得到了应用。语音识别技术已经相对比较成熟,过去几年在非专业领域已经取得了不少应用。
语义理解方面,相关技术近两年进展并不算突出,要达到更实用的水平,还需要技术的突破,但智能客服、语音助手等,对技术的要求并不高,所以以目前的技术水平,也取得了一些应用,如法律咨询、金融客服、车载语音设备,智能音箱等。
值得注意的是,语音文字类应用中,很多应用对技术的要求较高,目前多轮对话和上下文理解依旧是语音文字领域的难题,产品体验很难达到很好的效果,例如车载语音后视镜,还只能执行简单的问答和操作。涉及到较多专业名词的语音识别、翻译等,准确率也会显著下降。
2.图像与视觉类:应用较多
图像与视觉类技术方案中,人脸识别技术已经比较成熟,17 年商业落地较多,尤其是在安防领域。
AI 摄像头能够显著提高警方在监控中查找嫌疑人的时间,已经成为安防领域的主流产品,未来几年伴随着监控摄像头的更新换代,在各地警方的应用还会越来越多。图像识别等也在营销领域,如视频电商等领域得到了应用。
图像处理相关技术,17 年也取得了不小的进展,尤其是图像风格转换等抽象内容处理相关,因为评判标准不太清晰,主观性强,内容逻辑自洽也不强,达到的效果还有娱乐性,因此得到一些应用。18 年会有更多的相关功能集成到专业软件中。
医疗图像诊断、自动驾驶等图像类应用,也有很多公司在开展应用测试。但这类应用除了技术本身,还涉及到决策问题,影响了落地。
理论上多变量决策可以由机器学习实现,但决策类应用的关键问题在于,机器并不能获取到全部的决策变量,以及机器决策的结果谁来承担责任。医生在对图像的诊断不只依赖于图像,还会结合对病人的实际询问等信息,综合做出判断,这点机器无法做到。
完全自动驾驶汽车发生撞人事故后的责任认定问题,也一直是讨论的焦点。决策类机器不能替代人的情况下,在相关行业的应用价值下降很多。
更复杂的行为识别等技术,在安防、新零售中也找到了应用方向,但技术上总体离实际应用还有些距离。基于行为识别的无人零售标杆 Amazon Go 刚刚宣布面向公众开放,具体技术水平还有待验证。
3.大数据分析预测类:应用较慢
很多行业的 AI 解决方案,都是基于行业大数据,搭建深度网络进行建模,从而对一些指标趋势进行分析和预测,如智能风控,分级教育,工业设备故障预测等。
但由于数据缺失,很多预测准确率不高。即便达到较高准确率,仍然面临上文提到的机器决策存在的问题等,应用推广有难度。
不少大数据 AI 公司,实际落地的项目主要也还是信息化系统或数据的挖掘和可视化部分,基于 AI 的分析预测在很多平台的占比很小。
4.AI 落地主要限制因素:行业积累、数据、高成本
虽然 17 年 AI 在各行业都进行了探索,但除了本身的技术局限,在很多行业,行业积累、数据和高成本都限制了 AI 在行业的落地。
医疗、金融、工业等行业,专业度高,要找到AI的正确应用方式,需要在行业有深厚积累,同时又熟悉 AI 技术。
而市面 AI 公司,要么以技术团队为主,缺乏深厚的行业积累,难以把握行业需求,并调动足够的行业资源。要么以行业出身的团队为主,有一定行业资源和理解,但技术实力不足够强。
即便技术团队和行业团队开展合作,产品或解决方案的研发需要的磨合时间非常长,对于很多创业公司而言,团队和投资方的耐心不够,钱不足以支撑长期研发,急于求成做出来的产品实际上并没有解决行业本身的问题,不被行业所接受。
数据则是很多 AI 行业应用难以落地的关键。大量的行业本身数据积累就不足,即便有数据也是凌乱且缺乏标签化,数据位置也很分散,很多分散存储在之前的各种信息化系统和软件中,实现跨软件数据对接难度很大。
有的行业数据虽然多,但由于安全和商业考虑,很难开放给第三方。反倒是之前为行业做专业软件和信息化系统的企业,或者本身就拥有数据的行业主体本身,以后基于数据开发 AI 相关功能,要容易的多。
AI 企业要通过销售产品或服务变现,就必须解决当前 AI 研发成本过高的问题。众所周知 AI 工程师工资普遍非常高,月薪 2 万以上很正常。
然而 AI 在各行业的应用中,目前以产品形式存在的较少,以整体解决方案存在的较多。解决方案通常都有定制需求部分,历时也会比较长,如果人员工资非常高,方案总价也会非常高。
就目前 AI 解决方案对企业地带来的价值并不是很大的情况下,高昂的项目费用是企业难以接受的。
5.人工智能在行业的应用的最终形态
17 年,人工智能技术在强化学习、迁移学习,生成对抗网络等方面取得了不少进展,但总体看,大部分还都是在现有技术上的延伸,还没取得突破性进展。
在技术没有质变前,AI 在各行业应用的最终形态已经基本清晰,以后随着技术发展只是慢慢进行实现。总体来看,AI 在各行业的应用最后大概会呈现 3 种状态。
第一种状态,一些机器人的应用,分流人的初级工作,减少人员的使用。
例如智能客服,初步具备了一些智能功能,并不能完全替代人,但是已经能够进行一些简单的问答,帮人过滤掉大量费时的简单问题,把人类客服的时间留给复杂问题,从而减少客服人员数量。
由于这类应用节约人力成本明显,企业接受度比较高,在各个行业已经优先应用起来。
第二种状态,在现有信息化工具上,引入AI增加一部分智能功能,这也将是 AI 在大部分行业的应用形态。
大部分行业,已经有了很多很复杂的软件工具,协助人进行工作。人工智能能够实现的功能,相比于目前各种软件工具的所实现的强大功能,只是九牛一毛。当很多行业的工具遇到 AI,其结果必然是在现有工具基础上的 AI 增强,而不是全新的工具颠覆原工具。
以图像处理为例,虽然目前的 AI 实现了各种奇特效果,但相比于 Adobe 的 Photoshop 软件里成千上万的图像处理功能,仍不值一提,要基于 AI 重新开发一款软件干掉 PS 显然是不现实的。
更合理的方式显然是 Adobe 在 Photoshop 中嵌入更多 AI 功能,Adobe 也确实在这样做,18 年 AI 抠图功能就将在新版 PS 中上线。
第三种状态,基于AI诞生一些新的东西,实现一些之前做不到的事情。
比如:AI 图像诊断等系统推动了分级诊疗;阿里的鲁班系统,实现了千人千面的海报制做;CycleGAN 对图像进行局部替换等传统图像处理软件难以处理的操作;完全自动驾驶实现后,新型交通体系的建立。不过这部分应用的比例会很小。
基于这三种应用状态看,AI 除了能推动少部分行业大的变革(如自动驾驶),对大部分行业而言,既不能大面积替代人,也很难深刻变革大部分行业。对大部分行业而言,AI 并不是什么转型升级的良药而是优化,而主要是工具的优化,或部分领域的散点式应用。
四、18 年 AI+行业应用的一些判断和预测
在已经能够基本判断未来几年 AI 在各行业的应用形态的情况下,对 2018 年的 AI 行业应用形势也有了一些基本的判断:
1.参与主体更加宽泛
之前 AI 行业应用的主体是创业公司,17 年已经有大公司大范围参与进来,18 年开始,伴随着资本和大公司赛道布局的完成,AI 行业应用投资将会变得慎重,创业公司再整体的比重进一步降低,更多的传统企业,甚至个人和爱好者,将成为探索行业应用的重要力量。
尤其是 Google 开放 AutoML 后,AI 开发的门槛进一步降低,将激发更多人参与到AI应用的探索中。
2.探索范围继续拓宽
创业公司和大公司主导的 AI 行业应用探索,多面向市场空间大,且盈利预期显著的应用场景,很多细小领域无暇顾及。所以即便经过了 2017 年一年的热潮,亿欧智库估计,仍有 30% 以上的 AI 行业应用形态未被探索。
随着参与探索 AI 行业应用主体的宽泛,更多市场不大,甚至难以预见盈利,但确确实实与 AI 有结合的应用场景将被探索和验证。
3.相当一部分行业应用将被证伪
技术和实施层面的诸多困难,使得相当多的 AI 行业应用长期以来并没有真正落地,可能以后也很难落地,即便能够落地,不少 AI 解决方案对企业而言,投入产出并不成比例,所以难以推广和复制。
从事这类应用的企业,18 年将面临难以获得资本继续支持的窘境,部分投资人甚至预计 18 年后半年将迎来 AI 寒冬。目前市面的各类 AI 行业应用场景中,最后能够落地,让企业维持盈利正循环的,可能不高于 20% 。
一部分 AI 行业应用,例如上文提到的在现有信息化系统上增加智能功能,对行业本身的积累和资源要求高,难以从外部突破,但从行业内部有机会实现。
这部分应用在 17、18 年或许无法被证明成立,但以后随着行业内部的升级将逐步落地。这部分可能在目前的各类行业应用中,占比达到 40% 左右。
验证成立的领域竞争加剧。安防等少数被验证成立的领域,17 年已经挤进了大量玩家,18 年随着市场的逐步扩大,各家将迎来增长,但竞争也将持续加剧。
自由竞争市场下,行业最终或将导向 7-2-1 的市场格局。而行业资源依赖较重的领域,原有行业内的企业,仍将占据市场的主体地位。就像安防市场,如今几乎没人相信旷视、商汤们能够动摇海康、大华们的市场地位。
4.相比于资本领先于市场节奏,略微落后于市场节奏的政策出台,在 2018 年还将继续下沉和扩展。
18 年还将有更多的省和市出台更具体的 AI 相关政策,但意义并不会很大,狭义的人工智能创业门槛非常高,大部分省市不具备人才和产业基础,公司换城市也是难的。
不过不少所谓 AI 行业应用企业将借机完成从 2VC 到 2B 到 2G 的华丽转身,充分利用政策红利维持企业的继续生存。