人工智能落地难，难在哪里?丨曼孚科技

近年来，在算法、算力与数据三大要素的共同驱动下，人工智能进入高速发展阶段。

相关预测数据显示，2018-2022年人工智能行业复合年增长率达到达31%，至2035年，人工智能将推动中国劳动生产率提高27%，经济总增加值预计提升7.1万亿美元。

然而人工智能行业在发展的过程中也并非一帆风顺，统计资料显示，自2012年国内人工智能创业热潮兴起后，新创企业以48%的年复合增长率高速增长，2016年达到顶峰，此后AI创业企业数量断崖式下跌，2020年1-4月，AI新创企业仅为2019年的12.5%。

数据来源：亿欧智库

人工智能行业历经多年快速发展，逐步进入一个瓶颈期。一个很重要的影响因素就是AI落地难。

众所周知，企业的最终目的是盈利，只有将AI技术应用到现实世界里，才能为企业创造利润价值。然而，很多AI企业在深入产业落地的过程中发现，人工智能技术与现实需求之间仍然存在鸿沟。

企业用户的核心目标是利用人工智能技术实现业务增长，而目前人工智能技术本身无法直接解决业务需求，需要根据具体的业务场景与目标，形成可规模化落地的产品与服务。

在此过程中，人工智能在业务场景、数据等诸多场景都面临一系列挑战。

1.业务场景

随着人工智能深入落地各垂直行业，相关人工智能企业已经逐步从早期技术驱动阶段向商业驱动阶段过渡，解决的业务问题也从通用场景、单点问题发展到特定场景、全流程业务中。

目前，基于视觉、语音和文本的AI技术相对较为成熟，在安防、医疗、金融等领域逐渐开始落地结果。不过随着业务场景的复杂度和进入壁垒变得更高，对业务场景理解能力的要求也不断提升，人工智能企业的发展将更加依赖落地场景的洞察以及解决行业实际需求的能力。

2.数据服务

算法、算力与数据是构成人工智能三个重要的基本要素，其中数据是基础。

近年来人工智能虽然在计算机视觉、智能语音领等特定领域实现了突破，但尚未具备通用性，AI技术整体还处于依托通用数据驱动的感知智能阶段。随着AI技术在各个场景中逐步开始落地，对于数据服务行业也提出了新的要求。

以数据标注领域为例，随着业务场景不断深入垂直行业，数据标注的复杂度也在不断提升。

首先细分业务场景要求数据标注服务供应商具备场景化标注能力。例如，在汽车自动驾驶领域，数据标注处理的标注场景通常包括换道超车、通过路口、无红绿灯控制的无保护左转、右转，以及一些复杂的长尾场景诸如闯红灯车辆、横穿马路的行人、路边违章停靠的车辆等等。

这对数据标注服务商的场景化标注能力有着极高的要求，此外细化的标注场景对标注员的专业知识能力要求也很高，进一步提升了数据标注的门槛和成本。

此外，人工智能落地应用从通用场景过渡到特定场景也带来了数据需求量的几何级提升。目前数据标注行业仍属于劳动密集型产业，数据标注服务商扩大产能最常用的方式就是扩充标注团队人数，用数量提高数量，但与之相对应的是人力成本的飙升。

以上这些问题的存在已经在很大程度上阻碍了人工智能商业落地进程。为了清除阻碍，更好地释放人工智能的商业价值，一方面需要深度融合于行业，与行业企业深度合作、共同进行场景适配挖掘;另一方面，要充分发挥数据对于人工智能的基础支撑作用，用海量优质的数据建立优良的应用模型，引领企业数字化转型进程，助力释放AI无限市场潜力。