告别手摇织布机的AI时代

18世纪60年代，当蒸汽机被发明时，绝大多数人并没有意识到“工业革命”的到来； 1946年ENIAC问世时，人们也意识不到，计算机会在半个世纪后，成为支撑社会运转、科技创新的基础设施； 即便是2005年，人们也想象不到无需现金，仅用一部手机就可以解决衣食住行的几乎所有需求；无需单独的相机，也可以随时随地记录身边的点滴。 每当颠覆性技术诞生时，人们总会低估它给社会经济带来的影响，只有在数十年后对历史加以总结时，它的价值才会被定义。 就像比尔・盖茨所说：我们总是高估在一年中能够做到的，而低估五年或者十年中能够做到的。 如今，这个主角轮到了“人工智能”。 2022年，AI产业链初步完善，各行业需求不断涌现，从业者们高举「AI进入千行百业」旗帜扩大市场，一些先行者更是成功IPO。 降本增效、数字化转型、数字经济……纷纷成为当下AI产业化相关的热点词汇。引领第四次工业革命和生产力的迭代，AI的这些价值更是多方共识。 但10年后、50年后的AI图景，没有人能够清晰描绘。AI的发展是否会像今天我们所预测和定义的那样—— 以我们当前的视野，给不出准确答案。 面对AI的星辰大海，我们才刚离开地球表面。 身处产业变革的漩涡之中，或许很难看到AI的终局， 但AI算法的“超大规模”和“精细化”，至少是通往这一终局的必经之路。

所谓超大规模，即AI算法无处不在—— 算法数量会像APP数量一样，呈爆炸式增长，深入到生产、工作、生活的每一个细枝末节，成为城市管理、企业发展的重要资产。 正如今天智能手机应用商店中动辄数百万的APP种类，算法几乎覆盖了各类人群、各行各业的各种需求。其中有很多，都已成为了我们的日常生活的一部分。 所谓精细化 ，即单一AI算法的功能会越来越细分，而无数个细小的AI算法，会根据不同行业、不同场景、不同设备的使用需求，组合成复杂度极高的AI应用。 在这样的趋势下，很快，每一个我们习以为常的AI应用，可能都会成为由成百上千种算法组成的复杂智能体。 精细化也会带来AI的场景化，换言之，即是需要根据客户自身的实际情况和需求特点，针对性地训练适用于不同垂直和细分场景的AI算法。 但随着场景的不断发掘，来自客户的定制化需求数量也会快速激增， 这会给AI的落地带来更多挑战，针对每一个需求专项定制不仅增加成本，还会拖慢落地周期。 仅看社区管理一域，算法需求就包含垃圾溢出、高空抛物、口罩检测、车辆违停识别、电动车进电梯、住户居民摔倒、电梯困人等大量细碎需求。制造、能源等领域也类似。 而同一个模型在不同场景，其适用程度也不相同。 以火焰烟雾识别为例，放在社区街道，有人点烟肯定无需报警，放工地里，火花大如电焊也无需提醒，但在加油站，需求又变成一点火星也不能放过。 这些场景虽然给算法带来了大量碎片化的长尾需求，但仍是社区管理智能化必不可少的一环。 然而这类长尾场景有一个显著的特点，那就是样本数据稀少，可用于训练的高质量数据集更是奢侈品。 因此，在开发过程中，很多时候需要现场采集数据进行初代训练，并在算法上线后持续迭代。只有经验丰富的算法工程师才能在有限数据量下，训练出一个精度还不错的算法。 而在“超大规模”和“精细化”趋势下，AI算法的终端部署适配，更是AI落地又一大隐藏痛点。 算法要想使用效果好，芯片适配是必要的过程。 这项工作展开说，要针对不同芯片，编写不同工具链的开发工具包，还要针对终端芯片性能进行量化调整，以尽可能提高芯片的利用率。 目前，市场大部分AI企业只做适配了NVIDIA、高通等主流品牌及自研芯片，如若用户所用芯片不在适配范围内，就需要额外花费至少2~3个月的时间进行单独适配，即便如此，芯片的利用率可能仍只有不到10%，造成极大资源浪费。 在传统的开发模式下，从业务问题的定义，到数据的采集和标注，算法模型的设计、调参、训练、调优，再到模型的芯片适配和性能评估—— 整个链条不仅繁杂、周期长，且需要大量的人工参与，整个过程通常往往需要数月之久。算法利用率的不确定性，更会增加算力成本。 这种“必须人工，才能智能”的工匠精神，在面对未来的海量需求时，就会力不从心。 用手工划船，不可能离开地球表面。大家期待AI能够带来第四次工业革命，解放更多劳动密集型的工作，但AI自身，却又成为了劳动密集型产业。大量研究院和工程师们的重复劳动，又有谁来解放？ 此外，深入产业落地，也需在标准化与定制化的博弈中左右抉择。 此前，算法SDK、SaaS服务盛行，很多企业希望借此逐渐将产品标准化，实现规模发展。结果却发现，AI越是深入产业，碎片化、非标准化需求越多，依靠单一模型通用解决所有问题的是一个行不通的商业模式。 而做定制化方案、总包集成项目，又会陷入成本高、利润低、赚不到钱的困局，成为AI企业们不愿意接的苦力活。 AI产业化供需之间的巨大沟壑，商业模式的束缚，亟待生产力和生产关系的重构。AI自身，也需要一次工业革命。