可能对大部分人来说，对人工智能的印象，还停留在2016年 AlphaGo 以4：1击败李世石九段的那场“世纪对决”。那之前人工智能出现多的地方还是在好莱坞的大片中，无数专家学者认为，这次事件标志着人类已经站在了人工智能时代的开端。

5年过去，曾经炫酷的、击败了人类的AI走入现实、走入商业世界的过程中却并不那么顺利。由于AI技术太新太难太复杂的特性，对于技术并不擅长的传统企业而言，AI落地正面临着门槛高、基础设施要求高、成本高等一系列难题，可如果不在传统的行业企业中落地，它的价值又难以全面兑现。

究其原因，过去十数年国内IT技术的发展，很大程度都可以参考西方国家经验并快速落地。但与“IOE”时代截然不同，人工智能在国内外均处于起步阶段，中国已无可以效仿的落地范本。

换句话说，国内AI从业者要去开辟的，是一片的天地。

深坑

人工智能在疫情期间集中落地，自动测温、疫情跟踪、物资调度、线上问诊等功能的实践，是人工智能公司完成的一场阶段性小考。众多AI解决方案的应用，给我国防疫效率带来了深远的影响。

另一方面，互联网企业在不同领域的种种尝试，例如抖音和今日头条的推荐分发算法、安全认证领域的人脸识别、微信上的语音转录功能等等。这些互联网行业的AI应用，不仅给我们的生活带来了实实在在的变化，也帮助企业实现了业绩与效益的增长。

从这些角度来讲，中国人工智能在应用过程中取得的成绩，无疑称得上是优等生。

但当我们将视角深入到更多传统企业中去，则会发现，当人工智能走出实验室，走进生产车间等实际场景的过程中，依然面临着巨大挑战。某制造业的老员工断言：这就是个没有底的“深坑”。

永辉超市旗下的彩食鲜CTO乔新亮曾感慨：

“AI其实有点像企业数字化转型后的那个‘质变’。对一家企业来说，大家都想要秋天的果实，但是春天和夏天在哪里呢？”

类似的提问不是次也不是后一次。根据埃森哲《中国企业人工智能应用之道》面对全球企业高管的调研显示：高达79%的中国企业高管认为，他们必须借助人工智能来实现业务增长目标——但其中，有52%的中国企业高管人员坦言，人工智能试点容易，但当设法将人工智能推广至全企业时，难度较大。

首当其冲的是数据。人工智能对效率的提升，需要深度、全维度的数据作为分析原料，但与互联网天生根植于数据不同，我国人力资源充裕，过去很多传统行业的数字化意愿并不强烈。到了人工智能时代，企业的数据基础不扎实，也就难以承载起上层的智能化转型。

其次是企业部署算力设备的成本。随着场景、数据量的增多，算力需求呈现指数级增长，而无论是算力设备的购置费用还是技术人员对算法优化的时间投入，都是一笔不小的开支。

此外，AI的介入，需要将过去依靠人决策的生产工作流程打破，并结合AI决策重新构建场景。在这个过程中，找到适合AI的、能够带来业绩提升的落地场景，并以此构建新的工作模式，往往意味着专业人员数月的时间投入。

更不必提，在落地过程中，组织上下员工观念仍然需要时间来转变，后“钱没少花，但还是人来干活，干完活用机器记录一下”的案例比比皆是。

因此，我们不难发现，人工智能在互联网领域的攻城掠地有多顺利，在实体经济中的落地就有多困难。

而无论如何，盈利、资源利用率大化、满足客户需求，才是每一家企业的终极目标。这正是“业务一线的AI”与“实验室里的AI”的本质区别：实验室中，专家学者的目标是攻克技术难点，提出新的技术路线；而业务一线中的AI，则是要通过提高效率降低成本，实现企业经营上的增长。

从更加宏观的层面来看，这是喜忧参半的一体两面，喜的是中国已经开始摆脱模仿，树立自己的智能化标杆；忧的是，我国庞大的人口基数与过去数十年的高速发展，造成了各产业对劳动力不同程度的依赖，数字化基础较差，智能转型过程中不可避免面临着技术、认知上的落差。

变局

从技术层面来讲，在AI真正落地的时候，多数情况下只是软件服务型的产品。从硬件的搭建到与场景的融合，都需要企业自己去花费时间与成本。但在很多企业的想象中，这应该是一套现成的产品，插电接网就可以提升工作效率，或者用句传统的IT术语来表达，就是“开箱即用”。

这其实是一种惯性的思维，即一项新兴技术终总会通过某个具体的产品呈现。比如我们说移动互联网想到的就是手机、说到航天想到的就是火箭。

然而我们也知道，自AlphaGo “出道”算起，人工智能技术落地的尝试也才走过5年时间。AI概念一度繁荣，又一度沉寂。现如今在各个行业的应用落地才刚刚开始，不同技术之间相互融合还需时日。

从另一个角度来说，结合企业实际痛点，将技术封装为一个完整的产品，无疑比单纯“卖算法、卖服务”更加有利于人工智能的落地与推广。

比如国内AI公司第四范式就推出了软硬一体化产品。在硬件方面，通过利用异构计算的技术，将CPU、GPU、FPGA等芯片相配合，达到更好的运算效果和更灵活的算法与算力匹配。而软件方面，人工智能操作系统的加入，使得整个机器的整体运算效率以及算力调度能力更强。

第四范式系统架构科学家卢冕解释说：

“正因为我们了解软件算法层的负载、数据特征的冷热分布细节，所以我们可以去匹配合适的硬件，从上层的应用，穿透到计算逻辑和框架，再穿透到底层硬件，软硬之间是互助的联合优化，可以发挥更好的资源优势。”

“由于一体系统追求稳定、高效、兼容，比如英特尔的CPU，借助它的多核优势，我们把这个软件的可扩展性做得更好。而傲腾持久内存容量更大的特性，也让一台机器可以撑起更多的任务，例如在10TB数据量的事中实时决策场景中，在应用基于傲腾持久内存优化的开源机器学习数据库OpenMLDB后，算力消耗由25台下降至8台。另一方面，英特尔提供了FPGA这种专用的加速硬件，我们在这种硬件上也做了一些模型训练方面的加速工作。”卢冕说。

硬件上的稳定运行得益于其搭载了一套完整英特尔产品。这种具备计算、存储、网络全方位硬件支持，并将软件、系统级优化能力融于一体的底层基础设施方案，给AI系统带来了更加全面的场景、功能支持，更大程度地保证了整个系统没有短板。反映在实际应用中，则是更高的算力输出表现、更低的数据访问时延、更短的故障恢复时间等等，还有整个应用系统总体拥有成本，也就是TCO的下降。

人工智能从方案设计到落地的全生命周期中，需要的能力非常多。合作越多、生态越丰富，AI产业的推广与建设就更加顺畅。像是第四范式就选择以开源的方式，将机器学习数据库OpenMLDB提供给社区，让更多开发者能以便捷、低门槛的方式去落地AI，企业也能够更好的完成规模化。

这些尝试并不一定能解决所有的问题，事实上，人工智能作为一种技术综合体，在不同的场景中，有着不同的组合形式。但也正因其复杂性，通过更多人的参与，将孤立的技术与解决方案连接成片，终组成坚固的技术生态，将为AI的落地带来更多可能性。

爆发前夜

当互联网还是小众玩物的时候，不会有人想到未来在它上面将会构建起何等庞大的世界，如今的AI亦如是。

而当互联网行业经历过了高速增长，如今开始面临人口红利逐渐见顶之后的放缓时，AI被视为下一个推动企业与国家经济增长的重要手段。而如今，AI领域博眼球的报道也在减少，取而代之的是潜移默化中，那些对我们生活的改变正在一步一步落地。

某种角度来说，目前AI技术正处于普及爆发的前夜。

不过需要注意的是，虽然国内科技企业在人工智能的发展过程中取得了不小的成绩，但AI的基础设施建设仍然任重而道远。相比互联网的平地起高楼，传统产业自有其根基深埋于土壤，因此改变更难；可一旦完成转型，其创造的价值与影响将是一个不可估量的天文数字。

我们正在进入一个泛智能的时代，在这个关键时刻，每一项技术的突破、每一个解决方案的变化，都会变得格外重要。不同技术相互融合、赋能之中的复杂性，单凭这里的一篇文章是无法详尽解释的。

随着中间应用层解决方案的完备、“新基建”上层建筑的重视，孕育于万千产业智慧转型中的智慧经济，也正逐渐清晰起来。而在不久的将来，一个新的、属于智能经济的时代也正在徐徐拉开帷幕。

对中国人工智能产业的从业者来说，越早意识到这一点，将越早为行业发展带来飞跃。