产业AI：和其他AI有什么不同？让阿里举重兵投入的道理何在？

　　让AI能用，有用，普通人乐于去用，是这个技术不会变成另一个泡沫的根本保障。
　　在刚刚结束的2017云栖大会北京峰会上，阿里云发布了堪称迄今为止最全面的阿里AI版图。但在阿里复杂的AI业务、产品和合作生态背后，也许我们能够发现一个关键词：产业AI。
　　产业AI到底和其他AI有什么不同？让阿里举重兵投入的道理何在？
　　什么才是产业AI？
　　虽然这个问题看起来像。废话。但是没办法，真相往往跟我们的想象或多或少有点不同。
　　顾名思义，产业AI当然是在具体的一个个产业里发挥作用的AI技术和产品咯。也就是我们经常说的AI赋能传统行业。但有点不同的是，我们在讨论AI赋能行业，或者所谓“AI”的时候，往往设想的是以AI为主体，来实现某个领域的固有功能。比如一些AI教育平台，就是用AI的语音交互和NLP能力，来实现远程教育功能。
　　在这种情况下，一般思考的是用AI替代，而不是用AI结合。它能改善一些情况，却无法真正提高这个产业本身的效率，降低原始成本，更不能融合在整个产业线之中。
　　所谓产业AI，必须是能够与传统产业无缝结合，推助产业核心部类向前发展的。这也是阿里云从ET大脑到产业AI布局的根本诉求。尤其需要注意的是，深度的产业AI必然指向复杂的行业限制和真实需求，往往比简单的AI替代论复杂很多。
　　比如说想让AI来计算机场的停机坪使用情况，提高停机坪的使用效率。听起来蛮简单的一件事，但是一名真正的机场调度员，却需要考虑航班号、机型、国际国内分类、近机位优先原则、机上状况、航空公司情况、机场建设状况、流量状况、延误航班对下序航班的影响、天气状况等等十几个因素才能决定飞机停泊的机位；假如AI系统只算了其中一两个，漏算了某些因素，岂不是耽误了大事？
　　所以说，产业的需求往往比我们一般想象中复杂太多，综合来看，AI想解决产业问题，必须具备四个方面的基础能力：
　　多维感知能力：真实世界中，数据和信息常常是从几个方向混杂过来。假如AI只能听、只能看，或者只能连接数据库，那么它就会变成盲人摸象型AI。只能用来炫耀某种能力，却无法真正投入使用。
　　全局洞察模式：能感知之外还要能分析和归纳，就像上面说的运算停机坪。AI必须综合各方面信息和实时变化的数据流，随时做出统领全局的最优解。这就是我们所说人类的大局观。没有大局观的人不能胜任管理，没有大局观的AI也是一样。
　　人机协同体验：想做产业AI，必须承认的一点是今天的AI绝不可能，也不希望彻底取代人类。必须是人机协同的工作模式，但是人机如何协同，如何在缩减人的工作时间，提高人的工作效率之外，不会浪费大量学习成本和适应成本，也是关键问题。
　　持续进化能力：日新月异的工作，必须让人不断去适应和学习新的工作方式，对于AI也是一样，如果产业AI不能进化，那么工作需求一旦变更AI就变成废铁一块，那确实不要也罢。
　　为了解决这四个问题，阿里云的解决方案是做一个产业综合体：ET大脑。
　　但是这可能还不够，产业AI之路，绝不是单纯的技术能力可以搞定的。
　　到底该如何打造产业AI？
　　如果你身处一个比较传统的行业，不妨想想，假如为你安排一位超级智能的AI助手，你的第一反应是什么？
　　很兴奋？那么第二反应呢？大概是感觉学起来很麻烦，不知道到底好用不好用，担心成本和收益不相符，等等等等。
　　这是没有办法的，人在面对新事物时的先验反射永远都是排斥和怀疑。尤其是AI这种先天具有科幻色彩的技术与产品。所以说，实验室和PPT上的AI是相对容易的，但产业AI却要更复杂。其复杂程度很多时候不在于单纯的技术挑战，而在于需要复杂且长期的企业合作、谈判沟通和对细节的苛求。总之，都是苦差事和累差事。
　　阿里的产业AI构想，至少要满足三个条件：
　　1。深入场景的需求
　　很多AI技术走进现实时，往往会太重AI太轻现实，这样做的直接结果是完全低估了产业化进程的难度。
　　比如阿里云在打造ET工业大脑的时候，面对的都是已经二三十年的老机器。这些机器怎么AI？怎么能够不给企业成本压力，如何让老工厂的工人懂得使用？可能都是科学家一般不会思考的问题，却真实阻挡了工厂的AI化。而阿里云的解决方案蛮简单粗暴的：直接派工程师在车间蹲守。
　　2。与行业从业者相结合
　　我们时长忽视的一个问题是：AI技术有时候并不能讨人喜欢。看似有道理的技术解决方案，在真实产业场景里其实是无效的。
　　比如AI语音解决方案与法院场景的合作。一般我们理解法院使用语音交互，无非就是对庭审进行记录，代替书记员的工作。但事实上却不是这么回事，直接将庭审对话转换成文字，夹杂了大量的口语内容，根本是无效记录，反而加大了书记员工作的难度。真正需要的是AI能够理解文本、抽取逻辑将庭审记录简化，这才能真正帮到书记员。
　　所以说，真正的产业AI必须以从业者为核心去思考问题，这需要对产业深度的理解，以及关键领域的产业深度合作。
　　3。跨技术解决方案
　　另一种AI产业化中必须面对的问题，是真实问题往往比实验与测试中复杂很多。比如AI地铁售票机，让用户用语音交互的方式买地铁票。但在地铁这么嘈杂的环境里，语音识别实在过于复杂。最终的解决方案，是加强收音阵列硬件的同时，用机器视觉技术识别人脸和嘴唇，让售票机听到兼看到买票者，才能最终解决问题。
　　这三条途径，归根结底是巨大的产业合作任务和工程化工作量。在具备技术基础的同时，还要求执行企业有行业合作能力、工程化能力和个案攻坚能力。
　　这是一条不好走的路，但是诱惑巨大。
　　产业化路途中的AI新战场
　　阿里的产业AI梦，可能给阿里本身带来哪些好处呢？
　　目前阿里的方案，是通过ET大脑，陆续占领城市、工业、零售、金融、汽车、家庭等场景。将AI能力、产品和解决方案，以阿里云为出口进入各行各业。
　　用这种“现实主义AI”思路，阿里可能希望获得多方面的利益和战略优势。比如：
　　从全面场景到良性AI产业循环。从工业、交通，到环境、航空，ET大脑的布局逐渐向全景化、垂直化双向发展。未来的最优结果是能覆盖经济民生关键感知端口的AI系统，可以运用这些场景能力通向整体进化。而良好的产业合作步伐，则给升级能力带来了进一步出口。场景、技术和合作，正在形成AI体系的递增三角关系。
　　可复制的AI解决方案。从航空大脑的案例中不难看出，ET大脑的解决方案和能力基础是具备高度复制化的。当一个领域需要复杂的运算，多种感知数据的结合，并且人工效率始终很低，那么就可以自发引入ET大脑。这种领域在生活中相当多见。当ET大脑的产业AI解决方案复制到某个量级时，生态性、泛在化的产业AI自发衍生或许将会出现。
　　关键领域的直接价值。工业、医疗到交通航空，都是可能带来直接客户和收入的领域，不用太考虑股价和估值的阿里，或许更期待用AI换来真金白银。
　　无论阿里的产业AI梦是否成立。至少有一点是肯定的：让AI能用，有用，普通人乐于去用，是这个技术不会变成另一个泡沫的根本保障。