AI正在疯狂寻找KnowHow

　　KnowHow，指的是工匠时代师傅对徒弟口传心授的“行业秘诀”，之于AI行业来说，KnowHow也是至关重要的。
　　行业AI、产业AI、产业互联网，这些词在今天都已经变成了热门词汇。在流量红利差不多吃干净之后，科技企业需要向产业走，这是今天大部分科技公司的共识。然而产业市场不同于消费者市场的一个核心区别在于，每个行业之间实在是有太多不同。
　　能源行业的要求跟教育行业的要求显然不一样，而一套智能技术解决方案打天下，显然也是不靠谱的。如果我们多留心产业AI的动向，就会发现从去年下半年开始，相关项目的PPT里正在越来越多提到行业专家、KnowHow这样的字眼。
　　在AI公司开始不断强调KnowHow的重要性，呼唤拥有KnowHow的公司参与到AI产业化进展中的时候，也许我们应该从头爬梳一下这个问题
　　行业专家到底如何与AI算法与算力的提供商合作，缺乏行业专家又给AI进入垂直行业带来了哪些阻碍？
　　让我们来看看AI圈里大厂的梦中情人、创业公司的救命稻草，神秘的KnowHow，到底是个什么情况。
　　产业AI的无形之墙
　　所谓KnowHow，是指工匠时代那些师傅对徒弟口传心授的“行业秘诀”。到了机械大生产时代，KnowHow虽然看似被信息爆炸冲刷地越来越透明。但在日益精细化的行业分割，以及众多产业各自攀爬科技树的大形势下，KnowHow反而在经济实体中不断沉淀与积累。
　　比如说，汽车、船舶就是坐拥大量KnowHow节点的产业。即使在基础技术不难复制，行业供应链比较透明的情况下。汽车和船只的生产水准依旧难以复制，原因之一就在于其中的“秘密”太多了。
　　KnowHow可以被理解为一种能力、一种资源，也可以是被称作行业专家的人。在投资行业中，KnowHow也被看作一个创业项目的评分标准之一假如某汽车电商的创始人是浸淫汽车产业几十年的老油条，那么BP上往往会写着我们有KnowHow。
　　而在AI主导的数据与网络智能化技术，希望进入产业中时，KnowHow恰好将变得极为重要。
　　所谓行业AI或者产业AI，能够提高劳动生产率的本质原因之一，在于可以利用机器学习技术，实现数据分析与再挖掘，让AI将原本粗放生长的环节数据重新整合，重新求得一些产业效率的最优解。比如计算原料投入比例、仓储摆放规律、产业流程重塑等等。
　　此外，AI的另一个功能是为产业端提供语音和视觉的能力，比如园区语音导览、基于机器视觉的质量检测等等。
　　划个重点，这些AI能力需要从方方面面的复杂细节进入已有产业实体当中。但是到底如何进入，进入需要注意哪些难以预料的问题，何时能收回技术迭代成本这些答案都掌握在KnowHow手中。
　　拿着算法和算力以及PPT的AI，在进入细分产业时，尤其是工业属性相对较强的产业，都难免遇到这种尴尬。AI虽然听上去靠谱，但没有“产业带路党”的帮助却寸步难行。
　　更显著的问题来自于人才储备。
　　一般来说，AI算法工程师注意研究深度学习的训练部署等相关内容。真实的逻辑，细节点的AI化方案，企业的性价比估算，产业智能化的弹性生长，这些都不在算法架构师或者AI开发者日常的考虑范围中。
　　而产业专家则对产业周期了如指掌，却很难有经历和机会去学习和了解AI相关的内容。最终导致产业AI变成了各说各话，难以相互了解的两个邻居。
　　而相比较而言，今天AI这端是相对透明的，真正的产业链合作压力，就来到了AI公司寻找产业KnowHow这边。
　　在我们了解到的很多实际AI产业融合案例中，会发现往往产业专家发现的问题，都不在AI以及数据智能技术的常规视野中。一个好问题的发现，往往预示着一个新产业空间的打开。
　　归根结底，缺乏专业知识以及专业人才，正在成为限制AI落地产业市场的无形之墙。这个稀缺既不是技术问题也不是市场问题，但却实际制约着AI的脚步。
　　KnowHow如何工作
　　理想情况下，机器学习等技术进入某家工厂、某个企业时，需要一名合格的KnowHow或者KnowHow公司来提供一下帮助。从而确保通用的AI技术与差异化的企业需求实现对接。
　　寻找和控制AI工作中的行业差异化。机器学习的工作模式是提取抽象化特征并反向输送给机器，从而实现智能。但是到底提取什么特征，提取过程中有哪些问题，工作中又有哪些不合理性，这些都是AI开发者难以预料的。比如说著名的AI提升良品率问题，到底什么是良品，每个产业的定义都是不同的。这个定义，就是KnowHow需要提供的差异化节点。
　　关键训练数据。AI离不开数据，然而通用数据虽然多，方向却相对单薄，往往缺乏产业化的实际潜力。而不公开的行业价值数据在哪里呢？这也是KnowHow型人才和公司的价值所在。
　　成本与价值的理解。用AI总是听上去很好，但到底这个价值不菲的东西应该投入多少人力物力，什么时候收回成本，未来能创造多少价值，却都是极大取决于行业利润比的。为行业应用者估算整个投入产出周期，也就成为了KnowHow的职责。
　　产业链的理解。今天还有一种情况，就是自己的企业系统AI了，生产能力上去了，与供应商的连接能力反而减弱了。在复杂的产业链中，一家企业从管理系统、运维系统到生产系统的更新，都将影响并且受制于产业上下游关系。对这些关系的理解和预判，对于企业技术决策来说是至关重要的，而其把握能力也在KnowHow手中。
　　这样来看，好像KnowHow有点像是AI与行业间的中介。很多时候我们都不想找中介，结果发现不找他们问题更多，效率更差。那么对于AI来说，到底谁是今天的KnowHow呢？
　　谁是AI需要的准Knowhow？
　　充当AI带路党的重任，显然是那些可以接触行业核心数据，并且理解行业技术体系、供需关系的人、部门与第三方企业。一般来说，有这样几种KnowHow可以被AI公司利用，结成紧密的生态联盟，搭建AI进入产业的通道：
　　企业的IT部门。一家非互联网领域企业的IT部门，经常看起来像是负责修网的。然而在长时间锤炼下，类似部门往往积累下了对行业需求的独特理解，并且积攒了大量可以被机器学习系统利用的关键数据。一家企业开始运用AI技术拓展生产系统，往往也会以IT部门为主导。
　　技术业务骨干。很多实体经济与传统企业中，都有非常资深高水准的技术专业人才。他们不仅拥有着本行业的知识，事实上往往也对新技术抱有关注度和热情，同时也有再学习的能力。这些人才的充沛利用，可以作为AI进入行业中解决融入问题的关键。同时，以行业技术骨干为受众，培养高级产业AI融合人才，也已经成为了科技巨头关注的目标。
　　成熟的行业技术服务商。在汽车、能源、冶金等领域，看似体量不大，但具备全球覆盖能力的技术服务商大量存在。在巨头企业的背后，有成千上万家专门技术解决方案提供者在工作着。以这些供应链企业为突破点释放AI红利，可以作为很多产业AI的发展模式。
　　数据和咨询服务提供者。另一方面，很多行业还存在着为数众多的战略咨询和产业数据服务机构。这些企业围绕着生产数据释放价值，积累了大量企业需求与真实想法。如果能有效加以利用，也可以作为AI与企业对接的出口。
　　当然，KnowHow们还有非常多的身份和存在可能。但总体而言，寻找这些人，利用这些人，在今天的AI领域还仅仅是个开始。服务企业是相当困难、充满变数的市场。先觉醒一部分帮手，对于AI来说是一个必然趋势。
　　KnowHow的稀少，导致了什么？
　　科技巨头们纷纷注意到了KnowHow的重要性，开始搭建自己的KnowHow生态，加之产业AI命题实际上处在初级阶段，行业的接受度还非常有限。
　　让为AI提供服务的KnowHow整体处在供小于求的阶段。而KnowHow的稀少，则让产业AI发展必然经历这样几个趋势：
　　重点产业开始率先发展AI。我们都在说AI进入百行百业。然而显然AI是不可能同时进入一百个行业的。数字化程度高、KnowHow资源储备充分、IT基础好的产业更有可能率先发展产业AI生态。目前来看，汽车、零售、制造、互联网等几个行业拥有更好的AI化基础。
　　AI进入垂直产业，尤其在工业领域，将会面临非常复杂的局面。由于工业领域的庞杂和差异化广泛，AI技术进入的周期和成本会非常高。KnowHow的复杂性也让工业领域很难出现快刀斩乱麻的智能化进程，只能徐徐图之。
　　拥有KnowHow，会变成某种AI创业公司的底牌。今天的AI创业公司，更多是拼大牛，拼算法独特性。这些故事会成为投资人眼中最性感的部分，而在垂直产业准入门槛问题不断暴露出来后，企业拥有的KnowHow水准，会开始影响AI创业公司的融资能力与发展水准。同时具备KnowHow能力也将成为创业公司与科技巨头、算力提供商的生态合作筹码。
　　讲案例，讲故事将变得异常重要。寻找KnowHow是一个差异化很大的繁杂任务，进而让企业认识到行业差异化AI解决方案的存在与合理性，也是一件复杂的差事。这种情况下，AI企业的选择只能是珍惜已有案例，好好拆解其中逻辑，加大宣传力度，让更多产业关系者认识到合作可能，加强自身的KnowHow主动吸引力。因此AI进入产业的这个周期，基本一定是案例为王的。
　　从算法问题，算力与数据问题，再到KnowHow问题，本质上来说AI正在一步步向神秘的产业世界进发。
　　本质上来说，AI是一种将直接影响到产业生产步骤，像煤与电一样影响工业生产的新生技术。
　　让懂AI的人与懂行业的人在此时尽快认识，甚至相互形成吸引力，是AI发展中不可或缺的一个环节。