2019年8月Gartner曾预测，“到2021年，AI将创造2.9万亿美元到商业价值，创造全球62亿小时到工人生产力，AI即将进入回报期。”

现在这一天已然到来。

据Gartner2020年发布的科技成熟度曲线表示，2-5年内，计算机视觉、机器学习、深度学习等技术将趋向成熟。AI技术的成熟，也带来数据、算法、算力的持续进步。

近年来，随着AI技术逐渐成熟、政府对科创大力推进、企业和人民对AI接受程度大幅提升，我国AI商业化落地速度逐渐加快。AI行业在经历过最初的期望膨胀期及泡沫幻灭期后，逐步踏入复苏成长阶段。赛道不再以追求热点为出发点，而是开始寻找技术落地场景的新方式。

中科智云是一家聚焦安全治理领域的AI科技企业，中科智云技术副总裁李源在接受朋湖网采访时表示，在商业化落地阶段，样本、算力、算法是横在技术商业化落地进程中的三座大山。各个行业都具有自身样本和需求的特殊性，训练通用模型的途中壁垒极多，所以可采取逆向思维解决应用落地难的问题。

01

场景带来数据反哺

由于思维惯性，大部分企业在进行模型训练时都希望通过采用涵盖全部场景的大样本、海量数据的训练方式来提高产品在多场景落地时的泛化能力。对此，李源表示，通过七年的工程化实地摸索，发现这条路走不通。

技术是为了赋能人的生活，为人提供便利，仅研究却不去落地，技术就成了空谈。只有深入到应用场景，才能对技术研发方向和应用产生的问题更加了解，进一步拿出解决方案。

我们知道，AI训练模型所需的数据并非外部数据所能解决。然而，各个行业都具有自身样本数据特殊性和需求特殊性，并且，由于某些细分领域的智能化落后，导致许多场景缺少存量数据。

在这种情况下，唯有深入场景挖掘，再将数据进行标注才能获得可用数据。而这个转化过程中，产生的人力成本、管理成本以及特殊样本的采集难的问题便成为数据痛点所在。

这是把双刃剑，它在产生技术壁垒的同时也为深耕细分领域的科技企业带来创新机会。

李源表示，放弃外部海里数据覆盖场景的思路，针对结合场景的应用去研发工具和平台，增强平台与场景间的适配度，长此以往就能够实现针对场景的通用性。

举个例子，假设A公司与B公司同处一条赛道，两者技术相当，但A公司的资源占比更大。

依据有效数据反哺与模型训练间的正循环关系。A公司的资源比B公司更多，那么它能获得的数据反哺也就更多。在数据反哺的滋润下，久而久之，A公司的迭代产品模型就会比B公司训练得更丰富。这种正循环持续时间越久，A公司衍生出的迭代产品就越具市场竞争力，继而侵占B公司的市场份额。

所以，攻占场景端，是企业提升市场占有率的第一步。

02

抓住企业痛点，构建生态

深掘场景进而提高平台适配度的方式，是中科智云长期坚持的战略方针。其研发的“AI+行业自动训练平台-X-Brain”中具备的主动学习、教师训练模型、度量学习三大能力成功解决了采集数据难的痛点，进一步提升了复杂环境如工厂工地细分赛道的客户粘度。

1、主动学习

该平台的主动学习能力，能够让机器自主采集数据，节约人力成本和时间成本。并且，针对企业间差异性，采取二次训练方式，由平台来判断样本对此后训练的实用性，确保只需10%到20%的样本就可完成全量样本训练效果。同时，在机器自动学习过程中，不需要人为进行管理，有效降低了人力成本。

2、教师训练模型

教师训练模型提供迁移能力，运用原有模型和场景应用去训练新模型，降低技术门槛和易用性。

3、度量学习

度量学习能够将推理过程分为特征提取和检索两个阶段，通过检索结果来判定异常属性。产品在使用过程中，只要将平台部署到企业，由人来配置好信息源，平台会开始进行自动样本采集、自动标注、自动训练，这种自动化方式降低产品使用壁垒，降本增效，将原本需要三四个月的产品上线时间压缩至两周。

与其他训练平台不同的是，中科智云的“AI+行业自动训练平台-X-Brain”面向非技术人员群体，能够真正实现0代码操作。

我国现在正处在企业数字化转型的“分水岭”。这种具备复用性和延展性的平台，能够实现数据反馈正循环，有利于AI企业长足发展。李源表示，技术一招通杀是很难实现的，不如从细分场景入手，充分了解细分行业痛点，构建生态。

03

深入场景是加速AI落地的唯一途径

在AI落地阶段，企业想要获取市场份额并不难，难的在于如何深化场景落地能力，获得场景端认可。AI企业处于拥有巨大容量的行业赛道中，专注于单一市场并深入场景，从而提高产品壁垒、提升用户粘度，进而获取发展。

现阶段AI应用落地方面还有很大发展空间。传统企业在进行智能化转型时，往往会从ROI（投资回报率）来进行考虑，也就是说，只有当智能化解决方案启动后带来当价值大于投入价值时，传统企业才会选择转型。

如何提高传统企业投资回报率？

当智能化解决方案与传统企业达到精准适配时，即能够为其获得更多利益回报。

AI项目在场景端进行落地，使用效果与数据采集的精准度、丰富性有着千丝万缕的联系。当AI模型在进行训练时，输入数据的相关度和准确度将决定AI算法模型的最终呈现状态，尤其在设备自主学习训练时，数据偏差将成为导致模型偏差的主要因素。

深入场景端是获取价值数据并对算法升级提供补给的唯一途径，而加速落地则是深入场景段最直接的方式，这两者间互相成全。AI项目必须和企业实际应用相结合，只有精于技术，同时又能够深入场景端的企业，才可能构建出高适配度的场景应用方案。

04

结语

技术发展的最终目的是为了赋能于人的生活，脱离初衷的研究方向最终会偏离人的需求。在新技术与传统事物相结合的过程中，打破固化思维寻找新出路是破冰的前提。

就如同李源所说，实现更高程度的科技发展就需要依赖传统科学和基础原理研究来进行驱动。

新旧两方在理念上的碰撞是一条融合的必经之路。

若要完成AI商业应用，就必须从场景端出发，深入行业获取更精细的数据和需求，这件事没有捷径。