廣州熱線

行業(yè) AI、產(chǎn)業(yè) AI、產(chǎn)業(yè)互聯(lián)網(wǎng)，這些詞在今天都已經(jīng)變成了熱門詞匯。

在流量紅利差不多吃干凈之后，科技企業(yè)需要向產(chǎn)業(yè)走，這是今天大部分科技公司的共識。然而產(chǎn)業(yè)市場不同于消費者市場的一個核心區(qū)別在于，每個行業(yè)之間實在是有太多不同。能源行業(yè)的要求跟教育行業(yè)的要求顯然不一樣，而一套智能技術解決方案打天下，顯然也是不靠譜的。

如果我們多留心產(chǎn)業(yè) AI 的動向，就會發(fā)現(xiàn)從去年下半年開始，相關項目的 PPT 里正在越來越多提到行業(yè)專家、Know-How 這樣的字眼。

在 AI 公司開始不斷強調(diào) Know-How 的重要性，呼喚擁有 Know-How 的公司參與到 AI 產(chǎn)業(yè)化進展中的時候，也許我們應該從頭爬梳一下這個問題：

行業(yè)專家到底如何與 AI 算法與算力的提供商合作，缺乏行業(yè)專家又給 AI 進入垂直行業(yè)帶來了哪些阻礙？

讓我們來看看 AI 圈里大廠的夢中情人、創(chuàng)業(yè)公司的救命稻草，神秘的 Know-How，到底是個什么情況。

產(chǎn)業(yè) AI 的無形之墻

所謂 Know-How，是指工匠時代那些師傅對徒弟口傳心授的 " 行業(yè)秘訣 "。

到了機械大生產(chǎn)時代，Know-How 雖然看似被信息爆炸沖刷地越來越透明。但在日益精細化的行業(yè)分割，以及眾多產(chǎn)業(yè)各自攀爬科技樹的大形勢下，Know-How 反而在經(jīng)濟實體中不斷沉淀與積累。

比如說，汽車、船舶就是坐擁大量 Know-How 節(jié)點的產(chǎn)業(yè)。即使在基礎技術不難復制，行業(yè)供應鏈比較透明的情況下。汽車和船只的生產(chǎn)水準依舊難以復制，原因之一就在于其中的 " 秘密 " 太多了。

Know-How 可以被理解為一種能力、一種資源，也可以是被稱作行業(yè)專家的人。在投資行業(yè)中，Know-How 也被看作一個創(chuàng)業(yè)項目的評分標準之一——假如某汽車電商的創(chuàng)始人是浸淫汽車產(chǎn)業(yè)幾十年的老油條，那么 BP 上往往會寫著我們有 Know-How。

而在 AI 主導的數(shù)據(jù)與網(wǎng)絡智能化技術，希望進入產(chǎn)業(yè)中時，Know-How 恰好將變得極為重要。

所謂行業(yè) AI 或者產(chǎn)業(yè) AI，能夠提高勞動生產(chǎn)率的本質(zhì)原因之一，在于可以利用機器學習技術，實現(xiàn)數(shù)據(jù)分析與再挖掘，讓 AI 將原本粗放生長的環(huán)節(jié)數(shù)據(jù)重新整合，重新求得一些產(chǎn)業(yè)效率的最優(yōu)解。比如計算原料投入比例、倉儲擺放規(guī)律、產(chǎn)業(yè)流程重塑等等。

此外，AI 的另一個功能是為產(chǎn)業(yè)端提供語音和視覺的能力，比如園區(qū)語音導覽、基于機器視覺的質(zhì)量檢測等等。

劃個重點，這些 AI 能力需要從方方面面的復雜細節(jié)進入已有產(chǎn)業(yè)實體當中。但是到底如何進入，進入需要注意哪些難以預料的問題，何時能收回技術迭代成本——這些答案都掌握在 Know-How 手中。

拿著算法和算力以及 PPT 的 AI，在進入細分產(chǎn)業(yè)時，尤其是工業(yè)屬性相對較強的產(chǎn)業(yè)，都難免遇到這種尷尬。AI 雖然聽上去靠譜，但沒有 " 產(chǎn)業(yè)帶路黨 " 的幫助卻寸步難行。

更顯著的問題來自于人才儲備。

一般來說，AI 算法工程師注意研究深度學習的訓練部署等相關內(nèi)容。真實的邏輯，細節(jié)點的 AI 化方案，企業(yè)的性價比估算，產(chǎn)業(yè)智能化的彈性生長，這些都不在算法架構師或者 AI 開發(fā)者日常的考慮范圍中。

而產(chǎn)業(yè)專家則對產(chǎn)業(yè)周期了如指掌，卻很難有經(jīng)歷和機會去學習和了解 AI 相關的內(nèi)容。最終導致產(chǎn)業(yè) AI 變成了各說各話，難以相互了解的兩個鄰居。

而相比較而言，今天 AI 這端是相對透明的，真正的產(chǎn)業(yè)鏈合作壓力，就來到了 AI 公司尋找產(chǎn)業(yè) Know-How 這邊。

在我們了解到的很多實際 AI 產(chǎn)業(yè)融合案例中，會發(fā)現(xiàn)往往產(chǎn)業(yè)專家發(fā)現(xiàn)的問題，都不在 AI 以及數(shù)據(jù)智能技術的常規(guī)視野中。一個好問題的發(fā)現(xiàn)，往往預示著一個新產(chǎn)業(yè)空間的打開。

歸根結(jié)底，缺乏專業(yè)知識以及專業(yè)人才，正在成為限制 AI 落地產(chǎn)業(yè)市場的無形之墻。這個稀缺既不是技術問題也不是市場問題，但卻實際制約著 AI 的腳步。

Know-How 如何工作

理想情況下，機器學習等技術進入某家工廠、某個企業(yè)時，需要一名合格的 Know-How 或者 Know-How 公司來提供一下幫助。從而確保通用的 AI 技術與差異化的企業(yè)需求實現(xiàn)對接。

1、尋找和控制 AI 工作中的行業(yè)差異化。機器學習的工作模式是提取抽象化特征并反向輸送給機器，從而實現(xiàn)智能。但是到底提取什么特征，提取過程中有哪些問題，工作中又有哪些不合理性，這些都是 AI 開發(fā)者難以預料的。比如說著名的 AI 提升良品率問題，到底什么是良品，每個產(chǎn)業(yè)的定義都是不同的。這個定義，就是 Know-How 需要提供的差異化節(jié)點。

2、關鍵訓練數(shù)據(jù)。AI 離不開數(shù)據(jù)，然而通用數(shù)據(jù)雖然多，方向卻相對單薄，往往缺乏產(chǎn)業(yè)化的實際潛力。而不公開的行業(yè)價值數(shù)據(jù)在哪里呢？這也是 Know-How 型人才和公司的價值所在。

3、成本與價值的理解。用 AI 總是聽上去很好，但到底這個價值不菲的東西應該投入多少人力物力，什么時候收回成本，未來能創(chuàng)造多少價值，卻都是極大取決于行業(yè)利潤比的。為行業(yè)應用者估算整個投入產(chǎn)出周期，也就成為了 Know-How 的職責。

4、產(chǎn)業(yè)鏈的理解。今天還有一種情況，就是自己的企業(yè)系統(tǒng) AI 了，生產(chǎn)能力上去了，與供應商的連接能力反而減弱了。在復雜的產(chǎn)業(yè)鏈中，一家企業(yè)從管理系統(tǒng)、運維系統(tǒng)到生產(chǎn)系統(tǒng)的更新，都將影響并且受制于產(chǎn)業(yè)上下游關系。對這些關系的理解和預判，對于企業(yè)技術決策來說是至關重要的，而其把握能力也在 Know-How 手中。

這樣來看，好像 Know-How 有點像是 AI 與行業(yè)間的中介。很多時候我們都不想找中介，結(jié)果發(fā)現(xiàn)不找他們問題更多，效率更差。

那么對于 AI 來說，到底誰是今天的 Know-How 呢？

誰是 AI 需要的準 Know-how？

充當 AI 帶路黨的重任，顯然是那些可以接觸行業(yè)核心數(shù)據(jù)，并且理解行業(yè)技術體系、供需關系的人、部門與第三方企業(yè)。

一般來說，有這樣幾種 Know-How 可以被 AI 公司利用，結(jié)成緊密的生態(tài)聯(lián)盟，搭建 AI 進入產(chǎn)業(yè)的通道：

1、企業(yè)的 IT 部門。一家非互聯(lián)網(wǎng)領域企業(yè)的 IT 部門，經(jīng)常看起來像是負責修網(wǎng)的。然而在長時間錘煉下，類似部門往往積累下了對行業(yè)需求的獨特理解，并且積攢了大量可以被機器學習系統(tǒng)利用的關鍵數(shù)據(jù)。一家企業(yè)開始運用 AI 技術拓展生產(chǎn)系統(tǒng)，往往也會以 IT 部門為主導。

2、技術業(yè)務骨干。很多實體經(jīng)濟與傳統(tǒng)企業(yè)中，都有非常資深高水準的技術專業(yè)人才。他們不僅擁有著本行業(yè)的知識，事實上往往也對新技術抱有關注度和熱情，同時也有再學習的能力。這些人才的充沛利用，可以作為 AI 進入行業(yè)中解決融入問題的關鍵。同時，以行業(yè)技術骨干為受眾，培養(yǎng)高級產(chǎn)業(yè) AI 融合人才，也已經(jīng)成為了科技巨頭關注的目標。

3、成熟的行業(yè)技術服務商。在汽車、能源、冶金等領域，看似體量不大，但具備全球覆蓋能力的技術服務商大量存在。在巨頭企業(yè)的背后，有成千上萬家專門技術解決方案提供者在工作著。以這些供應鏈企業(yè)為突破點釋放 AI 紅利，可以作為很多產(chǎn)業(yè) AI 的發(fā)展模式。

4、數(shù)據(jù)和咨詢服務提供者。另一方面，很多行業(yè)還存在著為數(shù)眾多的戰(zhàn)略咨詢和產(chǎn)業(yè)數(shù)據(jù)服務機構。這些企業(yè)圍繞著生產(chǎn)數(shù)據(jù)釋放價值，積累了大量企業(yè)需求與真實想法。如果能有效加以利用，也可以作為 AI 與企業(yè)對接的出口。

當然，Know-How 們還有非常多的身份和存在可能。但總體而言，尋找這些人，利用這些人，在今天的 AI 領域還僅僅是個開始。

服務企業(yè)是相當困難、充滿變數(shù)的市場。先覺醒一部分幫手，對于 AI 來說是一個必然趨勢。

Know-How 的稀少，導致了什么？

科技巨頭們紛紛注意到了 Know-How 的重要性，開始搭建自己的 Know-How 生態(tài)，加之產(chǎn)業(yè) AI 命題實際上處在初級階段，行業(yè)的接受度還非常有限。讓為 AI 提供服務的 Know-How 整體處在供小于求的階段。

而 Know-How 的稀少，則讓產(chǎn)業(yè) AI 發(fā)展必然經(jīng)歷這樣幾個趨勢：

1、重點產(chǎn)業(yè)開始率先發(fā)展 AI。我們都在說 AI 進入百行百業(yè)。然而顯然 AI 是不可能同時進入一百個行業(yè)的。數(shù)字化程度高、Know-How 資源儲備充分、IT 基礎好的產(chǎn)業(yè)更有可能率先發(fā)展產(chǎn)業(yè) AI 生態(tài)。目前來看，汽車、零售、制造、互聯(lián)網(wǎng)等幾個行業(yè)擁有更好的 AI 化基礎。

2、AI 進入垂直產(chǎn)業(yè)，尤其在工業(yè)領域，將會面臨非常復雜的局面。由于工業(yè)領域的龐雜和差異化廣泛，AI 技術進入的周期和成本會非常高。Know-How 的復雜性也讓工業(yè)領域很難出現(xiàn)快刀斬亂麻的智能化進程，只能徐徐圖之。

3、擁有 Know-How，會變成某種 AI 創(chuàng)業(yè)公司的底牌。今天的 AI 創(chuàng)業(yè)公司，更多是拼大牛，拼算法獨特性。這些故事會成為投資人眼中最性感的部分，而在垂直產(chǎn)業(yè)準入門檻問題不斷暴露出來后，企業(yè)擁有的 Know-How 水準，會開始影響 AI 創(chuàng)業(yè)公司的融資能力與發(fā)展水準。同時具備 Know-How 能力也將成為創(chuàng)業(yè)公司與科技巨頭、算力提供商的生態(tài)合作籌碼。

4、講案例，講故事將變得異常重要。尋找 Know-How 是一個差異化很大的繁雜任務，進而讓企業(yè)認識到行業(yè)差異化 AI 解決方案的存在與合理性，也是一件復雜的差事。這種情況下，AI 企業(yè)的選擇只能是珍惜已有案例，好好拆解其中邏輯，加大宣傳力度，讓更多產(chǎn)業(yè)關系者認識到合作可能，加強自身的 Know-How 主動吸引力。因此 AI 進入產(chǎn)業(yè)的這個周期，基本一定是案例為王的。

從算法問題，算力與數(shù)據(jù)問題，再到 Know-How 問題，本質(zhì)上來說 AI 正在一步步向神秘的產(chǎn)業(yè)世界進發(fā)。本質(zhì)上來說，AI 是一種將直接影響到產(chǎn)業(yè)生產(chǎn)步驟，像煤與電一樣影響工業(yè)生產(chǎn)的新生技術。

讓懂 AI 的人與懂行業(yè)的人在此時盡快認識，甚至相互形成吸引力，是 AI 發(fā)展中不可或缺的一個環(huán)節(jié)。

來源：ZAKER