文/崔粲 億歐智庫分析師
2017年是人工智慧快速發展的一年， 也是人工智慧在各行業加速應用的一年。 一年裡， 億歐智庫重點關注人工智慧在各行業的應用與落地，
通過對人工智慧在近10個行業領域的應用研究， 我們在人工智慧的各行業應用中找到了不少相似點， 基於這些相似點， 我們得以不局限在各個行業內， 而是尋找到了人工智慧在行業應用共同的一些內在規律和發展趨勢， 對未來人工智慧在各個行業應用， 以及2018年人工智慧的行業應用做出了一些判斷和預測。
2017年概況：行業應用大範圍探索， 2C應用大量出現
總體而言， 2017年， AI在各個行業展開了大範圍應用探索， 並取得了不少突出進展。 這一年裡：人臉識別在各地警方監控、火車機場進出站甚至高校課堂都得到了應用；不少醫院也開展了圖像輔助診斷嘗試；眾多法院引入了AI庭審語音轉錄系統；無人駕駛汽車大規模路測， 李彥宏因為坐自動駕駛汽車上五環收到罰單；科技部公佈分別依託BAT和訊飛的四大國家新一代人工智慧開放創新平臺，
雖然在2017年人工智慧呈現在各行業全面滲透， 但真正人工智慧在行業的應用， 已經發展了很多年。 最早追溯到2000年左右， 捷通華聲， 小i機器人等已經成立， 並持續開展智慧客服在行業的應用。 到12年左右， 伴隨著深度學習的突破， 人工智慧創業顯著加速， Face++等一批人臉識別企業開始在金融、安防等領域進行探索。
據億歐智庫統計， 這一波人工智慧創業在15、16年達到高潮， 這兩年新成立的企業， 占了近一半。 2017年雖然人工智慧概念火熱， 也曝出多筆大額融資， 但新成立企業已經少了很多。
17年， 在初創公司、大公司的共同推動下， AI行業應用呈現出全面開花狀態。 除了少數做晶片和純技術的公司， 絕大部分AI初創公司都在做AI的行業應用。 這些公司中的很多在16-17年開始推出產品或解決方案， 並將產品推向行業進行試用和持續磨合。 17年， 隨著AI的火熱， 大量互聯網公司和傳統行業內提供解決方案的公司， 開始在產品中引入AI技術，
17年之前， AI的行業應用遠離大眾認知， 17年直接面向大眾的產品開始顯著增多。 之前AI的行業應用多集中在金融、安防、醫療等專業領域、專業客戶， 或以智慧客服等大眾無感知的形式， 服務於大眾生活中個別低頻場景。 17年， 刷臉支付、公交刷臉、AI翻譯、無人店、智慧語音音箱等很多直接接觸大眾的， 更高頻的AI應用開始顯著增多， 天貓智慧語音音箱銷量甚至破百萬。
具體各行業應用中， 安防和自動駕駛領域進展較快。 安防領域人臉識別相關技術已經比較成熟， 各地警方的使用證實了AI的應用價值， 大量安防企業和新成立AI企業開始跟進， 軟硬體一體化解決方案大量推向市場， 到年底深圳安博會時，AI產品方案已經遍佈整個會場。17年也有大量自動駕駛汽車公司獲得融資，雖然離最終上路運營還有距離，但路測結果及政策持續利好給了行業很強的信心，資本的熱情持續高漲，推動行業快速發展。
AI在其它大部分行業都有一些應用，但有些處於零散試點狀態，很多則處於和行業具體磨合和探索階段，要麼產品與行業需求不完全匹配，要麼產品還比較原始，不能完全達到行業要求，要麼落地時存在各種執行層面各種困難，導致企業難以獲得銷售收入。雖然沒有直接資料，但業界普遍流傳的說法是，大部分公司AI產品或方案17年沒有多少收入，少部分有收入，但還沒實現顯著盈利。
大公司、政策、資本、輿論熱度是4大推動力
2017年AI行業應用之所以取得了不少進展，與這一年裡大公司、資本、政府以及輿論的強勢推動有很大關係。
2017是大公司全面佈局AI戰略的一年，互聯網三巨頭全面戰略入局AI，投入巨大，百度甚至提出了ALL In AI的口號（Robin最近又否認了）。互聯網小巨頭京東、頭條等，也都搞起了AI搶人大戰，海康、平安等傳統巨頭，更是全面擁抱AI。一眾巨頭的入局，增強了行業信心，教育了市場，加快了AI的行業應用速度。尤其是百度免費開放語音和人臉識別能力，更是加速了AI的行業落地。
政府則是在17年密集出臺了一系列AI相關政策。據億歐智庫統計，2017年國家和各省市發佈的涉及人工智慧的政策共計35條，比16年的17條增長了一倍。其中，僅國家層面的政策就有10條，7月份國務院更是專門印發了《新一代人工智慧發展規劃》，從國家層面對人工智慧產業進行了頂層設計。政策的出臺，為人工智慧企業獲得政府支持和產業健康發展奠定了基礎。
資本在這一年的投資也創了新高。據億歐智庫統計，2017年全年公佈的融資總額到達273億元，前三季度投資金額合計就已經超過2016年全年，商湯、曠視等新一輪融資更是高達數億美元。真格、IDG、創新工廠等多個著名投資機構投資的AI項目都超過20個，足見資本對AI的看好。大筆資金的注入，使得各個AI公司彈藥充足，為各公司進行行業落地實施奠定了穩健的資金基礎。
在巨額融資、各種政策推動下的輿論高漲，也對推動AI的行業落地，起到了重要的教育市場作用。人工智慧不熱之前，人工智慧企業需要花費大量精力教育客戶，解釋人工智慧是什麼，有什麼用。人工智慧在媒體層面的火爆，對全社會進行了市場教育，人工智慧企業進行市場拓展更順暢，很多行業人士甚至開始主動探索人工智慧如何對自己的行業產生變革，為人工智慧企業節約了不少隱形成本。
從技術角度分成3個大類，發展不盡相同
具體到實際落地的各種產品形態看，不論哪種行業，AI應用的具體產品形態，都可以根據其背後主要的支撐技術，大概分成三種：
語音文字處理類：醫療語音記錄、法院庭審語音記錄、AI寫新聞稿、金融智能客服等；
圖像與視覺類：自動駕駛、醫療影像診斷、機器判卷、機器人分揀等；
大資料分析預測類：智慧風控、健康管理系統、案件刑期預測等；
同類技術的產品方案在不同行業應用程度顯然不同。不同行業本身的資訊化程度不同，行業對技術指標需求也不同，方案為行業帶來的價值不同，行業能夠承受的成本也不同，同類技術的產品方案的應用程度肯定也就不同。例如同樣是人臉識別，刷臉支付對識別準確率和召回率的要求，比店鋪會員識別高的多，因此人臉識別在兩個行業落地進展差別較大。
不過從技術發展角度，由於在同一時間下，各個行業間同類技術產品的技術不會有很大差別，故技術原理接近的各種AI應用方案，其產品形態和應用成熟程度也會比較接近。因此，從技術角度，對AI在各行業的應用進行跨越行業的綜合判斷，仍舊有重要參考意義。
語音文字處理類：進展較快
語音文字類應用，如智慧客服、語音轉文字、語音助手等，已經在很多領域得到了應用。語音辨識技術已經相對比較成熟，過去幾年在非專業領域已經取得了不少應用。語義理解方面，相關技術近兩年進展並不算突出，要達到更實用的水準，還需要技術的突破，但智慧客服、語音助手等，對技術的要求並不高，所以以目前的技術水準，也取得了一些應用，如法律諮詢、金融客服、車載語音設備，智慧音箱等。
值得注意的是，語音文字類應用中，很多應用對技術的要求較高，目前多輪對話和上下文理解依舊是語音文字領域的難題，產品體驗很難達到很好的效果，例如車載語音後視鏡，還只能執行簡單的問答和操作。涉及到較多專業名詞的語音辨識、翻譯等，準確率也會顯著下降。遠場麥克風陣列雖然取得了不少進展，但距解決雞尾酒會問題還有距離。
圖像與視覺類：應用較多
圖像與視覺類技術方案中，人臉識別技術已經比較成熟，17年商業落地較多，尤其是在安防領域。AI攝像頭能夠顯著提高警方在監控中查找嫌疑人的時間，已經成為安防領域的主流產品，未來幾年伴隨著監控攝像頭的更新換代，在各地警方的應用還會越來越多。圖像識別等也在行銷領域，如視頻電商等領域得到了應用。
影像處理相關技術，17年也取得了不小的進展，尤其是圖像風格轉換等抽象內容處理相關，因為評判標準不太清晰，主觀性強，內容邏輯自洽也不強，達到的效果還有娛樂性，因此得到一些應用。18年會有更多的相關功能集成到專業軟體中。
醫療圖像診斷、自動駕駛等圖像類應用，也有很多公司在開展應用測試。但這類應用除了技術本身，還涉及到決策問題，影響了落地。理論上多變數決策可以由機器學習實現，但決策類應用的關鍵問題在於，機器並不能獲取到全部的決策變數，以及機器決策的結果誰來承擔責任。醫生在對圖像的診斷不只依賴於圖像，還會結合對病人的實際詢問等資訊，綜合做出判斷，這點機器無法做到。完全自動駕駛汽車發生撞人事故後的責任認定問題，也一直是討論的焦點。決策類機器不能替代人的情況下，在相關行業的應用價值下降很多。
更複雜的行為識別等技術，在安防、新零售中也找到了應用方向，但技術上總體離實際應用還有些距離。基於行為識別的無人零售標杆Amazon Go剛剛宣佈面向公眾開放，具體技術水準還有待驗證。
大資料分析預測類：應用較慢
很多行業的AI解決方案，都是基於行業大資料，搭建深度網路進行建模，從而對一些指標趨勢進行分析和預測，如智慧風控，分級教育，工業設備故障預測等。但由於資料缺失，很多預測準確率不高。即便達到較高準確率，仍然面臨上文提到的機器決策存在的問題等，應用推廣有難度。不少大資料AI公司，實際落地的專案主要也還是資訊化系統或資料的挖掘和視覺化部分，基於AI的分析預測在很多平臺的占比很小。
AI落地主要限制因素：行業積累、資料、高成本
雖然17年AI在各行業都進行了探索，但除了本身的技術局限，在很多行業，行業積累、資料和高成本都限制了AI在行業的落地。
醫療、金融、工業等行業，專業度高，要找到AI的正確應用方式，需要在行業有深厚積累，同時又熟悉AI技術。而市面AI公司，要麼以技術團隊為主，缺乏深厚的行業積累，難以把握行業需求，並調動足夠的行業資源。要麼以行業出身的團隊為主，有一定行業資源和理解，但技術實力不足夠強。
即便技術團隊和行業團隊開展合作，產品或解決方案的研發需要的磨合時間非常長，對於很多創業公司而言，團隊和投資方的耐心不夠，錢不足以支撐長期研發，急於求成做出來的產品實際上並沒有解決行業本身的問題，不被行業所接受。
資料則是很多AI行業應用難以落地的關鍵。大量行業本身資料積累不足，即便有資料也是淩亂且缺乏標籤化，資料位置也很分散，分散存儲在之前的各種資訊化系統和軟體中，實現跨軟體資料對接難度很大。有的行業資料雖然多，但由於安全和商業考慮，很難開放給協力廠商。反倒是之前為行業做專業軟體和資訊化系統的企業，或者本身就擁有資料的行業主體本身，以後基於資料開發AI相關功能，要容易的多。
AI企業要通過銷售產品或服務變現，就必須解決當前AI研發成本過高的問題。眾所周知AI工程師工資普遍非常高，月薪2萬以上很正常。然而AI在各行業的應用中，目前以產品形式存在的較少，以整體解決方案存在的較多。解決方案通常都有定制需求部分，歷時也會比較長，如果人員工資非常高，方案總價也會非常高。就目前AI解決方案對企業地帶來的價值並不是很大的情況下，高昂的專案費用是企業難以接受的。
人工智慧在行業的應用的最終形態
17年，人工智慧技術在強化學習、遷移學習，生成對抗網路等方面取得了不少進展，但總體看，大部分還都是在現有技術上的延伸，還沒取得突破性進展。在技術沒有質變前，億歐智庫認為，AI在各行業應用的最終形態已經基本清晰，以後隨著技術發展只是慢慢進行實現。總體來看，AI在各行業的應用最後大概會呈現3種狀態。
第一種狀態，一些機器人的應用，分流人的初級工作，減少人員的使用。
例如智慧客服，初步具備了一些智慧功能，並不能完全替代人，但是已經能夠進行一些簡單的問答，幫人過濾掉大量費時的簡單問題，把人類客服的時間留給複雜問題，從而減少客服人員數量。圖像、視頻識別等很多也屬於此類應用。由於這類應用節約人力成本明顯，企業接受度比較高，在各個行業已經優先應用起來。
第二種狀態，在現有資訊化工具上，引入AI增加一部分智慧功能，這也將是AI在大部分行業的應用形態。
大部分行業，已經有了很多很複雜的軟體工具，協助人進行工作。人工智慧能夠實現的功能，相比於目前各種軟體工具的所實現的強大功能，只是九牛一毛。當很多行業的工具遇到AI，其結果必然是在現有工具基礎上的AI增強，而不是全新的工具顛覆原工具。
以影像處理為例，雖然目前的AI實現了各種奇特效果，但相比於Adobe的Photoshop軟體裡成千上萬的影像處理功能，仍不值一提，要基於AI重新開發一款軟體幹掉PS顯然是不現實的。更合理的方式顯然是Adobe在Photoshop中嵌入更多AI功能，Adobe也確實在這樣做，18年AI摳圖功能就將在新版PS中上線。
第三種狀態，基於AI誕生一些新的東西，實現一些之前做不到的事情。
比如：AI圖像診斷等系統推動了分級診療；阿裡的魯班系統，實現了千人千面的海報製作；CycleGAN對圖像進行局部替換等傳統影像處理軟體難以處理的操作；完全自動駕駛實現後，新型交通體系的建立。不過這部分應用的比例會很小。
基於這三種應用狀態看，AI除了能推動少部分行業大的變革（如自動駕駛），對大部分行業而言，既不能大面積替代人，也很難深刻變革大部分行業。對大部分行業而言，AI並不是什麼轉型升級的良藥而是優化，而主要是工具的優化，或部分領域的散點式應用。
18年AI+行業應用的一些判斷和預測
在已經能夠基本判斷未來幾年AI在各行業的應用形態的情況下，億歐智庫對2018年的AI行業應用形勢也有了一些基本的判斷：
參與主體更加寬泛。
之前AI行業應用的主體是創業公司，17年已經有大公司大範圍參與進來，18年開始，伴隨著資本和大公司賽道佈局的完成，AI行業應用投資將會變得慎重，創業公司再整體的比重進一步降低，更多的傳統企業，甚至個人和愛好者，將成為探索行業應用的重要力量。尤其是Google開放AutoML後，AI開發的門檻進一步降低，將激發更多人參與到AI應用的探索中。
探索範圍繼續拓寬。
創業公司和大公司主導的AI行業應用探索，多面向市場空間大，且盈利預期顯著的應用場景，很多細小領域無暇顧及。所以即便經過了2017年一年的熱潮，億歐智庫估計，仍有30%以上的AI行業應用形態未被探索。隨著參與探索AI行業應用主體的寬泛，更多市場不大，甚至難以預見盈利，但確確實實與AI有結合的應用場景將被探索和驗證。
相當一部分行業應用將被證偽。
技術和實施層面的諸多困難，使得相當多的AI行業應用長期以來並沒有真正落地，可能以後也很難落地，即便能夠落地，不少AI解決方案對企業而言，投入產出並不成比例，所以難以推廣和複製。從事這類應用的企業，18年將面臨難以獲得資本繼續支援的窘境，部分投資人甚至預計18年後半年將迎來AI寒冬。億歐智庫估計，目前市面的各類AI行業應用場景中，最後能夠落地，讓企業維持盈利正迴圈的，可能不高於20%。
一部分AI行業應用，例如上文提到的在現有資訊化系統上增加智慧功能，對行業本身的積累和資源要求高，難以從外部突破，但從行業內部有機會實現。這部分應用在17、18年或許無法被證明成立，但以後隨著行業內部的升級將逐步落地。這部分可能在目前的各類行業應用中，占比達到40%左右。
驗證成立的領域競爭加劇。安防等少數被驗證成立的領域，17年已經擠進了大量玩家，18年隨著市場的逐步擴大，各家將迎來增長，但競爭也將持續加劇。自由競爭市場下，行業最終或將導向7-2-1的市場格局。而行業資源依賴較重的領域，原有行業內的企業，仍將佔據市場的主體地位。就像安防市場，如今幾乎沒人相信曠視、商湯們能夠動搖海康、大華們的市場地位。
相比于資本領先於市場節奏，略微落後於市場節奏的政策出臺，在2018年還將繼續下沉和擴展。18年還將有更多的省和市出臺更具體的AI相關政策，但意義並不會很大，狹義的人工智慧創業門檻非常高，大部分省市不具備人才和產業基礎，公司換城市也是難的。不過不少所謂AI行業應用企業將借機完成從2VC到2B到2G的華麗轉身，充分利用政策紅利維持企業的繼續生存。
文章版權屬北京億歐網盟科技有限公司所有。文章內容系作者個人觀點，不代表億歐對觀點贊同或支持。
到年底深圳安博會時，AI產品方案已經遍佈整個會場。17年也有大量自動駕駛汽車公司獲得融資，雖然離最終上路運營還有距離，但路測結果及政策持續利好給了行業很強的信心，資本的熱情持續高漲，推動行業快速發展。AI在其它大部分行業都有一些應用，但有些處於零散試點狀態，很多則處於和行業具體磨合和探索階段，要麼產品與行業需求不完全匹配，要麼產品還比較原始，不能完全達到行業要求，要麼落地時存在各種執行層面各種困難，導致企業難以獲得銷售收入。雖然沒有直接資料，但業界普遍流傳的說法是，大部分公司AI產品或方案17年沒有多少收入，少部分有收入，但還沒實現顯著盈利。
大公司、政策、資本、輿論熱度是4大推動力
2017年AI行業應用之所以取得了不少進展，與這一年裡大公司、資本、政府以及輿論的強勢推動有很大關係。
2017是大公司全面佈局AI戰略的一年，互聯網三巨頭全面戰略入局AI，投入巨大，百度甚至提出了ALL In AI的口號（Robin最近又否認了）。互聯網小巨頭京東、頭條等，也都搞起了AI搶人大戰，海康、平安等傳統巨頭，更是全面擁抱AI。一眾巨頭的入局，增強了行業信心，教育了市場，加快了AI的行業應用速度。尤其是百度免費開放語音和人臉識別能力，更是加速了AI的行業落地。
政府則是在17年密集出臺了一系列AI相關政策。據億歐智庫統計，2017年國家和各省市發佈的涉及人工智慧的政策共計35條，比16年的17條增長了一倍。其中，僅國家層面的政策就有10條，7月份國務院更是專門印發了《新一代人工智慧發展規劃》，從國家層面對人工智慧產業進行了頂層設計。政策的出臺，為人工智慧企業獲得政府支持和產業健康發展奠定了基礎。
資本在這一年的投資也創了新高。據億歐智庫統計，2017年全年公佈的融資總額到達273億元，前三季度投資金額合計就已經超過2016年全年，商湯、曠視等新一輪融資更是高達數億美元。真格、IDG、創新工廠等多個著名投資機構投資的AI項目都超過20個，足見資本對AI的看好。大筆資金的注入，使得各個AI公司彈藥充足，為各公司進行行業落地實施奠定了穩健的資金基礎。
在巨額融資、各種政策推動下的輿論高漲，也對推動AI的行業落地，起到了重要的教育市場作用。人工智慧不熱之前，人工智慧企業需要花費大量精力教育客戶，解釋人工智慧是什麼，有什麼用。人工智慧在媒體層面的火爆，對全社會進行了市場教育，人工智慧企業進行市場拓展更順暢，很多行業人士甚至開始主動探索人工智慧如何對自己的行業產生變革，為人工智慧企業節約了不少隱形成本。
從技術角度分成3個大類，發展不盡相同
具體到實際落地的各種產品形態看，不論哪種行業，AI應用的具體產品形態，都可以根據其背後主要的支撐技術，大概分成三種：
語音文字處理類：醫療語音記錄、法院庭審語音記錄、AI寫新聞稿、金融智能客服等；
圖像與視覺類：自動駕駛、醫療影像診斷、機器判卷、機器人分揀等；
大資料分析預測類：智慧風控、健康管理系統、案件刑期預測等；
同類技術的產品方案在不同行業應用程度顯然不同。不同行業本身的資訊化程度不同，行業對技術指標需求也不同，方案為行業帶來的價值不同，行業能夠承受的成本也不同，同類技術的產品方案的應用程度肯定也就不同。例如同樣是人臉識別，刷臉支付對識別準確率和召回率的要求，比店鋪會員識別高的多，因此人臉識別在兩個行業落地進展差別較大。
不過從技術發展角度，由於在同一時間下，各個行業間同類技術產品的技術不會有很大差別，故技術原理接近的各種AI應用方案，其產品形態和應用成熟程度也會比較接近。因此，從技術角度，對AI在各行業的應用進行跨越行業的綜合判斷，仍舊有重要參考意義。
語音文字處理類：進展較快
語音文字類應用，如智慧客服、語音轉文字、語音助手等，已經在很多領域得到了應用。語音辨識技術已經相對比較成熟，過去幾年在非專業領域已經取得了不少應用。語義理解方面，相關技術近兩年進展並不算突出，要達到更實用的水準，還需要技術的突破，但智慧客服、語音助手等，對技術的要求並不高，所以以目前的技術水準，也取得了一些應用，如法律諮詢、金融客服、車載語音設備，智慧音箱等。
值得注意的是，語音文字類應用中，很多應用對技術的要求較高，目前多輪對話和上下文理解依舊是語音文字領域的難題，產品體驗很難達到很好的效果，例如車載語音後視鏡，還只能執行簡單的問答和操作。涉及到較多專業名詞的語音辨識、翻譯等，準確率也會顯著下降。遠場麥克風陣列雖然取得了不少進展，但距解決雞尾酒會問題還有距離。
圖像與視覺類：應用較多
圖像與視覺類技術方案中，人臉識別技術已經比較成熟，17年商業落地較多，尤其是在安防領域。AI攝像頭能夠顯著提高警方在監控中查找嫌疑人的時間，已經成為安防領域的主流產品，未來幾年伴隨著監控攝像頭的更新換代，在各地警方的應用還會越來越多。圖像識別等也在行銷領域，如視頻電商等領域得到了應用。
影像處理相關技術，17年也取得了不小的進展，尤其是圖像風格轉換等抽象內容處理相關，因為評判標準不太清晰，主觀性強，內容邏輯自洽也不強，達到的效果還有娛樂性，因此得到一些應用。18年會有更多的相關功能集成到專業軟體中。
醫療圖像診斷、自動駕駛等圖像類應用，也有很多公司在開展應用測試。但這類應用除了技術本身，還涉及到決策問題，影響了落地。理論上多變數決策可以由機器學習實現，但決策類應用的關鍵問題在於，機器並不能獲取到全部的決策變數，以及機器決策的結果誰來承擔責任。醫生在對圖像的診斷不只依賴於圖像，還會結合對病人的實際詢問等資訊，綜合做出判斷，這點機器無法做到。完全自動駕駛汽車發生撞人事故後的責任認定問題，也一直是討論的焦點。決策類機器不能替代人的情況下，在相關行業的應用價值下降很多。
更複雜的行為識別等技術，在安防、新零售中也找到了應用方向，但技術上總體離實際應用還有些距離。基於行為識別的無人零售標杆Amazon Go剛剛宣佈面向公眾開放，具體技術水準還有待驗證。
大資料分析預測類：應用較慢
很多行業的AI解決方案，都是基於行業大資料，搭建深度網路進行建模，從而對一些指標趨勢進行分析和預測，如智慧風控，分級教育，工業設備故障預測等。但由於資料缺失，很多預測準確率不高。即便達到較高準確率，仍然面臨上文提到的機器決策存在的問題等，應用推廣有難度。不少大資料AI公司，實際落地的專案主要也還是資訊化系統或資料的挖掘和視覺化部分，基於AI的分析預測在很多平臺的占比很小。
AI落地主要限制因素：行業積累、資料、高成本
雖然17年AI在各行業都進行了探索，但除了本身的技術局限，在很多行業，行業積累、資料和高成本都限制了AI在行業的落地。
醫療、金融、工業等行業，專業度高，要找到AI的正確應用方式，需要在行業有深厚積累，同時又熟悉AI技術。而市面AI公司，要麼以技術團隊為主，缺乏深厚的行業積累，難以把握行業需求，並調動足夠的行業資源。要麼以行業出身的團隊為主，有一定行業資源和理解，但技術實力不足夠強。
即便技術團隊和行業團隊開展合作，產品或解決方案的研發需要的磨合時間非常長，對於很多創業公司而言，團隊和投資方的耐心不夠，錢不足以支撐長期研發，急於求成做出來的產品實際上並沒有解決行業本身的問題，不被行業所接受。
資料則是很多AI行業應用難以落地的關鍵。大量行業本身資料積累不足，即便有資料也是淩亂且缺乏標籤化，資料位置也很分散，分散存儲在之前的各種資訊化系統和軟體中，實現跨軟體資料對接難度很大。有的行業資料雖然多，但由於安全和商業考慮，很難開放給協力廠商。反倒是之前為行業做專業軟體和資訊化系統的企業，或者本身就擁有資料的行業主體本身，以後基於資料開發AI相關功能，要容易的多。
AI企業要通過銷售產品或服務變現，就必須解決當前AI研發成本過高的問題。眾所周知AI工程師工資普遍非常高，月薪2萬以上很正常。然而AI在各行業的應用中，目前以產品形式存在的較少，以整體解決方案存在的較多。解決方案通常都有定制需求部分，歷時也會比較長，如果人員工資非常高，方案總價也會非常高。就目前AI解決方案對企業地帶來的價值並不是很大的情況下，高昂的專案費用是企業難以接受的。
人工智慧在行業的應用的最終形態
17年，人工智慧技術在強化學習、遷移學習，生成對抗網路等方面取得了不少進展，但總體看，大部分還都是在現有技術上的延伸，還沒取得突破性進展。在技術沒有質變前，億歐智庫認為，AI在各行業應用的最終形態已經基本清晰，以後隨著技術發展只是慢慢進行實現。總體來看，AI在各行業的應用最後大概會呈現3種狀態。
第一種狀態，一些機器人的應用，分流人的初級工作，減少人員的使用。
例如智慧客服，初步具備了一些智慧功能，並不能完全替代人，但是已經能夠進行一些簡單的問答，幫人過濾掉大量費時的簡單問題，把人類客服的時間留給複雜問題，從而減少客服人員數量。圖像、視頻識別等很多也屬於此類應用。由於這類應用節約人力成本明顯，企業接受度比較高，在各個行業已經優先應用起來。
第二種狀態，在現有資訊化工具上，引入AI增加一部分智慧功能，這也將是AI在大部分行業的應用形態。
大部分行業，已經有了很多很複雜的軟體工具，協助人進行工作。人工智慧能夠實現的功能，相比於目前各種軟體工具的所實現的強大功能，只是九牛一毛。當很多行業的工具遇到AI，其結果必然是在現有工具基礎上的AI增強，而不是全新的工具顛覆原工具。
以影像處理為例，雖然目前的AI實現了各種奇特效果，但相比於Adobe的Photoshop軟體裡成千上萬的影像處理功能，仍不值一提，要基於AI重新開發一款軟體幹掉PS顯然是不現實的。更合理的方式顯然是Adobe在Photoshop中嵌入更多AI功能，Adobe也確實在這樣做，18年AI摳圖功能就將在新版PS中上線。
第三種狀態，基於AI誕生一些新的東西，實現一些之前做不到的事情。
比如：AI圖像診斷等系統推動了分級診療；阿裡的魯班系統，實現了千人千面的海報製作；CycleGAN對圖像進行局部替換等傳統影像處理軟體難以處理的操作；完全自動駕駛實現後，新型交通體系的建立。不過這部分應用的比例會很小。
基於這三種應用狀態看，AI除了能推動少部分行業大的變革（如自動駕駛），對大部分行業而言，既不能大面積替代人，也很難深刻變革大部分行業。對大部分行業而言，AI並不是什麼轉型升級的良藥而是優化，而主要是工具的優化，或部分領域的散點式應用。
18年AI+行業應用的一些判斷和預測
在已經能夠基本判斷未來幾年AI在各行業的應用形態的情況下，億歐智庫對2018年的AI行業應用形勢也有了一些基本的判斷：
參與主體更加寬泛。
之前AI行業應用的主體是創業公司，17年已經有大公司大範圍參與進來，18年開始，伴隨著資本和大公司賽道佈局的完成，AI行業應用投資將會變得慎重，創業公司再整體的比重進一步降低，更多的傳統企業，甚至個人和愛好者，將成為探索行業應用的重要力量。尤其是Google開放AutoML後，AI開發的門檻進一步降低，將激發更多人參與到AI應用的探索中。
探索範圍繼續拓寬。
創業公司和大公司主導的AI行業應用探索，多面向市場空間大，且盈利預期顯著的應用場景，很多細小領域無暇顧及。所以即便經過了2017年一年的熱潮，億歐智庫估計，仍有30%以上的AI行業應用形態未被探索。隨著參與探索AI行業應用主體的寬泛，更多市場不大，甚至難以預見盈利，但確確實實與AI有結合的應用場景將被探索和驗證。
相當一部分行業應用將被證偽。
技術和實施層面的諸多困難，使得相當多的AI行業應用長期以來並沒有真正落地，可能以後也很難落地，即便能夠落地，不少AI解決方案對企業而言，投入產出並不成比例，所以難以推廣和複製。從事這類應用的企業，18年將面臨難以獲得資本繼續支援的窘境，部分投資人甚至預計18年後半年將迎來AI寒冬。億歐智庫估計，目前市面的各類AI行業應用場景中，最後能夠落地，讓企業維持盈利正迴圈的，可能不高於20%。
一部分AI行業應用，例如上文提到的在現有資訊化系統上增加智慧功能，對行業本身的積累和資源要求高，難以從外部突破，但從行業內部有機會實現。這部分應用在17、18年或許無法被證明成立，但以後隨著行業內部的升級將逐步落地。這部分可能在目前的各類行業應用中，占比達到40%左右。
驗證成立的領域競爭加劇。安防等少數被驗證成立的領域，17年已經擠進了大量玩家，18年隨著市場的逐步擴大，各家將迎來增長，但競爭也將持續加劇。自由競爭市場下，行業最終或將導向7-2-1的市場格局。而行業資源依賴較重的領域，原有行業內的企業，仍將佔據市場的主體地位。就像安防市場，如今幾乎沒人相信曠視、商湯們能夠動搖海康、大華們的市場地位。
相比于資本領先於市場節奏，略微落後於市場節奏的政策出臺，在2018年還將繼續下沉和擴展。18年還將有更多的省和市出臺更具體的AI相關政策，但意義並不會很大，狹義的人工智慧創業門檻非常高，大部分省市不具備人才和產業基礎，公司換城市也是難的。不過不少所謂AI行業應用企業將借機完成從2VC到2B到2G的華麗轉身，充分利用政策紅利維持企業的繼續生存。
文章版權屬北京億歐網盟科技有限公司所有。文章內容系作者個人觀點，不代表億歐對觀點贊同或支持。