AI之路仍需艰辛跋涉 需要面临诸多挑战

如果说小成靠机会和技巧，大成靠趋势和周期，那么AI业的大成来了吗？显然目前对于AI来说，仍在持续上演的是“冰与火之歌”。一方面，AI在自动驾驶以及IoT碎片化市场的深耕与开拓，加上5G的商用，为AI芯片提供了更广阔的成长空间。另一方面，传统产业在智能升级的驱动下，也在着力让AI“落地”，但成效却难如预期。AI之路仍需艰辛跋涉。

不断试错

尽管如此，目前仍可说是最好的时代。如今的AI、物联网、5G正处于“混合”状态，创新不断加速。Arm全球技术市场总监Lionel Benlnet认为，在第五次浪潮的推动下，5G成为促进万物互联的核心，而诸多应用场景都要借力于AI的发展。

但同时也是最难的时代。细数AI业的掣肘，用地平线副总裁纪鹏的话来说，即存在隐私安全遭遇挑战、功耗高、碎片化需求、零散功能模块等诸多挑战。

这些问题的本质蕴含着路线之争。“越来越多的AI加速需与芯片结合，即专用芯片，而专用芯片设计周期较长，这需要克服。” 在最近举办的以“AI聚能智领未来”为主题的2019中德中小企业合作交流大会AI分论坛上，德累斯顿工业大学教授Christian Mayr阐述了自己的观点。

如果说专用芯片还能以摩尔定律的节奏向前，但场景落地显然更需要实践的考验以及思维的解放。

神思电子技术研究院院长许野平以高速铁路全天候智能视频精度技术为例，分享了技术落地到具体场景中所面临的问题和考验。他举例说，例如夜间远距离目标监控，当列车驶过时，灯光造成的光线干扰会导致视频分析算法产生很多误报;实验场景条件理想于实际应用场景，导致在实际应用中错误率大大提升;控制系统由原来的人工操作更换为7X24小时无人值守工作时，偶然一次错误就会导致后续工作无法顺利进行等等，这都需要在实践时一一攻克。

而相较于热火朝天的IoT及自动驾驶的AI语音或视觉应用，在传统产业的智能化改造中，AI看来更是一项长跑。

“对于传统行业来说，他们拥有大量的数据和自己的技术，但在智能化改造中将面临跨平台、跨应用软硬件差异化落地的困扰，需要改变思路，用自身数据助力AI训练。” OPEN AI LAB业务发展总监付仲韬提出，“这其中要认识到AI芯片不仅仅是一个个独立的SoC，它可应用于设备的诸多层面。AI作为一项技术，与传统产业相结合将是未来5-10年长期演进的过程。”

生态助力

既然明了AIoT贯穿应用的现实难度，以及持续演进的进程指向，生态的重要性已不言而喻。

安创生态CTO程斌就提到，AI厂商是基于算法的公司，对于行业并不理解，需要与对行业有深刻理解的服务商或方案商强捆绑和合作，但从中会出现大量的沟通和合作成本，导致落地难。目前AIoT行业里大公司的做法是着力建设生态，这为中小型包括初创公司创造了大量市场机会。

“AI业发展的关键要素除算法、数据和芯片之外，还需要外部的生态、资金、市场等支持。”安创加速器董事长杨宇欣也明确说，“安创依托Arm全球丰富的产业生态资源及强大的技术背景，可助力创业企业对接生态资源、投资机构、销售渠道等一站式深度加速服务。同时，还可帮助城市和产业园区定制创新方案，助力科技加速与产业升级。”

与之相呼应的是，安创加速器相继在北京、上海、深圳等落地之后，第七家安创加速器（济南）也正式落地。济南市科学技术局局长吕建涛强调，丰富的应用场景为济南AI业发展提供了强大动力，加上济南自由贸易试验区、新旧动能转换先行区建设等重大机遇，济南将通过多项举措支持打造AI产业集群，推动AI创新应用。

提及差异化优势时，济南高新区投促中心外联部部长沈洋提到，济南将立足于当地产业特色，通过开放政策、引进人才、搭建AI平台等多方举措，拓展与已有的智能制造、机器人等产业联动，并从需求出发扩展到产业链上游，带动关键核心技术和软件开发，深度拓展AI应用，打造集创新孵化、资源聚合、产学研转化功能于一体的AI生态，实现AI产业集聚和规模化发展。

据悉，目前安创加速器加速的企业有100多家，孵化过的企业95%以上已开始融到下一轮，在济南的落地也将为济南AI业发展注入新活力。杨宇欣对此满怀期望地说，安创一方面将深度挖掘和服务当地优质的项目和创业公司，另一方面也会将全国乃至全球好的创业公司带到济南，促进他们与济南本地产业需求的结合。安创还将通过政府渠道、产业渠道等与济南龙头企业做精准对接与深度交流，为创业公司提供更多落地应用场景搭建桥梁。

未来风向

AI围绕技术创新与产业应用落地已在稳步向前，智领未来仍需洞悉风向，脚踏实地。

对此杨宇欣提到，IoT面向碎片化的场景，对硬件和软件都有更特殊的要求。一颗芯片通吃的局面会慢慢变化，开放更多让客户定制的能力和空间，让他们能够更多地针对自己的场景做出适合场景的芯片，这是AIoT带来的机会和市场变化，业界需要顺势而为。

从现有应用来看，AIoT主流应用来自视觉AI和语音AI芯片。程斌提到，AIoT不能割裂来看，因为AI需要算法、算力和数据，而大量数据来自于IoT。目前一些公司在做触觉AI的探索，这有巨大的机会和亮点。此外，向边缘侧转移将是AIoT的整体趋势。

虽然目前机器学习是通用的AI解决问题的范式，但在诸多前沿的领域，类脑的技术已慢慢显现，尽管离商用还有一定距离。杨宇欣的看法是类脑在未来解决更多机器替代人的场景下有更广阔的空间，但还要不断攻坚。

而AI企业的分野也取决于一个个做决定的路口。尽管AI主流是数字化模式，但或许模拟模式亦有所作为。程斌就认为，AI包括深度学习最大的瓶颈在于它与现有人类思维方式差异很大，需依靠大量的数据对模型进行训练，而且数据是要标注过的。真正的AI技术应该与人脑的思考方式靠近，包括脉冲神经网络就是一大尝试。而目前现有的深度神经网络还基于数字化模式，已有一些公司在尝试模拟切入的方式，将处理集成到前端传感器的控制器，而不是将模拟转换成数字之后再做训练。从人脑的角度来说，人脑传输的都是模拟的脉冲电频信号，这或是未来AI的方向。