关于AI你一定要知道：人工智能如何落地四步走

人工智能落地的四个步骤是走设定路线、实验模式、部署复制，以及探索新的发展路径，如此循环往复。

我先来讲一个大家已经熟悉的案例。海尔在2012年制定大数据战略后，拆解各条业务线，分别制定落地的具体步骤。其中，“海尔衣联网”成为一个独立的项目。

海尔拥有先进的洗衣机制造生产线和自有渠道门店，它从一条生产线、一个门店的数字化开始探索，慢慢拓展生产线、门店的数字化网络，逐步完成了基于厂、店、家的三大商业场景的数字化过程。

其中，“厂”是指海尔将RFID（射频识别）物联网技术延伸到智慧溯源、智能制造等全产业链，满足厂家衣物智慧管理的需求；“店”则是指借助衣联网生态数字化管理平台，商家可以及时获得用户反馈信息，向用户提供个性化的服务解决方案；“家”是用户在衣物洗涤阶段，搭载RFID识别技术的海尔智慧洗衣机可智能识别衣物面料材质、品牌等，提供匹配的洗涤程序等服务。

由于物联网的部署扩展，海尔衣联网逐渐实现了洗、护、存、搭、购的客户全方位服装需求。其平台能力逐步向服装、家纺、洗染等合作伙伴扩展 ，吸引相关资源方超过5000家，形成以“衣”为核心、围绕用户全场景体验、覆盖上下游全产业链的互联互通平台，还将家居、家电、物流等行业也串联起来，不断探索新的发展。

海尔衣联网演绎了一个典型的人工智能战略实施过程：设定落地路线，实验模式，部署复制，最后探索新的发展路径。如此循环往复。

步骤一：设定路线，确立行动路线图

每个企业都应有差异化的人工智能目标，在落地过程中，企业要明晰人工智能能为企业做什么、不能做什么，企业预计达到怎样的状态。

企业运用人工智能，从来都不是一蹴而就的，一种切实可行的推进方法是设定人工智能路线图。一般来说，人工智能路线图可以分为短期、中期、长期三种。不同阶段的路线图，目标各有侧重。

短期路线图：服务于客户特定场景的确定需求，或解决企业自身业务中的痛点，让人工智能可以稳妥落地，取得实际成效。

针对这种阶段目标，有一种常规的方式，即引入标准化的人工智能解决方案。比如，制造业中的工业质检、服务业中的智能客服，均有成熟的人工智能方案。企业可以在接触这些方案的过程中了解人工智能的运作模式，慢慢积累数据，同步做好设计中期路线图的准备。

中期路线图：企业设计这种路线图的主要目标是成为数据驱动的人工智能企业。团队、组织、文化等各方面需要完全适应人工智能发展的要求，运营流程具备相当规模的高质量数据资产，可持续支持业务的发展。在此阶段，企业能主动找到新的商业场景，将人工智能加以创造性的应用。这时的数据主要来自内部，外加紧密联系的上下游产业链提供数据补充。

长期路线图：这种路线图是企业转向人工智能“平台化生存”的关键。企业依托生态圈内的数据和工具平台，实现彼此间的数据共享。产业链上的每一个角色都可以根据自身业务需求，调用相应的数据和工具（通常要付出经济成本），推动生态圈运营效能的提升。

另外，对于人工智能技术，企业也要建立技术路线图。刚开始时，企业需要多将那些被验证有效的技术解决方案加以运用。在成功运用部分技术后，可以尝试对一些相对不成熟的创新型技术进行试验探索，寻找它们与业务融合带来的创新价值。当成为人工智能的领先者后，企业需要开发新兴的人工智能技术，并利用这些尖端技术来获取先发优势，进一步巩固市场地位。

最后，人工智能发挥作用的根本说到底是数据。数据是人工智能的核心要素，只有实现数据的互通交会，才能将技术的潜力发挥到最大。在此阶段，企业大量的数据资源来自生态圈，“数据孤岛”的问题基本解决。并且，具有数据前瞻性的企业会有机会成为生态圈里的“核心企业”，在人工智能技术红利的分配中占据主导地位。 步骤二：在小范围试验中验证模式

就人工智能而言，标准业务解决方案只限于早期，每家企业的业务和客户有其独特性，企业无法依赖复制领先者的最佳流程而获得成功。人工智能的核心竞争力在于以专有的数据和匹配的智能算法，高效地解决特定场景的特定问题。

很多时候，提出正确的问题等于解决了一半问题。在这个阶段，企业必须探索适宜的场景在哪里，这个场景能否以人工智能的方法加以提升。

由于人工智能完全由数据驱动，新场景的探索是一个烦琐的过程。企业一般先在小范围的实验场景中进行必要的数字化改造、采集和标注数据，然后以所获的数据集训练基础算法模型，再通过数据运营的反馈闭环验证和优化算法，最终应用于业务实践。

这是一个考验耐心和细心的过程。人工智能是从海量数据中学习规则、模式、特征和经验的。这一阶段最大的挑战在于获得在多样性、可靠性上都非常好的、高质量的训练数据，以改进算法。

现在，负责训练人工智能的程序员会把大部分的时间花在数据准备上，编写算法所占据的时间较少。绝大部分人工智能应用的失败，主要是由于训练数据准备不足。数据的采集、清理、标注、保护、监视和维护会贯穿人工智能项目实验阶段的全过程，要消耗巨大的时间和精力，而且还不能保证项目一定成功。

由于要在不断的试验和反馈中获得迭代，试验过程的设计也非常重要。

闻名遐迩的AmazonGo项目，就设计了一种由内而外的实验路径。Amazon Go使用了计算机视觉、传感器融合、深度学习等多项技术。刚开始搭建系统时，Amazon Go就希望以不断的迭代，增强智能系统的准确性和自动化程度。

在商业落地的起步阶段，亚马逊没有选择完全开放的环境，而是在公司内部开了一家Amazon Go商店。好处在于企业员工会包容技术系统的bug（漏洞），这利于收集他们真实的反馈，且可利用A/B测试方法来了解和探索更多的用户需求。小范围的迭代改进，可以将技术提高到一定的质量控制水平，然后再面向大众客户推广。这种方法大大提升了试验的容错率和成功率。

当面向大众开出第一家Amazon Go商店时，亚马逊就进入到更大范围的数据获取、分析、决策和反馈的阶段。通过一段时间更大范围的运营，技术人员可以更准确地分析商店的运营情况，做出更好的人机协作安排：哪些环节完全自动化？哪些任务更适合人机协作？相应流程安排得井井有条，让人与机器各施所长。

步骤三：规模化部署

当小范围试验充分验证后，人工智能就进入大规模的落地实施阶段。这一阶段要进行各方面的部署准备，打好数据、IT平台、客户等各方面的基础，并依据现实情况对人工智能进行调整。

在这里，我要再次重申数据战略对规模化部署的重要性。

人工智能应用要大规模部署，必须先解决数据匮乏、数据杂乱、数据相关性弱等问题。数据质量若是不高，会对应用产生困扰，即便花费巨大的精力和时间采集、整理与清洗数据，也未必能取得理想的效果。因此，企业走进人工智能的第一天起，就要着手构建自己的数据资产库，并审视这些数据的质量。

一家专注本地生活服务的互联网企业如果只能获取自身交易数据，那么其人工智能模型就只能使用一个数据源进行训练；如果能调用如社交工具的社交数据、电子地图的出行数据，那么这家企业就可以拥有多种维度的数据集，进行更多维度的商业分析，挖掘到更有意思的信息。

企业如果有良好的IT基础，那么可以更好地进行人工智能的规模化部署。

过去，数据管理平台只是一个记录数据、存储数据的系统。人工智能时代的数据管理平台则要满足不同用户在不同地点进行查询的需求，且能给出及时反馈。

这便要求企业的IT系统要支持实时访问，也能支持数据量不断扩展。这几年中台概念兴起，企业打造中台的初衷是希望实现IT架构的灵活化、模块化和可共用化，本质上也是回应数据处理的需求。在此基础上，企业能高效整合结构化和非结构化的数据，便于访问数据集，支持智能程序的快捷运行，以统一的基础设施管理海量的数据。

另外，人工智能是一项新型业务，大规模部署要得到客户的支持，与企业保持一致步调。培训客户的过程，不仅要告知客户业务技巧，还要积极发现、收集客户需求线索，既给人工智能落地做铺垫，也为智能应用的迭代指明方向，创造更好的客户价值。

在大规模部署阶段，我们要看到企业运用人工智能是多层次、多维度的，既可以承担上班打卡、记录翻译等具体功能，也可以应用在风险控制、供应链优化等核心职能领域，还可以应用于开发竞争策略。就企业而言，从市场销售、技术研发到会计财务、行政管理等，都要遵循一个统一的战略部署，各部门协同参与。

进行人工智能落地时，技术部门可以关注大数据、5G、物联网、区块链、边缘计算等多种技术的综合运用，融会贯通；市场销售部门分享客户的痛点，方便产品研发部门将技术成果注入业务场景中；法务、伦理部门要检视企业在遵从数据隐私保护、数据安全、人工智能伦理等方面的表现，保障落地的合规性、安全性、持续性……各部门各司其职，为人工智能落地提供全方位的支持。

在规模化部署阶段，人工智能进入了更多样化、更复杂的实际业务场景，影响业务场景的变量增多，也就意味着会有更多元的数据变量、机制变量和产业变量。在此过程中，团队要保持敏捷性，就可能的情况做出及时、快速的调整。

● 步骤四：探索与发展

在探索与发展阶段，人工智能应用大规模铺开，可以不断满足、发现、创造客户需求，从而迭代产品和服务，扩展市场。

以亚马逊的智能助手Echo Show与Alexa为例，当被指责监控和记录用户数据后，新版本的Echo Show与Alexa立刻做出改进，用户可以设定隐私数据并随时删除隐私记录。这种迭代是亚马逊收集、发现用户反馈后，权衡用户自主、隐私保护和产品易用的结果。

谷歌翻译从全球客户方便浏览互联网资讯的需求出发，解决了互联网资讯80%的信息只使用世界前10种语言的矛盾。2006年，谷歌翻译上线，一开始翻译的准确率是40%。此后几年它不断积聚数据，用统计、概率、学习、反馈等方法迭代，使翻译结果越来越准确。到后来，谷歌翻译不仅拥有成熟的算法模型，并且还将其业务延展至各种翻译场景，用户数量不断增加，活数据源源不断，产品市场占有率也不断提升。这样的正向循环，既满足了用户的需求，也实现了企业的新发展。

其实，这正是人工智能创新者的先发优势，一旦率先将某种应用推向海量用户，就可以先期获得用户反馈、数据和隐性知识，进而迭代产品及服务，推动进一步的优化，扩大领先优势。

探索和发展的前提，要始终围绕“以客户为中心”的商业模式。所有业务与产品，如果没有客户的认可，没有一个合理、可持续的商业模式，那么最终也没法大规模推广。

2019年8月，一款换脸的人工智能应用“ZAO”风靡一时，它可将用户的人脸植入到各种影视作品的场景中，然而由于用户信息安全保护不力，且涉嫌侵犯影视版权，这款应用很快就偃旗息鼓了。

在探索与发展中，我们要不断试探人工智能的边界：能做什么，不能做什么，又该以何种形态与业务结合。我们固然相信人工智能的潜力，但更要遵守法律和伦理的规范。

在狭窄人工智能的技术条件下，人类自己的判断力和洞察力依然是人工智能战略落地的关键。人工智能不是万能的，比如，按需叫车的运输业、自动化仓储的分配网络等大量场景，更适合人机协作。若是要完成更加复杂的任务，人工智能现有的能力还远不及人类。

在落地过程中，企业应有意识地建立一整套完整的工具来管理和评估人工智能项目的进展，建立人工智能的全生命周期管理体系。从定义场景、构建模型、收集训练数据、验证模型一直到规模化部署、平稳运行，整个流程应是可信赖、可跟踪、全透明、可量化的，便于企业在不同的阶段进行动态调整。

另外，由于技术能力发展快速，在企业探索和发展人工智能的过程中，人才和合作伙伴尤为重要。即便是亚马逊、谷歌这样的科技平台，也依然在不停地网罗人才，增强企业的人工智能能力。2014年，谷歌巨资收购深度学习巨头公司DeepMind，后者利用其机器学习能力帮助谷歌来优化搜索，提升内容与搜索能力的匹配。

坦率地说，从确定方向、设立实施路线图到小型闭环的实验，再到规模化部署，接着探索发展，打造一个创新性的人工智能应用，这个过程中的每一步都充满艰辛。每一个环节，都要有相应的工具、方法、经验和资源，还需要克服种种不确定性的挑战，这是对团队战斗力和韧性的极大考验，尤其考验领导者的定力、信念和激情。

即使如此，未来已来，人工智能是大势所趋。如果能在接下来的几年里积极推进企业在人工智能方向的转型，在激发数据价值方面迈上一个新台阶，就一定能获得智能经济时代的船票。现在拥抱人工智能，是勇敢者的选择，也是智者的选择！

推荐阅读：AI3.0：人工智能落地的商业逻辑