文章图片




文章图片




文章图片




文章图片








自1956 年达特茅斯会议始 ， 起起落落是人工智能产业发展的常态 ， 在每一个小周期里 ， 又会涌现出高低不等的潮头 ， 如何踏上一个又一个潮头 ， 而不是被动的随潮涨潮落 ， 是摆在行业面前的共同难题 。

人工智能站在时代风口 ， 其生命力却扎根在产业深处 。

2022年 ， 人工智能产业渡过了相对平缓的一年 ， 虽然不乏大模型、AI绘画等频频刷屏 ， 但AI产业更值得关注的部分 ， 是那些已经司空见惯的应用 。



诸如人脸人体识别、图像视频处理、智能语音、对话式AI、NLP和机器学习等 ， 我们已经习惯了它们的存在 ， 转念一想 ， 它们似乎就是不久前的“ChatGPT” ， 在炫目的表象背后 ， 落地到产业实践 ， 创造出了更大的价值 。

人工智能正在用比以往更快的速度落地 ， 这与先行者倡导的新思路、新方法不无关系 ， 从0到1是灵光乍现的点子 ， 从1到100是想法落地的工程化实践 ， 以百度为代表的行业厂商 ， 采用了人工智能和云计算等新技术相结合的方式 ， 大幅降低了AI应用的门槛 。

而这 ， 也成为人工智能在产业突围的新路径 。


用云承载AI ， 补全技术代差


中国科学院院士张钹近期公开表示 ， 与信息产业相比 ， 人工智能产业的发展速度和发展过程更加曲折 。

信息产业是在信息科学技术的理论完全建立完成的基础上发展 ， 在产业发展之前 ， 基础理论就已经非常完善 ， 只需沿着理论指引的方向发展产业 。

因此 ， 信息产业建立的硬件和软件都是通用的 ， 跟应用领域和应用场景没有关系 ， 所以它的市场很大 ， 不存在如何做大做强的问题 。



他认为 ， 人工智能产业的曲折发展主要有两个原因 ， 一是目前人工智能的软硬件与应用场景和应用领域密切相关 ， 二是人工智能缺乏理论基础 ， 算法、模型都具有很大的缺陷和局限性 。

比如 ， 人工智能的“智能芯片”与计算机的芯片完全不同 ， 是为特定的算法和特定的领域服务 ， 所以它不具备计算机硬件的通用性 ， 因此会遇到如何扩大市场的问题 。

在这种情况下 ， 人工智能面对的是一个异常碎片化的体系 ， 在单个场景起作用的算法模型 ， 平行迁移到其他场景 ， 外部条件稍有变化 ， 效果就可能大打折扣 ， 人工智能需要一套行之有效的打法 。

百度集团执行副总裁、百度智能云事业群总裁沈抖认为 ， 智能化为行业创造价值的浪潮才刚刚开始 ， 这就需要云计算厂商标准化地输出智能化的底层能力 ， 把芯片、大模型、深度学习框架等高门槛的技术 ， 变成像水电能一样供客户按需取用 。

百度集团执行副总裁、百度智能云事业群总裁沈抖


这不禁让人想起技术代差递补性(Technical Generation Complementary)的理论——当一项具有代差的全新技术出现时 ， 由于它自身的不完备性 ， 往往需要现有技术作为其补充 ， 与之形成在技术上的“高低搭配” ， 因此新技术并不能够完全取代现有技术而主宰整个市场 。

譬如固定电话的出现并没有立刻导致电报的出局 ， 但移动电话的出现却直接将电报三振出局 。

某种意义上 ， 人工智能作为一项全新技术 ， 在理论和实践上都有其本身的不完备性 ， 云计算是信息产业的延伸 ， 人工智能和云计算的高低搭配 ， 也有望取代企业的旧动能 ， 化作数字经济时代的新生产力 。

从行业动态来看 ， 包括百度智能云在内 ， 亚马逊、谷歌和微软等厂商都在其云服务中融入了先进的人工智能技术 ， 商汤等AI厂商也开始推出云平台 ， 为了向客户提供更高效、更具性价比的云和人工智能服务 ， 通过云来输出人工智能 ， 成为越来越多厂商的共同做法 。