图片来源@视觉中国
本文来自钛媒体，文|当下Tech。
仅仅在北京，这个城市就拥有人工智能核心企业1048家，占我国人工智能企业总量的29%，位列全国第一，同时，北京人工智能领域核心技术人才超4万人，占全国的60%。
我们拥有如此多的AI企业，为什么我们对AI的商业成就的认知感并不强？为什么我们只读到天文数字的“预计市场规模”，但很少看到AI企业有漂亮的财务报表?
如今的AI行业进入越亏越烧——越烧越亏的循环，笔者和大多数人一样，也一直在总结一些结论，如这些企业商业化的共性问题是诸如技术能力有限、缺少通向行业的痛点清单、实用人才的匮乏等等……事实上，这些问题都存在，而且本文也要进行详细的记述，但是这似乎不完全是问题的终极答案。
直到做完了对圈内十几位专业人士的深度调研，笔者才发现，问题的根源，可能源自我们对于AI落地的第一性与第二性的认知错位，进而决定了大多数企业的路径和资源的错配，这才是根本性的原因。
阅读提要：
1.认知误差—AI落地的第一性问题是什么？
2.心智突破—如何让决策者支持而非制约AI落地？
3.范式创新—如何解决通用性和专用性的必然矛盾？
4.重点突破—在核心行业深度赋能需要“助手心态”
5.生态建设—当前AI落地生态的难与痛
01技术和工程，孰轻孰重？
“我们的规模虽然目前并不大，但我们是一直创造正向价值的并植根于实践的，我们的努力没有被束之高阁，而成了有创新价值的产品”，这是曾任微软雷德蒙德研究院深度学习技术中心的首席研究员、现任京东集团副总裁、京东AI研究院执行院长的何晓冬一直颇感自豪的事。
相对于其它几家互联网超级平台的AI研发规模，何晓冬所在的部门只有数百人，而他们的研发方向也很具体——对内依托京东的用户规模优势，不断的优化智能客服的能力，对外把这种能力做成产品卖出去，应用在诸如智能政务热线、智能外呼、数字人、智能营销等语音语义场景里。
“我们方向走的对，其实只有一个原因，就是搞清楚了我们能给市场带来什么价值，价值的核心点在哪里，然后用我们的工程能力搞定它”，何晓冬说：“脱离了价值锁定的AI研发是很酷，但很难有商业回报。”
在何晓冬看来，真正意义上的“科学原理意义上的进步”，只来源于两个渠道：“要么是对于大规模应用实践的规律总结，要么是极少数天才在很少外部资源的支持下的‘顿悟’，而前者是绝大多数非天才的必由之路”。
何晓冬举例说，如何制造一台光刻机——”所需要的任何数学公式、物理学定律和工作原理，都可以在任何一所理工科大学的图书馆里找全，但是这距离制造出来完全是两码事，其间需要解决数以十万级的工程问题。”
如果仅仅从经历来说，马兆远是我们传统观念里的那种科学家，他是南方科技大学教授、英国物理学会会士，曾任清华大学未来实验室首席研究员、更是深圳两化融合的首席科学家。
推动世界的绝大多数进步，首先是解决了工程问题，这也是马兆远的观点，他认为自己是“世界二流科学家，但更是个工程师。好的科学家应该是工程师，好的工程师应该是科学家”。
马兆远的观点很犀利，他认为：“科学是第二性的，工程才是第一性的。科学家解决可能性问题，而工程师解决可行性问题。”
对于目前正在如火如荼的进行着的高端制造业升级，马兆远认为，中国高端制造业的升级，包括参与工业4.0，提升高端制造业的研发、生产水平等等，需要的首先是工程能力，是价值实现的手段问题，他说：“产业的真实进步，每一步改进，都意味着大量的选择和优化，而这是在实践中大量开发经验和工程训练积累而成的能力。”
而真正意义上的科学进步，反而是“需要大量工程沉淀，在充分的工程文明基础上，科学文明自然地发生”。
而纵观我们的AI企业，不缺乏的从来是讲故事的能力，更不缺乏的是发论文的能力，但是对如何解决问题却语焉不详，或即使有案例说明，也只有前因和后果，而独独跳过了其中的工程环节。
而这种“跳过”并不是因为商业上的保密，而是因为乏善可陈，马与何两位的观点重合之处在于他们都认为，AI企业不仅要了解科学、懂得技术，更重要的是知道痛点何在、价值何在，“并进行真正能把构想和创意造出来的创新型工作”。
而在笔者看来，这种辨析，才解决了AI商业化命题中的第一性原则，而我们的大多数AI企业，似乎把两者颠倒过来，所以我们看到的企业请的科学家越来越高级、发的顶会论文和拿回来的国际奖项越来越多……这似乎意味着中国的AI能力不断增强，但这似乎又无益于企业的商业变现。
该是解开这个悖论的时候了。
02管理者是第二个问题
在AI的商业化落地中，排在第二位的重要因素，同样是非技术问题，严格说，是一种管理者问题，或者是管理者的认知问题。
目前，中国AI企业最希望打开的是大型企业市场。利润尚在其次，主要是大型企业的示范效应很强，一个大型企业打开局面，就可能意味着一个行业对AI敞开大门。
行业里盛传的故事是，在某个重要的会议上，一家AI企业的负责人恰好与一家超大国企的负责人同车，于是顺便安利了一下自家的AI技术，遂拿下千万级的大单。
从大型企业的局中人，和局外人看来，对这个故事看法截然不同。
”这其实才是正确的打开大企业AI市场的做法，就是一定让一把手有感知、有认同“，笔者拜访的某特大企业的一位中层负责人给出了这样的评价：“其实，就是两个人不同车，也可以想办法安排同车，或者安排在某个场合见面，这比什么推广的效果都要好”。
这个说法可能让一些AI企业不爽，但笔者采访的绝大多数特大型企业的AI业者却基本形成共识，他们指出，大型企业要落地一项全新的技术，最好的办法是自上而下，而非自下而上。
一个特大型国企落地一个新技术体系，本身就很难，特别是前沿的数字技术。
绝大多数特大企业的信息化建设都很早，多年来的累积建设，如同叠屋架床，体系非常复杂。如果是在体系外围做单点式创新还不算难，但如果要把AI技术融入大企业、大行业的技术底座，其复杂性难以想象，其失败也是有一定概率的。
举一个非AI的案例，当年阿里为了推广钉钉，不但马云直接找到了复星系的掌门人郭广昌，甚至还把钉钉做成了定制版的”复星通“。即使如此，一个协同软件也在复星体系内三年才基本铺到基层单位，而AI落地的难度远非钉钉可比。
“特大型企业负责人要考虑的问题很多，而很多问题本身是矛盾的，没有绝对的最优解。所以没有确定性答案的问题，就是他们很难做决定的问题。这时候你就要灌输认知，但其实特大企业的一把手，对于互联网巨头的掌门人的认知度并不高，信赖成本很高”，一位业者这样告诉笔者：“认知度不高，你还不主动接触，不做说服工作，怎么能让人下决心？”
笔者访问过的几乎所有特大型企业的AI负责人基本都是同样的观点——特大企业规模化上马AI，一定是一个“一把手工程”，不是99%，而是100%。
但他们也承认，对如此复杂的体系性问题，很难通过一次对话解决，但“如果你连对话的机会都没有，就更不要想拿下订单了”。
插一句，对于这个结论，很多非体系内的业者并不认同，例如前文叙及的何晓冬博士，他就认为：“刷脸营销是不可靠的，可以偶尔为之，但主要还是靠提供对方需要的价值。”
都没错，但看待问题的角度不同，就得出了截然不同的结论。从目前来看，恐怕还是要遵循大型企业内部人士的视角，才更为切实。
接下来，几位大企业内部人士的另一个观点让我更感震撼，他们的观点是：“AI能否进入企业的考虑目标，取决于高层，但是否能落地成功，取决于执行层是否倾力支持，而最大的阻力，就是中层的技术骨干。”
“中层其实是最保守的，因为他们是最实际的。他们的出发点是相对保守，最大的诉求是维护既得利益，所以做体系性调整中他们的阻力最大”，受访者告诉我：“一个中层对应的可能就是一个技术条线，而整个一个技术条线的消极配合，就绝对会影响到最终的结果。”
当然，并不是每个人都完全是从个人考量出发，而是站位决定了保守，“对于很多成熟业务来说，用传统的方法已经做到了极致。这时候，要你去接受一个新的技术，而且是不成熟的、需要不断调整、优化，而且优化的权力和能力又不掌握在自己手里的技术，大部分中层骨干会选择说不”。
对于AI应用，很多企业里发生的现实就是，高层难以接触但未必排斥，基层年轻人大多欢迎、热爱新技术，真正最难说服的是掌控实际业务的中层。
03走出AI落地的新路径
关于AI企业的技术能力，其实一直以来缺乏评定的标准。因为公司毕竟不是学术机构，参加顶会、发表论文这些标准只能参考，不能转化为直接的销售动能。
所以，这部分的采访，笔者除了采访技术人员外，还采访了销售和服务环节的从业者。你也许会觉得奇怪，为什么技术问题要去采访销售和服务环节的人？
因为只有他们对于技术的落地和后续的服务感触最深。
什么是AI企业最需要的技术能力？笔者认为应该包括两部分，即技术能力和服务于客户的业务能力，后者是前者的延伸，但并不是前者解决了，后者就一定能自动解决。
目前AI商业化落地的最大困难，是没有一条高效率、低成本，而且可以大规模复制的赋能方式。
而大家知道，数字经济最大的魅力就在于可复制，一个数字产品的虚拟化拷贝可以服务于数亿人，但边际成本极度接近于零。
但是，在目前的AI领域，却很难出现这样的边际效用递减的现象，反而体现为应用的越深，边际效益却无限的增加的问题。
从表层看，这是AI模型的通用能力和专用能力之间的矛盾。
绝大多数的用户企业都不具备独立打造模型或者算法的能力，因为不但门槛极高，而且几乎没有边际效益，所以从AI通用型企业购买服务是主流方式。像百度这样的AI头部企业也是着力在打造通用化AI能力。
我们再回想下，早年买电视的时候，甚至调试天线的位置，都需要人爬到屋顶上；或者我们早期买电脑的时候，会不明觉厉的看着带着一叠软盘在BIOS界面上运指如飞调参数的工程师。
今天，我们使用电脑，其实只要掌握开机、关机和连上wifi就可以了，这就是技术应用的进步。
而AI的模型复杂程度虽然远非家电、电脑的调试可比，但道理是一样的，目前的人工智能模型本身并不“智能”，它需要经过复杂的调试和预训练才能够使用。
比如，制造企业里的生产安全监测，算是最通用的场景了，但它的落地也不是那么简单的。
比如我拜访的一个AI架构师，他所在的企业的生产场景，是在深深的地下、复杂的地层中。
那么问题就来了，网络信号无法传输，需要配备边缘算力的摄像头，或者需要有线传输，这成本可就高了……更严重的问题是，生产环境中油性颗粒和烟尘含量很高，再干净的摄像头，用三天就彻底“糊了”。
最后，这个项目面临的选择是，要么放弃；要么产生一条新的工序——工人必须每三天清洗一次摄像头的外罩。
而这仅仅是最简单的，还不涉及到核心技术问题，仅仅是外部变量问题的AI落地难点。
远远比这艰难的是，真正给传统的高技术产业赋能。
所谓的传统的高技术产业，就是石油、海洋监测、卫星、核能这些行业，它们本身的技术壁垒极高，AI行业的从业者很难从外部获取足够的知识来设计通用模型。
比如石油行业，很多人认为是一个傻大黑粗的土豪行业。其实，石油行业在国内应用计算机的历史，可能比军工行业都早。
石油行业的一个最典型的场景，是通过制造人工地震，用仪器回收地震波，再根据波形还原地形构造从而找油，被形象的称为“给地球做CT”。
这是一个超级吃算力的行业，是一个最早拥有行业超算中心的行业，也是一个数字化程度很高，人工智能可以大有作为的行业。
与之相似的还有卫星行业，你可能不知道，我们头顶的数百颗卫星，每天至少下传100TB级别的数据，而其中传统用户如国土资源、海洋监测、农田监测等等，只能用到20%的数据。
这个行业与前面的石油行业的类似之处在于，每天产生海量的数据和图像，但这种图像的识别高度的非智能化，只能在计算机辅助下通过受过专业训练的人眼识别。
这也是一个让AI行业人士兴奋不已的领域，要知道CV（计算机视觉）可是和NLP（自然语言理解）相媲美的人工智能前两大应用领域，是最成熟的领域之一。
非常多石油、卫星领域的行业人士，都希望通过计算机视觉来解决读图问题，用他们的话说，哪怕只有80%的准确率，也可以把现有数据的利用率从20%提升到50%，相当于生产力提升了2.5倍。
但是，非常智能、也非常成熟的AI，偏偏在这个领域铩羽。
其实，真正困住AI企业的，就是这类行业的传统高技术壁垒。
无论是地震波的收集工具，还是卫星上的各种可见光、非可见光传感器，都有一个特点——标准化程度很低。
比如石油行业的某种图像格式，是一个上世纪80年代在行业内很盛行的西方某国的中小企业开发的专用仪器生成的，因为好用，一直用到现在还有很多地方在用。
但对于通用AI企业的人来说，他们几乎没有可能知道这家公司的存在。很大概率是，这家公司可能已经不存在了。
我见过不止一个石油行业的人士向AI公司的人抱怨：“你们的模型，连我们基本的数据格式都无法导入，我们怎么用呢？”
所以，一位业者这样对我说过：打造垂直行业应用的难度，和它的收益成正比。越难的事情，你做成了才有独特的价值。我们需要AI企业的人有一种助手的心态，和我们并肩工作三年、五年，把我们这个行业真正弄懂了，才能拿下大单。
是AI企业的人傲慢么？其实他们也一肚子委屈，因为他们根本没法派出大队人马去服务，如果真的如此，结果可能是天价。
我们看多了“AI企业深入产业内部，携手寻找行业know-how”之类的报道，但其实这类事情极少发生，或多发生于开拓某个行业的早期，或者是老板亲自盯的项目。
更现实的情况是AI企业的工程师几乎与被服务企业的人连面都没见过。
为什么？因为真正的、优秀的算法工程师、架构师实在是太贵了，如果以他们的薪酬来计算服务费用，所有的订单都是亏损的。
行业里盛传的“一次派出几十个工程师，自己掏钱住酒店，走的时候连客户的打印机都修好了”的段子，据说就是某H企业攻掠AI市场的方法，但这的确是用亏损换市场，不走寻常路。
对于正常的AI企业，重头的开销本来是在研发上，可事实教育之下发现，更多的费用其实产生在销售和服务环节。
于是，ISV模式大行其道。所谓ISV，英文全称是Independent Software Vendors，意为“独立软件开发商”，原本特指专门从事软件的开发、生产、销售和服务的企业。但这个词在现今的语境下，特指通过“被集成”方式，为开放接口生态下的用户提供第三方服务的公司。
原本，ISV是一种正常的、合理的商业现象，因为人才本身是分层的，人工智能模型也是一种产品。但是，就像你买一台空调，去给你安装的人，对空调的理解并不用达到空调设计师的程度。
但AI企业的特殊性在于，ISV的能力程度，虽然不需要高到算法工程师的程度，但也不能降到空调安装工的程度，他们需要相当了解AI，能独立协助用户优化，最终达到合格交付的水准。
笔者没有调查过海外的ISV市场，所以无法对比，但至少在本次调查中接触的企业，对国内ISV的评价普遍不高，认为他们“不会做比及格线高哪怕1分的事情”。
这话可能偏激，但有个用户企业给我讲了一个实际故事——某个业内盛传的AI智能客服大单，就是因为ISV缺乏足够的责任心（或者是业务能力的不足），使得精心开发的模型在实际落地中，并没有足够的优化和升级到位，最终使得用户单位极不满意，第一单，就成了最后一单。
但你要全怪ISV也不行，这个行业有两个特点。
第一，大部分ISV的利润并不丰富，客户黏性也很低。所以绝大多数ISV的结果都是长不大，刚刚够自给自足，这样的企业很难有足够的雄心把服务做好，因为前途不大，不适合有足够野心的创业者，所以也难以内生强大的变革动力和把服务做好的决心。
第二，虽然这些ISV不好用，但现实状态是，随着产业级数字技术的普及，各大巨头都需要大量的ISV去做落地，在这种情况下ISV虽然前途不大，但生存压力也不大，企业也很难苛责他们。
可以看到，传统软件时代的“顾问咨询-交易成单-软件实施-软件交付”的业务流程，高度定制化、非标化的特点，并不适用于产业互联网，因为后者本身的出发点就是为了降低服务成本、降低人力支出，所以才有了云计算、AI乃至于PaaS、SaaS等概念，它们的出现本身是为了降本增效，但其落地环节却成了降本增效的最大门槛。
这就是AI落地难的商业现实，有人总说，中国的AI行业缺的是ChatGPT这样惊艳的发明和创新。但笔者认为，这种惊艳之作固然对人类的意义极大，但创造一种更简便、更普惠、更低成本的把AI落地于千行百业的技术范式或者商业范式，可能难度和意义都更大。
04结语
其实，AI的商业化落地的难处，还远不止以上这些。
比如，在人才侧，传统的企业对于AI人才来说，培养难、招聘更难。一个高铁行业的朋友就告诉我，按照铁路的机制，最接近AI实操的是各铁路局、机务段，但在整个铁路都是亏损的情况下，这种基层的单位开出的薪资，都很难吸引到哪怕是一个AI专业的应届生。
还有，AI落地的成本高，短期内收益低，决策者要承担的成本高，推行的阻力大等等。
也有人认为，技术的问题，可以通过技术来解决。例如，近年来低代码、零门槛的AI工具也大行其道，不乏普通的铁路工人、大学生、AI爱好者利用这些工具独立开发出好的AI应用的案例。
确实，开发一个简单的模型不难，但真正能发挥AI核心价值的，如前述的石油、海洋、卫星、核能等高技术壁垒的行业，才是能够真正放大AI价值，使之成为国之重器的领域。而这些领域的技术深度，绝非工具层面可以解决的。
但笔者还是相信，AI行业有能力解决自己的问题，就像ChatGPT出现前，我们无法想象人工智能可以达到这样的程度，AI在能力上的储备已经到了从缓慢溢出，即将变为喷薄而出的阶段，高科技行业有自己的规律，也一定能找到自己的商业化未来。
