AI无处不在的小应用，与行业发展的大困局

前段时间重点关注AI领域的新突破，结果众多大厂的新版本都低于预期，许多新技术和理念禁不起推敲，目前的窘境不由得使我对未来发展多了一丝担忧。

但在参加几次AI落地实践有关的交流后，我对AI的态度又变得乐观了： AI已经大面积铺开，在千行百业发挥着作用，潜移默化地在改变我们的世界。

用简单的AI能力破解数字化难题

什么样的系统才算是AI系统？

有专业人士觉得，AI是高科技领域的创新，大语言模型、自动驾驶、机器人，包含这些元素的技术热点才值得被关注，在这种技术档次之上的AI才是真AI。相应地，像语音识别、图像识别这些技术已经非常成熟，算不得本事。

随着各方面对AI的重视程度不断提升，也有不少单位和组织把原来的电算化系统、数字化基础设施、自动控制组件，以旧瓶装新酒的方式去蹭AI的边。似乎用了计算机就是AI，细看都是话术包装，实际并没有什么进步。

我觉得这两种情况都有问题：前者把AI狭义化，好像只有高端技术专家才可触碰，过高的技术门槛抑制了普通用户的使用；而后者把AI过度泛化，挂羊头卖狗肉的方式会引发使用者对AI的反感甚至敌视。

AI不是高不可攀的神器，而是人人可用的工具。借助这些工具和能力，可以在具体的场景中提高效率，改善效果，让使用者感受到时代与技术进步的价值。

我们现在算不算进入了AI时代？

阿朱说， 如今的AI能听、会说、会看、会写，还能交流，所以现在就是AI时代。

我是认可阿朱这个说法的，现在AI可以完成很多辅助性的工作，大幅提升了数字化能力。已经有大量的案例，就是利用常规的AI工具对数字化系统的输入进行结构化处理。

比如，通过语音和语义识别，在线会议软件将会议过程进行自动转录，法院专用软件将庭审自动生成为文书，客服系统把用户的语音内容自动转化并进行结构化分类和处理，客户经理用语音方式回顾走访客户的过程，由系统转化为结构化的走访记录，并以此为基础自动完成客户画像、梳理商机等动作。

比如，一线人员对服务现场进行拍照，系统自动进行图像识别，完成数据采集和录入工作，既减轻了一线人员的工作负荷，又大幅提高了数据的准确性。

不少从事AI研究工作的专业人士对这些案例嗤之以鼻， 但这些看似土里土气的应用场景最能体现出价值，最容易被记住；AI表现出受使用者欢迎的能力，最容易被推广。

参与过ToB数字化改造项目的人都有体会，前期的数据治理和转化工作是非常辛苦的。把非结构化数据转化为标准结构，在传统模式下工作量巨大，要消耗大量的人工、资源和时间。

即便系统建成，这种数据采集和处理还不能自动完成，仍要消耗大量的运营资源。

那些看似普通的AI自动识别能力，此时化身成为助力数字化的利器。 借助AI发展的东风，不少基层单位都在这方面进行了技术升级，取得了显著的成效。

用通用的AI技术实现规模化知识管理

ChatGPT3.5横空出世以来的这几年，似乎大语言模型成了发展AI最正确的路径，海量的金钱、资源和精英人才都义无反顾地投身到这条赛道里。

于是我们看到，国内大厂和海外高科技公司都在这条赛道上狂奔，面向个人客户的智能问答和信息查询已经实现了规模化拓展，很多老年客户热衷于与AI频繁互动，熟练程度甚至超过了大多数年轻人。

好像 去年下半年开始，大语言模型的发展势头有所减缓。 虽然不断有国内外厂商发布新产品、新模型、新理念，但大都是发布阶段热闹一下，然后就回归到四平八稳的状态。

与之相对应的，AI的幻觉甚至谄媚等行为越来越严重，越来越多的人在使用过程中发现AI的错误，对AI的质疑声音也越来越响亮。

如果说中国这方面发展速度下降是受制于芯片和算力被卡了脖子，那么海外不差钱的那些科技大佬迟迟交不上作业，就有些令人费解了：美国高科技产业几乎将全部赌注都押在了AI上，现在仍只能做成这样，很难让投资者满意，更让指望以此保持美国领先的政客们失望。

但如果我们抛开对大语言模型持续向前发展的奢望，回头看已有产品和能力的应用情况，蓦然发现它们已经在领域知识工程化、大规模的学习和信息检索等方面，做了不少事情。

随着技术的发展和商业的变化，企业的规模越来越大，产品越来越丰富；相应地向普通员工传递信息和知识的难度也就越来越高。

不能指望每一个员工都是专家，能自行建立索引快速解决问题，一线员工总在吐槽查询搜索文档的时间长，互动界面不友好，学习效率低下。

提升后台系统的智能化水平，才是解决这类问题的最佳模式。

有企业通过系统直接调用大模型能力，形成企业内部的知识中台，以智能互动的方式帮助员工快速进行文档检索以及解决方案查询。

有企业在系统中建立自有大模型能力，将企业内部各种产品进行整合， 向客户经理推荐适合的产品， 并以交互方式提供营销话术，解答客户疑问，准确地推送使用场景和案例。

有教育机构汇聚海量的优秀课件，在辅助教师备课的过程中，借助AI能力找出适合的参考素材，就像一个优秀老教师给年轻人开小灶，在AI与教师的不断互动中，先进、科学的教育理念与行为得到了更加广泛高效地传播。

还有企业在尝试建立面向最终客户的数据平台，直接将专业知识、操作视频、使用场景、成功案例等向客户开放， 引导客户通过自服务的方式定位故障，快速解决问题。

这些AI落地的项目，一方面源于现实问题，另一方面也让问题得到了有效解决，相关方都感受到了AI技术创造的价值，因此无一例外地收获了众多好评。

AI喧嚣背后的困局与出路

如今AI是科技行业的头号热点，在形势一片大好的喧嚣声中，看到这么多优秀的案例，找到了这许多有价值的场景，那么AI从业者们是不是该欢呼雀跃呢？

恰恰相反。

细算经济账的话， AI产业依旧是在赔本赚吆喝。 企业自身造血能力不足，项目投入产出比差，导致此前AI泡沫破裂的相关要素并未发生质变，这就意味着AI发展的格局和框架依旧不稳。

首先，从供给侧的视角看，AI应用往往不具备规模效益。

AI可以将非结构化的数据进行结构化处理，然后呢？后面是千行百业五花八门的数字化系统，数据处理和建模都很难标准化和产品化。如果只有前端数据转换才是标准化产品，后端大量应用仍需要定制化开发，供应商就会再次陷入到项目制的坑中。

知识领域工程化也是类似的情况。通用大模型的精准度明显是不够的，要为使用者提供专业且准确的答案，目前看很难迈过定制化开发的这道坎。更何况这类能力建设往往特别强调专业性，很多问题IT技术专家都不一定能理解，更不要说能完美解决了。

也就是说，在解决上述问题的过程中，这些通用性的AI能力只是工具，在费用中占的比重小，而且与客户的距离远、客户感知弱，再加上有同质化的竞品的干扰，很难卖出好价钱。

其次，使用者认为AI应用成本必须足够低，恨不得免费使用，才划得来。

放眼望去，虽然AI应用遍地开花，但只能是在AI能力调用成本相当低的情况下，才能达成经济效益的提升。

一方面，目前AI应用主要是围绕降本增效进行的，计算其产生的价值和效益，必须考虑AI的使用成本。当下各方全力推广AI，成本的影响并没有凸显；但等尘埃落定，需要计算长期运营状态的性价比，那些花10块钱结果省了1块钱的事情就不会做了。

另一方面，AI产业正处于竞争最激烈的阶段，为占据有利的市场地位，众多企业投入了巨额补贴，而这些补贴中很大比例来自于投资者。 这个阶段AI的低价甚至免费并不是可持续的常态， 等供应商开始明码标价收费的时候，还能剩下有多少会继续使用的？

不收费的AI不赚钱，收费的AI没人用，除非最终客户对AI产生了依赖，不得不用。

第三，对于未来AI的发展，分歧可能造成投资分散。

有的人想在AIGC的道路上继续跑下去，这个版本不行就再升级，这个产业不好就再迭代，只要投资不断，就继续买卡攒算力搞研发，相信大力就会出奇迹。

有的人是理想主义者，想象AI时代的终极形态，据此进行产品规划和功能设计，希望在产业投资的驱动下，以最直接的方式冲向终点线，实现真正的智能化。

有的人开始调整方向，寻找新的概念以吸引投资者。比如去年开始谈智能体，今年的热点是机器人，理念和PPT先行，以领跑的身份去享用下一波红利。

有的人转身做现有技术的商业化，借助目前的AI发展热潮做场景的落地，扎扎实实地与产业相结合，真金白银地创造价值，认为这才是真正的AI红利。

想得都挺好，各有各的道理。但资源总是有限的，无法达成行业共识的情况下，分散发力的商业结果大概率是“共输”。

然而AI润物细无声般的扩散过程中， 全社会的数字化水平得到了提升，智能化进一步改善了工作和生活，个人和组织都将随着数字化和AI的进步而进化，这何尝不是更高层面的“共赢”啊。

本文来自微信公众号： 尚儒客栈 ，作者：开心爹