8 月 25 日，旷视科技向港交所递交招股书的消息在企业圈惊起一股巨浪。
据悉，旷视此次融资或高达 10 亿美元，而此前旷视的估值已达 40 亿美元左右。这是国内第一家正式提交 IPO 申请的「AI 四小龙」（商汤科技、依图科技、旷视科技、云从科技）公司，一旦成功，旷视也将成为登陆资本市场的中国 AI 第一股。
有人说，上市对于旷视来说，是一个最合理的筹钱渠道。的确，这个成立 8 年、由人脸识别起家、专注于安防监控垂直领域的独角兽尽管营收猛增、一路势头强劲，但亏损规模同样惊人。根据官方数据，2019 年上半年，旷视科技的总营收达到 9.49 亿元，同比增长 210.3 %，但是亏损也在持续扩大，达到惊人的 52 亿元。
“这个行业太烧钱，上市是一个好选择。”一位业内人士表示。诚然，剖开 AI 实质来看，不管是核心竞争力「深度学习」，还是垂直领域的商业化尝试，都是需要大量投入的一个产业。然而投入未必会有回报，环顾前几年一度饱受质疑的「AI 泡沫化论」以及所谓的「空唱概念」，实际上都剑指 AI 要害：
「不落地，不商业，无智能。」
技术领先并不代表现实的商业价值。
尽管 AI 创业创新几乎遍地开花，但如何落地和商业仍是许多公司的软肋。在《2018 中国人工智能商业落地研究报告》中，2018 年营业收入在 10 亿以上的 AI 企业只有 8 家，绝大部分企业的年营业收入不足 2 亿。此外，2017 年中国 AI 商业落地 100 强创业公司累计产生的收入不足 100 亿元，90% 以上的 AI 企业亏损。
为什么？因为 AI 技术本身只是空中楼阁，当要切入某一垂直领域去应用时，还需要有大量的数据和知识做积淀，这对大部分 AI 企业来讲都是一个比技术突破更艰难的工作。
首先，深度学习算法缺乏可使用的大规模数据集。尽管中国各行各业沉淀了大量的数据，但是这些数据很多都是非结构化数据，能够被利用的还相当有限。只有获取大量与行业、领域相关的，且标注、整理过的数据，才可能被使用。就连斯坦福大学建立的目前全球最大的图像识别数据库 ImageNet 里面数百万张照片，也是很多人花费大量时间标注后，才能让机器去学习。
其次，技术与业务场景存在着一定的鸿沟。技术过硬的公司未必了解企业具体的业务场景。譬如一道电梯门的生产流程就涉及上万个生产工艺，要嵌入 AI，实现自动化、智能化的生产，没有对业务流程的熟谙是不可能的。
再者，AI 人才的短缺。有一位企业 CIO 曾痛述，AI 人才「千金难寻」。因为目前国内 AI 人才大多分布在学校和研究机构，企业遍寻无门，求贤若渴。
图注：UIPath 网站发布的《AI Jobs》报告，从全球来看，中国空缺的 AI 职位最多，共计 12113 个虚位以待。其中，最缺乏的职位是 AI 研究人员和智能专家。
尽管 AI 的落地面临诸多困境，但目前国内，一些与计算机视觉相关的 AI 应用，尤其是安防领域，已经有了切实可见的变化。
根据赛迪顾问的统计数据，2018 年，中国在 AI 领域共有超过 200 个项目获得投资，获投总金额高达 1117.19 亿元，主要集中在计算机视觉、信息分发、智能驾驶、机器人、智能芯片等领域。
从计算机视觉目前的场景落地进展来看，移动互联网/安防领跑，零售/物流紧随其后，医疗/无人驾驶的商业化则有待成熟。
通过 AI 人脸识别功能，安防行业一改往日事后追查责任的思路，变为实时的动态监控，为安全保驾护航。就拿如今炙手可热的旷视来说，安防、交通等视频监控业务占据了公司营收的 70%，而且在为国内各大安卓手机厂商提供人脸识别解锁方案上，旷视和商汤的竞争几近白热化。
在拥有大量线下场景的物业服务领域，AI 安防的应用也备受关注。万科、龙湖、碧桂园等地产巨头都相继推出了自己的智能服务体系，如刷脸门禁、红外垃圾监测等。尤其腾讯与碧桂园服务合作打造的云-边-端 AI 全栈解决方案，借助腾讯在计算机视觉、语音识别、机器学习等方面的成果，与物联网深度融合，实现对小区人脸识别、车牌识别、一键巡逻、以及物业缴费等服务的智能化管理。
反观无人零售，前几年各路玩家入局，但大浪淘沙，距离实现规模化盈利还有很长的路要走。这期间除了要对底层用户数据、货品识别等做更精准的挖掘，还需将计算机视觉、边缘计算等紧密结合起来。
其中，比较典型的如百度 AI 大脑平台与美国零售安防服务商 Checkpoint 的结合，通过在普通摄像头上注入百度AI的技术能力，打造出智能抓拍机，来监视购物车里是否有还未付款的商品，还能精准排除残疾人购物车和儿童购物车。目前这套方案已在美国 160 多个超市落地，准确率高达 95% 以上。
在「离钱最近」的金融行业，原本积累的海量数据，为 AI 的行业应用更是提供了丰盛的「养料」，第四范式、蚂蚁金服、平安科技等一众先兵企业涉身其中，战果也是百花齐放。目前智能风控和量化投资的技术应用商业化程度较高。
比如有「金融宠儿」之称的第四范式所开发的 AI 软硬一体集成系统 SageOne，可实现高维模型毫秒级响应的实时决策，将金融风控的客户损失降低 30%-50 %，目前已与工商银行、建设银行、交通银行等数十家大中型银行深度合作。
为业界称道的平安科技，更是凭借集团的金融体系和丰富的场景优势，将自身在人脸识别、声纹识别、语音语义识别、微表情分析等核心 AI 技术上的研发成果与第三方产品／技术相结合，除了为集团智能认证、智能预测、智能风控等服务赋能外，还将 AI 能力延伸到智慧城市、智慧教育、智慧楼宇等 400 多个业务场景中。
而前几年呼声最高、也是 IBM Watson 最早切入的医疗领域，由于壁垒较高，资金投入巨大，以及技术成熟度所限，目前在商业化落地方面依然面临较大的挑战。
因为毕竟 AI 不是你想装就能装。动辄上千万美元的一套 AI 系统，对医疗部门来说委实一笔不小的开支。
不过，在 AI 医疗中，「AI + 辅助诊疗」的模式正在成为越来越多医院的尝试。2017 年，科大讯飞还与安徽省立医院联合成立「AI 辅助诊疗中心」，这也是国内首家正式投入使用的 AI 辅助诊疗中心。通过机器学习专家医生的医疗知识，来模拟推理出病症原因，为病人提供合理的诊疗方案，其推出的智能问诊机器人已走进三甲医院。
除了计算机视觉领域的热捧，国内 AI 在语音识别领域的应用也比较超前。百度、出门问问、云之声、京东集团等都相继推出了自己的智能语音服务产品。其中，占据市场份额 70% 的龙头企业科大讯飞，推出的智能语音产品的准确率几乎接近 99% 的人际交互质变阀值，以讯飞为核心的中文语音产业链也已初具规模。
由于国内目前在语音和计算机视觉方面的需求旺盛，大量资源相继涌入，这一方面推动了技术的成熟，另一方面也催生出更多的适用场景。而金融、制造、零售等行业大量的业务数据场景，也为 AI 的落地提供了先天试验场。再加上产业的快速发展，以及国家战略层面对 AI 的强力支撑，AI 很有可能在未来 10-20 年超越国外，实现弯道超车。
环顾 AI 创业大潮，奔流不止，生生不息。从对技术的热衷，到对商业的追求，「人机结合」才是 AI 的终极目标。可喜的是，60 多年来，技术一直在突破，从深度学习，到自然语言理解，再到更高层次的神经学、脑机制研究，技术的研究登峰造极，新的变革和创新总会在某个时间如期而至。而 AI 商业化探索的道路也已开启，尽管目前看起来还十分初级，未来也将遍布荆棘，但唯有商业化才是 AI 价值的最终体现。
正像《银河系搭车客指南》中描绘的那样，AI 技术只是我们找到的答案「42」，但这答案对应能解决的问题是什么则需要花更多的时间才能发现。
备注：「42」是道格拉斯·亚当斯所著《银河系搭车客指南》中提到的「生命、宇宙以及一切的终极答案」，这个答案由故事中的AI「深思」得出，但它并不能计算出对应的问题是什么。
联系客服
