AI正在疯狂寻找Know-How

1 评论 8849 浏览 31 收藏 14 分钟

Know-How,指的是工匠时代师傅对徒弟口传心授的“行业秘诀”,之于AI行业来说,Know-How也是至关重要的。

行业AI、产业AI、产业互联网,这些词在今天都已经变成了热门词汇。在流量红利差不多吃干净之后,科技企业需要向产业走,这是今天大部分科技公司的共识。然而产业市场不同于消费者市场的一个核心区别在于,每个行业之间实在是有太多不同。

能源行业的要求跟教育行业的要求显然不一样,而一套智能技术解决方案打天下,显然也是不靠谱的。如果我们多留心产业AI的动向,就会发现从去年下半年开始,相关项目的PPT里正在越来越多提到行业专家、Know-How这样的字眼。

在AI公司开始不断强调Know-How的重要性,呼唤拥有Know-How的公司参与到AI产业化进展中的时候,也许我们应该从头爬梳一下这个问题——

行业专家到底如何与AI算法与算力的提供商合作,缺乏行业专家又给AI进入垂直行业带来了哪些阻碍?

让我们来看看AI圈里大厂的梦中情人、创业公司的救命稻草,神秘的Know-How,到底是个什么情况。

产业AI的无形之墙

所谓Know-How,是指工匠时代那些师傅对徒弟口传心授的“行业秘诀”。到了机械大生产时代,Know-How虽然看似被信息爆炸冲刷地越来越透明。但在日益精细化的行业分割,以及众多产业各自攀爬科技树的大形势下,Know-How反而在经济实体中不断沉淀与积累。

比如说,汽车、船舶就是坐拥大量Know-How节点的产业。即使在基础技术不难复制,行业供应链比较透明的情况下。汽车和船只的生产水准依旧难以复制,原因之一就在于其中的“秘密”太多了。

Know-How可以被理解为一种能力、一种资源,也可以是被称作行业专家的人。在投资行业中,Know-How也被看作一个创业项目的评分标准之一——假如某汽车电商的创始人是浸淫汽车产业几十年的老油条,那么BP上往往会写着我们有Know-How。

而在AI主导的数据与网络智能化技术,希望进入产业中时,Know-How恰好将变得极为重要。

所谓行业AI或者产业AI,能够提高劳动生产率的本质原因之一,在于可以利用机器学习技术,实现数据分析与再挖掘,让AI将原本粗放生长的环节数据重新整合,重新求得一些产业效率的最优解。比如计算原料投入比例、仓储摆放规律、产业流程重塑等等。

此外,AI的另一个功能是为产业端提供语音和视觉的能力,比如园区语音导览、基于机器视觉的质量检测等等。

划个重点,这些AI能力需要从方方面面的复杂细节进入已有产业实体当中。但是到底如何进入,进入需要注意哪些难以预料的问题,何时能收回技术迭代成本——这些答案都掌握在Know-How手中。

拿着算法和算力以及PPT的AI,在进入细分产业时,尤其是工业属性相对较强的产业,都难免遇到这种尴尬。AI虽然听上去靠谱,但没有“产业带路党”的帮助却寸步难行。

更显著的问题来自于人才储备。

一般来说,AI算法工程师注意研究深度学习的训练部署等相关内容。真实的逻辑,细节点的AI化方案,企业的性价比估算,产业智能化的弹性生长,这些都不在算法架构师或者AI开发者日常的考虑范围中。

而产业专家则对产业周期了如指掌,却很难有经历和机会去学习和了解AI相关的内容。最终导致产业AI变成了各说各话,难以相互了解的两个邻居。

而相比较而言,今天AI这端是相对透明的,真正的产业链合作压力,就来到了AI公司寻找产业Know-How这边。

在我们了解到的很多实际AI产业融合案例中,会发现往往产业专家发现的问题,都不在AI以及数据智能技术的常规视野中。一个好问题的发现,往往预示着一个新产业空间的打开。

归根结底,缺乏专业知识以及专业人才,正在成为限制AI落地产业市场的无形之墙。这个稀缺既不是技术问题也不是市场问题,但却实际制约着AI的脚步。

Know-How如何工作

理想情况下,机器学习等技术进入某家工厂、某个企业时,需要一名合格的Know-How或者Know-How公司来提供一下帮助。从而确保通用的AI技术与差异化的企业需求实现对接。

  1. 寻找和控制AI工作中的行业差异化。机器学习的工作模式是提取抽象化特征并反向输送给机器,从而实现智能。但是到底提取什么特征,提取过程中有哪些问题,工作中又有哪些不合理性,这些都是AI开发者难以预料的。比如说著名的AI提升良品率问题,到底什么是良品,每个产业的定义都是不同的。这个定义,就是Know-How需要提供的差异化节点。
  2. 关键训练数据。AI离不开数据,然而通用数据虽然多,方向却相对单薄,往往缺乏产业化的实际潜力。而不公开的行业价值数据在哪里呢?这也是Know-How型人才和公司的价值所在。
  3. 成本与价值的理解。用AI总是听上去很好,但到底这个价值不菲的东西应该投入多少人力物力,什么时候收回成本,未来能创造多少价值,却都是极大取决于行业利润比的。为行业应用者估算整个投入产出周期,也就成为了Know-How的职责。
  4. 产业链的理解。今天还有一种情况,就是自己的企业系统AI了,生产能力上去了,与供应商的连接能力反而减弱了。在复杂的产业链中,一家企业从管理系统、运维系统到生产系统的更新,都将影响并且受制于产业上下游关系。对这些关系的理解和预判,对于企业技术决策来说是至关重要的,而其把握能力也在Know-How手中。

这样来看,好像Know-How有点像是AI与行业间的中介。很多时候我们都不想找中介,结果发现不找他们问题更多,效率更差。那么对于AI来说,到底谁是今天的Know-How呢?

谁是AI需要的准Know-how?

充当AI带路党的重任,显然是那些可以接触行业核心数据,并且理解行业技术体系、供需关系的人、部门与第三方企业。一般来说,有这样几种Know-How可以被AI公司利用,结成紧密的生态联盟,搭建AI进入产业的通道:

  1. 企业的IT部门。一家非互联网领域企业的IT部门,经常看起来像是负责修网的。然而在长时间锤炼下,类似部门往往积累下了对行业需求的独特理解,并且积攒了大量可以被机器学习系统利用的关键数据。一家企业开始运用AI技术拓展生产系统,往往也会以IT部门为主导。
  2. 技术业务骨干。很多实体经济与传统企业中,都有非常资深高水准的技术专业人才。他们不仅拥有着本行业的知识,事实上往往也对新技术抱有关注度和热情,同时也有再学习的能力。这些人才的充沛利用,可以作为AI进入行业中解决融入问题的关键。同时,以行业技术骨干为受众,培养高级产业AI融合人才,也已经成为了科技巨头关注的目标。
  3. 成熟的行业技术服务商。在汽车、能源、冶金等领域,看似体量不大,但具备全球覆盖能力的技术服务商大量存在。在巨头企业的背后,有成千上万家专门技术解决方案提供者在工作着。以这些供应链企业为突破点释放AI红利,可以作为很多产业AI的发展模式。
  4. 数据和咨询服务提供者。另一方面,很多行业还存在着为数众多的战略咨询和产业数据服务机构。这些企业围绕着生产数据释放价值,积累了大量企业需求与真实想法。如果能有效加以利用,也可以作为AI与企业对接的出口。

当然,Know-How们还有非常多的身份和存在可能。但总体而言,寻找这些人,利用这些人,在今天的AI领域还仅仅是个开始。服务企业是相当困难、充满变数的市场。先觉醒一部分帮手,对于AI来说是一个必然趋势。

Know-How的稀少,导致了什么?

科技巨头们纷纷注意到了Know-How的重要性,开始搭建自己的Know-How生态,加之产业AI命题实际上处在初级阶段,行业的接受度还非常有限。

让为AI提供服务的Know-How整体处在供小于求的阶段。而Know-How的稀少,则让产业AI发展必然经历这样几个趋势:

  1. 重点产业开始率先发展AI。我们都在说AI进入百行百业。然而显然AI是不可能同时进入一百个行业的。数字化程度高、Know-How资源储备充分、IT基础好的产业更有可能率先发展产业AI生态。目前来看,汽车、零售、制造、互联网等几个行业拥有更好的AI化基础。
  2. AI进入垂直产业,尤其在工业领域,将会面临非常复杂的局面。由于工业领域的庞杂和差异化广泛,AI技术进入的周期和成本会非常高。Know-How的复杂性也让工业领域很难出现快刀斩乱麻的智能化进程,只能徐徐图之。
  3. 拥有Know-How,会变成某种AI创业公司的底牌。今天的AI创业公司,更多是拼大牛,拼算法独特性。这些故事会成为投资人眼中最性感的部分,而在垂直产业准入门槛问题不断暴露出来后,企业拥有的Know-How水准,会开始影响AI创业公司的融资能力与发展水准。同时具备Know-How能力也将成为创业公司与科技巨头、算力提供商的生态合作筹码。
  4. 讲案例,讲故事将变得异常重要。寻找Know-How是一个差异化很大的繁杂任务,进而让企业认识到行业差异化AI解决方案的存在与合理性,也是一件复杂的差事。这种情况下,AI企业的选择只能是珍惜已有案例,好好拆解其中逻辑,加大宣传力度,让更多产业关系者认识到合作可能,加强自身的Know-How主动吸引力。因此AI进入产业的这个周期,基本一定是案例为王的。

从算法问题,算力与数据问题,再到Know-How问题,本质上来说AI正在一步步向神秘的产业世界进发。

本质上来说,AI是一种将直接影响到产业生产步骤,像煤与电一样影响工业生产的新生技术。

让懂AI的人与懂行业的人在此时尽快认识,甚至相互形成吸引力,是AI发展中不可或缺的一个环节。

 

作者:脑极体,微信公众号:脑极体

本文由 @脑极体 原创发布于人人都是产品经理。未经许可,禁止转载

题图来源于 Unsplash,基于CC0协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
海报
评论
评论请登录
  1. 思路清晰,总体介绍,行业具体内容,又都存在不同,很棒的文章,mark

    回复