AI技術正在向行業底層下探。
與深度學習浪潮開始掀起的2015年相比，AI演算法不論是豐富度還是完善度，都已邁出了基礎儲備階段，開始走向與行業實際業務結合的新階段。
除開智慧客服、虛擬人物等不同範疇下的AI技術延展外，事實上的AI技術，早已經走入生活中的方方面面。甚至於，在習以為常的各類生活基建之中，都遍佈著日常無法感知到的AI痕跡。
AI技術的真正落地，已經融入到了哪些基建中？“AI+”究竟如何融入業務場景？
為此，36氪攜手NEXTA創新實驗室邀請浦和資料的創始人&CEO張磊參與「NEXTA創新夜談」欄目，帶來了他的分享。
浦和資料
一、國計民生的業務模型
在中國，國有經濟是國民經濟的主導力量。
高中階段教科書的定義，已經顯露出國內真正意義上的“大B行業”的真實屬性。以商業語言翻譯，即掌握著用電流、出行流、大宗商品流、糧食流等重要社會需求流、真正意義上事關國計民生的骨幹國企。
與市場自我調控背景下的同類型企業相比，國內這類企業的通用模型運營邏輯截然不同。以電力公司為例，同樣暴雪天氣遭遇斷電危機，美國電力公司會選擇等待雪災結束再進行維修，以此降低維修成本，企業評估行動的業務邏輯依舊以成本、營收等市場元素為主；而中國電網的選擇則是建立堅強智慧電網，以特高壓輸電的方式解決單數或複數網點故障引發的斷電問題，企業評估行動的業務邏輯則以維護、支撐等社會職能為主。
為此，構建出能夠真正理解這類“大B行業”大型企業的通用模型，至關重要。
從業務實際行動出發，張磊將其總結為“規劃-建設-管理-養護”四個階段，從而延伸出來兩個基本業務職能——巡檢、修理、養護等維護職能，與應急處理、態勢判斷、收費社會責任等支撐職能，以此完成對社會要素性流量的掌控。
釐清業務的通用模型後，這類企業的業務底層邏輯自然顯現。營收是必要但非核心，真正底層邏輯在於實現企業在某一業務場景中的“盡職免責”。
通用模型
因此，對於這類本質上是運營型企業的大型企業而言，常規的技術邏輯並不完全適用。一方面，大型企業們的行業傳統規則，建立設計院設計-總包整合-分包監理的模型基礎上，網際網路模式直接聯入只會水土不服；另一方面，行業性標準、引數的產品參考系，與純商業化模式的評判標準並不相容，需要以融入行業的產品語言重新建立認知。
留給新勢力改變認知的破局入口，在試點上。透過合作試點的路徑，將自身產品晉升為可以推動資質、標準認可的業內“標品”，比如將維護預測能力、狀態敘述能力、場景畫像能力等等不同傳統電子裝置無法提供的智慧化特點提煉至產品中，成為數字化管理轉型過程中的產品基礎。
此外，作為不具備技術基底的運營型企業，大型企業們需要更為貼身的服務價值。不同職能和業務場景，致使企業需求的產品服務功能呈現出碎片化的特點，交通場景中的道路維護、訊號管控，城市場景中的消防聯動、照明管理等等，都需要AI產品具有相當的貼身度，以此進一步釋放資料這一實際業務物件。
以之為錨，AI+業務的可行性認知已被初步建立：標品即產品，定製即服務。
二、市場需要什麼產品？
大型企業市場到底需要什麼樣的AI產品？
一個需要清晰認知的資訊點在於，大型企業們本身是真正意義上的大資料擁有者，並且是大資料賦能可以真實落地的場景。
這需要AI的演算法真正融合到業務中去，而不是單純進行兩個名次的排列組合。畢竟，普通人其實很難想象現實生活場景中到底有多少資料誕生，基於資料又有多少業務需求產生。
以交通行業舉例。城市化程序至今，市內交通路徑設計構建已經基本完成，但伴隨著汽車保有量的連年上升，交通管理運營中呈現出的新問題越來越多：道路交通事件感知薄弱、道路資訊採集能力不足、潮汐交通管控不精準、實時路網執行狀態掌握不全面等等。
與此同時，儘管攝像頭等初代電子裝置已經完成全國部署，並且基本嵌入運營體系，但依舊存在路段業務平臺相互獨立、資料不互通、業務結果不共享等痛點，在整體業務環境中存在相當數量的資訊“孤島”，已經部署完畢的資料感知裝置和實際的資料分析研判能力存在逆差。
這意味著，AI產品的呈現，不再是AI Module裡專業規範的演算法稱呼，而是具體到實際場景的功能翻譯。更直白地說，懂業務遠比懂技術更重要。再厲害的人臉識別技術，對於需求方來說並無明確的價值認知；相反，可以分析預測單個攝像裝置下人流密度、異常行為的能力，更為直觀。
功能翻譯
真正符合大型企業客戶的AI產品，是需要以自身的演算法模型資源，打通已沉澱的資料資源，幫助客戶建立深入到實際業務的應用資源，並卻具備有足夠迭代空間的通用適配能力。
因此，在張磊的技術視野中，能夠在大型企業客戶端落地的AI產品需要具備5個關鍵技術：
· 面向高併發的“模型自動推理 RESTful 介面”技術
· 多模型規約合併並行執行技術
· 資訊工程化樣本標註管理技術
· 低資源開銷處理高併發流資料技術
· 容器化資源可伸縮排程技術
在其看來，AI產品的技術價值，需要服從於場景化的業務價值，將單演算法、單裝置的價值，具象到實際的業務場景中去。
也正基於此，大型企業客戶需要的AI產品，是能夠真正把客戶業務還原到數字領域中，以此解決客戶問題的“高內聚松耦合”標品 。
以浦和資料與北京地鐵的合作為例，在地鐵站點影片裝置沉澱下的底層資料資源，和需要預測人流密度、潮汐風向的上層應用之間存在中空，需要由結合演算法場景的演算法中臺作為實際支撐。
其透過從接入資料資源開始的工程挖掘流（影片感知入口編排），結合樣本庫建立、模型訓練的特徵工程流（潮汐人流密度預測統計），到實際執行排程到模型部署/應用流（實際人員調動、班次安排），將技術流程的落地，轉譯成業務應用的交付，以此解決客戶的實際業務需求。
三、AI實現SaaS化的可行性
國家電網的AI業務中，已經實現了“服務化進入”的商業迭代，可以視作AI實現SaaS化的前序。
支撐這一行動的，正是張磊創立的浦和資料 。在國家電網、南方電網等大型企業客戶範疇中，“AI+工程落地 ”的“‘0-1進入’和‘1-N複製’”路徑已經被浦和資料走通，
在這段商業實踐中，呈現出了相當具備可行性的AI實現SaaS化路徑思考。
從客戶需求角度出發，大型企業的通用模型已被破解，資產與運營兩條業務主線也被釐清，AI技術能夠進行加持的範疇，歸束在了對於資產與運營的數字化。數字化的體現，集中在產品、技術的智慧表達，已經有足夠數量的傳統IT企業與網際網路新勢力提供，而對於數字化轉型的結果最佳化、實際業務的智慧賦能，成為更精細化的價值交付。
這一過程中，“KNOW-HOW”的業務需求翻譯力顯得尤為重要。浦和資料將自身經歷過不懂得實際業務，智慧承接碎片化專案的時期定義為自身商業模式的1。0階段；此後，入融入業務場景的AI+落地經驗積累下，抽象搭建出“基於MLOps落地的BotCloud演算法中臺+ 預置模型庫”的平臺架構，進入平臺化複製的2。0階段，這也是目前浦和資料所處的大概階段。
而AI實現SaaS化的關鍵，就在於AI模型的分野。張磊將AI模型分為通用AI模型與行業AI模型兩類，其中通用AI模型即以阿里云為代表的公有云，透過將視覺影象、智慧智慧、語言技術、智慧增長等更為通用常見下的AI模型API化，以此應對更為廣泛的業務流量。
而行業AI模型，則是更深入業務使用、解決實際問題的部分。這也是浦和資料在自身1。0階段主要積累沉澱的產品創新，如預測性養護模型、誤差預測模型、需求預測模型、流程最佳化模型、工作流推薦模型、流量平衡模型等等，為某一規模化業務場景提供演算法與平臺融合、產品和服務雙端支援的解決方案，讓其具備了SaaS化可能。
在張磊設想中，浦和資料商業模式的3。0階段，是對於探索在行業資料更為開放的條件下，如何服務各行各業的可能性，以此錨定在行業認知路由器的定位，實現知識資產變現。
跳出大型企業類目放眼整個AI行業，當前AI領域的公司，按產品功能劃分，可大致分成三類：一類是傳統IT硬體廠商，提供硬體產品+智慧控制的解決方案；另一類則是AI巨頭公司，核心業務能力在於基礎演算法的研發與積累；其餘的便是浦和資料這類，為客戶提供聚焦到實際場景的業務應用型服務，尋求技術產業化、業務化的企業。
傳統AI頭部企業的核心優勢，在於底層演算法的開發研究，產品拓展性極強，但距離行業內許多業務問題的解決應用還保持著相當的距離。
而SaaS核心在於產品即服務，AI走向SaaS化，需要有產業know-how的廠商實現技術能力落地，真正將AI下沉到行業具體業務的毛細血管中，將通用的技術語言，轉譯成實際業務需求，以此適配真實業務場景和執行邏輯。
NEXTA創新實驗室是螞蟻集團成立的一個推動和踐行想象力與活力創新的組織，「NEXTA創新夜談」為其旗下講座欄目，旨在讓創新小夥伴與全球創新實踐者、創新思想大咖進行對話交流，不斷拓寬視野、引發思考、討論碰撞、激發靈感。
後續，36氪將攜手NEXTA創新實驗室繼續帶來更多精彩分享。
若您有精彩的創業故事、前瞻的創新視角希望與我們分享，歡迎與我們聯絡，期待您的參與！
二維碼