說起AI的發展，有些人認為：近兩年是爆發期，未來幾年將逐年上升趨勢發展；也有人認為：當前處于AI的初級階段，AI還是個小嬰兒未來仍漫漫長路；還有人認為：AI只不過是這兩年炒作的話柄罷了，它不會改變人類，更不會替代人類……

無論哪種理解，現實情況是：AI及衍生體已經成為我們今天工作生活中不可或缺的組成部分，尤其在科研和技術領域更是如此，很多企業需要借助AI提升現有業務，或者引入AI的某些元素拉動投資，種種跡象表明：談AI的企業級應用和發展態勢已經成為非常重要的話題，而且必須要有所規劃、穩步前行。

所以今天主要介紹近三年的企業級AI演進和發展規劃。我們認為，企業級AI的應用發展規劃可按階段逐漸演進和建設，即：AI引擎引入階段，AI智能化分析階段，AI智慧運營階段。

第一階段，AI能力引入階段（2019年）：

近年來，AI能力的行業關注點主要聚焦在語音識別、語義理解、圖像識別等能力棧，這些能力在行業間可大規模應用，通用性強；所以在第一階段我們可以將AI應用在當前已有的場景下，主要引入AI的核心能力（如識別能力），目的是提升整體的業務流程和效率，但整體業務流程和實現方法保持不變；

這樣的能力引入有幾個好處，一個是當前AI整體發展尚不成熟，自己獨立打拼探索并找到新的商業模式實在太難；再有就是AI最為吸引眼球的往往還是那些圖像識別、語音識別等能力，這些能力最容易讓老百姓所理解認同，并認為有這樣的能力就是AI；第三就是實現起來比較簡單，往往組件化的模塊就可以通過調用的方式嵌入到已有的系統。

第二階段，AI智能化分析階段（2020年）：

除了AI的核心能力外，在算法和模型領域還有很長的路要走，自然也是AI的核心技術突破。所以應該將此能力引入到現有環境中；所以在第二階段將主要強化AI的分析能力，提升分析探索平臺的挖掘效果，這樣可以幫助業務分析師洞察數據原因、甚至追溯前端的業務問題。

這個階段才是真正發揮AI效能的階段，也是人工智能在算法領域的核心要素。說白了就是將現在特殊領域特殊場合運用的Alphago，應用在更多的生活場景上，而且能夠非常普及，這個階段的效果也就達成了。

第三階段，AI智能認知/AI智慧運營階段（2021年）：

AI的高階能力主要有機器認知、智能預測/預警等自學習迭代過程。這個過程是一種聯動關系，也是機器感知、自我提升的過程；第三階段主要探索AI的智能化持續運營。將前端語音交互、人臉識別、流程導向等模式與后端運營打通，幫助分析師自助式解決業務問題；

這個階段的效果呈現，就是講目前比較初級的AI能力進行進一步延伸，能夠流程化、智能化的完成一系列相關應用流程的動作。比如：用戶去“未來銀行”辦理業務，進門有自動取號機、然后有自動叫號系統、有自動收單收證件機制、客戶語音提供需求輸入，自動化辦理完成等等，這個過程就是流程的自動化和自助方式，也是AI的高階運營能力。

如何跳出大數據視角規劃一個標準的人工智能平臺？就這么簡單！

我們在寫文章的時候，通常需要通過一個總-分-總的結構去構思，這樣的方法形成的文章是有體系的、有內容的且邏輯通暢。同樣我們在寫方案PPT的時候以可以照貓畫虎，這樣的材料總會讓人感覺既有內涵有充實飽滿。

說起人工智能，很多專家學者對其的理解一套一套的，有些關注AI的行業應用和未來前景、有些專注于內部算法和模型、還有些研究AI的外圍周邊配套……無論哪個領域都是行業大拿。另外在展現自己思路的過程中，一定要先說清楚整體的體系結構，這樣接下來才能由粗到細、由淺入深的剖析其內部。基于此，我們還必須說出與傳統大數據平臺之間的關系，于是畫了這樣一頁圖，希望能盡可能的清晰勾勒出人工智能平臺的體系結構。

綠色區域中分別將人工智能平臺區分為：系統層、能力層和接入層。

系統層：主要是底層系統的能力區域，為AI提供基礎設施、存儲計算能力和云化環境；

能力層：主要包括AI能力服務平臺和AI深度分析平臺，是AI的核心能力輸出；

接入層：主要包括各類AI開放接口，如能力級API、模型級API和樣本數據回收API等等；

藍色區域則體現了企業現有的大數據系統/大數據平臺，他能體現出它與人工智能平臺之間的關系。這個大數據系統可能是開源Hadoop，也可能是商用級產品，再或者又是混搭架構的技術棧，包括常規的存儲能力、計算能力、統計分析能力、數據可視化能力等等，但請記住它只是個大數據系統。

所以我們能看出：

人工智能平臺主要包括AI能力服務平臺和AI深度分析平臺，同時整個平臺與當前大數據系統緊密聯系；

底層交互數據可直接用于深度學習及模型訓練，同時海量數據集可輸送到大數據平臺，進一步挖掘更多信息后，再反饋給人工智能平臺，提高服務質量。

AI能力服務平臺：負責輸出核心的語音、語義、視覺能力服務，提供統一的API接口和多平臺SDK，方便快速集成使用；

AI深度分析平臺：負責深度學習等模型訓練，為AI能力平臺提供具有高識別效果、高效率底層模型；

深度學習平臺和AI能力平臺的關系：深度學習平臺通過不斷優化模型，使AI能力平臺可以提供更加優質的服務；而AI能力平臺搜集到的海量數據又為深度學習平臺提供更多訓練樣本，二者之間可閉環迭代演進；

說到這里是否能與您形成共鳴？人工智能不僅僅是數學問題、并不一定是機器學習理論、也并僅僅是一堆技術的堆砌，而可以用一頁清晰直觀的圖去勾勒體系，闡述能力。雖然或許有些粗糙，但值得挖掘推敲。

企業級AI應用創新已大勢所趨，底層平臺應具備哪些能力支撐？

隨著行業內外對人工智能的關注度提升，我們有更多的應用場景可以引入AI的元素。其實，人們所接觸的人工智能產品并不多見，所以對之產生比較單薄的印象，但是它經過近兩年發展，已經悄然發芽并開始逐漸“成長”。

人工智能企業主要的應用領域主要集中在教育、醫療、無人駕駛、電商零售、金融、個人助理、園區、家居、展廳等多個垂直領域內的多個場景。

人工智能+教育：人工智能教育的相關概念一直受到資本市場的關注，技術上，通過語音交互和自然語言處理技術，實現智能機器人閱卷改卷、背誦機器人、在線口語評測等功能；

人工智能+醫療：去年8月，騰訊推出了首款將人工智能技術運用在醫學領域的產品“騰訊覓影”，將圖像識別、大數據處理、深度學習等AI領先技術與醫學跨界融合研發而成，輔助醫生進行疾病篩查和診斷；

人工智能+無人駕駛：即使無人駕駛的噱頭足夠吸引人，但是為了彌補人工智能的不足，仍然需要采取幕后有人為監督的干預措施，并逐漸逐漸將人工智能應用在沒有監督的情況下運行；

人工智能+零售：人工智能針對電商領域實現的功能主要有客服、實時定價促銷、搜索、銷售預測、補貨預測，還可以智能推薦你喜愛的商品信息以及機械手臂機器人完成自動工作；

人工智能+個人助理：在這個領域的應用通常比較多見，比如蘋果Siri、微軟小冰等，都是接觸較為基礎的應用，隨著聊天機器人日益發展成真正的智能助理，其可以幫助用戶做很多事情；

人工智能+園區：通過“互聯網+”的領域延伸，構建智慧運維平臺，融入物聯網、人工智能等核心技術，為園區和入駐企業的產品與服務提供智能展示平臺，實現園區招商的可視化；

人工智能+家居：通過語音控制設備，從而輕松調節家里的風扇、空調、空氣凈化器等家電，這樣的場景目前已基本實現。

所以我們可以看出AI所涉及的學科非常眾多、其發展至今所沉淀的應用場景也絕不僅僅是上面這些。但企業在支撐AI創新的同時，也呈現出一個新的問題，那就是：為了支持企業級AI發展，底層平臺到底應該具備哪些能力呢？之所以拋出這個問題，那是因為自移動互聯網的蓬勃發展，一個又一個平臺浮出水面，包括云計算平臺、大數據平臺、精準營銷平臺、智能運維平臺、語音交互平臺、客戶畫像平臺等等，所以建設平臺、優化平臺、運營平臺已成為IT界最為關注的問題。

說道這里，作為支撐AI的能力平臺自然也不在話下，這樣的平臺應該具備什么能力呢？我們總結四點如下——

平臺運用新興技術的能力（語音、圖像識別等）

引入AI領域的新興技術能力，這些技術大多可作為后續數據分析的輸入。如：語音識別、圖像處理、文本檢索、NLP等能力的運用，可以與智能硬件有效的結合在一起；而且我們發現很多AI的應用都是先以這些吸引眼球的黑科技切入，這些能力很容易以“模塊”的形式在產品或場景間復制。

平臺具備高級算法和分析引擎（深度學習類）

以前很多文章都介紹過，AI的核心主要在于算法的突破，能力平臺可以集成多種分析能力：多維分析、圖分析、預測分析、分類&聚類、歸因分析、文本挖掘、統計分析等。然后還要支持各類分析工具：如SAS、Rstudio分析工具、Dataiku大數據服務工具、KNIME數據挖掘平臺等。最后支持多種開發語言：R語言、Python、Scala、Golalng/Go等；

平臺引入高效的基礎設施（芯片、云化資源等）

永遠不要忘記硬件的強大。從CPU到GPU，現在已經發展到了TPU，專為機器學習所量身定做的處理器。因為說起處理器芯片巨頭，Inter長期是超級巨無霸，不過新型的互聯網巨頭們一邊在采購Intel處理器，一邊也有自己的打算。據市場調機構估計，全球銷售的服務器處理器中有大約5％都被Google買走了，同時Google也在創造自己的TPU，加速其第二代人工智能系統TensorFlow的運行，而且效率也大大超過GPU。所以強大的計算速度和分析能力促使微電子產業的升級創新，智能服務為實現萬物互聯，必須要求無縫覆蓋的智能網絡等；

平臺支持更廣泛的AI應用（多類別應用）

最后就是人工智能的分析場景、智慧客服場景、智慧營銷場景、智能化運維場景、精細化管理場景、智慧管家、服務機器人、智能語音交互、精準人臉識別及聲控識別等內外應用支撐；

所以我們看出，作為人工智能的底層平臺與傳統意義的平臺雖然能力各異，但側重點截然不同，范圍更廣泛、覆蓋更全面。人工智能的未來發展，一個是人工智能的生命力在于實踐應用，再一個就是離不開行色各異的人人參與和體驗，最后就是離不開產業間的互聯互通。

談人工智能不能僅僅局限于模型和算法，它更受惠于行業大趨勢發展。

人工智能的演變能力支撐

首先，人工智能（ArtificialIntelligence）是最近兩年非常火爆的技術科技名詞，從Alphago開始就掀起了IT及相關行業的一番熱潮。現在，人工智能已是無人不知、無人不曉、在各行各業已如火如荼的前沿科技，而且未來它會在很多領域完全可能達到人類的智慧高度，取代人類部分勞作，例如無人汽車、無人商店、智能家居……

說起AI，我們大多看見的內容主要有兩部分：第一就是行業應用，也就講人工智能在哪些領域做了實踐和應用；另一部分就是AI的核心——用了什么高級神經網絡、深度學習算法等等。但今天我分享的內容主要是談談AI的演進，這就是：從10年前具有顛覆意義的云計算到后來無人不談的大數據，以及最近熱門的AI（人工智能）等概念延伸，是如何演進發展的。

圖中所示的內容有兩個坐標，橫向代表時間、發展階段；縱向代表相關行業應用及業務創新點，在這里我們分別將早年間的云計算、后來成熟普及的大數據以及今天的人工智能分別加以闡述。

云計算字眼兒在國內出現約在12年前，當時談的最多的就是資源池，云計算按類型可以劃分為公有云、私有云和混合云等，按服務的提供方式可以分為IaaS、PaaS和SaaS等，在當時那個概念滲透的時期，應用領域就是云存儲、云郵箱、虛擬化資源池建設等等，慢慢到后面就是幫助客戶解決傳統應用上云，業務遷移的問題，更多聚焦于IaaS層。今天，無論是國外的AWS還是國內的阿里云，可以說云化基礎設施層的能力已經非常完備了，依托于這樣一樣強大的能力引擎（存儲空間、計算資源、網絡鏈路），云計算作為底層資源較好的承載上面的能力。

什么是上面的能力？那就是大數據。2012年左右，云化資源在各行業應用的同時，大數據概念也隨之產生了。大數據提供了海量數據的存儲能力，與云計算的存儲資源池的概念非常相近，與此同時具備NoSQL數據庫的管理和查詢能力，而且主要面向于大數據量的高并發處理與數據分析，可以說這些能力充分體現了大數據的特點，也是大數據與云計算銜接的重要階段。2013年左右，希望開展大數據領域相關項目的客戶們陸續著手建設大數據平臺，后續幾年逐步聚焦于大數據上層應用以及PaaS能力共享，這些都是做大數據的目的——通過開展數據分析探索業務價值。而這些能力的關鍵在于——大數據已經完全適應了云計算的良好土壤。無論開源、無論商用產品都可以分布式集群本地部署，也可以基于虛擬化資源池云化部署，還可以依托于容器技術自定義部署。而且在“asaservice”方向，云計算時期的PaaS再也不空談web應用、數據庫中間件等能力，一切都可以用服務的形式進行封裝，將“XaaS”的能力運用的淋漓盡致。

在大數據領域，目前已經形成了諸如數據倉庫、數據可視化、大數據分析平臺等商用產品，也有Hadoop、Spark等開源生態系統，這里面其中有那么一塊兒知識領域就是機器學習/算法庫，這部分組件兒將大數據分析價值施展的更精準、更有價值，而且也單獨形成了一個新領域——人工智能。人工智能的核心是深度學習、是新型神經網絡、是高級算法，可以追溯到1955年的達特茅斯會議，也可以追溯到1982年霍普菲爾德神經網絡……我想說，伴隨著計算能力未能突破大規模數據訓練和復雜任務，使得AI進入一個又一個低谷。但今天不再一樣，AI的今天已經具備了云計算大規模資源的基礎環境、也具通過大數據能力構建復雜知識學習的分析能力，至今開展了相關語音圖像等識別類應用、機器人/智能助手等設備類應用、精準體驗/推薦類客戶應用以及智能化告警/預測類維護應用。

因此，云計算和大數據是人工智能的“助推劑”，我們可以將云計算的資源能力比喻成“土壤”，將大數據的分析能力比喻成“水源”，將人工智能比喻成“樹苗”（早期階段），人工智能的發展離不開業務創新與實踐等發展進程，這種能量循序漸進的推動了ICT產業乃至整個社會邁向數字化、智能化；

構建企業級人工智能支撐環境

正如前面所講，云計算提供了基礎環境，大數據驅動了的知識學習，AI引擎（算法）增強了人機協同，而且在整個過程中，技術的發展是迭代過程，企業級人工智能的演進仍然需要“社會迭代”，這就需要持續不斷的知識傳遞、服務跟進、人才保障…才能構建好一個企業級人工智能的雛形。而且要綜合考量開展哪類AI應用？做AI軟件能力還是AI硬件產品、或兩者兼備的智能機器人？AI產品主要面向誰、如何運營等問題，這才是AI發展的路標。

所以，未來主要以人工智能應用建設為導向，將云計算、大數據和AI引擎等能力極致發揮。

企業級AI總體功能框架

我們將AI能力框架分為三個區域：AI支撐域、AI核心域、AI應用域。

AI支撐域：包括IT基礎設施、虛擬化資源池、大數據存儲計算能力以及相關數據分析工具，核心是完成AI任務的計算工作、進行樣本數據的存儲、完成數據分析過程，這一層要求具備IaaS、PaaS和DaaS能力。

AI核心域：包括AI平臺控制與核心組件，需要機器學習的算法和能力支撐，具體涉及到語音識別、文字識別、圖像識別、生物識別、自然語言處理等方面，從而構建起機器認知、機器理解、機器思維等AI核心引擎。這一層要求具備圖像處理、聲音合成、情景感知、智能控制等能力。

AI應用域：包括AI產品化交付，為客戶、企業內外提供應用支撐。這里領域主要根據自有行業特點開展AI應用建設，隨便列舉幾個：智能化客戶管理、智能推薦、客戶助手、生物識別等等。