本文摘自雷锋网，原文链接：https://www.leiphone.com/category/ai/g0n7qqIlA0cWHQz2.html，侵删。
2022年10月，工信部公示《国家人工智能创新应用先导区“智赋百景”》，涉及AI落地的9大领域、100个场景、8个先导区。
这个举动相当于官方泄题，把AI落地的重点科目和尖子生写在了表格上。
AI科技评论观察到，9大领域中，关于公共安全、交通运输的场景最多，这些场景的AI渗透率已经比较高，旨在发力向纵深探索，属于试卷中的必答题。而制造、农业、能源、金融、医疗作为我国的重要经济支柱，虽然经济贡献和战略地位极高，但尚属AI落地的处女地，是新考试中的新题型。
或许可以从农业中看到端倪：一颗草莓从生长到采摘，需要多少种算法？
草莓的生长过程中有20多种侵染性病害，10多种生理性病害，40多种虫害，要辅助人工准确识别它们，需要不同的AI算法。
在采摘中，确定草莓成熟度核心指标在于果面着色程度，一般分别在果面着色达70%、80%、90%时采收，但如果只有这个指标，机器很容易将草莓和同色系物品混淆，比如圣女果，所以往往还需要辅助纹理识别算法。在通过机器视觉识别成熟度前，需要先区分果与叶，对草莓进行定位并找出根茎部分，采摘后需要用托盘稳稳接住，这个过程对定位识别算法的要求很高。此外，坏果、烂果、小果、异形果也需要被区分。
这仅仅是一颗草莓的生命周期管理，就需要上百种AI算法。
而作为农业大国，仅新中国成立来孕育成功的新品种，就有3万个。近些年，农林牧渔业产值不断攀升，从2010年的67763.13亿元，逐年增长至2021年的147013.4亿元，近11年增量达79250.27亿元、增幅达116.95%。
从看护一颗草莓，到支撑起如此庞大的智能农业产业，AI能发挥的价值难以想象，所需要的算法种类更是浩如星海。
难度加深，题型变广，中国人工智能领域的官方定调已经明白无误：上一个十年，人工智能走出实验室扎根到少数几个头部产业，新十年要从头部产业走向千行百业。
当市场呼唤更多AI能量的观点进入官方文件时，新的故事就开始了。
1、在不确定性中寻找确定性
最先感受到水温变化的，是离客户最近的系统集成商。
“如今70%的集成项目中都有AI，是机遇也是挑战。”
刘先生所在的公司主做无人机巡检领域的系统集成，维护了大量优质的政府、园区客户，也同步对接算法公司、软件公司、硬件公司、工程团队等。
在智慧巡检的建设方案中，传统上靠人工肉眼查看，AI的价值多体现为车辆识别、人员聚集识别等。但今年，刘先生公司接到了更多新需求，最高频的是井盖丢失识别、游摊小贩识别，河道垃圾识别、火焰烟雾识别等；甚至很多算法需求，在市场上几乎找不到供应商，比如农田遥感、电网安全、河网监控等。
这些需求让刘先生很兴奋。人无我有，人有我优。传统的智慧巡检领域竞争激烈，如果能拿下新场景，不仅有利于单个项目的控标，还能抢占一块新高地。
行业数据佐证了刘先生的感知。根据IDC最新发布的《中国加速计算市场（2021年下半年）跟踪报告》，2021年全年，中国AI服务器市场规模达350.3亿元，同比增长68.6%——如果把算法比作是菜谱，那算力和数据则分别是厨具和食材，厨具消耗量的增加，必然与菜品的增加同步——AI市场的需求总量在快速井喷。
更重要的是，IDC报告还显示，AI算力市场规模前6大行业中，金融、服务、制造和能源等新进领域均表现出高达80%的涨幅。也就是说，不仅需求总量增加了，AI算法的多样性也增加了。
这种增加是市场自发行为。比如上海“一网统管”，在疫情发生后，开始使用人工智能来监测车辆违章停放、共享单车跌倒、垃圾抛洒等问题，从原先被动需要人力维护，变成主动进行智慧管理。又比如，人工智能在诊疗领域过去大量应用于人工智能读片，看肺部结节的效率要比人眼读片高很多，而今，人工智能读片则覆盖到了骨科、心脑血管、妇科等全新领域。
市场对人工智能的想象早已跳出了“人、车、非”老三样，能不能尽快占领新需求的高地，也成为集成商们能坐哪把江湖交椅的重要依据。
对于大集成商而言，一个项目中落地上百个AI算法是常有的事，这意味着巨大的潜在增值空间，也意味着不可控的交付风险。
以工业机器人领域为例，2014年系统集成商企业数量不到500家，到2021年数量已经超过3500家。但从财务上看，营收小于1个亿仍然是大部分集成商的命运，能做到5个亿已经是行业佼佼者。从单个项目上看，遇到好项目毛利率能到20%-30%，但大部分情况下，毛利润则低于20%，如果是陌生的全新场景，那么赔本也有可能。
刘先生想带领团队探索AI的未知之境。但是，把AI写进PPT很容易，落到项目里很难。
于是，冰火两重天成了AI行业的现状：一面，是肉眼可见的行业蛋糕变大了；但另一面，是从业者如履薄冰，闻定制而色变。
究其本质，AI算法无法成为标品。
一条流水线可以生产千万瓶农夫山泉，卖给无数消费者；但算法和场景的关系，却约等于《阿凡达》中纳美人和迅雷翼兽的关系，每一个算法都需要与具体的场景精准适配。
这项工作非常复杂。从数据环开始，算法工程师就需要分析场景的图像数据特点，依次设计对应的算法方案，并根据算法落地的硬件芯片大小设计模型结构，通过超参调节与训练得到一个 AI 模型，然后部署到摄像头、无人机等终端产品上。
而且，这不是一个走一遍就能完成的流程。深度学习是一个「黑盒子」，算法精度的提升可能取决于数据特点，也可能取决于模型参数规模与架构。由于视觉算法天生要与终边端结合，最终的算法调整还与终边端硬件的算力（即芯片）大小有关。牵一发而动全身，所以，算法工程师往往要来来回回走完整条流程，才能得到一个不错的 AI 算法。
计算下来，开发一个 AI 算法大概需要3个月，算法与硬件的适配调优又要耗时 3 个月左右，所以单个 AI 算法的平均交付时间大概 6 个月。AI 算法工程师的人力成本平均在年薪 50 万以上，一个算法项目的研发需要 5 到 10 人，加上图像数据的标注成本等，就构成了 AI 算法的尴尬局面：
「海量需求，精细定制，人力太贵，做不过来」。
图注：人工智能各职能岗位人才供需比
AI是无处不在的需求，也是不敢轻易接手的山芋。作为产业链的中间环节，集成商向上对接核心技术提供商，比如算法厂商、芯片厂商，向下对接终端客户和工程实施方。如果要探索新的算法应用，自然离不开产业链的上下游。
如果我们把视角放得宏观一些，会发现当下的AI产业链已经在慢慢走向成熟了。
最典型的体现是连接数。据 IoTAnalysis 研究数据， 2020年全球AIoT连接数达到117亿， 首次超过非物联网连接数——这个数据在2010年是8亿次，增长近15倍，而每一次连接，背后都有数次AI运算。
15倍速的增长，背后依靠的是数据和算力的循环增强，这些产业基础设施的完善让AI的梦想有了照进现实的条件。
相关阅读 >>
chatgpt带火AI芯片 英伟达：都来找我们调货 需求特别大
openAI ceo回应chatgpt作弊担忧：将协助开发检
更多相关阅读请进入《AI》频道 >>
