算法，是否可行？行業，是否認可？決定了，是否可以做？用戶場景是什麼，決定了是否值得做？能否給現有行業的核心玩家帶來相應的價值，且價值可否去複用，這是判斷是否有價值並且可持續。
邊界、場景、價值，這是在AI落地行業實踐中需要不斷考量的三大核心要點。
本文是AI獨角獸公司Face++雲服務平臺產品負責人劉楊洋在起點學院的分享實錄，嘉賓分享視頻已經在起點社員頻道上架，限時免費觀看，詳情請戳：視頻鏈接
一、什麼是人工智能？
最近，特別是這兩年開始，AI和區塊鏈可以說是互聯網最大的風口，連詐騙集團都學會用這兩個詞忽悠了。如果你這個公司沒有左手“區塊鏈”，右手“AI”，你都不好意思說自己是高科技的公司。
那麼說到底，什麼是人工智能？
講這個概念之前，我們先說說什麼是智能。
其實，智能是個體的一個行為閉環——大家都是智能的生物，每天都會經歷無數次這樣的閉環。
比如：
今天出門，穿著睡衣頂著加了三天班的憔悴面貌去買菜，結果一出門就看到前任挽著他的現任光鮮亮麗地從遠處走過來了。這個時候我們首先感知到了這件事情，緊接著就會認知到這個非常尷尬的境地，那麼接下來我們就要做決策：究竟是趕快找個地縫躲起來，還是乾脆打暈前任，並且把這個決策付諸實踐（就是執行）？執行過後就會學到：你總是會在最不想見的時候見到你的前任——多麼痛的領悟！
這是一個最簡單的智能個體閉環。
當然，這只是個體；真正的智能生物還要涉及到和其他個體，或者說整個社會的博弈、合作，這種整體的閉環叫智能。所以，人工智能學科，據官方定義應該是：
創造可以自主地進行感知、認知、執行、決策、學習的閉環；並且可以和其他（符合社會的核心價值觀）的個體進行交互，這就是人工智能。
我們傳統的系統，主要的功效是在影響我們（這個智能體）的閉環。有的是希望影響感知，比如蛋糕都想做好看一點；有的是希望影響決策，比如降價等等；而人工智能系統，最終的目標就是自身可以實現這樣的閉環。
1. 舉兩個案例
（1）鸚鵡學舌
這應該是現在基本上在應用的所謂人工智能階段。
我教一隻鸚鵡說“你好！”，它會說“你好！”然後問“你吃了嗎？”它只會回“你吃了嗎？”，而不會回兩條蟲——這只是目前階段鸚鵡學舌。
當我問：你吃了嗎？鸚鵡會做一些語義分析（它內部的AI系統），再返回說我吃了兩條蟲——這才是相對智能。
（2）烏鴉吃果
這個視頻非常的出名。
烏鴉是一種很聰明的生物，一些烏鴉和海鷗在海邊吃貝殼吃不到怎麼辦？它會把貝殼叼到很高的地方，貝殼摔下來之後再吃。貝殼是很堅硬的東西，所以它觀察馬路上的汽車會把這些堅硬的東西壓下去去吃。這時候出現問題的是：馬路上太危險，萬一車過來出現車禍怎麼辦？它們觀察綠燈的時候車是川流不息，紅燈的時候車會停下來。所以它們後來學會叼堅硬的東西往路上放，等到紅燈的時候再去吃——所以它是形成了完整的閉環。
鳥類其實是非常聰明的。
最近看一個報道說，在澳大利亞有一種猛禽。它甚至會去偷人類的火種，偷完火種之後往荒野上一放；發生火災，那些小動物就會跑出來，它就會吃那些小動物——我覺得它應該也是有這樣的長期觀察，得到了一個方法。
所以，這樣兩個案例，我覺得烏鴉吃果或者是這樣的人工智能，最終是希望能夠做出這樣的機器或者說這樣的一個系統。
二、人工智能包含哪些東西？
包含這幾樣：
- 計算機視覺，現在非常火，包括我們公司主要是做這個。人臉識別、圖像識別和模式識別都包括在這裡邊。
- 自然語言理解與交流，就是科大訊飛一直專精的語義理解這個方面。
- 認知和推理，這是另外一個方向，比如知識圖譜、社會倫理學這樣的一些東西。
- 機器人學，怎麼去創建一些機器，包括任務的系統，路線的規劃，機器人的控制等這一系列的東西。
- 博弈與理論，個體之間是如何的競爭和合作？包括研究如何符合人類的核心價值觀，人工智能和人類如何一起和平的共存等等。
最後其實是研究上面的工具，比較火的深度學習、無監督學習都包含在這裡邊，統稱叫機器學習，它是研究數據的統計、建模的方法。
三、從產品角度看，哪些屬於人工智能？
- 認知：是指收集信息和解析信息來感知世界，比如圖片識別、語音識別、自然語言處理等；
- 預測：是指通過計算，來預測行為和結果。比如廣告推薦，歌曲推薦等；
- 決策： 是指確定實現的方式和路徑，比如移動路線規劃、自動買賣股票等；
- 集成解決方案：是指人工智能和其他技術結合時，產生的多種集成解決方案，比如和汽車結合就是無人駕駛，和醫療器械結合就是手術機器人。
四、AI在手機行業的落地實踐
我們判斷一個技術能不能在行業落地，最重要的是能不能達到超越價值線的價值，並且可以有一定的門檻，可以持續地發展。
以手機行業為例，為什麼選擇手機？
首先，計算機視覺本質是賦能各種各樣的攝像頭，而在現在的社會里邊最重要的攝像頭就是手機，每個人的手機上至少有兩個，未來會有三個、四個，短暫地時間裡邊個數不會減少，只會增多，這是最重要的“戰場”。
其次，手機它是一個比較有價值，是高價值的行業。我們能夠在很多方面發力，比如安全領域，常見的刷臉解鎖/刷臉支付。
從手機誕生的那一天或者說電腦誕生那一天開始就會有數字密碼。上世紀開始基於生物特徵的安全越來越受到大家的喜歡，我們在做之前其實內部有個分析，為什麼刷臉現在可以做？我們的優勢在哪裡？
最主要的因素是工業設計和製造工藝的提升。今年的全面屏成為工業設計上的主流趨勢，大指紋設計挪到了手機背面，指紋的用戶體驗優勢降低了。人臉不僅彌補了體驗上的不足，更重要的是：人臉只需要攝像頭就可以完成，不需要像指紋一樣佔用更多屏幕面積，所以能夠大大提高屏佔比。
第二個是芯片處理能力的提升與人臉識別算法的成熟。一些硬件層的加速方案可以讓人臉識別的算法能在手機上跑得更快，新的活體技術可以讓刷臉變得更安全。
第三個原因是攝像頭模組製造工藝的突破。其實結構光在幾年前就有了，但是並沒有小型化到手機這麼小的體積內，iPhone 是第一家推出這樣設備的廠商。除了結構光之外，還包括普通的紅外IO攝像頭、TOF攝像頭、攝像頭模組的小型化。
除此之外就是成本和收益問題：如果廠商想要在手機那麼小的空間內裝一個指紋模組、虹膜模組，所要犧牲的手機內部空間佔用；換句話說：所需要的成本是巨大的，而人臉識別不會佔用除攝像頭模組外更多的內部空間。
用戶體驗更好，大家在刷臉解鎖的過程中不需要做任何的配合式操作，可以拿起手機直接解鎖。而刷臉還可以抵抗一些常見的干擾，例如暗光、側臉、小範圍遮擋等。這讓刷臉成為一種體驗更優的生物識別方案。
五、AI在教育/營銷/製造業等行業的落地實踐
說完手機，我們再講一講其他的行業。
1. 汽車
比如汽車。
汽車主要的切入點是讓汽車更瞭解它的用戶，包括駕駛員他是誰，根據他的情況去調整一些座椅、後視鏡，各種音樂這樣的設置。還有就是：你有沒有遺留一些物體，或者是遺留一些小孩或者是遺留一些寵物在車上？
主要的切入點是：讓汽車能夠更瞭解它的用戶。
2. 教育
教育，這方面是兩塊：
一塊是讓老師更瞭解學生，可以通過視覺的方式來了解學生學得到底認不認真，開不開心，課堂質量怎麼樣，反饋提升老師的教育質量；
第二塊是有一些手勢、貼紙、特效，更豐富教育的方法的嘗試；第三個其實就是校園安全監控，保護孩子在學校的安全等等。
3. 營銷
營銷，營銷這塊的主要切入點是幫助找到更精準的一些客戶，年齡、性別這些，然後找到客戶之後，可以分析看看營銷效果怎麼樣？
舉一個廣告牌，發現是女生，給他推化妝品——她看沒看？看了多久？有沒有拿出手機來掃？表情什麼樣？這些其實都可以做。
去年比較火的軍裝照、換臉這些東西，它也是營銷的一種新的方式；也許以後是換個身體，拍下照可能是施瓦辛格的身體，臉變成貝克漢姆，大概是這樣的營銷。
4. 製造業
製造業，主要是異常的檢測和報警。比如拉鍊到底是不是壞的，還有沒有起火、煙霧這樣的一些預警。
第二塊是正常的保證：該入庫的是不是入庫，該進行的程序有沒有做？
但是無論如何，在這幾個行業想要有長足的發展，還是需要深耕，需要對行業本來就很瞭解的人和我們一起發力；能夠在計算機視覺給這些行業賦予所謂的超越價值線，也就是高價值，看能不能有一些更深入的合作。
六、AI落地行業的核心思路：場景、邊界、價值
最後總結一下行業的落地思路，或者說怎麼確保AI這些東西能不能做。
1. 邊界
第一，人眼的邊界。這其實是一個技術問題，就是這個東西是否已經跨越了人眼的識別邊界，這是否是一個計算機視覺能夠解決的需求。
第二，算法可行性。舉一個很簡單的例子，比如把手張開，也許我的朋友跟我說是你好！也許我家的貓看見說我要打它。但是算法只是說你只是把手舉起來，到底是幹嘛算法是不知道的。所以算法到目前為止是沒有推理作用。
還有就是寬域到窄域的預設，這其實就是一個場景的預先規劃，以及對訓練數據的要求——因為我們現在所說的算法訓練，都指的是監督式學習。
什麼叫監督式學習呢？
比如說我看的都是中國人，你突然給我一個黑人，也許我就識別不出來了；以前有個人做了識別健身房啞鈴，做得非常好，每一個人拍一張照都能識別出啞鈴，後來有一天沒有人手出現拍了一張啞鈴，它就識別不出來。回去發現所有訓練的數據都是人舉著一個啞鈴，它把手和啞鈴識別到一起了——所以，要想達到必須沒有推理性的，有推理性的人來告訴它，它才能進行相應的訓練。
第二是數據要有一定的量，並且儘可能的覆蓋使用場景的數據。
第三是行業的邊界，這是到底決定價值線在哪兒。
俞軍老師的著名理論：
產品價值=（新體驗-舊體驗）+替換成本
這裡邊有一個可以分享案例：
AI做醫療現在都很火，比如說通過一張片認定你有沒有得肺結節、乳腺癌這種的。之前中國醫學界泰斗級別的一位老師，在他眼裡，中國可能有資格識別肺結節的只有不到四五百人，但是，這部分人的識別準確度也只是在85%左右——實際上，他們識別出來之後，還要去做病理切片，做各種病理測試，才能夠最終確定這個人到底有沒有這樣的病。
一開始，需求只要超過85%，是不是就可以了呢？反問過來想，這個東西到底誰可以買單？是用戶來買單還是醫院來買單？用戶為什麼去醫院看？我是不是能夠提升醫生的效率。
2. 場景
你要值得做就考慮場景。
用戶的場景是什麼？我們都說一個攝像頭，拍一張圖片去識別，或者是一個視頻去識別；那麼識別的角度、識別的距離，包括我要求識別的時間、底庫等等，這些就也關係到算法適用的範圍。對應我的產品形態是SDK還是API，用在什麼架構上，這是整個方案的設計。
算法的場景，算法在哪兒跑？它需要什麼樣的性能？它要達到多少的概率？它要覆蓋多少的範圍？這就是算法需要考慮的場景。
最後是涉及到行業的場景，到底能不能為這個行業賦能？
我說，我這個可以達到100%肯定是沒有問題的，但是醫院說也許就是不能用，我們這邊的醫生都是有什麼證之類的，你這個機器有證能證明自己嗎？錯了誰來買單？——其實會面臨很多這樣複雜的問題。
3. 價值
關於行業的賦能，我們要考慮的更多。
現在是否是進入這個行業的好時機，基礎是否已經具備了，能不能給現在行業的核心玩家帶來相應的價值，並且這個價值可否去複用，有沒有足夠的門檻。最後才來判斷到有沒有超出這樣的價值線，並且是否可持續。
嘉賓：劉楊洋，Face++雲服務平臺產品負責人，先後任職於滴滴、京東等互聯網公司，負責平臺增長與創新等工作。現負責Face++人工智能開放平臺產品能力建構，專注於AI能力面向各行業用戶的場景實踐。
題圖來自 Unsplash，基於 CC0 協議
閱讀更多 人人都是產品經理 的文章
