纵使彼岸繁花似锦，眼前却荆棘丛生——这恐怕是当前大多数行业用户在尝试AI应用的真实写照。
毋庸置疑，AI近年来热度不断上升，从AlphaGo战胜柯洁，再到波士顿机器人和特斯拉人形机器人爆红网络……AI热门话题总能吸引大量关注。然而，AI在传统行业中落地与应用又是另一番景象：AI模型在各种真实场景中适应性差、鲁棒性不够，需要深度定制进行适配，费时费力，规模化推广更是无从谈起。
如何改变这种局面，拉近理想与现实之间的差距，真正推动AI在具体行业场景中走向落地？
如今看，业界一个重要的趋势就是将数据驱动和知识驱动融合，充分发挥数据、知识、算法和算力等要素的交叉结合作用，解决AI之前不可解释性、鲁棒性差等难题，逐步让机器具备认知智能。
显然，这是一条长期、艰难而正确的落地之路，尚待突破的方面还有很多，谁都不能一蹴而就。在众多厂商中，华为多年以来一直坚定不移地推动AI落地，不仅积累了大量的AI项目实践，更推出了业界首个全生命周期知识计算解决方案，在产品、解决方案和方法论等层面为AI应用落地开启了新思路。
拥抱AI正成为企业数字化转型的最大趋势。
IDC对AI市场19个垂直行业持续跟踪研究之后，预测2021年全球AI市场支出规模将达到850亿美元，到2025年将增值2000亿美元，未来五年的复合增长率高达24.5%；其中政府、金融、制造、交通、医疗等行业拥有巨大应用空间。
另一份调研数据则指出，AI在传统行业场景中的渗透率还不到10%，远低于互联网行业。在近日的一次采访中，华为云袁晶博士也道出了现实困境，即“AI在传统行业的落地是一项巨大的挑战。”
此观点并非虚言，而是华为云在经历大大小小600多个项目实践之后的真实感悟。事实的确如此，且不论人才、数字化水平等掣肘因素，仅AI模型在真实业务场景中的适应性就是对AI厂商的一大考验：很多AI模型在实验室中表现出色，一到具体业务场景之中就“拉胯”，表现出适应性差、鲁棒性不够等问题。袁晶博士直言，当前限制AI落地的因素主要有三个维度：
不同行业存在着差异，行业专家与AI专家的知识结构不一样，将行业问题描述成AI问题仍然具有很高的成本；
AI问题自身也存在挑战，比如模型泛化的能力，以及求解过程中的不可解释性等；
AI问题解决之后，还需要真正在行业中可以落地的方案，这不仅仅涉及到技术方面的挑战，甚至还会对业务流程、组织结构等进行重塑，才能让AI落地得以实现。
“本质上是需要解决好行业知识与AI的结合。”袁晶博士如是说。AI要想真正行业中实现落地，很重要的方向就是让机器实现知识的发现和应用能力，换句话说，即实现“认知智能”，让机器具备理解、解释、推理、演绎、归纳等高阶认知能力。
近年来，人们愈发认为知识图谱是实现认知智能的一种重要手段。
提到知识图谱，首先要理解知识。关于知识的定义有很多，从数据、信息和知识之间的关系角度来看，多个信息建立关联管理就形成了知识。例如，100仅仅是一个数据，而它被置于特定上下文就产生了信息，像“水温100℃”就是一个信息，“水温达到100℃，意味着水要沸腾”则是两个信息关联产生的一条知识。
聚焦到具体行业，每个行业都有属于自己的丰富知识，这些行业知识远比“水温达到100℃，意味着水要沸腾”等通用型知识复杂。具体来看，在各个行业之中，数据来源多样、形态复杂，知识体系通常很庞杂、受众范围小，很多知识还是隐形的，难以对外表达出来，应用场景则涉及因素多、推理链条长，造成知识图谱和认知智能的构建极为复杂。
华为云袁晶博士
这就要求机器或智能应用能够理解数据并解释数据中发生的物理过程和现象，并具备推理等高阶认知能力。袁晶博士介绍说，具体到行业知识之中，涉及到很多深层次的表示、形式，甚至知识的运营模式等，不能依靠简单的知识图谱去覆盖，而是需要一套完整的技术产品体系。
例如，在汽车维修场景中，汽车维修效果高度依赖维修技师的经验。汽车维修技师普遍通过故障现象和诊断故障代码、再结合自身经验来判断故障原因。对于某些“疑难杂症”，维修技师有时无法直接找到故障原因，可能需要翻阅若干工具书和资料，甚至还要厂商专家参与，费时费力，影响客户体验。
华为云知识计算解决方案为一汽打造了智能维修解决方案，将维修相关事实性、程序性知识构建了维修知识图谱，并以知识图谱为知识底座，搭建了“维修问答助手”、“维修知识搜索”等场景应用方案，维修技师通过语音的形式和应用交互，就可以便捷地获得大量维修知识，显著提升了维修效率。通过使用一汽知识计算平台，一汽红旗某4S店的一次性修复率提升了4%，客户维修等待时间下降了23%，厂家支持介入率下降了30%，维修技师的培养时间缩短了30%。
类似的情况还有很多，每个行业都有自己丰富的知识，都需要将各种知识沉淀出来和高效利用。2020年，华为云在大量项目实践的基础上，发布了业界首个全生命周期知识计算解决方案，提供从知识获取、建模、管理到应用的全套决方案。“知识计算的核心目标就是推动行业知识和AI技术的深度结合，帮助各个行业将丰富的知识沉淀出来并加以高效利用。”袁晶博士补充道。
回到一个本质问题，用户在AI落地中需要什么？
事实上，从数据到知识的行业的智能化升级道阻且长。在多年的数字化建设之后，大部分行业用户往往拥有丰富的数据、行业业务知识，但他们往往并不清楚自己的数据策略，不知道如何将数据转化为知识，也不知道如何将隐形知识高效利用起来；或者不清楚如何找到AI落地的场景切入点，试错成本和时间成本往往高居不下，在AI人才、技能方面更是捉襟见肘。
为此，华为云知识计算解决方案的思路通过产品化将这条路径上的各个技术环节有效串联起来，覆盖了知识在企业价值创造中的全生命周期，避免让用户掉入解决底层技术的漩涡，真正聚焦AI与行业知识的结合，加速AI的落地。
袁晶博士解释说，知识计算是把各种形态的知识，通过一系列AI技术进行抽取、表达后协同大量数据进行计算，进而产生更为精准的模型，并再次赋能给机器和人的一种全新方法，知识计算本质是知识驱动与数据驱动的一种高效融合。据悉，华为云知识计算解决方案则是以ModelArts 一站式AI开发平台为基础，包含知识获取、知识建模、知识管理以及知识应用四大模块。
那么，华为云知识计算解决方案在实际行业中遇到哪些挑战，落地效果又如何？
袁晶博士直言，最大挑战还是在不同行业、不同场景的适应性。“很难用一套方法去解决所有问题，针对某一行业、某一场景可以非常快的吸纳、获取、建模、应用，切换到另一个场景，效果可能就变差。”为此，华为云投入很大精力在知识计算解决方案的产品组合设计上，让不同产品之间灵活组合来应对不同行业、不同场景的挑战，更加灵活和高效地契合不同场景的需求。
据悉，各个行业可以基于华为云知识计算解决方案打造自己的知识计算平台，用于研发、生产、运营、销售、售后服务等企业核心流程。目前，该方案已在石油、汽车、医疗、化纤、煤焦化、钢铁、交通等行业得到应用。
例如，在医药行业的药物研发和筛选中，过去往往需要几个月时间做实验、对比、查询；现在通过为药物研发中所有实体关系构建药物知识图谱，再利用相应的AI模型帮助加速药物的定向靶点匹配分析，几天时间就可以完成过去几个月的工作，极大提升药物筛选效果。
事实上，除了在产品组合和AI能力的打磨之外，华为云在知识计算解决方案另一大方向也不容忽视，即平台化生态构建能力。
华为云知识计算解决方案并不是封闭的，而是兼容幷蓄、海纳百川，它就像一个百宝箱，可以吸纳各种合作伙伴进来，共同为各个行业用户打造全面的产品与解决方案。合作伙伴可以基于华为云的基础能力，去面向不同行业知识做进一步开发，平台化和开放性将会是华为云知识计算长期投入的方向。
例如，在ModelArts一站式AI开发平台中，融合了求解器、传统机理模型等能力，合作伙伴可在这个基础上开发对应的场景和模型；此外，华为云还提供丰富的API，比如知识获取的NER，可以方便合作伙伴利用在不同场景之中。
“华为云会将一些好的落地实践固化成工作流提供给合作伙伴。另外，把知识变成模型这件事情，华为云会持续探索新方法，寻求技术突破。”袁晶博士如是说，“如何把不同类型和更多类型的知识更好地建立成一个更好的模型，如何尽量去让机器自动化建模，还有很多方向值得去研发与突破。”
如今，华为云还在持续投入，将在不同行业里面遇到的问题和场景进行总结、归纳，并形成框架，并吸纳不同行业与领域的人来共同参与，让框架稳步丰富、完善和清晰，“这对于行业智能化升级的路径有着重要的指导价值”，袁晶博士表示。
如何真正推动AI在具体行业场景中走向落地？
这是对AI厂商的一场长期考验，不仅仅包括技术、产品、解决方案、生态等综合能力，甚至还有长期下沉行业场景的耐心。事实上，华为云之所有能够在AI领域不断实现突破、摸清了AI落地的脉络并形成自身的方法论，很重要的原因在于不沉迷于各种论文炫技，而是将技术创新与产品工程化结合，与用户需求紧密结合。
以华为云为例，除了前沿技术的创新与突破之外，技术产品的孵化，面向市场、面向客户同样重要，这种全流程的闭环让华为云AI研发人员走出自己的“一亩三分地”，真正实现AI技术的快速迭代、创新与落地。
本文分享自微信公众号 - 大数据在线（dobigdata）。
如有侵权，请联系 [email protected] 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。