縱使彼岸繁花似錦，眼前卻荊棘叢生——這恐怕是當前大多數行業用戶在嘗試AI應用的真實寫照。
毋庸置疑，AI近年來熱度不斷上升，從AlphaGo戰勝柯潔，再到波士頓機器人和特斯拉人形機器人爆紅網絡……AI熱門話題總能吸引大量關注。然而，AI在傳統行業中落地與應用又是另一番景象：AI模型在各種真實場景中適應性差、魯棒性不夠，需要深度定製進行適配，費時費力，規模化推廣更是無從談起。
如何改變這種局面，拉近理想與現實之間的差距，真正推動AI在具體行業場景中走向落地？
如今看，業界一個重要的趨勢就是將數據驅動和知識驅動融合，充分發揮數據、知識、算法和算力等要素的交叉結合作用，解決AI之前不可解釋性、魯棒性差等難題，逐步讓機器具備認知智能。
顯然，這是一條長期、艱難而正確的落地之路，尚待突破的方面還有很多，誰都不能一蹴而就。在衆多廠商中，華爲多年以來一直堅定不移地推動AI落地，不僅積累了大量的AI項目實踐，更推出了業界首個全生命週期知識計算解決方案，在產品、解決方案和方法論等層面爲AI應用落地開啓了新思路。
擁抱AI正成爲企業數字化轉型的最大趨勢。
IDC對AI市場19個垂直行業持續跟蹤研究之後，預測2021年全球AI市場支出規模將達到850億美元，到2025年將增值2000億美元，未來五年的複合增長率高達24.5%；其中政府、金融、製造、交通、醫療等行業擁有巨大應用空間。
另一份調研數據則指出，AI在傳統行業場景中的滲透率還不到10%，遠低於互聯網行業。在近日的一次採訪中，華爲雲袁晶博士也道出了現實困境，即“AI在傳統行業的落地是一項巨大的挑戰。”
此觀點並非虛言，而是華爲雲在經歷大大小小600多個項目實踐之後的真實感悟。事實的確如此，且不論人才、數字化水平等掣肘因素，僅AI模型在真實業務場景中的適應性就是對AI廠商的一大考驗：很多AI模型在實驗室中表現出色，一到具體業務場景之中就“拉胯”，表現出適應性差、魯棒性不夠等問題。袁晶博士直言，當前限制AI落地的因素主要有三個維度：
不同行業存在着差異，行業專家與AI專家的知識結構不一樣，將行業問題描述成AI問題仍然具有很高的成本；
AI問題自身也存在挑戰，比如模型泛化的能力，以及求解過程中的不可解釋性等；
AI問題解決之後，還需要真正在行業中可以落地的方案，這不僅僅涉及到技術方面的挑戰，甚至還會對業務流程、組織結構等進行重塑，才能讓AI落地得以實現。
“本質上是需要解決好行業知識與AI的結合。”袁晶博士如是說。AI要想真正行業中實現落地，很重要的方向就是讓機器實現知識的發現和應用能力，換句話說，即實現“認知智能”，讓機器具備理解、解釋、推理、演繹、歸納等高階認知能力。
近年來，人們愈發認爲知識圖譜是實現認知智能的一種重要手段。
提到知識圖譜，首先要理解知識。關於知識的定義有很多，從數據、信息和知識之間的關係角度來看，多個信息建立關聯管理就形成了知識。例如，100僅僅是一個數據，而它被置於特定上下文就產生了信息，像“水溫100℃”就是一個信息，“水溫達到100℃，意味着水要沸騰”則是兩個信息關聯產生的一條知識。
聚焦到具體行業，每個行業都有屬於自己的豐富知識，這些行業知識遠比“水溫達到100℃，意味着水要沸騰”等通用型知識複雜。具體來看，在各個行業之中，數據來源多樣、形態複雜，知識體系通常很龐雜、受衆範圍小，很多知識還是隱形的，難以對外表達出來，應用場景則涉及因素多、推理鏈條長，造成知識圖譜和認知智能的構建極爲複雜。
華爲雲袁晶博士
這就要求機器或智能應用能夠理解數據並解釋數據中發生的物理過程和現象，並具備推理等高階認知能力。袁晶博士介紹說，具體到行業知識之中，涉及到很多深層次的表示、形式，甚至知識的運營模式等，不能依靠簡單的知識圖譜去覆蓋，而是需要一套完整的技術產品體系。
例如，在汽車維修場景中，汽車維修效果高度依賴維修技師的經驗。汽車維修技師普遍通過故障現象和診斷故障代碼、再結合自身經驗來判斷故障原因。對於某些“疑難雜症”，維修技師有時無法直接找到故障原因，可能需要翻閱若干工具書和資料，甚至還要廠商專家參與，費時費力，影響客戶體驗。
華爲雲知識計算解決方案爲一汽打造了智能維修解決方案，將維修相關事實性、程序性知識構建了維修知識圖譜，並以知識圖譜爲知識底座，搭建了“維修問答助手”、“維修知識搜索”等場景應用方案，維修技師通過語音的形式和應用交互，就可以便捷地獲得大量維修知識，顯著提升了維修效率。通過使用一汽知識計算平臺，一汽紅旗某4S店的一次性修復率提升了4%，客戶維修等待時間下降了23%，廠家支持介入率下降了30%，維修技師的培養時間縮短了30%。
類似的情況還有很多，每個行業都有自己豐富的知識，都需要將各種知識沉澱出來和高效利用。2020年，華爲雲在大量項目實踐的基礎上，發佈了業界首個全生命週期知識計算解決方案，提供從知識獲取、建模、管理到應用的全套決方案。“知識計算的核心目標就是推動行業知識和AI技術的深度結合，幫助各個行業將豐富的知識沉澱出來並加以高效利用。”袁晶博士補充道。
回到一個本質問題，用戶在AI落地中需要什麼？
事實上，從數據到知識的行業的智能化升級道阻且長。在多年的數字化建設之後，大部分行業用戶往往擁有豐富的數據、行業業務知識，但他們往往並不清楚自己的數據策略，不知道如何將數據轉化爲知識，也不知道如何將隱形知識高效利用起來；或者不清楚如何找到AI落地的場景切入點，試錯成本和時間成本往往高居不下，在AI人才、技能方面更是捉襟見肘。
爲此，華爲雲知識計算解決方案的思路通過產品化將這條路徑上的各個技術環節有效串聯起來，覆蓋了知識在企業價值創造中的全生命週期，避免讓用戶掉入解決底層技術的漩渦，真正聚焦AI與行業知識的結合，加速AI的落地。
袁晶博士解釋說，知識計算是把各種形態的知識，通過一系列AI技術進行抽取、表達後協同大量數據進行計算，進而產生更爲精準的模型，並再次賦能給機器和人的一種全新方法，知識計算本質是知識驅動與數據驅動的一種高效融合。據悉，華爲雲知識計算解決方案則是以ModelArts 一站式AI開發平臺爲基礎，包含知識獲取、知識建模、知識管理以及知識應用四大模塊。
那麼，華爲雲知識計算解決方案在實際行業中遇到哪些挑戰，落地效果又如何？
袁晶博士直言，最大挑戰還是在不同行業、不同場景的適應性。“很難用一套方法去解決所有問題，針對某一行業、某一場景可以非常快的吸納、獲取、建模、應用，切換到另一個場景，效果可能就變差。”爲此，華爲雲投入很大精力在知識計算解決方案的產品組合設計上，讓不同產品之間靈活組合來應對不同行業、不同場景的挑戰，更加靈活和高效地契合不同場景的需求。
據悉，各個行業可以基於華爲雲知識計算解決方案打造自己的知識計算平臺，用於研發、生產、運營、銷售、售後服務等企業核心流程。目前，該方案已在石油、汽車、醫療、化纖、煤焦化、鋼鐵、交通等行業得到應用。
例如，在醫藥行業的藥物研發和篩選中，過去往往需要幾個月時間做實驗、對比、查詢；現在通過爲藥物研發中所有實體關係構建藥物知識圖譜，再利用相應的AI模型幫助加速藥物的定向靶點匹配分析，幾天時間就可以完成過去幾個月的工作，極大提升藥物篩選效果。
事實上，除了在產品組合和AI能力的打磨之外，華爲雲在知識計算解決方案另一大方向也不容忽視，即平臺化生態構建能力。
華爲雲知識計算解決方案並不是封閉的，而是兼容幷蓄、海納百川，它就像一個百寶箱，可以吸納各種合作伙伴進來，共同爲各個行業用戶打造全面的產品與解決方案。合作伙伴可以基於華爲雲的基礎能力，去面向不同行業知識做進一步開發，平臺化和開放性將會是華爲雲知識計算長期投入的方向。
例如，在ModelArts一站式AI開發平臺中，融合了求解器、傳統機理模型等能力，合作伙伴可在這個基礎上開發對應的場景和模型；此外，華爲雲還提供豐富的API，比如知識獲取的NER，可以方便合作伙伴利用在不同場景之中。
“華爲雲會將一些好的落地實踐固化成工作流提供給合作伙伴。另外，把知識變成模型這件事情，華爲雲會持續探索新方法，尋求技術突破。”袁晶博士如是說，“如何把不同類型和更多類型的知識更好地建立成一個更好的模型，如何儘量去讓機器自動化建模，還有很多方向值得去研發與突破。”
如今，華爲雲還在持續投入，將在不同行業裏面遇到的問題和場景進行總結、歸納，並形成框架，並吸納不同行業與領域的人來共同參與，讓框架穩步豐富、完善和清晰，“這對於行業智能化升級的路徑有着重要的指導價值”，袁晶博士表示。
如何真正推動AI在具體行業場景中走向落地？
這是對AI廠商的一場長期考驗，不僅僅包括技術、產品、解決方案、生態等綜合能力，甚至還有長期下沉行業場景的耐心。事實上，華爲雲之所有能夠在AI領域不斷實現突破、摸清了AI落地的脈絡並形成自身的方法論，很重要的原因在於不沉迷於各種論文炫技，而是將技術創新與產品工程化結合，與用戶需求緊密結合。
以華爲云爲例，除了前沿技術的創新與突破之外，技術產品的孵化，面向市場、面向客戶同樣重要，這種全流程的閉環讓華爲雲AI研發人員走出自己的“一畝三分地”，真正實現AI技術的快速迭代、創新與落地。
本文分享自微信公衆號 - 大數據在線（dobigdata）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。