接力数字化，AI中台要引领智能化？

当中国企业推出中台概念，并首先在数据中台上发力，助力企业数字化，一步步走向彼岸时，这一中国原创的技术历经波折，可谓披荆斩棘，曲线上行。

更进一步，中国企业在全球率先推出AI中台，让AI应用工程化，助力企业智能化。以AI工程化应用为核心的AI中台反而争议不大，顺理成章。

检验AI中台好不好的就是应用。AI中台赛道已经开跑，谁能跑到前面?谁能跑到最后呢?

01 AI中台主要解决应用的复杂性问题

尽管多年来人们对人工智能(AI)的无敌威力进行了大量的宣传，当然也出现了很多担忧的声音，但是在AI的承诺与其商业现实之间仍然存在巨大的差距。

科技公司多年来一直在宣传AI的功能，但对于大多数组织而言，AI的优势仍然难以捉摸。今天很难衡量有效使用人工智能的企业比例以及程度。最近报告中显示的采用率介于20%～30%之间，采用率通常被宽松地定义为“以某种形式实现AI”。

毕马威一项对全球500强公司的调查发现，尽管30%的受访者表示，使用AI来实现一系列选择性功能，但只有17%的公司在企业内部“大规模”部署了AI技术。

不过几乎所有报告都指出，企业对AI的兴趣正在增长。Gartner的数据显示，过去四年中落地AI相关技术的公司数量增长了270%。

“机器人将接替我们的工作” 这种恐惧通常被认为是企业不愿采用AI的主要原因。但是最近的一份报告发现，采用自动化之后，多达87%的组织计划增加或维持员工人数。

另一个问题是定义问题。 人工智能涵盖非常广泛的技术，从对机器学习的数据处理到对人工智能的尖端工作，如像人类一样思考的机器，如何确定和定义自己的任务，也是一件非常棘手的问题。

Gartner在一项调查中发现，对数据范围或质量的担忧是AI应用的第三大挑战 ，因为不可靠的数据肯定会产生偏见并破坏信任。

AI的最主要障碍是缺乏技能，超过一半的企业领导人将其视为采用人工智能的最大挑战。  一方面，没有能力将企业想法转换为代码和算法，无法与现有基础架构一起实现;另一方面，在AI人才上的花费惊人。

在毕马威评选的全球500强公司中，拥有最先进AI能力的5家企业平均拥有375名全职员工从事AI技术。每家企业在AI人才上的花费约为7500万美元，并预计该费用将在未来三年内增长。

在决定推进AI应用后，企业面临的困扰依然不少。

首先，AI模型搭建门槛高、流程复杂，任何一个企业也无法回避。

AI模型的开发往往需要打通业务部门与研发部门的壁垒，克服繁琐的数据申请流程、缓慢的响应速度、复杂的研发环节、大量的人力标注等，最终才能成功构建。

但是对于业务部门而言，AI建模门槛高、流程复杂、实现困难;开发部门具备建模开发能力，但业务经验较少。

同时，模型缺乏后期的维护与监控，无法根据时间的推移对模型进行及时更新和验证，导致模型精度随时间的推移逐步降低。

在国内，随着企业智能化需求的出现，企业在AI方面的投资加大，出现了数据、算法、算力、模型等一系列AI时代独有的企业资产。

在一些企业中，各业务部门或分公司肚子投资了大量的人工智能技术和能力。在组织未形成统一控管架构、缺少统一的AI平台情况下，常常会出现重复建设的情形。

那么，AI商业化的出路在哪儿?中国企业给出的答案就是建设AI中台。

02 AI中台雏形浮出水面

在人工智能技术上处于全球第一方阵的百度首先在行业内推出了AI中台和知识中台的概念，同时给出了一个便于理解的AI中台的概念。

2020年5月，在“ABC SUMMIT 2020百度夏季云智峰会”上，AI中台、知识中台两大创新平台登场。

百度智能云的新架构分为三层，底层是百度大脑，包括基础层、感知层、认知层和安全，是百度核心技术引擎。中间是平台，包括通用的基础云平台、AI中台、知识中台，以及针对场景的平台和其他关键组件。在基础层和平台的支持下，上层的智能应用和解决方案将为各行各业赋能。

百度智能云的AI中台，帮助企业搭建自己的AI平台，让企业可以按照自己的需求，快速、高效地实现AI解决方案。

AI中台是每个企业智能化升级必备的基础设施，是企业AI能力的生产和集中化管理平台。 包括AI能力引擎、AI开发平台两大核心能力以及管理平台。

在AI能力引擎方面，企业可以从百度已有的270多项成熟 AI能力中直接选择应用。

AI 开发平台包括零门槛AI开发平台EasyDL和全功能 AI 开发平台BML，都是基于我国首个自主研发、开源开放、功能完备的产业级深度学习平台飞桨打造。

百度智能云结合具体行业特点，目前已经打造了能源AI中台、金融AI中台、城市AI中台、媒体AI中台等多个行业化AI中台落地解决方案，为不同行业的企业客户提供建设AI开发和应用的自主能力，以及集约化管理企业AI能力和资源，统筹规划企业智能化升级版图的有效路径。

结合爱分析的报告和专家的介绍，我们发现：

数据中台与AI中台是相互独立，有彼此相通。 数据中台主要集成数据挖掘、数据洞察智能算法和模型;AI中台主要承担复杂的学习预测类智能需求研发。

数据中台主要承担数据探索的职责，提供数据标准化、数据实体化、数据服务统一化等功能，支持智能数据模型、关联分析、主成分分析、异常点分析等。AI中台从事的是学习预测的任务，提供模型设计训练、模型/算法库、复用标注管理、监控服务等一系列相关AI紧耦合的能力支持。

数据中台应该能为AI中台提供数据，否则AI中台是无米之炊。

AI中台的要包括开发平台、能力引擎、管理平台等，与百度的AI中台架构类似。

03 AI中台的三类供应商

由于企业的AI应用需求增加，大部分企业尚不具备基于平台自建AI应用的能力，因此第三方供应商的产品和服务能力成为影响模型效果和业务效果的关键。

需要促进了AI中台市场的产生与壮大。AI中台由于处在发展初期，市场竞争的格局远没有形成。

因此，在厂商选型阶段，企业应该根据自身需求选择合适的供应商。

目前，AI中台供应商主要分为三类：

AI公司。 中国的AI头部企业在经过前期的大量研发投入之后，迫切需要通过将AI技术投入应用，而获得商业收入，实现“零的突破”，建立AI中台是其AI应用商业化的基本途径。

这一阵营几乎囊括了中国几乎所有的AI独角兽企业，如旷世科技、商汤科技、科大讯飞等。

AI技术类企业已经开入进入行业，积累了较多的项目经验和应用开发优势。

大数据与应用企业。 大数据应用的发展脉络是数据治理、获得信息，得到知识，产生智慧。所有，所有大数据或者数据公司发展方向都是机器学习、AI应用。

这一阵营包括了数据科技公司迪普科技、明略科技，大数据与AI基础软件公司星环科技等。

明略作为人工智能产业链的上游数据厂商，主攻公安、工业、零售、金融等场景。2020年 11 月，明略宣布了中台新战略，推出了具有行业知识图谱 Know-How的中台。

具有技术能力和行业背景，是这类企业的核心优势。

当然，AI应用离不了云服务商这些巨头。与前两类公司不同，云服务商以发展平台为主，提供的技术往往以开源或者自有的软件产品、技术为主。主要企业包括百度云、阿里云、腾讯云，以及AWS的合作伙伴等。

云服务商通过平台持续迭代，性能持续提升。如百度智能云的AI中台就包含了人脸识别、OCR、语音识别、NLP、图像识别、知识图谱、深度学习等几百 AI能力，以及全球领先的 Ernie 算子及优化后的主流算法。另外，其中台还包含全球前三、中国第一个开源的深度学习框架 PaddlePaddle。百度智能云以通用能力，中台为前台和后台提供支撑和协调。

云服务商依托平台，发展伙伴，进入行业市场，发展行业know-how积累。

中国软件网认为，AI的实用化阶段，需要解决AI技术如何与业务场景的结合，减少重复投资、降低成本，提高投入产出比。AI中台不是一个孤立的平台，而是整体信息化建设的一部分，要能与基础平台、业务系统很好的融合。

04 AI中台应用从重点行业向外延伸

现阶段，AI中台为企业带来实际的业务价值。主要体现在三个方面：

第一，加速业务智能化。 建立AI中台的目的是共享AI资源，让AI更多的服务于企业的业务发展。

在这方面的例子非常多。电网利用AI中台实现快速业务应用。比如搭建出了输电通道可视化平台，轻松实现户外各种复杂场景下的安全巡检，为输电线路安全稳定运行提供了可靠保障。

航空公司采用AI中台，形成AI服务与资源集约化管理的架构，在智能办公、智慧园区等多个方向上快速试行智能化创新应用.

银行AI中台，构筑了以数字为驱动的贷前风险态势感知、贷中实时智能决策、贷后风险动态预警的大数据反欺诈风控大脑，服务1+N、政企银、精准营运与营销等多种创新金融服务模式。

第二，减少的AI应用成本，投入产出比提升。

某品牌商AI中台解决方案，为某工厂开发诸多应用，拓展手机外观质检、产线机械臂抓取识别测量等应用场景。对比原有传统检测设备，检测准确率大幅提升，每提升一个点，带来显著效益。

人工智能已被充分证明的一种应用是将机器学习用于市场营销和销售。分析人士估计，这将在全球产生高达2.6万亿美元的价值。使用AI，企业可以更好地了解客户行为以设计个性化报价。

第三，一些行业AI应用场景持续扩展。

在AI中台应用场景开发方面，目前一些行业已经进入应用场景探索与扩展阶段。金融行业主要场景包括预测授信、OCR(身份证和营业执照识别)、反洗钱、手机银行精准营销和客服智能外呼情景分析等。

智慧医疗、政务数据平台、智慧交通、智慧园区和工业互联网等则是政府与公共服务层面的场景落地主要领域。

工业与能源行业具有更多的AI应用需求，包括产品检测、设备监控、运维维护、安全生产等等。但是应用的场景还处在开拓阶段。

中台，是企业数字化和智能化的产物。我们相信，中台的一小步，将是企业数字化、智能化的一大步。