久而久之，我們似乎會習慣性地認為AI已經可以拿下一切問題，甚至覺得AI已經是萬能的。

這種想象假如只存在於普通消費者腦中，那麽可能還好；假如企業家和行業從業者也靠這些判斷來貿然嘗試引入AI，那麻煩可就大了。

事實上，今天無論是科技大V、社交網絡上的“明白人”，還是各種培訓講師、創業BP，都在似有似無間強調企業應用AI的“神奇之處”，這些亦真亦假。但他們不約而同選擇忽略掉的，是今天中國企業選擇應用AI時，還有大量的困境與難題擺在眼前。

企業AI並不是已經做好的蛋糕，只要付費後拿起刀叉即可享用；相反它更像是一片沃土，想要吃蛋糕，那麽企業要從學會種小麥開始。

今天我們來聊聊，企業要跨過哪些困境才能享用AI。註意這個表述：享用。假如一個企業只是想要使用AI，那麽很簡單，在傳達室裝一個人臉識別門禁花不了多少錢，效果也不錯，但問題是對企業的生產和市場似乎並沒有什麽用處。而企業想要購買全套的AI解決方案也很簡單，只要付費即可得，問題是這些技術來到企業之後到底有什麽用，是賠錢還是賺錢，就不得而知了。

所謂享用，是企業要真實地從AI中獲益，可以控制AI為企業本身服務，甚至將AI作為進一步增長的生產資料。

我們註意到，前不久的蘇州智博會上，華為雲就為我們解釋了關於企業智能EI的相關問題和華為雲提供的解決方案，其認為能夠幫助解決實際問題的AI才是企業需要的AI，AI也只有在企業的產業化落地才是真正的企業智能。今天我們就結合華為雲體系中的企業智能EI服務案例，來看看今天橫亙在企業與AI之間的四道枷鎖。

或許我們也可以換個角度看待這個問題：這四道鎖的一邊，是媒體和公眾想象出的AI；而另一邊，是AI實用化的廣袤曠野。

第一道鎖：關於AI安全，今天到處都是坑

智能，代表著更快的數據交互，而數據的速度就像車的速度一樣，速度越快，風險越高。

前不久我們已經在Facebook的數據泄露問題上，看到了AI時代面臨的數據風險和安全挑戰。

當然我們不能說個人用戶數據和企業數據誰更重要，但對於企業本身而言，毫無疑問生產數據甚至技術專利可謂是生存下去的命脈所在。

但在我們呼喚AI高歌猛進的時候，卻忽略了企業應用AI時的安全問題正在迅速擴張，並且很少被產業界重視。

我們可以看幾個企業AI應用時面臨的安全風險：

1、訓練數據不安全。進行機器學習類的行業應用模型訓練，就必須提供專屬的訓練數據。而這些數據往往都是從企業生產流程的核心中得來，可說是企業機密中的機密。假如必須把這些數據交給第三方，那麽企業的風險系數也將驟然上升。

2、數據存儲有風險。今天的AI解決方案中，企業一般要大量通過公有雲API實現具體產品流程的AI化，那麽也就意味著企業往往要將大量產業數據上傳到公有雲上。這對很多企業來說非常麻煩，但不如此又難以應用AI，容易造成騎虎難下的局面。

3、AI模型的不穩定性。去年TensorFlow已經被證實有致命漏洞存在，AI模型往往需要嫁接在不同的開發框架和應用平臺上，面臨著非常多的未知風險。一旦受到攻擊或者任何環節崩壞，企業將直接面臨著生產能力崩潰的局面。

事實上，這只是幾種可能存在的風險。其他像算法本身缺乏可解釋性、產業風險難以評估等等，都是圍繞在企業AI身邊揮之不去的安全陰影。可以說，今天企業應用AI，必須要面對隨之而來的“安全問題大禮包”。

當然，解決安全問題任重道遠。需要各產業環節，包括企業自身的不斷探索和嘗試。就華為雲而言，他們在企業智能EI服務中會采取公有雲、私有雲等不同的交付方式，滿足企業不同等級、不同產品形式的安全需求。

此外華為雲還提供差分隱私保護和聯合學習的方式，即通過密碼學算法對用戶數據進行加密。僅僅讓機器學習模型去學習用戶的數據特征，訓練AI的同時避免泄露用戶隱私和核心數據。

此外，AI安全方案也十分重要。在歐美基於AI產業發展，提供專門AI安全防護的配套服務企業已經很多，但在中國整個產業還處在萌芽階段。AI安全有其獨特的需求，比如說華為雲的AI安全方案特征之一，是可以通過動態學習不斷修正模型，防止模型受到攻擊。AI的到來也為安全防護增添了利器，但這需要建立於企業的技術積累和實戰經驗的基礎上。

第二道鎖：脫離全棧計算談AI，基本屬於耍流氓

我們知道在AI世界，算法、算力、數據構成了智能的三要素。但在企業應用上，我們往往會過分重視算法和數據，忽略了算力也是重要的變數。

在AI這件事上，其實彌漫著一種暴利美學——面對著海量數據和運算量龐大的卷積任務，算力不達標一切都是紙老虎。

或許有人會說，企業都已經上雲了，算力當然不成問題。但事實上，AI在企業應用，尤其是在工業領域應用時，需要處理大量數據的同時保證實時處理、實時決策。這也就決定了所有數據回傳雲端再傳回來，基本是不現實的事情。畢竟誰也不希望自己工廠裏的機器永遠慢幾拍。但終端計算顯然也不可能，雖然IoT終端正在逐步發展，但相關的芯片、處理能力甚至產品形態都才剛剛開始。等終端能解決所有問題，AI的黃花菜真是早涼了。

所以說，企業應用AI時，真正需要的是雲、端、邊，三位一體化的算力配合，也就是企業對AI任務的全棧運算能力。今天對於企業來說的合理方案，是需要運算基礎算力的AI任務回傳雲端，能夠輕量化、集成化進行的快速任務延伸到邊緣進行；而在硬件條件滿足的前提下，再下放一部分到終端完成。

雲邊協同和異構計算，都是企業應用AI時無法繞過的問題。為此，前不久的蘇州智博會上，華為雲剛剛發布了智能邊緣平臺，幫助企業快速、低成本部署邊緣計算能力，迅速激發AI的實用價值。

有一個華為雲分享的案例，可以非常直接地展現出雲邊協同對於AI的價值。華為雲的智慧園區解決方案中，提供了動態人像檢索服務。通過攝像頭，園區可以實現百億人像秒級搜索。

人像搜索需要快速給出判斷結果，完全上傳雲端自然不現實。但是假如要在終端部署AI運算能力，那就需要把所有攝像頭換成智能攝像頭。首先成本貴了十倍有余，另外爬到每根電線桿上換攝像頭，那個工作量想想都夠了。

而通過構築邊緣智能平臺，將AI識別任務進行雲邊協同運算，華為雲有效解決了這個問題。其實現了人臉識別1：N準確率大於95%，並且不需要換任何一顆攝像頭。

可以看出，在真正的企業應用，尤其是工業應用中，對AI算力的呼喚是非常復雜和具體的。不是雲，也不是終端芯片就能解決這個問題，而是需要全棧流程方案的具體部署，滿足不同企業用戶的不同需求。

想要把AI算力一刀切，那基本是對企業耍流氓。

第三道鎖：充滿朦朧美的AI產業價值

即使我們有了算力、數據、算法等基礎配置，也確信自己企業應用的AI能力是安全的，AI大餐就可以上桌了嗎？

很不幸，問題又來了：你怎麽能確定買到的AI技術，真的實用呢？這並不是一個“杠精附身”的疑問。在AI產業價值自證上，確實存在著很多問題，比如：

1、黑箱和算法可解釋性影響企業應用。深度學習模型具有黑箱性，這是今天難以規避的問題。而在企業構建業務中的深度學習能力時，算法的不透明時長會導致產品結果不可預知，甚至會因為很小的數據節點全盤崩壞。那麽一味相信深度學習，很可能有一個深坑在等待著。

2、工程化問題。AI技術可以快速從實驗室走到企業中，是它令人激動的一面。但同時也帶來了問題，那就是很多算法和解決方案看起來很美，但卻缺乏工程化可能。比如穩定性、延展性的欠缺，直接可能導致工程化失敗。

而且新技術的準確度也是個問題，快速引入新技術，很可能買回了個不合格員工。

3、新技術的產業周期回報問題：AI並不是免費的。引入AI，意味著企業要增加各種成本，消耗大量的資源。但這些技術是否能在可靠周期內帶回效益，對企業來說卻是未知數。另一方面，假如期數延展性不足，企業購買的新技術很快被淘汰，或者無法與其他環節連接，那麽企業應用AI時的未知數更將擴大。面對龐大的未知，企業在應用AI時往往是望而卻步。

這個難題，最好的破解方式其實也簡單，那就是直接引入在其他企業得到反復嘗試，被證明沒有問題的技術——絕不做第一個吃螃蟹的人，對於企業，尤其是中小企業來說是至理名言。

華為雲的企業智能EI服務方案中，一個特性就是把已經在華為內部實驗並應用了很久的技術，推廣到各合作企業與行業中。華為作為一個巨型ICT企業，內部就已經是一個各種AI黑科技的絕妙舞臺。並且華為也一直在堅持技術先內部再推廣的原則。而AI顯然是其中的核心，比如近期任正非又強調要加強AI在華為內部的應用，並且建立了專門的資金與技術團隊。

從華為體系中先內而外的AI案例有很多。

比如AOI自動光學檢測。在電子元器件焊接中，傳統情況下需要工人一人4機值守來查看可能發生的缺陷，靠人工來審查焊接缺陷率。

顯然，這種方法不僅速度慢、效率低，而且在檢測過程中容易出錯。根據資料，在華為松山湖工廠的生產線上，每個工人做每次檢驗要耗時5分鐘左右。

在加持了AI之後，華為雲通過工業視覺領域的圖像識別能力，幫助焊接流程實現了無人值守，極大減少人工參與，並且提升了過程中發現缺陷的效率。

那麽很明顯，這項技術是在華為內部檢驗成功後，是可以推廣到類似需要AOI檢測的企業與工廠中的。

事實上，不僅是單獨的技術部類，深度學習能力也一樣可以進行先內而外的遷移。比如華為雲正在使用遷移學習技術，將華為針對多個典型客戶場景，所訓練出的高性能的深度學習模型預置在華為雲深度學習服務中。客戶只需要少量數據和訓練時間就可以完成獨特模型的訓練。

AI固然好，靠譜很重要。在企業應用AI時冒險並非美德，盡一切可能收獲成熟AI能力，這或許也應該成為AI產業中的某種常識。

第四道鎖：無法回避的行業獨特性

最後一個問題，是很多AI專家在暢想未來時都有意無意規避掉的，那就是任何一個產業和企業，都有自己面臨的獨特性。無論是周期、需求、產業上下遊關系，甚至所面臨的客戶特點，這些都讓通用性AI往往施展不開手腳。

毫無疑問，讓AI的價值最大化，那就必須要讓AI和產業特征、企業周期、行業規律相結合。但這在今天顯然是最難的一道關卡。

我們可以來看一個行業特定屬性達成AI化的案例。在華為雲企業智能EI服務中，有一個特殊的客戶：供暖單位。如何讓供暖在保證熱率的同時，降低汙染和排放，這是一個大眾普遍關心的問題。但這裏利用通用的AI計算方式顯然不行，而是需要對於供暖產業中的獨特數據，比如燃煤率、鍋爐裝置、燃燒通風率等等進行數據收集和整理，再用獨立的AI算法給出解決方案。

通過華為雲專家們深入場景的苦戰之後，研發出了供暖閥門動態調節的技術。新的閥門會根據燃燒、溫度、能耗、通風等不同情況自動調節，從而在不改變熱度的前提下達成了能耗下降4-16%。對於霧霾天和取暖需求來說，可謂功莫大焉。

那麽，到底如何針對不同行業和企業給出獨立AI解決方案呢？

首先是滿足不同技術等級用戶的需求。比如華為雲深度學習服務，就根據用戶不同需求訂了5個等級，讓有技術開發能力和大規模應用需求的用戶試用更高等級開發支撐，中小企業和輕度用戶可以使用輕度開發降低成本。這種避免一刀切的AI策略，首先滿足了不同企業的核心差異化。

其次，華為雲提供顆粒化的人工智能API服務，滿足企業具體、定制、重構的AI業務需求。讓企業可以像去超市采購一樣找到最合適自己的方案。

再次，在AI深入各行業當中的時候，最重要的一關是線下支持。畢竟AI的新穎和變化，對於大多數企業和行業來說都是無法馬上適應的，只有強力的線下解決團隊，企業才真正沒有後顧之憂。

當然，行業獨特性是一個非常模糊的概念，無法用某種萬能公式去套用。唯一能做的，是AI和行業攜手，一關一水去探索未知。

如何拿到鑰匙？

說了這麽多，好像AI很困難，不怎麽靠譜的樣子。但事實並非如此，今天AI在商業應用上的整體完成度已經值得期待，與大部分行業的連接密度可能都超過我們想象。所受困的是行業基礎和人才窘境，這些當然都是問題，但同時也是企業超過競品的機遇。

企業應用人工智能，在今天是否有打開這四道鎖的鑰匙呢？當然也有。

開鎖的第一步，是要認識到鎖的存在。這句非常像是廢話，但其實不然。面對人工智能，今天垂直行業中普遍缺乏良性的認知。過於抵觸和過於樂觀是我們最常見的兩種企業態度，但真正應用和掌控AI，顯然兩者都不可取。

其次，是要找到靠譜的產業合作關系。AI是無法一個企業、一個行業完成的共生技術體系，只有信賴，才能衍生未來。

最後，是要認清商業邏輯的必然階段。解鎖AI應用的每一步，事實上在這個產業周期中都是形成新壁壘的過程。無論是算法、人才還是數據，甚至是產業經驗與產業關系，這些都是企業接下來的戰略優勢。合理積累優勢並去撬動下一個可能，或許才是AI帶給企業的真正機遇。

少聽大忽悠的AI萬能論：不打開四道鎖，企業永遠無法享用AI