2.1 人工智能的行业应用

2.1.1 AI行业应用案例

目前，整体人工智能的商业市场还处于萌芽期，远未达到成熟阶段，人工智能产业链也正在逐步完善。在乌镇智库2017年推出的《全球人工智能发展报告》的产业篇中这样描述：人工智能产业是指以人工智能关键技术为核心的，由基础支撑和应用场景组成的，一个覆盖领域非常广阔的产业，与人工智能的学术定义不同，人工智能产业更多的是基于经济和产业方面的一种概括。该报告指出中国人工智能产业规模在2016年已突破100亿元，以43.3%的增长率达到了100.60亿元，2017年增长率提高至51.2%，产业规模达到了152.10亿元，预计2019年将增长至344.30亿元。在2017年前后，直接面向大众的人工智能产品才开始显著增多。目前，各领先互联网公司及软件公司均已在人工智能产业多个环节同时布局，致力构建端到端的完整AI生态系统，提供全套的AI解决方案。

此前，人工智能的应用还主要集中在金融、安防、医疗等专业领域或行业，或以智能客服的方式服务于大众生活，人们接触的人工智能产品并不多。在2017年以后，因为“深度学习”的推广应用，使得计算机视觉、语音识别能力达到可落地应用的水平，才让更多的人工智能产品进入大众生活。我们现在常听到的刷脸支付、智能安防系统、AI翻译、无人店、智能语音音箱等AI落地商业化的产品，其实也只是在近一两年，在更加高频的生活场景中与大众产生直接的接触。

目前，AI的主要支撑技术可以分为3类：语音文字处理、图像与视觉处理和大数据分析预测。不论哪种行业，在落地到具体产品形态时，都依赖于背后主要的支撑技术，下面我们就来举例说明。

① 语音文字处理：医疗语音记录、法院庭审语音记录、AI写稿和金融智能客服等。

② 图像与视觉处理：自动驾驶、医疗影像诊断、机器判卷和机器人分拣等。

③ 大数据分析预测：智能风控系统、健康管理系统和案件刑期预测等。

人工智能虽然在行业应用过程中取得了一些成果，但除本身的技术局限外，再加上数据和成本等因素的限制，阻碍了人工智能在行业的落地，这也是AI产品经理在实际评估某类行业是否能够使用人工智能技术时需要考量的因素。我们可以通过以下9个人工智能行业应用案例来了解人工智能主要解决的核心问题和应用现状。

1．制造业

核心问题 减少生产周期，降低人工成本，提升良品率。

应用案例 ①智能装备，如自动识别设备、人机交互系统、工业机器人。②智能工厂，包括智能设计、智能生产、智能管理以及集成优化。③智能服务，包括大规模个性化定制、远程运维及预测性维护等具体服务模式。生产特斯拉汽车的库卡机械手臂被称为全球最智能的全自动化生产设备，如图2-1所示。据说特斯拉汽车的生产从原料到组装几乎都由机器人完成，具备人工智能的机械手臂已经不仅能够代替人类完成简单重复的工作，甚至在需要精密操作的高端制造领域，机械手臂也能够出色地完成任务，甚至比人类做得更好。

2．物联网

核心问题 远程设备控制，设备间互联互通，家居环境的安全性、节能性、便捷性等。

应用案例 小米在智能家居方面布局多年，以AI驱动的智能家居业务已初步形成完整的生态。从2013年11月发布的小米路由器开始，小米就以路由器为中心，将智能家居硬件联网，以手机App和智能音箱作为双入口和控制中心，控制联网的硬件，从而打造完整的智能家居系统。小米智能音箱已经能够连接包括电视、电风扇、台灯、空调等硬件，如图2-2所示。近年火热的智能音箱不仅为智能家居带来新的语音交互方式，还可以提供如音乐、有声读物等服务内容，以及互联网服务，包括查询天气信息、网络购物等，它还可与其他智能家居连接，实现场景化智能家居控制。另外，这些智能家居产品能够收集各种数据，以很快的周期进行优化，这样智能家居产品将变得越用越聪明。

3．金融

核心问题 金融机构风险管控能力，金融机构服务主动性与智慧性，金融服务效率。

应用案例 人工智能在金融行业的相关应用，主要以机器学习、知识图谱、自然语言处理、计算机视觉4项技术为主。在金融行业，从获客到服务的所有环节已经都有所应用，具体包括智能风控、智能支付、智能投顾等。智能风控是指结合人工智能技术，将风控从被动式管理转变为监测预警的主动式管理，全面提升了风控的效率与精度。智能支付以生物识别技术为载体，如人脸识别、指纹识别、虹膜识别、声纹识别等，提供多元化消费场景支付解决方案。智能投顾则聚焦个人理财投资，可有效降低交易成本并提升服务体验。智能营销克服了传统投研模式的弊端，可快速处理数据并提高分析效率等。未来，人工智能将持续带动金融行业的智能应用升级和效率提升。2016年年底，招商银行的摩羯智投诞生，成为中国银行业首个智能投顾系统，它能够按照投资期限、风险偏好、回报预期等维度，智能地形成个性化的资产配置方案，如图2-3所示。

4．零售

核心问题 线上服务和线下体验结合，提升用户体验和流程效率。

应用案例 通过大数据与业务流程的密切配合，人工智能可以优化整个零售产业链的资源配置。在设计环节中，机器可以提供设计方案；在生产制造环节中，机器可以进行全自动制造；在供应链环节中，由计算机管理的无人仓库可以对销量和库存需求进行预测，进行补货、调货等环节；在终端零售环节中，机器可以分析消费者的购物行为然后进行智能选址，以优化商品陈列位置。

从2017年开始，阿里巴巴推出的无人便利店、无人超市、淘咖啡、缤果盒子等引发热潮，已在国内近十个城市铺开，如图2-4所示。这些无人便利店依托互联网，运用计算机视觉的人脸识别技术，实现自动化管理、消费自动记录。新零售业背后衍生出了智慧供应链、客流统计、智能招商运营系统、智能定价系统、智能推荐系统多个环节，支撑新零售业务的开展，与此同时人在便利店中的角色也将发生转变。

5．交通

核心问题 减少交通事故，提升整体运输效率。

应用案例 道路交通中常见的不停车收费系统（ETC）就是典型的人工智能在行业中的应用，实现了对通过ETC入口的车辆身份及信息自动采集、处理，自动收费和放行，有效地提高了通行能力。此外，研究学者还构想了未来的智能交通系统，通过对交通中的车辆流量、行车速度的数据进行采集和分析，管理者可以对交通进行实时监控和调度，这样可以有效提高通行能力、简化交通管理，如图2-5所示。

6．安防

核心问题 能快速、准确地实现探测，构建全方位的安防体系。

应用案例 探测是安防的核心技术，因此人工智能等应用主要使得安防系统具备探测的功能，实现探测的目的，并且能够实现快速准确的探测。对于安防领域的应用，主要表现为图像识别、大数据及视频结构化等技术的实现，包括人体分析、车辆分析、行为分析、图像分析4类智能安防产品。从应用领域角度来看，主要用于公安、交通、金融、工业、民用等。图2-6展示的是人脸识别技术在公安安防系统中的应用，AI摄像头能够显著缩短警方在监控中查找嫌疑人的时间。未来，安防系统会将智能视频分析技术、云计算及云存储技术结合起来，构建智慧城市下的安防体系。

7．医疗

核心问题 医疗数据的积累，快速准确、低成本的诊断，安全的治疗方案，结合基因技术的精准医疗。

应用案例 当下人工智能在医疗领域应用广泛，从最开始的药物研发到操刀做手术，现今人工智能都可以做到。目前，医疗领域的人工智能可划分为8个主要方向，包括医学影像与诊断、医学研究、医疗风险分析、药物挖掘、虚拟护士助理、健康管理监控、精神健康以及营养学。其中，协助诊断及预测患者的疾病已经逐渐成为人工智能技术在医疗领域的主流应用方向。图2-7所示为IBM Watson的肿瘤诊断模块，已经覆盖了全球最常见的13个癌种，即患病率和发病率占80%的常见癌症，把医生从海量的学习记忆中解放了出来。

8．教育

核心问题 如何快速提高学生的学习成绩，如何培养出更优秀的人才。

应用案例 人工智能和教育的结合在一定程度上可以改善教育行业师资分布不均衡、费用高昂等问题，从工具层面给师生提供更有效率的学习方式。例如，运用图像识别技术进行机器批改试卷、识题、答题等；通过语音识别技术纠正、改进学生发音等。“Maths Whizz”是一款在线辅导数学的软件，如图2-8所示。公司设计了一套和学校进度相吻合的课后学习课程，学生在学习的过程中可以随时提出问题，虚拟教师会为学生一步步解答，并且根据学生的反馈调整解答方式，直到学生掌握为止。

9．物流

核心问题 提升配送和仓储效率，实现路线规划。

应用案例 图2-9所示为智能仓储机器人可以实现物品快速运送。目前，物流行业已经利用大数据对商品进行智能配送规划，以优化配置物流供给、需求匹配、物流资源等，而当前大部分人力分布在“最后一千米”的配送环节，少数企业使用无人机等解决方案。

2.1.2 AI产品应用分析

人工智能已经在企业的许多业务场景中发挥至关重要的作用。除了智能棋类博弈的AlphaGo，事实上，人工智能技术还在多个领域得到了应用。为了追赶人工智能热潮，许多企业开始纷纷贴上人工智能的标签，并开始尝试利用人工智能技术不断优化企业的运营。但作为AI产品经理，需要清醒地意识到：虽然从技术角度上AI具备跨行业应用的可能，但由于不同行业本身的信息化程度不同，AI落地的方式和形态也可能大相径庭。例如，同样是人脸识别技术，在支付环节对识别准确率和召回率的要求，显然要比娱乐性质的人脸识别更高，因为支付环节的偏差带来的是实际的经济损失。

在评估AI技术是否能落地某行业时，AI产品经理应该对行业信息化程度、解决价值等方面进行综合判断并最终得出结论，当然，有的时候我们不必急于解决大的问题，应用AI技术在一些小而美的产品上也未尝不可。目前来看，语音文字处理、图像视觉处理和大数据分析应用是AI落地具体场景的主要3个产品类型。

1．语音文字处理类产品

语音文字处理类产品是AI落地行业进展较快的技术成果，这得益于语音文字处理技术的成熟性，包括语音识别技术和语义理解技术的进步，同时，相关行业对于此类产品是允许有一定错误的，因此能够快速推进相关产品的落地。语音文字处理类产品包括智能客服、语音转文字、语音助手、法律咨询、车载语音设备和智能音箱等。这类产品的基本特质是能够与人类进行对话，并按照人类指示完成简单的操作，比较出色的产品包括苹果的Siri、百度的度秘、谷歌的Allo、微软的小冰、亚马逊的Alexa。以苹果的Siri为例，从文字聊天开始，到支持语音识别功能，已经能够完成短信、介绍餐厅、询问天气、设置闹钟等功能，如图2-10所示。当然，语音文字处理类产品仍有许多问题待解决，如多轮对话、上下文理解等依旧是难点，部分产品涉及专业名词较多的语音识别、翻译时，准确率也会显著下降。

2．图像视觉处理类产品

图像视觉处理类产品也比较多，尤其在2017年的商业应用中取得了瞩目的成绩。在图像与视觉类技术产品方案中，有不同的技术得到了应用，如电商应用图像识别，在营销等领域进行产品推广；图像处理相关技术应用人脸识别，实现了风格转换，达到了娱乐效果；在一些专业领域的医疗图像诊断、自动驾驶等图像类应用，有很多公司也在开展应用。当然，这些技术在专业领域的应用还处于辅助决策的阶段，因为目前在落地过程中还需解决更多具体的问题。例如，医生对图像的诊断不只依赖图像，还会结合对病人的实际询问等综合做出判断；完全自动驾驶汽车发生撞人事故后的责任认定问题等。在决策类机器不能替代人的情况下，图像视觉类产品在相关行业的应用价值也就降低很多。

图像识别技术，在搜索引擎中也有演变的应用，如实现搜索相似图片，谷歌和百度都具备以图搜图的功能，让搜索图片更加精准；图像识别技术中对于人脸的处理，则主要应用于修图App，如Faceu、美图秀秀等；在金融企业中，运用人脸识别技术结合活体检测，为用户完成授信工作。OCR识别技术早在1929年就被提出来了，本质上也是图像识别技术，这类产品主要应用于企业级别的产品，如身份证识别、营业执照识别、银行卡编号识别等。图像处理和自然语言处理结合后可以衍生新的产品应用，图2-11所示为谷歌翻译提供菜谱翻译功能，用户可以通过摄像头实现菜谱的翻译，其中就运用了计算机图像识别技术和自然语言处理技术。当手机获取图像后，会转化成计算机可识别的文字，再将文字进行翻译，最后在手机屏幕中显示。

3．大数据分析预测类产品

大数据分析预测类的产品主要表现在数据智能方面，例如，AlphaGo实际上就是数据智能的典型代表。当大数据应用类产品落地时，十分依赖行业的数据情况。由于很多行业还处于数据建设阶段，在早期不可避免地会遇到由于数据缺失导致预测准确率不高的问题。大数据分析预测主要是基于行业大数据搭建深度网络进行建模，从而对一些指标趋势进行分析和预测，如智能风控、分级教育、工业设备故障预测等。在智慧工厂的案例中，大数据分析预测对于整个生产过程中设备的维护起着至关重要的作用，因为这会影响工厂的生产效率，如图2-12所示。近年来提出的预测维护就是基于人工智能的大数据分析预测的应用，相比于事后的维修与维护，预测维护显然更能够减少工厂的损失。例如，在啤酒灌装生产线的系统中，智慧工厂通过传感器收集振动、温度、湿度、PM2.5等数据后，人工智能就可以帮助工厂做一些预测性的维护，如预测灌装生产线是否存在问题，一旦发现问题并及时处理，就能够避免同批生产的数百万瓶啤酒的浪费。当然，由于存在预测准确率的问题，尤其工业对于准确率的要求较高，并且许多大型设备更换也需要时间，因此在实际落地的过程中，目前基于AI的分析预测在很多工厂的应用占比仍然很小。

目前，有许多人工智能技术已经开始有具体应用了，以上列举的也仅是部分产品的应用。通过AI技术行业落地的现状，我们可以总结出以下规律：数据是很多AI行业应用难以落地的关键，对于医疗、金融、工业等专业度高的行业，AI的应用更需要有深厚的行业数据积累，而现状是大量的行业本身数据积累不足，即便有数据也是凌乱且缺乏标签化的，数据位置也很分散，因此要转变为产品应用就很困难。人工智能能够为行业提供基础能力，对于AI产品经理而言，人工智能是一件工具，如何应用好它，就要具备洞察力，只有找到合适的市场切入点，才能创造出有价值的产品。