前几期，我们谈到人工智能将走向行业，这是它最能发挥价值的方向之一。但现实问题依旧不容忽视，如人工智能的技术、解决方案较多，行业千差万别，应用场景各具特色，人工智能究竟该如何落地？

IDC在追踪了近70个人工智能应用场景后，认为随着市场开放的技术能力越来越丰富，未来将有上千个AI应用场景落地。

不过，从现实情况来看，要让人工智能技术落地到企业进行应用并且发挥效能，最需要解决以下三个方面的问题。

技术堆栈越简单越好

人工智能涉及到的技术很宽泛，我们总结为感知能力和认知能力，每一种能力都包括2~3个技术方向，每一个技术方向都有若干个算法，这就导致应用中的技术比较复杂。

而在行业中，大部分用户关心的是，怎么用好人工智能，并不太关心人工智能的“轮子”——“算法”是怎么“造出来”的，也没有必要自己重复“造”轮子。

IDC认为，易上手、操作简单的技术堆栈是刚需。AI系统涉及到数据准备、模型训练、测试调优等多个环节，也存在对分布式系统的需求。其中数据准备环节、测试调优环节都需要耗费大量的时间，分布式系统的资源管理也需要应用到容器技术等，这就涉及云、容器、大数据平台、模型、算法和数据等。

因此，自动化、低代码的开发形式有助于推动人工智能应用快速实施部署。这也是现在业内流行AI技术栈的原因。主流厂商的做法是让AI技术栈“内部复杂，外部简单易用”，让企业用户以最经济的、最简单的方式应用AI。

面向垂深场景的模型调优

从另一个维度看，人工智能为企业用户提供服务、培训、平台、接口和硬件等各种能力，也包括业内通常说的算法、算力和数据等能力。而无论从哪一个角度来看，人工智能在行业落地中，离不开具体的场景。

麦肯锡曾经告诫过AI产品经理，沉迷于复杂AI模型的行为并不受推崇。这是因为底层模型的准确性并不能保证良好的用户体验。一些简单的模型也能够提供足够的准确性。因为一旦增加模型的复杂性，那么也会遵循二八定律的原则，就会导致边际效益的递减。因此，在某些情况下，准确性至关重要，模型需要多次迭代，并不需要一次性构建太复杂的模型。

也就是说，不管是垂直行业具有特色的应用场景，还是在水平行业通用的场景，几乎都需要对原有的算法模型进行调优，通过读取该特定领域的数据，优化模型参数，来确保在该场景下预测的准确率。

硬软件适配

人工智能一旦涉及到场景，就不能不谈到应用环境，涉及到软件、中间件、硬件这些基本的概念；或者从部署方式来说，也要分为私有云、公有云、混合云等多种复杂的部署环境，这就要求人工智能厂商为用户提供简单易用的解决方案，必须要解决硬软件的适配问题。

这包括从数据中心到端侧的硬软适配。一方面在数据中心部署AI应用需要选择适配的基础架构，比如是GPU加速还是FPGA加速。另一方面在端侧，AI技术应用也需要终端硬件支撑，这就要求模型必须针对不同的终端进行优化，才能保证经过软硬一体化适配后的终端运行效果最优。

以百度云为例，为用户提供各类云服务器，其中同时具备开发、模拟、调试和编译硬件代码所需的各种资源，企业用户可以基于FPGA云服务器为自身的应用程序创建自定义的硬件加速能力。

而百度云AI一体机更是为行业用户提供AI软硬一体化解决方案，支持所有主流深度学习框架，内嵌成熟的算法模型和云管理技术，可以开箱即用。

由此可见，企业用户在选择AI解决方案时，可参考以上三个角度。总体原则就是，简单易用、经济实惠、能为企业降低成本、增加收益的AI解决方案是最好的，这样才能一步步为企业带来创新能力。

关注百度云微信公众号，了解更多 ')}