现状
从现状来看，人工智能技术方面的应用类型笔者认为可以大致分为CV（计算机视觉）、NLP（自然语言处理）、RL（强化学习）、数据挖掘。这几类当中，CV的落地大致在安防、娱乐、生物识别等方面，RL的落地大致在游戏AI、终端设备控制等方面，而NLP与数据挖掘则落地在搜索、推荐、广告、风控等方面。从技术的短期变现能力而言，NLP与数据挖掘的变现能力是最强的。这个原因是CV和RL的技术应用主要还是要凝结在产品中的，这种变现能力基本是要被产品本身的变现能力和市场表现所覆盖，所以商业变现能力较弱。而NLP与数据挖掘的应用则是直接针对数据与流量，它们的应用是可以直接影响市场表现的，所以商业变现能力较强。目前的人工智能基本都是专有人工智能，换句话说，就是“有多少人工，就有多少智能”，然而饭要一口一口吃，我们在通往绚丽的未来之前还是要经历这些人工智障的工作，不积跬步，无以致千里。
如何构建商业AI
关于这个问题，业内各有各的提法。不过基本都包含如下几个要素：数据、算法、算力，当然最重要的前提是目标需求明确。首先一个企业是否需要AI，最重要的就是你的目标有没有这方面的需求。如果说一个能用if else写的逻辑非要建模来实现来，这种实在本末倒置，要保证项目不是为了AI而AI，AI永远只是手段而不是目的。
我们再看一下商业AI的其他的几个要素。首先是数据，这个是最重要的，如果无数据，可以根据初始的业务经验和专家规则上线系统，在业务过程中积累数据，再构建模型替代。当然，这里的数据要包含符合业务目标的反馈信息在里面的。对于监督学习，很多人对数据很容易忽略一个监督学习的大前提，即特征与类标之间具有联合概率分布，且训练的数据与后面待测的数据是依联合概率分布独立同分布产生的。在商业应用中，如果忽略数据的大前提，模型的泛化能力无从谈起。其次是算法，这里的算法不是狭义上的统计学习中的算法，而是包含模型，策略与其优化算法的集合。换言之，即对数据的处理方法。在商业应用中，对数据的处理直接关系到产品的效果与市场的表现。最后是算力，即模型训练，评估，上线的物理环境。算力的痛点一般源自实时性要求与功耗要求。
现在的中小企业如要赋能AI或者依托AI来创业，上述要素最难的是需求，其次是数据，然后是算法和算力。所谓需求，即AI在这个产品或者服务中的价值所在。目前的价值基本体现在：精准引导流量，实现核心功能，缩减人力成本，提升用户体验，增加营销噱头。以上几点按变现能力递减排序。接下来最难的便是数据，这里的数据是有价值的数据。做为AI时代的燃料，价值较高的数据基本都为互联网巨头所占有，而众巨头转侧重toB业务来看，这些燃料的消化变现，是需要更多中小企业更个性化的需求和有特色的商业模式的。
后续从业思考
首先是迁移学习会在企业对投入产出的要求下应用会越来越广泛，并且关于监督学习的AI应用落地会走向模板化，平台化和低门槛化。那么对于从业人员来说，一个比较可能比较残忍的事是在混乱走向有序的大背景下，对从业人员的质量要求会两极分化，一方面对执行人员的门槛会日益下降，另一方面对真正能够做好业务到技术转换的要求的从业人员和真正增加执行人员效率的算法科学家的要求会日益趋高。
后续创业思考
事实上AI能解决的痛点需求还是很多，但都比较零散化，整块的肉比较少，大多是苍蝇肉。而且人们的思维惯性较大，AI的“刚需”很难在这种情况下发现，发掘出来。这种情况需要类似于iPhone这样的产品打破使用惯性和思维惯性，从而激活市场。
当然创业也可以从另外一个角度来看，就是不去创“掘金”的业，而是创“掘金者”的业，这个搞法就很多且比较传统了。
还有更多想法，欢迎大家评论与联系。
