從技術的發(fā)明到落地的“最后一公里”問題，是最具社會價值的命題。在人口紅利逐漸消退的今天，各行各業(yè)都面臨著人力成本居高不下，流程效率亟待待提高，拓客面不斷變窄的影響，AI 的興起帶來了一股轉型的新風，卻仍與人們最初的期待存在著差距。

11 月 23 日，粵港澳大灣區(qū)數(shù)字經(jīng)濟研究院（International Digital Economy Academy，簡稱“IDEA”）CTO Labs 總負責人幺寶剛與氪信科技創(chuàng)始人朱明杰、 智加科技中國區(qū)總經(jīng)理容力、 翼方健數(shù)首席科學家張霖濤等 AI 產(chǎn)業(yè)界代表者共同開啟 AI 產(chǎn)業(yè)落地論壇，分享了各自在行業(yè)深耕的經(jīng)歷和思考。

以下內(nèi)容由 InfoQ 整理自現(xiàn)場速記，經(jīng)過不改變原意的刪減。

主持人： 人工智能產(chǎn)業(yè)化的時代已經(jīng)到來。但如何做“可落地”的 AI，真正體現(xiàn)出 AI 的社會效益和商業(yè)價值？在這個論壇上我們會邀請幾位來自不同領域的行業(yè)大咖，分享他們在 AI 落地過程的經(jīng)驗和心得，共同探討 AI 產(chǎn)業(yè)化的挑戰(zhàn)、道路和前景。有請：

IDEA CTO Labs 總負責人幺寶剛

翼方健數(shù)首席科學家張霖濤

智加科技中國區(qū)總經(jīng)理容力

氪信科技創(chuàng)始人朱明杰

幺寶剛： 大家早上好！我在 IDEA 是負責 CTO Labs 建設的，所以我對 AI 產(chǎn)業(yè)化一直非常關注。

昨天 Harry 也提到過，我們既要仰望星空又要腳踏實地，所以選擇了一個很腳踏實地的話題。

首先我介紹一下在座的三位嘉賓：

朱明杰博士是我們 CTO 工作室第一批入駐的成員，氪信科技的創(chuàng)始人，畢業(yè)于科大少年班是 MIT Take Review 評選出的 35 歲以下創(chuàng)新的 35 人之一、上海市青年拔尖人才，氪信也是首批與 IDEA 成立 CTO Labs 的企業(yè)，我們也很期待接下來把這個工作室一起建設好。

張霖濤博士，畢業(yè)于北京大學和普林斯頓大學，也是 IEEE Fellow，在翼方健數(shù)擔任首席科學家。翼方健數(shù)是我們昨天剛剛宣布的第二批工作室成員之一，也非常感謝霖濤博士的支持。

容力博士，畢業(yè)于清華大學和滑鐵盧大學，在人工智能領域有 20 多年的實踐經(jīng)驗和經(jīng)歷。他現(xiàn)在是智加科技的工程高級副總監(jiān)和中國區(qū)總經(jīng)理，也是自動駕駛領域，自動駕駛領域一直是我們很關注的賽道，也非常希望未來有這個領域的 CTO 工作室成立，也期待跟容力博士一起探討未來的合作機會。

接下來請幾位嘉賓先從他們自身的業(yè)務出發(fā)，來介紹一下他們怎么定義可落地的 AI。從明杰博士開始。

朱明杰：AI 要落地，首先行業(yè)的痛點要足夠明顯。氪信科技是一家 AI 公司，面向落地的行業(yè)主要是金融行業(yè)?，F(xiàn)在中國尤其是銀行，資產(chǎn)規(guī)模前 15 位的銀行應該大部分都是我們的客戶。我們是幫助他們做深度數(shù)字化轉型的合作伙伴。

關于 AI 可落地這件事，首先要回答：這個行業(yè)或者這個場景為什么需要 AI？我們就拿銀行來舉例子。

2010 年以前，銀行業(yè)是跑馬圈地階段，是一個人口紅利時代，遍地是客戶。一個銀行要發(fā)展很簡單，開網(wǎng)點，多去超市門口發(fā)金龍魚。那時候肯定不需要什么 AI，只要多雇人，多開網(wǎng)點就可以。

2010 年以后，是來自于互聯(lián)網(wǎng)的創(chuàng)新的良性啟發(fā)階段，大家都去開網(wǎng)點，競爭有點飽和了。還有像螞蟻、微眾包括很多互聯(lián)網(wǎng)金融創(chuàng)新的挑戰(zhàn)。金融行業(yè)里大家為了爭奪開戶，必須要學習互聯(lián)網(wǎng)的服務方式，要圍著客戶去轉。反映到銀行身上，就是學習像余額寶一樣做一些創(chuàng)新。

現(xiàn)在行業(yè)信息基礎建設進程普遍起來了，這幾年銀行可能真的很痛苦，因為用戶今天不缺金融服務，想做個轉帳和支付交易，都可以不需要銀行。而且現(xiàn)在風險越來越高，監(jiān)管越來越嚴，這就是內(nèi)卷。內(nèi)卷以后要逼著大家找一個能放大它的生產(chǎn)力的大殺器，那就是 AI。

今天你再問一家銀行需不需要 AI，他一定說需要的，因為痛點真的很強烈的。再舉個具體的例子：去年中國破獲的電信網(wǎng)絡詐騙案件 32 萬起，今年上半年同比增長了 60%，這個工作量和精準度不是人力能包攬的。

在這種場景上，我們也可以看到 金融行業(yè)很像中國社會的代表縮影——從人口紅利開始往工程師紅利。要借助工程師的力量、AI 的力量做這件事情。 我們做的也就是落地的事情。

幺寶剛： 有一個跟進的問題：我在物流領域工作過一段時間，一個大的問題是我們?nèi)ツ睦镎覚C會點。

當時我們有一個非常簡單的原則，就是哪兒人多就去哪兒找機會點。物流行業(yè)就是人力成本，把人力降下來。這是立竿見影能看到效果的。那金融領域怎么找機會點呢？

朱明杰： 我們從 2015 年底開始創(chuàng)業(yè)面向金融行業(yè)時就提到過：真愛只能用錢表達。我們做的事情一定是客戶愿意買單的，愿意買單就是真實的痛點。

就像我剛才講的，現(xiàn)在電信網(wǎng)絡詐騙，它真的非常痛。因為這件事情如果沒有做好，用戶會來投訴，監(jiān)管又要罰款，很多時候有這種客觀的訴求存在，但又不可能靠業(yè)務人員一筆一筆查到是怎么回事，倒逼著他要想這件事情。這里面來自業(yè)務的需求在，我們就去做這件事情。

我們也定義了一個概念：有效 AI 應用場景。 要甄別出無效或者是偽應用場景，以免干擾我們的資源和經(jīng)歷。很幸運的，氪信過去這五年里，跟中國頭部的金融機構不斷探索、探討哪些領域是剛需的。我們梳理了大概 24 個有效 AI 應用場景，包括信用反欺詐、反洗錢、可疑交易識別、智能營銷。

這里面有很多細分領域，感興趣的同志可以關注我們公司后續(xù)一些產(chǎn)品介紹，謝謝大家！

幺寶剛： 謝謝明杰博士。容力博士，從你們業(yè)務角度介紹一下什么叫可落地的 AI。

容力： 我們公司叫智加科技，是做重卡干線物流上的自動駕駛。所謂干線物流是指長途運輸，主要跑高速公路，做自動駕駛，重卡是指我國拉著集裝箱的大卡車。

談到落地應用，我們做了這幾年，深有體會。因為我們做的不是一個研究的項目，是要應用在重卡上的項目。

基本總結，一個可以落地的人工智能技術，在我們看來有三個點很重要：一是選中的應用一定要解決一個什么痛點或者是一個什么問題?？梢允且粋€經(jīng)濟問題，也可以是一個社會問題，也可以既是經(jīng)濟問題也是社會問題。重卡的運輸，是經(jīng)濟 + 社會的問題。

從經(jīng)濟上來講，降本增效。未來如果能夠實現(xiàn)無人駕駛，卡車司機這種繁重的工作，而且工資也比較高，它可以達到很高的降本增效效應。社會效應也是，如同以前織布機替代紡織工人一樣，帶來的是產(chǎn)業(yè)上的變化，社會效應也很大。

二是要可以應用。因為社會上痛點很多，問題很多，但不是所有的問題能在看得見的未來通過技術解決的。所以我們要選擇一個技術能夠落地解決的問題。比如現(xiàn)在腦機接口，不是說不能解決，十年看不到最后的應用成果。包括要探索人類的下一次移民的地方。這個問題很嚴重，看過《三體》的都知道，很多問題。

但我們現(xiàn)在作為一個公司，看中的是在看得見的三五年時間里能解決。

三是 Scalable。選擇一個 AI 能夠解決社會或者經(jīng)濟問題，而且可應用，還得 Scalable，這樣才能掙更多錢。我們所看中的物流市場，是萬億級的市場，市場規(guī)模非常大，國民經(jīng)濟將近 15%GDP 花在物流運輸上。如果對物流運輸帶來降本增效的作用，哪怕是幾個百分點，都是巨大的經(jīng)濟效應。

幺寶剛： 下面有請張霖濤博士為我們分享。

張霖濤： 首先非常感謝能有這個機會跟大家分享一下我們在 AI、數(shù)據(jù)方面做的一些工作，非常榮幸能夠加入 CTO 工作室，來和 IDEA 合作，我們也 Looking forward 很多成果。

我們公司叫翼方健數(shù)，做隱私計算賽道。公司已經(jīng)有五年歷史。最近幾年隱私計算是大家比較關注的行業(yè)，我們也希望在這方面為 AI 助力。

我們公司跟其他一些隱私公司不太一樣的情況是，我們公司比較專注于醫(yī)療健康、生物信息等等行業(yè)。原因很簡單，因為我們公司成立得比較早，當時其他行業(yè)都還在買數(shù)據(jù)。

所謂可落地的 AI，可能跟金融等行業(yè)不太一樣。比如金融，大家能夠看到這個數(shù)據(jù)的價值，比如能獲多少客，或者我的風險降低了多少個點。在有些數(shù)據(jù)使用得不是特別好的行業(yè)，比如醫(yī)療健康，這是非常傳統(tǒng)的行業(yè)，非常難啃的骨頭。怎么樣把這個技術落地，是非常有挑戰(zhàn)的事情。

醫(yī)療行業(yè)有非常大的潛力，我們稱之為有很高勢能的行業(yè)。這個地方有很大的勢能，但中間有一個壩，怎么能敲掉其中一些石頭，把這個水流下來一點，就會產(chǎn)生很大的經(jīng)濟效益，但你說上來就能把整快山移開，這是不太現(xiàn)實的。

我們在這個行業(yè)的思考是，用 AI 的能力幫助醫(yī)生或者幫助一些其他的醫(yī)療患者。這個功能必須要有醫(yī)院會買單或者對醫(yī)生有實實在在的價值。比如剛才說的診療醫(yī)生，如果我能做一個醫(yī)生，非常了不起。你想做一個 AI 醫(yī)生，需要診療模型。這個診療模型的意思是根據(jù)你的癥狀就知道得了什么病，或者根據(jù)這些病，要得到什么藥，要建一個大的 AI 系統(tǒng)。

但這個事是非常難做的，包括 IBM 做沃森，Deep Mind 做這些，都想一下子做出來。在實際應用中，你說“我想跟醫(yī)生說我有一個東西能代替你?！边@是很難做的。我們想做一些醫(yī)生能認可的，像病例自控。比如你做了一個診療，這個人得了胃病，但你發(fā)現(xiàn)你的病例上診斷都是肺部的，肺的 X 光等等，要么是病例寫錯了，要么是當時的診斷有些問題。對于醫(yī)院病例科都是非常有價值的。

另外我們還可以幫助填寫病例，叫病例助手。醫(yī)生要花二三十分鐘寫一份病例，把各種觀察記錄上去。我們能不能根據(jù)從病例中學習的一些知識，幫助醫(yī)生來填。我們發(fā)現(xiàn)用知識庫、診療模型等可以幫助客戶省非常多時間。我們在一些大的三甲醫(yī)院做測試后，發(fā)現(xiàn)很多醫(yī)生都非常歡迎這樣的產(chǎn)品，因為它幫醫(yī)生省了時間。這都是業(yè)務落地的場景。

我們當然希望最后做的技術就是做一個病例輔導，隨著我們能夠收集更多數(shù)據(jù)，更多的醫(yī)院 Deploy 這些系統(tǒng)，就可以訓練出更好的模型，最后希望可以往診療方向走。

幺寶剛： 謝謝三位嘉賓對這個問題的分享。剛才有兩個點大家都不同程度的提到，一個是怎么樣能夠找到真正的痛點和需求，一個是怎么樣能夠規(guī)?；涞?。

我講一下我自己遇到的一個親身體會，AI，尤其是技術型的公司，往往會針對一個具體問題，定義得很清楚，去解決這個問題。但從產(chǎn)業(yè)或者企業(yè)的角度，往往是把整個解決方案提供出來。

舉兩個物流行業(yè)實際的例子，一個是用光學識別的方法，快速識別物品要到達的地址。后來我們落地時發(fā)現(xiàn)這個數(shù)據(jù)實驗室很準，到場地不準。原來是上面有一個風扇在吹傳送帶，很薄的快遞就被吹跑了，解決的方法是把電風扇換個位置。

另外一個例子，AGV 在場地里運輸貨品。一到實際場地里，速度、精準度都有問題，主要是因為灰塵太大。

從企業(yè)的角度，你只給他解決一個技術上的單點問題可能不夠，他需要一個解決方案。我想知道，從氪信的角度，你們是會端到端把問題解決還是跟他們一起合作，把技術難點突破一下？

朱明杰： 氪信是第一批成立 CTO 工作室的，主要做了些什么呢？我們通過這段時間和幺寶剛老師合作，寶剛老師很多經(jīng)驗，包括 IDEA 其他研究員豐富的經(jīng)驗，對我們本身的工作和產(chǎn)品有很多啟發(fā)，這是很也共通的。大家面對的問題，不同行業(yè)都差不多。

剛剛寶剛老師說在物流行業(yè)遇到什么問題。在金融行業(yè)里，我們說到底提供什么東西時，一樣會遇到。

這個事情是業(yè)務和技術之間的距離，或者叫人機距離。 操作的人跟最后給他一個算法的東西，算法解決只是其中一個問題，這之間有很大的距離。業(yè)務員不懂到底怎么回事，出來一個數(shù)字或者模型，要解釋給他。尤其 AI 又是黑盒子，在金融里這個問題非常重，但在一開始時又不得不給他提供的是單點的技術問題。

最開始時我們什么都沒有，面對的客戶又是非常大的銀行。大金融機構被逼到內(nèi)卷后沒有辦法，就要開始自動決策，會拋出一些單點的問題讓你來解決。AI 公司都是去解決這樣的技術問題。但后面的客戶說他既不是那么熟悉數(shù)據(jù)，對業(yè)務的了解也沒那么多，還需要你去告訴他該怎么做這件事情。

我們提供的產(chǎn)品解決方案是 AI 部分要加上業(yè)務部分，所以我們把這個東西叫 AI+Professional knowledge（專業(yè)知識）+Integration（融合），簡稱“API”戰(zhàn)略。 我們過去幾年在給大客戶里做的單點技術問題過程中，一直在學習業(yè)務的 Know-How。把業(yè)務的 Know-How 變成內(nèi)核是 AI 的技術框架，外面加一個業(yè)務解釋層，能讓業(yè)務的人懂，而且還能預制一些業(yè)務指導操作的經(jīng)驗，這樣才能把產(chǎn)品給推廣出去。

歸納下來，我們做這件事情，是需要在前期做單點，越到后面沉淀的東西越多，能固化下來的東西就越多。像最開始，大家拿的 AI 是電動機，不知道能干什么，我們就去不斷向主人科普：你洗衣服怎么做的，我是不是可以幫你做一個殼？那就做成洗衣機；或者你需要做一個制冷的東西，我們可以做一個電冰箱。

客戶要的是電冰箱、電飯鍋、空調(diào)、洗衣機，不是要你的電動機。

幺寶剛： 容力博士，自動駕駛現(xiàn)在可以說是風口，大家都在往這個方向投入、努力?？隙ㄟ@里面有很多需求，因為它既是經(jīng)濟問題也是社會問題，你們?yōu)槭裁催x擇了重卡領域而不是乘用車領域？

容力： 這里一個關鍵點是重卡作為運輸?shù)?，按照我們以前學的理論，它是一個生產(chǎn)資料或者生產(chǎn)工具。它跟我們平常用的車是不一樣的，作為一個生產(chǎn)工具，你如果給它一點降本增效的效應，就會讓資本家有極大的興趣。

卡車做自動駕駛和乘用車做自動駕駛都有一個共同點，現(xiàn)在技術不是完全成熟。如果在路上碰見一輛車在公開道路上開，車里沒有司機，這還是比較罕見的，只有在非常少的限定的小區(qū)域里測試可以做到。

這個技術還沒有那么成熟，但我們認為重卡的自動駕駛將會率先落地，率先落地的邏輯是因為我在能夠完全去掉駕駛員實現(xiàn)之前的情況下，就帶來降本增效的效益。因為現(xiàn)在通過人工智能、大數(shù)據(jù)、算法，能夠讓人工智能的輔助駕駛在開卡車時比老司機還省油。

大家做過物流行業(yè)，尤其是重卡駕駛，就知道我要是做一個物流企業(yè)尤其做一個車隊，一年的費用里，將近 25-30% 是油費。如果通過人工智能自動駕駛方法，比老司機能省大概 10% 的油費。這是巨大的效益，尤其在物流行業(yè)內(nèi)卷比較嚴重的情況下。

在完全無人駕駛實現(xiàn)之前，我們目前看到中的這個賽道，用重卡做無人駕駛，今年、明年就能達到這個效益。

我們公司做現(xiàn)在的自動駕駛卡車，是前裝量產(chǎn)，跟一汽解放合作的，今年已經(jīng)量產(chǎn)下線了。我們認為我們過去兩年多的努力沒有白費，現(xiàn)在能把自動駕駛、人工智能技術落地到重卡上。如果我們?nèi)プ龀擞密?，它是看起來很性感的東西，比如我們做人工智能做到了比特斯拉還強，這一定是新聞頭條 。但在我們作為公司來看，我們看中的不是上新聞頭條，也不是把自動駕駛這個技術讓大家都知道。我們是想掙錢的，這也是為什么選重卡自動駕駛。

幺寶剛： 容力博士，你既然提到特斯拉，我必須問一句。特斯拉花了很多精力投入到 FSD（完全自動駕駛）技術，在新聞上也做了很多這方面的宣傳。乘用車的 FSD 技術跟重卡有什么關鍵的核心上的不同？

容力： 技術本身差別不大，兩個流派：Waymo 流派、特斯拉流派的。Waymo 從收集數(shù)據(jù)開始做，大概現(xiàn)在有 600 臺車在路上跑。還有一個是特斯拉這種方式，一邊造火箭，一邊造車?；鸺切浅酱蠛?，車是現(xiàn)在就掙錢，車給大家?guī)硗票掣械捏w驗。

在我看來和重卡相比，技術沒有太大區(qū)別。我們認為特斯拉的路線可能是正確的，首先要讓車在路上跑，跑了才有足夠的數(shù)據(jù)，有 100 萬輛車的自動駕駛在路上跑，最后才能說那么快能實現(xiàn) FSD。這樣的數(shù)量規(guī)模是 Waymo 這幾百臺車沒法比的。

可以說我過去受到寶剛和其他同事們的教育，一直認為大數(shù)據(jù)，100 萬輛車的規(guī)模在路上跑，收集的各種各樣數(shù)據(jù)，這是無法用一個實驗室里拍幾百臺車的數(shù)據(jù)能解決的。

幺寶剛： 霖濤博士，剛剛您也介紹了你們在醫(yī)療領域的一些具體應用。但在我心目中翼方健數(shù)首先是一個很大的平臺公司，隱私計算也是你們很關注的領域?；氐叫枨?，有一個說法，說隱私計算是“AI 落地的最后一公里”，您同不同意這個說法？

張霖濤： 我當然非常同意。我剛才說到很多 AI 應用問題，我們不是傳統(tǒng)意義上的 AI 公司，是隱私計算公司，做數(shù)據(jù)和平臺的。

問題在于我為什么要去做 AI，隱私計算本身不一定有任何價值，價值最后還是要數(shù)據(jù)的價值，用戶覺得我需要這個東西。

像朱博士剛才談的電，我們之所以要做這些應用，就相當于先弄個燈泡。我怎么能告訴你說電有用，這很難。你告訴我電有用，將來怎么樣怎么樣，人家說我現(xiàn)在有什么用？你說我現(xiàn)在就能給你點亮燈泡。我們現(xiàn)在講的輔助診療是做這樣的事情。

我們不希望說以后你家里的電器都我包了，這不是我們的目的。我們希望電給你布好了，將來有更加專業(yè)的公司能夠把其他事情做起來， 比如醫(yī)院里有各種信息化，比如藥企就愿意用醫(yī)院的數(shù)據(jù)做藥物研發(fā)。比如保險公司會愿意用醫(yī)院的數(shù)據(jù)對醫(yī)療的保險做很多控費，能夠更有選擇的進行保單的定價等等。

像這樣事情，不一定是我們能做，當然我們也會去聯(lián)系數(shù)據(jù)員和數(shù)據(jù)提供方。但我們也深深知道，數(shù)據(jù)全部用起來，數(shù)據(jù)的價值，這是幾十萬億的市場，肯定有很多很多公司在這個 ecosystem 里大家一起貢獻。但最重要的事情是一開始能把這個數(shù)據(jù)先變成一個可用的情況。

所謂可用的狀態(tài)，醫(yī)院里以前信息化是各種公司的設備宕出來的數(shù)據(jù)，每一家醫(yī)院的影像設備都不是同一家公司造的。他們也無所謂，因為這個數(shù)據(jù)是不準備給別人用的，只是萬一出了什么事需要查，就拿來用。我怎么把這個數(shù)據(jù)弄成將來被藥企、保險公司用。我們需要做這個數(shù)據(jù)的治理、清理、歸一和數(shù)據(jù)標準的制定。這些事情我們都得做，而這個東西也要用很多很多 AI 的技能，因為不可能全部都用手做，我們在這個過程中用了很多工具。

這么多工具，難道只是為了醫(yī)療上給大家填病例嗎？不是的。后面希望把這個事情 skill 起來，需要各個其他公司的貢獻或者一起協(xié)作。

幺寶剛： 謝謝霖濤博士。三位嘉賓都是有科學家頭腦的創(chuàng)業(yè)者，從企業(yè)角度，企業(yè)對投入產(chǎn)出還是很在意的。在 AI 落地過程中，很多時候遇到的問題是項目制和規(guī)模化。怎么樣避免被困于定制化的瓶頸中？

張霖濤： 也不是，這是所有 To B、To G 業(yè)務的痛點，我們公司主要是 To B 和 To G，不像 To C 的業(yè)務，做一份東西所有人都能用，To B 和 To G 往往是要定制的。我們也是深刻認識到這一點，其實沒有什么特別好的答案。

我們在過程中不斷地優(yōu)化自己的能力。比如像做數(shù)據(jù)清洗，第一個醫(yī)院進去，折騰得不得了，為了折騰這些工具，就建了很多自己的工具，用 Machine learning 的方法做得更快一點。到第二家醫(yī)院就發(fā)現(xiàn)好多了，但又出現(xiàn)各種各樣的問題，我們又得修。等做到第十家醫(yī)院，該見過的事情都見過了，希望是這樣做。從我們過去的經(jīng)驗來說，確實是這樣。

很多 To C 的公司也會遇到這樣的問題。第一個客戶和第二個客戶可能不一樣，但第 1000 個客戶和前面 999 個客戶已經(jīng)覆蓋得差不太多了。

容力： 對于自動駕駛來講，第一步就想得非常清楚我們要做一個產(chǎn)品，所以非常仔細的花一些時間定義這個產(chǎn)品，包括跟一汽解放合資成立像智途公司來發(fā)布這個產(chǎn)品，包括和我們的大股東滿幫集團，我們很早就定義了這個產(chǎn)品，按產(chǎn)品的方式做。這樣很早就規(guī)避了做項目，從第一個做到第十個的情況，取決于產(chǎn)業(yè)鏈最開始的建立，繞過了很多問題。

這是我們公司過去走的路。

朱明杰： 解決這個問題，最重要是產(chǎn)品化。我們這幾年的實踐下來有兩點心得：一是用 AI 工程化的能力解決這個問題。我直接拿一個電動機給人，他就問你這個電動機能不能抽水，能不能干啥，你每一個都要給他做一套。

我們的 AI 決策引擎叫“非或然引擎”，外面套了一個 Pilot“業(yè)務專家駕駛艙”的殼，縮短人機交互的距離，能讓業(yè)務人員更透明的看到輸出結果和業(yè)務之間的關系。這需要跟業(yè)務場景磨煉很長時間，我們希望快速的做出“洗衣機”和標準的東西。

再者，就是跟大的頭部客戶做標桿，跟相對小的客戶做規(guī)?；卣?。 因為相對小的客戶自己知道他的業(yè)務知識也需要依賴于你，你的 Pilot 系統(tǒng)加“非或然引擎”給他的東西能夠解決他 90% 的問題，也會更信賴你。

總結起來，還是響應沈向洋老師的建議：躬身入局。 我們做了好幾年這樣的工作，從這兩年開始能看到一些收獲，逐漸把這個業(yè)務和形成的“非或然引擎”+Pilot 系統(tǒng)集成 API，在通用場景上把它推廣開。我們也希望以更快的速度讓更多客戶能夠用上這些東西。

幺寶剛： 我們剛剛都談了一些非常腳踏實地的話題。最后我想問一個仰望星空一點的問題：有一個說法是未來所有的企業(yè)都是 AI 企業(yè)。我也想請幾位暢想一下，我們離這個未來還有多遠？

朱明杰：行業(yè)進入到內(nèi)卷時代后，就不得不成為 AI 企業(yè)。 說白了就是人口紅利沒了，必須借助工程師紅利，如果工程師紅利也不能解決，可能就留給未來去解決的問題吧。

比如我就自己開一個包子鋪，不用什么 AI，只要把我家門口的生意做好就行了。但我要開一個連鎖包子鋪，要管理上千家企業(yè)，這么多流程，一定要從淺層數(shù)字化到深層數(shù)字化做到，做到這件事，必然倒逼 AI 的企業(yè)轉型。

容力： 說所有的公司都是 AI 的公司，看怎么去理解。我認為這是一個非常非常美好的前景。對于我們在座的大家應該是非常好的，一小部分公司會成為 AI 的公司，其他的公司不得不借助我們在座的人，這些 AI 公司，去擁抱未來。

為什么只有一小部分人才能做到真正的 AI 公司，其他的公司去仰仗我們這些公司做事呢？因為成為一個 AI 公司并不那么容易，要有 AI 的人才、文化，還要有 AI 的胸懷。

張霖濤：我們認為不一定所有的公司最后都是 AI 公司，但所有公司可能都是數(shù)據(jù)驅動的公司或者數(shù)據(jù)公司。這個數(shù)據(jù)要拿出來用，需要更多的 expertise。

比如要做 AI，我們現(xiàn)在知道算法、算力、數(shù)據(jù)。不是所有的公司都有這三個能力這三個能力是非常非常少的 combination。阿里巴巴有，但隨便一個社區(qū)醫(yī)院不可能有這方面的能力。我們隱私計算做的事情是希望把這個東西 decompose。decompose 的意思是提供數(shù)據(jù)的人不一定懂算法，做算法的人不一定有數(shù)據(jù)。

像剛才說的包子鋪概念，我開一家包子鋪，有很多數(shù)據(jù)，我的客戶都是誰，每天來我這兒吃多少包子。但問題在于你這個包子鋪一共就三個員工，不可能有這樣的能力。但他有數(shù)據(jù)，如果能把這個數(shù)據(jù) expose 給別人，讓別人來用，并且在很小的摩擦，建立數(shù)據(jù)和服務，很容易做起來，這就是隱私計算希望做的事情。

做成這件事后可能就有別人來為他服務，有一個標準的應用，把他的數(shù)據(jù)分析，說你應該這么調(diào)你的包子餡，因為別人都是怎么做的，你這個怎么做的。將來可能所有公司都是數(shù)據(jù)驅動或者 AI 的公司。

幺寶剛： 這個話題是非常大的話題，隨著技術的發(fā)展，人才的集聚，外面的大環(huán)境包括人口紅利逐漸消失，產(chǎn)業(yè)升級的需求，這個問題也變得越來越重要，我們只是在這個領域從不同行業(yè)、不同方法去嘗試。