如果說小成靠機會和技巧，大成靠趨勢和周期，那么AI業的大成來了嗎？顯然目前對于AI來說，仍在持續上演的是“冰與火之歌”。一方面，AI在自動駕駛以及IoT碎片化市場的深耕與開拓，加上5G的商用，為AI芯片提供了更廣闊的成長空間。另一方面，傳統產業在智能升級的驅動下，也在著力讓AI“落地”，但成效卻難如預期。AI之路仍需艱辛跋涉。

不斷試錯

盡管如此，目前仍可說是最好的時代。如今的AI、物聯網、5G正處于“混合”狀態，創新不斷加速。Arm全球技術市場總監Lionel Benlnet認為，在第五次浪潮的推動下，5G成為促進萬物互聯的核心，而諸多應用場景都要借力于AI的發展。

但同時也是最難的時代。細數AI業的掣肘，用地平線副總裁紀鵬的話來說，即存在隱私安全遭遇挑戰、功耗高、碎片化需求、零散功能模塊等諸多挑戰。

這些問題的本質蘊含著路線之爭。“越來越多的AI加速需與芯片結合，即專用芯片，而專用芯片設計周期較長，這需要克服。” 在最近舉辦的以“AI聚能智領未來”為主題的2019中德中小企業合作交流大會AI分論壇上，德累斯頓工業大學教授Christian Mayr闡述了自己的觀點。

如果說專用芯片還能以摩爾定律的節奏向前，但場景落地顯然更需要實踐的考驗以及思維的解放。

神思電子技術研究院院長許野平以高速鐵路全天候智能視頻精度技術為例，分享了技術落地到具體場景中所面臨的問題和考驗。他舉例說，例如夜間遠距離目標監控，當列車駛過時，燈光造成的光線干擾會導致視頻分析算法產生很多誤報;實驗場景條件理想于實際應用場景，導致在實際應用中錯誤率大大提升;控制系統由原來的人工操作更換為7X24小時無人值守工作時，偶然一次錯誤就會導致后續工作無法順利進行等等，這都需要在實踐時一一攻克。

而相較于熱火朝天的IoT及自動駕駛的AI語音或視覺應用，在傳統產業的智能化改造中，AI看來更是一項長跑。

“對于傳統行業來說，他們擁有大量的數據和自己的技術，但在智能化改造中將面臨跨平臺、跨應用軟硬件差異化落地的困擾，需要改變思路，用自身數據助力AI訓練。” OPEN AI LAB業務發展總監付仲韜提出，“這其中要認識到AI芯片不僅僅是一個個獨立的SoC，它可應用于設備的諸多層面。AI作為一項技術，與傳統產業相結合將是未來5-10年長期演進的過程。”

生態助力

既然明了AIoT貫穿應用的現實難度，以及持續演進的進程指向，生態的重要性已不言而喻。

安創生態CTO程斌就提到，AI廠商是基于算法的公司，對于行業并不理解，需要與對行業有深刻理解的服務商或方案商強捆綁和合作，但從中會出現大量的溝通和合作成本，導致落地難。目前AIoT行業里大公司的做法是著力建設生態，這為中小型包括初創公司創造了大量市場機會。

“AI業發展的關鍵要素除算法、數據和芯片之外，還需要外部的生態、資金、市場等支持。”安創加速器董事長楊宇欣也明確說，“安創依托Arm全球豐富的產業生態資源及強大的技術背景，可助力創業企業對接生態資源、投資機構、銷售渠道等一站式深度加速服務。同時，還可幫助城市和產業園區定制創新方案，助力科技加速與產業升級。”

與之相呼應的是，安創加速器相繼在北京、上海、深圳等落地之后，第七家安創加速器（濟南）也正式落地。濟南市科學技術局局長呂建濤強調，豐富的應用場景為濟南AI業發展提供了強大動力，加上濟南自由貿易試驗區、新舊動能轉換先行區建設等重大機遇，濟南將通過多項舉措支持打造AI產業集群，推動AI創新應用。

提及差異化優勢時，濟南高新區投促中心外聯部部長沈洋提到，濟南將立足于當地產業特色，通過開放政策、引進人才、搭建AI平臺等多方舉措，拓展與已有的智能制造、機器人等產業聯動，并從需求出發擴展到產業鏈上游，帶動關鍵核心技術和軟件開發，深度拓展AI應用，打造集創新孵化、資源聚合、產學研轉化功能于一體的AI生態，實現AI產業集聚和規模化發展。

據悉，目前安創加速器加速的企業有100多家，孵化過的企業95%以上已開始融到下一輪，在濟南的落地也將為濟南AI業發展注入新活力。楊宇欣對此滿懷期望地說，安創一方面將深度挖掘和服務當地優質的項目和創業公司，另一方面也會將全國乃至全球好的創業公司帶到濟南，促進他們與濟南本地產業需求的結合。安創還將通過政府渠道、產業渠道等與濟南龍頭企業做精準對接與深度交流，為創業公司提供更多落地應用場景搭建橋梁。

未來風向

AI圍繞技術創新與產業應用落地已在穩步向前，智領未來仍需洞悉風向，腳踏實地。

對此楊宇欣提到，IoT面向碎片化的場景，對硬件和軟件都有更特殊的要求。一顆芯片通吃的局面會慢慢變化，開放更多讓客戶定制的能力和空間，讓他們能夠更多地針對自己的場景做出適合場景的芯片，這是AIoT帶來的機會和市場變化，業界需要順勢而為。

從現有應用來看，AIoT主流應用來自視覺AI和語音AI芯片。程斌提到，AIoT不能割裂來看，因為AI需要算法、算力和數據，而大量數據來自于IoT。目前一些公司在做觸覺AI的探索，這有巨大的機會和亮點。此外，向邊緣側轉移將是AIoT的整體趨勢。

雖然目前機器學習是通用的AI解決問題的范式，但在諸多前沿的領域，類腦的技術已慢慢顯現，盡管離商用還有一定距離。楊宇欣的看法是類腦在未來解決更多機器替代人的場景下有更廣闊的空間，但還要不斷攻堅。

而AI企業的分野也取決于一個個做決定的路口。盡管AI主流是數字化模式，但或許模擬模式亦有所作為。程斌就認為，AI包括深度學習最大的瓶頸在于它與現有人類思維方式差異很大，需依靠大量的數據對模型進行訓練，而且數據是要標注過的。真正的AI技術應該與人腦的思考方式靠近，包括脈沖神經網絡就是一大嘗試。而目前現有的深度神經網絡還基于數字化模式，已有一些公司在嘗試模擬切入的方式，將處理集成到前端傳感器的控制器，而不是將模擬轉換成數字之后再做訓練。從人腦的角度來說，人腦傳輸的都是模擬的脈沖電頻信號，這或是未來AI的方向。