人工智能本地化实现的难点在于本地的计算能力在如今动辄几个G的算法模型面前杯水车薪、无能为力。一部iPhone 6手机采用一般的CNN算法去处理一张200*200像素图像的ImageNet千分类问题需要的时间是300毫秒，但这样的处理速度对于用户体验来说是灾难性的。要提高本地的图像识别处理速度，目前能够想到的途径有三条：一是精简算法模型，根据实际的场景适配需要的精度，让模型尽可能简化，二是提升CPU的计算能力。目前的智能手机CPU已经在20nm制程以下，按照传统路线，CPU提升的极限可能在7-10nm，这其实非常有限。而且，大功耗也是一般移动设备难以承受的，因此只有为人工智能算法模型重新开发专门的芯片才有可能满足本地的计算要求。
从这个角度来看，人工智能在消费者场景实现的关键是对算法模型优化和用户场景的综合理解，以及底层硬件的设计制造。而人工智能的企业应用则会是巨头们的游戏。
四、人工智能的产业生态
人工智能产业主要由底层可应用技术（图像识别、语音识别、自然语言处理、硬件技术等）、计算资源（大规模GPU集群）、基础数据服务，以及企业/政府/消费者应用组成。遵循产业的一般发展规律，人工智能的发展路径仍然是从底层可应用技术的成熟开始，再到商业化计算资源、数据服务等基础设施的完善，最后形成企业和消费者应用的繁荣。
目前还是人工智能的早期阶段，我们需要关注的是三方面的发展：一方面是底层可应用技术的突破，包括算法的和硬件的；另一方面是中间的数据服务和计算资源利用的进步；最后也是最重要的是，基于现有技术的应用场景的发掘。其中，底层技术不一定是“独门秘技”，能够把底层技术商业化的公司一定是因为自身的成本曲线优于大部分用户的成本曲线。如果不满足这个特性，那么某些企业即使有短暂的技术领先，最后都难以实现大规模商业化。
五、风起于青萍之末
乍看上去，人工智能是个巨头间的游戏，巨头企业无论从资本、人才还是技术积累上似乎都更有优势。然而事实未必如此。如果以汽车行业做类比，汽车电动化的先驱并非宝马、大众这样的传统汽车巨头，而是特斯拉这样的“小”公司。这其中的原因在于，大公司面对创新变革时，往往看不上小机会，因为小机会对它们的吸引力实在太小了。巨头们往往喜欢憋大招，喜欢一步到位，从而彻底甩开竞争对手。但是创新、特别是针对大众消费者的创新却是循序渐进的，所谓“大招”中其实包含着不少对用户需求的错误假设。小步快跑，不断寻求和用户互动，积跬步终能致千里。因此，创业公司在人工智能的创新变革中反而会更有机会。从Google和Yahoo在搜索领域，到Facebook和MySpace在社交领域，再到Apple和Nokia在手机领域，最终变革的主导力量其实都是“小”公司。
基于这个方向判断，有志于在人工智能领域挑战巨头的创业者们需要先想清楚三件事：
一、人工智能改变了什么。伟大的产品或技术一定是改变了消费者在某些场景下的行为，有没有都一样的产品，很难给消费者使用它的理由。人工智能相关产品核心是要能够替代一部分人的功能或者提高人的效率，那么在这个大前提下要考虑两个小问题，第一个是，产品对应的用户场景下人的介入频次高不高，频次决定了这个产品的天花板。第二个是，这个应用场景下替代掉的人的价值有多大，显然替代掉的这部分价值转化成了产品的内在价值。最后不妨做一个乘法，把产品所替代的工作／操作的频次乘以每次工作／操作能够产生的价值，这个乘积越大说明人工智能在该应用场景中发挥的作用越大。
二、该方向上的人工智能是否能够实现。人工智能的许多技术都还没到非常成熟的地步。之前提到，创业者的优势在于小步快跑，因此在人工智能还不成熟的领域，一味追求技术上的突破来解决所有问题并不可龋无法解决一个通用场景就从几个专门的场景先入手，无法做出一个“万能”的产品不妨先做出一个可以用的产品。只有用户使用了产品并给予反馈，才可能真正知道自己产品的缺陷和下一步的方向。
三、人工智能能否成为该产品的核心竞争力。核心竞争力是一个产品的拳头，如果拳头不硬，这个产品无疑打开不了市常因此产品的核心竞争力如果是人工智能，那么该方面的人工智能必须是完美适用于该特定场景的。如果产品倚重的是还存在很多瑕疵的人工智能技术，那么这个产品本身的被接受程度就会很不理想。但不要笼统地认为人工智能技术的某些局限会成为产品的绊脚石。以特斯拉电动车为例：电池性能至今还在很多方面限制着电动车的表现，依然有很多用户青睐特斯拉，原因是特斯拉的核心竞争力在于它出色的启动、智能化的驾驶体验和简易的维护，电池尽管是一个短板但不是核心功能。因此，关键仍然在于定义自己的核心竞争力，并确保在核心竞争力上的技术是经得起推敲的。
人工智能已经走出了象牙塔，在企业和消费者端的应用有了显著进步。但这仍然不够。如何让消费者手中的设备拥有尽可能多的处理能力，需要技术和应用的双端突破，这也正是人工智能领域创业公司的机会和任务所在——人工智能之风，在未来会起于青萍之末。
作者邮箱：kai.wu@bertelsmann.com
