年末技术盘点里程碑有一大半跟人工智能相关、人工智能企业屡次获得巨额融资、今天人工智能在某个指标上达到甚至超过人类水平、明天人工智能在某个比赛中打败了人类、据分析人工智能可能取代多少人类的工作……
人工智能又一次走到了风口浪尖上，从政府、学术界、企业界、投资界到创业者们，无一不将人工智能视为未来方向；而媒体铺天盖地的报道，更是让人工智能快速占领了每一个普通人的视听。
但是无限风光的背后，又怎么可能没有一点阴影？
“都说自己在做人工智能，其实压根不知道人工智能能做什么。”
“连产品模式都还不清晰，凭什么拿到那么高的估值？”
“说能帮我们解决问题，结果连我们的场景都不清楚。”
“不能大规模商业化、不能帮企业盈利，那为什么要为 AI 买单？”
高大上的 AI 技术如何真正落地、带来实际价值，已经成为寻求转型的传统公司、专注于提供 AI 技术服务的初创企业、业务规模庞大的集团公司共同遭遇的危机。
本文根据平安集团 SMART 科技大会采访内容整理而成。
AI，“看上去很美”
从积极的一面来看，人工智能催生了大量新技术、新企业和新业态，为个人、企业、国家乃至全球提供了新的经济增长点，甚至可能成为第二次“工业革命”。
IDC 预计，全球人工智能支出到 2020 年将达到 2758 亿人民币，未来五年复合年增长率将超过 50%。中国人工智能技术支出将达到 325 亿元，占全球整体支出的 12%。
从消极的一面来看，尽管人工智能开启了一个全新的时代，但也在不断滋生着“泡沫”，吹捧有之，跟风有之，噱头有之。近两年，数十家中美 AI 创业企业密集倒闭，大量 AI 创业项目中途夭折，不免让人感慨，人工智能是否只是“看上去很美”？
3 年前你都不好意思说你是做人工智能的，而今天你都不好意思说不做人工智能了。
泛人工智能是人工智能火爆之后催生的一种现象，就是把什么东西都叫人工智能。如今没有哪个企业不想拥抱人工智能，但当前人工智能技术的采用程度到底如何？
麻省理工学院 Sloan Management Review 最近对 3000 位高管、经理和分析师进行的一项调查显示了一个令人惊讶的结果：目前大多数公司还没有采用人工智能技术，只有不到四分之一的受访者表示已经采用人工智能技术，还有 23％的受访者正在进行一些试点项目，而有 54％的受访者表示他们还没有开始采用人工智能技术。这与 AI 前线在年终总结时所做的一份落地情况调查结果相近。
麻省理工学院的调查中也列出了可能阻碍企业采用人工智能的几大障碍：
对于已经理解并采用人工智能的组织（“领导者”），人才缺口、竞争激烈的投资和对安全的担忧是他们的主要障碍。
与此同时，尚未采用人工智能（“被动”）的企业认为需要识别业务 应用 场景、缺乏管理支持、技术能力有限是其主要挑战。
AI 落地困境
当前的人工智能实际上是数据驱动的智能，也就是基于大数据的智能。中国科学院深圳先进研究院首席科学家须成忠教授认为这一波人工智能涉及 ABCD 四个概念，A 算法，B 大数据，C 计算平台（如云计算平台），D 领域知识，技术必须跟领域结合。技术不结合场景，就只是一个技术而已。
目前 AI 在医疗、金融、交通等多个领域皆有不同程度的渗透，虽然行业不同，但 AI 落地时遇到的困境却多有类似，其中场景和数据是最常被提到的两项。
为什么企业要为 AI 买单？
据平安医疗健康管理股份有限公司首席技术执行官穆强介绍，目前 AI 在平安医疗健康的应用主要分为面向病患和面向医护人员两种类型。
面向病患：利用 AI 技术对患者分层，通过患者的就医习惯和行为画像定义风险等级，再匹配需要的医疗水平，也叫做医疗能力分层或者患者需求分层，从而把医疗的供给测和需求侧匹配起来、协调医疗资源。
面向医护人员：用 AI 给医疗行业赋能，借助 AI 为处方点评、临床决策等提供决策建议，帮助医生更好地决策判断。另一点是运用医学知识图谱和大数据的方法，调整综合医疗费用结构。目前的总费用中，药物占比过高而医生的价值占比太低，因此需要在总费用不变的前提下调整医生价值与药费的占比，使医生发挥的价值与价格不背离。
平安尝试在医疗场景落地 AI 的过程中，既会使用公司内部的技术方案，也会与第三方公司合作。商业合作不是公益项目，企业最关心的自然是这项技术到底能为自己解决什么问题？能带来什么价值？而这可能也是 AI 技术服务商在尝试向行业输出技术前，最需要想明白的问题。
穆强指出，AI 初创公司想要进入医疗垂直领域，最大的痛点是买单方，也就是谁为他们的 AI 技术买单的问题。“企业经营不外乎开源节流。如果想把 AI 技术应用到产品中，首先要找到 AI 能给企业经营带来什么价值，是能帮企业开源还是节流，还是抑制风险，还是提高医疗水平，总得帮人干点什么，所有的这些最终都要转化成商业价值。只要这项 AI 技术能够帮我们提高经营能力，我们自然愿意为之付费。”
错把商业项目当成研究项目
须成忠教授是中国科学院深圳先进技术研究院首席科学家，他所带领的团队开发了“先进云”平台，平台之上融合了大数据、机器学习等技术，在智能交通、医疗健康、城市信息等多个领域都有落地应用。
须成忠教授告诉 AI 前线，智慧交通即利用人工智能和大数据使城市交通变得更智能，其终极目标是通过城市大脑做预测，并能持续学习进而反馈控制，但目前暂处于起步阶段。“阿里做城市大脑，说将城市拥堵改善了 10%，其实这 10% 从科学研究角度来说误差都要拿掉了，可以说是微不足道，而且它是基于一个小区的小范围实验。”
目前中科院深圳先进技术研究院在交通领域已经落地的成果主要基于中科院收集的城市所有浮动车（出租、公交等非固定权的车辆）数据，包括三类服务：面向政府的服务，如城市精细化管理；面向公众的服务，如深圳市的公交在手软件，能够综合实时路况、天气情况预测当前公交距离本站还有多久；将数据通过 API 方式开放给第三方企业（如腾讯、广电集团、酷米客等）做更多的应用和服务，每天数据 API 访问量达到 500 多万次。
在加入中科院之前，须成忠教授在国外也承担过不少企业合作项目。在他看来，做技术研究的人最容易犯的错误就是太过在意“研究”，错把商业合作当作科研项目。
须成忠教授指出：“研究院研发的产品原型充其量是证明你有这个技术能力，但还是需要针对用户的具体需求来修改和定制开发。我们以前把项目当作研究项目来做，并没有解决企业的刚性需求，研究院经常会遇到这样的问题。结果导致我们做的技术，用户并不是特别感兴趣。”
须成忠教授举了一个例子，假设客户要做出租车实时报表，他们原来平时做一次报表要花两个多小时，客户的需求是实时化。利用大数据处理将报表处理时间降到一分半钟后，客户就很满意了。至于一分半钟和一分钟的差距，就属于研究问题了，这个问题客户可能并不感兴趣。虽然从研究的角度来说，时间缩短了 50%，但对企业来说价值不大。
“技术输出首先要搞清楚解决企业问题和研究项目的差别。只要技术好，然后能够钻进去跟客户一起做一些面向客户需求的定制化开发，肯定能够生存下来。”
无数据不 AI，无场景不 AI
传统网络设备商思科早已开始数字化转型，同时也期望能够通过技术帮助行业升级。全球很多流量都跑在思科的网络设备上，“如今大家都在关注 AI，但其实最核心的是底层数据。”思科大中华区副总裁、大客户事业部经理海广跃告诉 AI 前线，而底层数据正是网络设备商思科的强项。
思科尝试将网络设备变成传感器，从底层基础设施开始引入 AI、大数据，帮助各行各业进行技术升级和转型。据介绍，目前思科的数字化转型支持已经覆盖了 11 个行业，包括互联网公司、运营商、金融和娱乐行业，医疗和教育行业相对受 AI 影响慢一些，石油石化、电力系统最慢。
不同行业 AI 落地速度快慢，有很大的因素与数据有关。由于这一波 AI 对数据的重度依赖，应用首先得有足够的数据，而这可能正是很多传统行业所缺失的。即使有了数据，数据是否正确、是否足够有代表性、如何准确标注又成了另一个老大难。“种瓜得瓜，种豆得豆”，机器学习的成果取决于数据的质量，错误的数据只会让训练结果出现严重偏差。
海广跃指出，AI 最核心的价值在于数据和场景，而目前很多传统行业难以应用 AI 或者应用效果不佳一般也是数据或场景的问题。
数据方面的问题包括：
数据太少甚至没有，比如电力行业、工厂车间；
数据实时性，以自动驾驶为例，车本身是要和周围环境交互，包括公路情况、天气情况、行人聚集情况，需要实时判断并决策，网络存在时延，如果不能实时响应就可能会出现事故；
数据处理需要借助领域知识和经验。先找到特征值并进行标注，经过训练之后才能用来做决策或预测，不懂行业的数据科学家无法做到这一点，比如医院 X 光片、工厂设备故障检测等。而没有特征值就没办法应用 AI，只有懂行业、懂场景的人与数据科学家配合才能真正将 AI 用起来。
软通动力集团执行副总裁康燕文也向 AI 前线表达了相同的观点。
在语音识别、多国语言翻译、音 视频 结合方面，软通动力集团与不少大公司有合作。软通负责提供语音数据和产品测试服务，辅助验证语音产品的可用性，而在这样的合作中数据正确性显得尤其重要。
康燕文指出：“在对 AI 产品进行测试时，如果数据给的不对就没用了。比如展厅 机器人 ，有很多人进来参观跟它对话，机器人有知识库，它需要从知识库中找到你问的问题，它才能回答，你问的问题不对或者不在知识库中就没办法回答。”
为了升级而升级
AI 如此火爆，不乏“拿着锤子找钉子”的初创企业，也有不少还没想清楚为什么要升级就想先把 AI“用”起来的传统企业。“这不太现实。所有的技术升级都是业务驱动，不能凭空自己造，也不能为了升级而升级。”氪信 CreditX 首席科学家周春英告诉 AI 前线。
氪信是一家专注于运用机器学习与大数据技术解决金融信用风险问题的服务商，目前已经与数百家金融机构达成合作。
营销和风控是目前机器学习在金融领域的主要应用点。营销方面，主要就是解决不同的客户和不同产品的匹配问题，以实现精准推荐。在这方面应用机器学习更多是一种“升级”，由于整合的用户数据和产品数据更多，相比简单的 LR，推荐成功率有所提升。风控则相对复杂，涉及反欺诈、信用评分、行为监控等。其中反欺诈分为两个维度，一是基于个人数据，和营销类似，从简单的评分卡转为机器学习，升级数据处理和模型技术、提升效率；另一个是为机构建立全套体系，包括机器学习的模型、算法、训练等，这不是一次性的工作，需要不断迭代。
周春英认为一开始寻找切入点是最难的，“要考虑怎样才能快速推进，又能落地上线使用，还能够不断迭代升级”。大家都知道要技术升级，问题是怎么找到需要升级的那个实际业务问题，如果平白无故地去做技术升级，没有落地的实际效果很难推动，也难以形成不断迭代的过程。
氪信对此的解决方案是合作，在一开始会花比较多的时间去和客户、业务负责人交流，共同寻找切入点。周春英补充道：“找到切入点之后其实也不是一下子从 0 到 100，而是需要花一段时间（比如几年）才能出来成果。”
另外，不同客户的需求不一样，这就需要对解决方案和产品的抽象能力，既不能过度设计，也不能不抽象。在与客户的合作中，既要保证高效率，又要满足其个性化需求，因此方案和产品的抽象设计是对于 AI 技术服务商的另一项挑战。
传统行业对新技术不够开放
AI 技术不是单点技术，它需要形成一个体系，因此免不了需要巨大的投入，从底层硬件到数据再到专业人才，缺一不可。对于金融机构来说，硬件和系统花钱买不难，但 AI 人才培养比较难。
周春英认为这是专注技术的 AI 初创企业的机会。术业有专攻，技术的问题可以交给懂技术的人，但寻找业务场景离不开良好的合作。合作中可能遭遇的问题就是传统行业不够开放。虽然金融领域有其特殊性，包括对信息安全、数据安全都有特殊的需求，但是如果金融机构越来越封闭，对于新技术的应用只会有不好的影响。
“对于新技术、新方式，或者新的技术方向，传统行业要有一个更开放的态度，包括数据的使用，这样实践或者是落地可能会更快一些。”周春英说，这或许也是很多 AI 公司内心的呼喊。
如何将 AI 技术通用化？
平安科技是平安集团 32 个子公司之一，为整个平安集团提供技术服务，此外也给国内的众多银行和保险公司提供服务。过去几年，平安科技一直在进行 AI 的研发，目前在大数据平台的基础上，引入了面部识别、语音识别、视觉识别、行动识别、情感情绪识别等技术，进行自动决策。
以贷款申请为例，平安科技利用人脸识别匹配客户身份、基于各项数据智能分析客户的风险状况，3 分钟之内就可以在网上给客户派发贷款。
平安科技大数据高级产品总监王建宗告诉 AI 前线，平安集团在 AI 时代转型的难点不在于做不做 AI。对于先在公司内部落地 AI 之后，再开始尝试将 AI 技术对外输出的平安科技，面临的难题是：如何将 AI 技术与自身业务剥离，使其通用化、标准化、产品化？
王建宗指出：“首先，每个公司的数据不一样，数据标准参差不齐，平安的数据是平安的一套，但另外一个公司可能是另外一套数据，中间涉及数据融合、数据归集化、数据交叉，这是一个挑战。第二个挑战来自于业务流程的差异性，保险行业每个公司的保险流程都不一样，又涉及流程融合。”因此平安科技在帮助合作伙伴落地 AI 的时候，既会提供模型和算法，也会提供能对模型和算法进行闭环训练的系统，使数据和规则能够快速通过系统优化，并应用到实际业务中。
破局之道
看清：AI 不是银弹
当大数据将 AI 推向“技术炒作”舞台的正中央，带来的一个令人混淆的结果就是，突然间人人都号称自己做的是“AI”，实际上却是徒有其名；人人都以为自己需要“AI”，却不知道 AI 到底能为自己解决什么问题。
在硅谷人工智能研究院创始人 Piero Scaruffi 教授看来，以上问题不只出现在中国，在全球任何地方都一样。
AI 真正应用于商业场景通常会面临两个问题：第一，有些商业人士可能擅长传统的科技思维，但是对 AI 了解不多；第二，很多优秀的软件工程师从未学习过 AI，他们学的是其他领域的技术，AI 不是他们擅长的东西。对于工程师来说，有计划地学习一些课程就能解决问题，但对于商业人士则非常困难。
面对这些问题，企业决策者和技术管理人员首先应该明确一点：AI 不是万能药。当问题已经有解决方案时，可能没必要采用 AI，否则反而是在把工作复杂化，或者变成自己给自己制造问题。
Scaruffi 教授指出，没有 AI 商业照样可以运转，现在大多数 AI 仅是优化程序，比如机器人。为什么买机器人？为什么用机器人代替原来的工作？因为机器人更便宜，可以降低成本。但是这些所谓的机器人一般都非常简单。
“当有人说中国每年制造 1000 万台机器人时，你应该问问这是什么机器人。一天到晚都在做简单机械工作的机器人并不是 AI，但是它们的确省钱。这可以称作自动化，但已经是存在很久的技术了。而真正的 AI，比如说可以回答问题、实时监测的机器人，一般非常贵。”
正如前面所说，这一波 AI 是基于数据的 AI，因此 AI 应用到实际问题中离不开数据。没数据就不能训练神经网络，不管计算能力多强、速度多快。无数据无 AI，如果没有就需要先搞到数据。如果有数据，AI 可能是有用的。但在一些情况下其实大数据技术就可以解决企业的问题，未必需要用到 AI。企业必须能够分清楚哪些问题需要用 AI 来解决，哪些问题用已有的其他技术就可以了。
康燕文认为，应用 AI 之前首先对 AI 的认识要清楚，要知道 AI 到底可以做什么、局限在哪里。 比如制造业要用 AI 识别成品存在的缺陷，需要先积累大量数据，让机器去学习，才能开始识别。工人师傅需要积累经验，机器同样需要积累数据，获取数据、积累数据都需要一个过程。康燕文还补充了一点，即新技术需要测试环境，不能一下就拿来用，出错的风险太大，需要先做一些实验。
须成忠表示，人们应该要修正自己对于人工智能的期望。虽然人工智能目前在封闭式环境中确实有了一些很好的突破，但是在开放环境中还有很长的路要走。另外，人工智能是无法在一朝一夕突然就能够解决所有问题的。
“我们不能也不要头脑过热，过一段时间发现人工智能除了下棋打牌其他都做得差强人意。人脸识别需要在标准场景下，语音识别在开放环境还有问题。更何况数据清理和转换也要花掉不少精力。如果大家不能修正对它的期望，到时会带来更多失望，但这也是一个过程。”须成忠说。
合作：寻找 AI 落地场景
有人将 AI 落地问题比作“道”和“术”的问题。做 AI 工程的人，最在意的是这个算法怎么样，够不够快，这是“术”的角度；做业务咨询的人更考虑你有什么问题，我要帮你解决问题，我用什么你别管，我有创意，最后成了就行，这是“道”的角度。
那么当掌握了 AI 技术或有了科研成果，怎么跟企业需求对接？如何在企业的业务场景中找到应用新技术的切入点？
海广跃认为，首先得将业务或场景流程化，才能找到存在问题、可以应用 AI 的环节，接下来再考虑怎么以 AI 为工具去解决流程中存在的问题。另一点则是要站在未来看现在，看未来会是什么样的使用习惯，找到未来的场景，就能够知道该做什么样的产品。这是另一个如何创造新业务的问题。
周春英则表示，寻找应用场景的切入点其实没有什么窍门，最实际的就是做技术的人必须懂业务，而方法总结起来也简单，就是多沟通、多学习。通过经常和不同的客户交流和沟通来学习业务，先从客户的出发点考虑问题，然后再转化为用什么技术去解决它。
“要帮助客户解决问题，既要懂业务也要懂技术。光懂技术跟客户谈不到一起去。弄懂业务之后，再想怎么把业务的痛点转化为技术的解决方案。接下来把这个方案讲通讲明白，这个事情怎么做，实际的痛点是什么，什么技术能解决，出什么样的解决方案，这个就是我们实际项目过程中的经验。”周春英说，“跨学科能力是技术人必备硬技能。”
须成忠教授也认为切入点需要双方共同碰撞出来，而“拿着锤子找钉子”的做法目前并不是很可行，因为通用的一般性技术、一般性系统很难找到，也很难有市场。
“软件行业开源那么多，但实际上开源只是证明你的能力，最后还是需要做定制开发。至于说怎么找到用户的需求，首先要让用户知道你能做什么东西，有什么样的能力，然后再根据用户的需求去做深做透。这是双方互相碰撞的一个过程。需要双方沟通后，弄清楚我有什么问题，你有什么办法能解决我的问题 才能确定目标。”须成忠教授说。
基于平安医疗健康的业务场景，穆强给 AI 前线列举了 AI 在医疗领域可以切入的角度。
保险就是管理可控风险，怎么让风险变得可控？其实就是两个问题，怎么收钱以及怎么花钱。这两个方面规则的定义恰好是如今基于大数据的 AI 所擅长的——基于客观事实数据和规律，将主观判断变客观，从而更合理地制定规则和策略。
医保风险控制包括三点，一是防止欺诈滥用浪费，二是降低疾病发生风险，三是提高被保人的健康水平，而这些都是综合降费的办法。“对于保险公司来说，1% 的重疾和 19% 的慢病会花掉 70% 的医保费用，那么这 20% 的人就是保险公司重点管理的对象。怎么把这些人挑出来？怎么干预这些人的行为，对他们进行个性化管理？这对我们来说投入最小、见效最快，如果 AI 可以解决这些问题，能够帮我们降低成本，就有落地的价值。”穆强说。
渐进：平衡 AI 的投入产出
目前不乏有些企业辛辛苦苦捣鼓了 AI，但效率却得不到相应价值的提升。那这些投入只能算是打水漂了吗？企业应该怎么评估 AI 技术能带来的实用价值？又该如何衡量应用 AI 需要投入的人力成本、时间成本？
AI 是大势所趋，随着未来 5G、物联网的发展升级，数据只会越来越多。以后谁能利用好数据，谁就会在业界领先，而不会用数据可能就会被淘汰，所以 AI 升级肯定是要做的。但现阶段，逐步迭代可能是比一步到位更靠谱的选择。
周春英表示，AI 本身就是比较重投入的，但是它也会有更长远的影响，所以不能特别短视于此时此刻的回报上。但不同企业的需求不同，不能一概而论。周春英告诉 AI 前线：“我比较倾向于，AI 技术升级不要想着一蹴而就，一步就到深度学习，而是逐步迭代，先有一个整体的规划，然后一步一步慢慢取得成果。这样能够比较好地平衡投入和产出，对于一些小型金融机构来说确实是这种做法比较好。”
康燕文认为，不能把新技术拿来就用，需要一个实验的过程，循序渐进，而不是说一下子投个大钱就想得到巨大突破，这样才能避免出现投入很多却得不到预期结果的问题。“人工智能是大趋势，现阶段企业更应该赶快去试，越不去试，越搞不清楚，等试了之后慢慢找到对的方法和方向，再一步一步往前走，自然就会越来越清楚。”康燕文说。
方向：民主化还是定制化？
最近不少企业都在谈 AI 民主化、AI 普及化、AI 服务化，或者 AI for all，其实不管名字怎么叫，其核心就是一点，希望能够降低人工智能的门槛，让非专家也能使用 AI，这也是很多人对于未来 AI 的期望。
海广跃是这个观点的支持者，他认为推进 AI 民主化，才能推动 AI 在各行各业的应用普及。
海广跃说：“当 AI 高高在上的时候，传统行业懂场景不懂技术的人，与懂技术不懂场景的专家之间有鸿沟，AI 和数据、AI 和应用场景、AI 和知识之间也同样存在鸿沟。”
至于如何跨越这个鸿沟，海广跃也提出了他的想法。一是构建一个各行业通用且低价的 AI 平台，使不同行业的人都能很方便地使用 AI，在平台之上运行业务而非研究技术。但他也坦承，难度比较大，因为很难用一个 AI 平台满足各行各业的不同需求。偏底层的 AI 基础平台或许可行。
另一点就是纵向打通，将一个垂直行业场景从上到下全部打通，把这个场景做好了，再做另外一个场景，先对某一个企业产生价值之后再继续做加法。
须成忠教授则认为垂直领域的深挖更有潜力。他告诉 AI 前线：“通用的一般性技术不一定有市场，充其量就是开源，想要发展就一定要把这个通用技术应用到垂直领域，然后针对这个垂直领域来做定制化的开发。将来的人工智能不管发展到了哪个阶段，一定不会像人那样什么都懂、什么都会，它一定是这个软件和系统专注一个业务，另一个专注另一个业务，是跟领域相关的。未来 AI 会越来越偏向跟应用接轨，越来越多地与应用相关。”
AI 的未来
有人说人工智能是未来已来，也有不少人认为人工智能的蜜月期会终结于 2018 年。
AI 离我们是近还是远？淘宝搜索、银行人脸支付、小米智能音箱，无处不是人工智能，对于普通消费者来说，AI 似乎很近。但对于企业和技术人来说，不是所有问题都像消费级产品一样容易解决。人工智能所有涵盖的技术纷繁复杂，怎么从中找到合适的方法来解决自己的问题？怎么得到数据？怎么清洗数据？甚至一开始怎么找到应该解决的问题？这些都是企业想接近 AI 却又觉得 AI“遥不可及”的路障。但这些也是未来要让人工智能真正扎根于工业界、真正改变每个人的生活所必须解决的问题。
人工智能落地难，却是这项技术真正变成“新电力”般存在的必经之路。对于传统行业公司与 AI 技术初创公司来说，都是挑战与机遇并存。
原百度研究院院长林元庆从百度离职后，创办了自己的公司 AIbee，他的目标是利用 AI 深度赋能传统行业，实现产业升级。而人工智能著名学者吴恩达也于今年 12 月宣布成立 Landing.ai，立足于解决 AI 转型问题，第一站是制造业。
从国家政策来看，12 月工信部发布了《促进新一代人工智能产业发展三年行动计划》，从培育智能产品、突破核心技术、深化发展智能制造、构建支撑体系和保障措施等方面详细规划了 AI 在未来三年的重点发展方向和目标，足以看出国家对 AI 产业化的重视。未来 AI 企业也将从拼技术逐步转移到拼行业、拼落地。
2018 年，人工智能的泡沫是否真的会破灭，我们不得而知，但过度期望带来的泡沫被戳破未必是件坏事。
接下来一段时间，人工智能落地势必会是业界最为关心的话题，而人工智能落地无非是：弄脏手、扎进去、踏实干。
