所谓建设“数字中国”的恢弘愿景，正是不同行业里那些真正的务实者，基于一个个具体的问题，一点一滴拼凑起来的。
无需赘言，在中国，几乎被视为“新经济”同义词的数字经济，对宏观经济的拉动作用已非常明显：
2017年中国数字经济规模达到了27.2万亿元人民币，同比增长20.3%，对GDP的贡献高达32.9%。
最乐观的预计是，到2025年这一特殊拐点，数字经济有望成为中国经济发展的第一引擎。
在此背景下，每年贵阳数博会的如期而至，科技巨头与创业者齐聚中国西南一隅，更像是一次对数字经济过往成绩的全面复盘，以及对可预见未来的一次全面预测——尤其搁置在最近一系列推进信息化与工业化充分整合的政策部署下。今年数博会“数化万物，智在融合”的主题，也充分勾勒出构建“数字中国”的历史机遇。
就在不久前，国务院发展研究中心发布了《传统产业数字化转型的模式和路径》，为“数字化转型”下了一个精准定义：
“利用新一代信息技术，构建数据的采集、传输、存储、处理和反馈的闭环，打通不同层级与不同行业间的数据壁垒，提高行业整体的运行效率，构建全新的数字经济体系。”
这条路并非坦途，如何进一步充分释放数字对经济发展的放大、叠加和倍增作用，需要政府和企业的合力锻造：
从国家层面，必不可少的当然是更睿智的顶层设计，更丰富的数字化基础设施建设；
从企业层面，如何拿起最新的技术工具，完成对传统领域全产业链条的重塑，或许将成为数字化转型的胜负手。
令人欣喜的是，谈及最新技术工具的“装备库”，现阶段中国的确握有一手好牌——在大数据和人工智能等数字经济的基础设施领域，无论从技术还是数据角度，起跑线的相对公平，都将赐予中国一次难得的“领跑权”。就拿人工智能来说，尽管短时间内诸如DeepMind等对人类影响深远的开疆拓土型公司不会在中国诞生，但若论及产业落地的速度，在大概率上，中国或许将成为先行者。
更像是对上述观点的某种印证，不难发现，尽管今年贵阳数博会在国际化和市场化程度上明显提高，但若论及纯粹的“黑科技属性”，相比于去年街头卖艺式的吸睛程度（可能有些过分喧嚣了），而分析不少科技企业从“务虚”走向“务实”，得从这一轮科技革命的两种落地方式谈起。
一、技术变革的两种路径
其实从最底层的逻辑上，正在发生的这场技术变革，一直有两条相互交叉的技术路径，二者彼此渗透，共同完成了对传统行业的改造。
就拿AI领域来说，众所周知，人工智能产业链分三层：
最底层包括芯片和开源框架等基础设施。这一层门槛最高，以前段时间颇为敏感的CPU和GPU为例，中国企业想赶上英伟达和高通等巨头，摊开最激进的时间表，也需要5-10年，这一层更多依靠的是时间的陈酿，现阶段还是巨头间的内斗，先暂且不表。
最受大众关注的变革发生在中间层。这里群英荟萃，无论巨头还是新贵，都致力于完善图像识别，机器翻译，语义识别和语音识别等通用技术——事实上，走第一种技术路径的，也大多集中在这一层：他们亲尽全力，完成上游通用技术的攻坚。选择这一技术路线，无疑需要背后庞大的体量支撑（譬如谷歌），或者超高专注度，譬如据媒体报道，商汤科技就拥有百人级别的博士团。
而对算法的深耕，也会下沉至具体行业，迅雷创始人程浩老师就举过两个例子：高级驾驶辅助系统解决方案的Mobileye 成立于1999 年，直到8年后才挣到第一桶金；达芬奇手术机器人从启动研发拿到FDA认证，花了十年时间——这并不难理解，无论自动驾驶还是机器人手术，理应需要算法上的无限精进。
算法的精进固然令人欣喜，但另一方面，更理性的观察者，也不该被所谓“技术的纯粹性”蛊惑。
事实上，在大多数对“识别率小数点后几位”没那么敏感的行业（比如门禁时的人脸识别），算法之间的细微差别对最终结果影响不大——尤其在安防和航空等需要行业积淀的领域，算法壁垒没有自动驾驶那么大，这些行业的AI玩家，最锐利的武器应该是“行业纵深度”和工程化能力，懂“需求”远比懂“技术”更重要。
这就引出了另一条技术路径：他们选择将技术“沉下去”，选择有限的垂直领域，然后亲尽全力，深入到这些行业的五脏六腑，通过为一个个行业客户服务和赋能，逐渐拼凑出一张详实的知识图谱，然后再通过知识图谱反哺新技术与行业应用。
值得一提的是，深谙这种技术路径的公司，许多时候也会选择AI中间层的通用技术，但由于率先捕捉到这个行业的痛点，他们得以从业务逻辑维度，完成更具效率的创新，最终在新技术与知识图谱的双向加持下，一举解决行业痛点。
二、更“务实”的AI
说来稍显凌乱，甚至一头雾水，不妨以海云数据为例剖析后一种技术路径的落地。
这家公司以大数据可视分析起家，近年来通过AI与可视分析的融合，以及在安防等领域多年沉淀的行业知识，推出了一系列与行业结合紧密的解决方案。他们将自己最主要的业务逻辑命名为“能力服务”：通过推动上游新技术支持与政务应用深度融合，为决策层提供调度指挥顶层设计。
这种能力服务现阶段的标志物就是图易AI能力服务平台。在这一平台上，通过整合软件、硬件、数据和算法，客户可根据不同需求，用“傻瓜式”操作（全程“无代码化”）组建自己的AI能力模块，像搭积木一样，完成业务的效率提升和数据决策价值变现。
以安防领域为例，基于图易研发的“智警大脑”已在40个细分领域内形成了200余个行业能力，且融合了语音识别和人脸识别等人工智能技术（如前所述，这些都是AI中间层的通用技术）。
举个例子，它可以通过人脸识别进入后台，然后通过语音指令调出事故现场视频、附近的警力、周边卡口、情报分析情况、犯罪嫌疑人的路径、重点嫌疑人的档案等节点，可以瞬间通过一张图和一张网的形式，让公安人员实时看见，确保在事故发生后公安部门能快速处理。
不难发现，他们希望给客户提供的是一套封装完备、体验良好、“即插即用”的综合解决方案，推进“上游新技术支持”与“下游行业应用”的衔接——值得一提的是，一旦发现市场上现有的AI通用技术无法满足为客户赋能的需求，或者无法百分百解决行业痛点，他们也会“亲自上阵”，完成从0到1的技术攻坚。
弄懂这个逻辑，你也就理解为什么他们去年看似“无心插柳”地发布了唇语识别成果，其研发初心非常简单：解决公安大量无声视频中数据缺失的难题。
众所周知，公安系统中视频信息量颇为庞大，但大多以默片方式存在，只看得清嘴型，却不知说些什么。针对这一行业痛点，海云数据研发的唇语识别能在最大程度上释放视频图像里的信息——更重要的是，它能与大数据可视分析系统充分嫁接，让决策者能从声音，图象，视频，空间和地理信息等多重纬度，进行综合态势的判断，大幅度丰富现有的公共安全大数据一站式综合解决方案。
所谓AI“务实”，莫过于此。
三、结语
当然，在我个人看来，上述两种技术路径，其实是两种不同分工，谈不上孰优孰劣，只有它们彼此渗透，共同进化，才是AI疆界最完整的图景。只不过，对于更“务实”的行业客户来说，如何利用新技术与下游应用结合，提升业务效率，真正产生效益，才是他们此刻最迫切的需求。
嗯，这么说好像稍显“功利”，但所谓建设“数字中国”的恢弘愿景，不也正是不同行业里那些真正的务实者，基于一个个具体的问题，一点一滴拼凑起来的么？
“多研究些问题，少谈些主义”。
胡适这句箴言，放在AI领域，好像也同样适用。
