行业 AI、产业 AI、产业互联网，这些词在今天都已经变成了热门词汇。
在流量红利差不多吃干净之后，科技企业需要向产业走，这是今天大部分科技公司的共识。然而产业市场不同于消费者市场的一个核心区别在于，每个行业之间实在是有太多不同。能源行业的要求跟教育行业的要求显然不一样，而一套智能技术解决方案打天下，显然也是不靠谱的。
如果我们多留心产业 AI 的动向，就会发现从去年下半年开始，相关项目的 PPT 里正在越来越多提到行业专家、Know-How 这样的字眼。
在 AI 公司开始不断强调 Know-How 的重要性，呼唤拥有 Know-How 的公司参与到 AI 产业化进展中的时候，也许我们应该从头爬梳一下这个问题：
行业专家到底如何与 AI 算法与算力的提供商合作，缺乏行业专家又给 AI 进入垂直行业带来了哪些阻碍？
让我们来看看 AI 圈里大厂的梦中情人、创业公司的救命稻草，神秘的 Know-How，到底是个什么情况。
产业 AI 的无形之墙
所谓 Know-How，是指工匠时代那些师傅对徒弟口传心授的 " 行业秘诀 "。
到了机械大生产时代，Know-How 虽然看似被信息爆炸冲刷地越来越透明。但在日益精细化的行业分割，以及众多产业各自攀爬科技树的大形势下，Know-How 反而在经济实体中不断沉淀与积累。
比如说，汽车、船舶就是坐拥大量 Know-How 节点的产业。即使在基础技术不难复制，行业供应链比较透明的情况下。汽车和船只的生产水准依旧难以复制，原因之一就在于其中的 " 秘密 " 太多了。
Know-How 可以被理解为一种能力、一种资源，也可以是被称作行业专家的人。在投资行业中，Know-How 也被看作一个创业项目的评分标准之一——假如某汽车电商的创始人是浸淫汽车产业几十年的老油条，那么 BP 上往往会写着我们有 Know-How。
而在 AI 主导的数据与网络智能化技术，希望进入产业中时，Know-How 恰好将变得极为重要。
所谓行业 AI 或者产业 AI，能够提高劳动生产率的本质原因之一，在于可以利用机器学习技术，实现数据分析与再挖掘，让 AI 将原本粗放生长的环节数据重新整合，重新求得一些产业效率的最优解。比如计算原料投入比例、仓储摆放规律、产业流程重塑等等。
此外，AI 的另一个功能是为产业端提供语音和视觉的能力，比如园区语音导览、基于机器视觉的质量检测等等。
划个重点，这些 AI 能力需要从方方面面的复杂细节进入已有产业实体当中。但是到底如何进入，进入需要注意哪些难以预料的问题，何时能收回技术迭代成本——这些答案都掌握在 Know-How 手中。
拿着算法和算力以及 PPT 的 AI，在进入细分产业时，尤其是工业属性相对较强的产业，都难免遇到这种尴尬。AI 虽然听上去靠谱，但没有 " 产业带路党 " 的帮助却寸步难行。
更显著的问题来自于人才储备。
一般来说，AI 算法工程师注意研究深度学习的训练部署等相关内容。真实的逻辑，细节点的 AI 化方案，企业的性价比估算，产业智能化的弹性生长，这些都不在算法架构师或者 AI 开发者日常的考虑范围中。
而产业专家则对产业周期了如指掌，却很难有经历和机会去学习和了解 AI 相关的内容。最终导致产业 AI 变成了各说各话，难以相互了解的两个邻居。
而相比较而言，今天 AI 这端是相对透明的，真正的产业链合作压力，就来到了 AI 公司寻找产业 Know-How 这边。
在我们了解到的很多实际 AI 产业融合案例中，会发现往往产业专家发现的问题，都不在 AI 以及数据智能技术的常规视野中。一个好问题的发现，往往预示着一个新产业空间的打开。
归根结底，缺乏专业知识以及专业人才，正在成为限制 AI 落地产业市场的无形之墙。这个稀缺既不是技术问题也不是市场问题，但却实际制约着 AI 的脚步。
Know-How 如何工作
理想情况下，机器学习等技术进入某家工厂、某个企业时，需要一名合格的 Know-How 或者 Know-How 公司来提供一下帮助。从而确保通用的 AI 技术与差异化的企业需求实现对接。
1、寻找和控制 AI 工作中的行业差异化。机器学习的工作模式是提取抽象化特征并反向输送给机器，从而实现智能。但是到底提取什么特征，提取过程中有哪些问题，工作中又有哪些不合理性，这些都是 AI 开发者难以预料的。比如说著名的 AI 提升良品率问题，到底什么是良品，每个产业的定义都是不同的。这个定义，就是 Know-How 需要提供的差异化节点。
2、关键训练数据。AI 离不开数据，然而通用数据虽然多，方向却相对单薄，往往缺乏产业化的实际潜力。而不公开的行业价值数据在哪里呢？这也是 Know-How 型人才和公司的价值所在。
3、成本与价值的理解。用 AI 总是听上去很好，但到底这个价值不菲的东西应该投入多少人力物力，什么时候收回成本，未来能创造多少价值，却都是极大取决于行业利润比的。为行业应用者估算整个投入产出周期，也就成为了 Know-How 的职责。
4、产业链的理解。今天还有一种情况，就是自己的企业系统 AI 了，生产能力上去了，与供应商的连接能力反而减弱了。在复杂的产业链中，一家企业从管理系统、运维系统到生产系统的更新，都将影响并且受制于产业上下游关系。对这些关系的理解和预判，对于企业技术决策来说是至关重要的，而其把握能力也在 Know-How 手中。
这样来看，好像 Know-How 有点像是 AI 与行业间的中介。很多时候我们都不想找中介，结果发现不找他们问题更多，效率更差。
那么对于 AI 来说，到底谁是今天的 Know-How 呢？
谁是 AI 需要的准 Know-how？
充当 AI 带路党的重任，显然是那些可以接触行业核心数据，并且理解行业技术体系、供需关系的人、部门与第三方企业。
一般来说，有这样几种 Know-How 可以被 AI 公司利用，结成紧密的生态联盟，搭建 AI 进入产业的通道：
1、企业的 IT 部门。一家非互联网领域企业的 IT 部门，经常看起来像是负责修网的。然而在长时间锤炼下，类似部门往往积累下了对行业需求的独特理解，并且积攒了大量可以被机器学习系统利用的关键数据。一家企业开始运用 AI 技术拓展生产系统，往往也会以 IT 部门为主导。
2、技术业务骨干。很多实体经济与传统企业中，都有非常资深高水准的技术专业人才。他们不仅拥有着本行业的知识，事实上往往也对新技术抱有关注度和热情，同时也有再学习的能力。这些人才的充沛利用，可以作为 AI 进入行业中解决融入问题的关键。同时，以行业技术骨干为受众，培养高级产业 AI 融合人才，也已经成为了科技巨头关注的目标。
3、成熟的行业技术服务商。在汽车、能源、冶金等领域，看似体量不大，但具备全球覆盖能力的技术服务商大量存在。在巨头企业的背后，有成千上万家专门技术解决方案提供者在工作着。以这些供应链企业为突破点释放 AI 红利，可以作为很多产业 AI 的发展模式。
4、数据和咨询服务提供者。另一方面，很多行业还存在着为数众多的战略咨询和产业数据服务机构。这些企业围绕着生产数据释放价值，积累了大量企业需求与真实想法。如果能有效加以利用，也可以作为 AI 与企业对接的出口。
当然，Know-How 们还有非常多的身份和存在可能。但总体而言，寻找这些人，利用这些人，在今天的 AI 领域还仅仅是个开始。
服务企业是相当困难、充满变数的市场。先觉醒一部分帮手，对于 AI 来说是一个必然趋势。
Know-How 的稀少，导致了什么？
科技巨头们纷纷注意到了 Know-How 的重要性，开始搭建自己的 Know-How 生态，加之产业 AI 命题实际上处在初级阶段，行业的接受度还非常有限。让为 AI 提供服务的 Know-How 整体处在供小于求的阶段。
而 Know-How 的稀少，则让产业 AI 发展必然经历这样几个趋势：
1、重点产业开始率先发展 AI。我们都在说 AI 进入百行百业。然而显然 AI 是不可能同时进入一百个行业的。数字化程度高、Know-How 资源储备充分、IT 基础好的产业更有可能率先发展产业 AI 生态。目前来看，汽车、零售、制造、互联网等几个行业拥有更好的 AI 化基础。
2、AI 进入垂直产业，尤其在工业领域，将会面临非常复杂的局面。由于工业领域的庞杂和差异化广泛，AI 技术进入的周期和成本会非常高。Know-How 的复杂性也让工业领域很难出现快刀斩乱麻的智能化进程，只能徐徐图之。
3、拥有 Know-How，会变成某种 AI 创业公司的底牌。今天的 AI 创业公司，更多是拼大牛，拼算法独特性。这些故事会成为投资人眼中最性感的部分，而在垂直产业准入门槛问题不断暴露出来后，企业拥有的 Know-How 水准，会开始影响 AI 创业公司的融资能力与发展水准。同时具备 Know-How 能力也将成为创业公司与科技巨头、算力提供商的生态合作筹码。
4、讲案例，讲故事将变得异常重要。寻找 Know-How 是一个差异化很大的繁杂任务，进而让企业认识到行业差异化 AI 解决方案的存在与合理性，也是一件复杂的差事。这种情况下，AI 企业的选择只能是珍惜已有案例，好好拆解其中逻辑，加大宣传力度，让更多产业关系者认识到合作可能，加强自身的 Know-How 主动吸引力。因此 AI 进入产业的这个周期，基本一定是案例为王的。
从算法问题，算力与数据问题，再到 Know-How 问题，本质上来说 AI 正在一步步向神秘的产业世界进发。本质上来说，AI 是一种将直接影响到产业生产步骤，像煤与电一样影响工业生产的新生技术。
让懂 AI 的人与懂行业的人在此时尽快认识，甚至相互形成吸引力，是 AI 发展中不可或缺的一个环节。
来源：ZAKER
