我们谈到人工智能将走向行业（《AI应用 | 四个维度揭示人工智能在行业中的应用》），这是它最能发挥价值的方向之一。但现实问题依旧不容忽视，如人工智能的技术、解决方案较多，行业千差万别，应用场景各具特色，人工智能究竟该如何落地？

IDC在追踪了近70个人工智能应用场景后，认为随着市场开放的技术能力越来越丰富，未来将有上千个AI应用场景落地。

不过，从现实情况来看，要让人工智能技术落地到企业进行应用并且发挥效能，最需要解决以下三个方面的问题。

技术堆栈越简单越好

人工智能涉及到的技术很宽泛，我们总结为感知能力和认知能力，每一种能力都包括2~3个技术方向，每一个技术方向都有若干个算法，这就导致应用中的技术比较复杂。

而在行业中，大部分用户关心的是，怎么用好人工智能，并不太关心人工智能的“轮子”——“算法”是怎么“造出来”的，也没有必要自己重复“造”轮子。

IDC认为，易上手、操作简单的技术堆栈是刚需。AI系统涉及到数据准备、模型训练、测试调优等多个环节，也存在对分布式系统的需求。其中数据准备环节、测试调优环节都需要耗费大量的时间，分布式系统的资源管理也需要应用到容器技术等，这就涉及云、容器、大数据平台、模型、算法和数据等。

因此，自动化、低代码的开发形式有助于推动人工智能应用快速实施部署。这也是现在业内流行AI技术栈的原因。主流厂商的做法是让AI技术栈“内部复杂，外部简单易用”，让企业用户以最经济的、最简单的方式应用AI。

面向垂深场景的模型调优

从另一个维度看，人工智能为企业用户提供服务、培训、平台、接口和硬件等各种能力，也包括业内通常说的算法、算力和数据等能力。而无论从哪一个角度来看，人工智能在行业落地中，离不开具体的场景。

麦肯锡曾经告诫过AI产品经理，沉迷于复杂AI模型的行为并不受推崇。这是因为底层模型的准确性并不能保证良好的用户体验。一些简单的模型也能够提供足够的准确性。因为一旦增加模型的复杂性，那么也会遵循二八定律的原则，就会导致边际效益的递减。因此，在某些情况下，准确性至关重要，模型需要多次迭代，并不需要一次性构建太复杂的模型。

也就是说，不管是垂直行业具有特色的应用场景，还是在水平行业通用的场景，几乎都需要对原有的算法模型进行调优，通过读取该特定领域的数据，优化模型参数，来确保在该场景下预测的准确率。

硬软件适配

人工智能一旦涉及到场景，就不能不谈到应用环境，涉及到软件、中间件、硬件这些基本的概念；或者从部署方式来说，也要分为私有云、公有云、混合云等多种复杂的部署环境，这就要求人工智能厂商为用户提供简单易用的解决方案，必须要解决硬软件的适配问题。

这包括从数据中心到端侧的硬软适配。一方面在数据中心部署AI应用需要选择适配的基础架构，比如是GPU加速还是FPGA加速。另一方面在端侧，AI技术应用也需要终端硬件支撑，这就要求模型必须针对不同的终端进行优化，才能保证经过软硬一体化适配后的终端运行效果最优。

这就要求为企业用户提供各类云服务器，提供AI软硬一体化解决方案，支持所有主流深度学习框架，内嵌成熟的算法模型和云管理技术，可以开箱即用；同时企业用户可以基于云服务器为自身的应用程序创建自定义的硬件加速能力。

由此可见，企业用户在选择AI解决方案时，可参考以上三个角度。总体原则就是，简单易用、经济实惠、能为企业降低成本、增加收益的AI解决方案是最好的，这样才能一步步为企业带来创新能力。