AI下半场，最根本的是创造价值，而不是算法或产品 | 超级沙龙

• 晰数塔互联网快讯
• 2020-03-26 11:55

特约观察员 | 中国平安集团首席科学家 肖京、北高峰资本创始人兼CEO 闵万里、阿尔法公社创始人兼CEO 许四清（主持人）

核心提示：

1.解决业务痛点，关键在于运用人工智能技术重构生产流程，实现我们所谓的“三提两降”——提效率、提效果、提用户体验、降风险、降成本。

2.AI实际上是在不确定性场景下，对综合技术、情报的应用。

3.这些AI应用案例给我们指出了一个非常简单的公式，价值 = f(数据, 科学技术, 行业知识)。

4.AI在传统产业当中能够创造新的价值增量，它的威力，远远超出了我们在实验室所能想象的。

编者按：本期文稿由3月21日「新基建展望」第1/2期直播整理。本期直播由中国科大校友创业投资论坛主办，阿尔法公社、云岫资本、36氪等联合主办。内容有删减。获得本期直播回看地址，可添加小小氪微信：xs36kr（朋友圈内可找到）

肖京：金融业四大痛点，平安是怎么解决的？

金融行业的四类场景主要有以下痛点：风控（风险杂+欺诈多）、获客（频次低+转化弱）、服务（模式重+体验差）、运营（效率低+成本高）

风控场景，以风险杂、欺诈多为显著特征。比如单个交易看似没有问题，但是多次交易合一起看就有欺诈风险。一个个体看似正常，多个人形成的小团体可能就存在风险。扩展到一个企业，或看中观某个产业，或看宏观市场，各个方面都可能存在潜在的风险。如果全依赖人工监测管控，很容易出现误判或遗漏。

获客场景，传统的金融营销手段包括实体网点、电话短信、地推沙龙等方式，将标准化产品推送给所有客户，这种方式获客成本高、渠道频次低且用户体验有待提高。金融业务大部分交互频次较低，对客户理解有限，在这种条件下如何更好的理解客户需求，提升客户粘度、忠诚度、及交叉销售向上销售的成功率，是个现实的难题。

服务场景，传统服务模式较重，消费者行为和需求的不断变化，使传统的金融服务面临各场景各链条上的重构。同时，在人口红利逐渐消失的背景下，传统人工客服存在培训成本高、流动性大、服务效果参差不齐等特点，影响服务质量和用户体验。如何让客服模式变得更轻便且同时提高服务的质量，在目前市场竞争越来越激烈的情况下，也是亟待解决的痛点问题。

运营场景，金融行业的业务运营中存在大量手工操作，且往往是简单重复性的，急需降低运营成本，提高管理及运营效率。以平安为例，如果我们提高1%的效率，每年可以增加100多亿元利润。因此，实现业务运营管理的降本增效也是极其重要的痛点需求。

如何运用科技手段解决金融业的痛点

真正提升产品服务的质量和生产效率，解决上面提到的业务痛点，关键还是在于智能化，运用人工智能技术重构生产流程，实现我们所谓的“三提两降”——提效率、提效果、提用户体验、降风险、降成本。然而生产重构比线上化要困难很多，需要既有强大技术能力，又对传统业务流程非常熟悉，这样才能将技术和业务流程深度融合，实现生产重构的目标。因此我们不仅要在IT系统方面完成信息化和数据化基础建设，具备智能化建设的算法技术和计算能力，还要在行业专家的深入合作指导下，在实际业务场景中不断迭代，最终形成完整的智能化业务解决方案，有效达成智能化经营的目标。

智能化经营是平安的重要战略方向，其第一步要打造底层的大数据平台。我们花了近一年时间，把一万七千多营业部的数据孤岛完全打通，将数据整合到一个统一平台，并建立了自动清洗、整合、更新、质量管理、标准化、脱敏安全等机制，建立严格的权限管理、隐私保护等管理规范。在大数据平台上遵照合规要求进行统计分析，得到脱敏的画像标签。然后打造人工智能基础技术能力，包括看、听、说和读等方面的能力，如人脸识别、微表情识别、医疗影像分析、语音识别、声纹识别等技术。接着再构建专业的知识图谱，包括汽车、企业、医疗、教育、农业等多个领域，这是传统行业相对互联网和高科技行业最大的壁垒。最后再围绕业务需求，技术深度融合业务，共同构建完整的智能化解决方案，并不断丰富和完善可以规模化应用的智能化业务方案中台，全面覆盖金融、医疗、智慧城市等核心业务领域。所有这些工作共同构成了我们的平安脑智能引擎，推动平安快速有效实现各业务环节的智能化，持续夯实关键技术和业务壁垒。

具体的AI应用案例

身份认证：多模态，包括人脸声纹唇语等，应用在金融领域银行保险的开户时录音录像等，避免业务人员误导客户以及确定客户是本人。

小额信贷：原来我们有840多个门店，贷款要在门店判断违约风险。现在进行人脸识别、微表情识别，可以在线上实现三分钟放款，这些大数据设计等风控手段让违约率也下降很多。

企业投资和信贷：通过底层数据，静态菜包、动态舆情，企业之间的投资关系，三类数据形成知识图谱，建立债券违约模型，投资风控模型。大部分公司可以在6-9个月提前预测风险维度，详细的介绍帮助业务可以快速定位，判断是否误报。

图像识别自动定损：平安现在是唯一一个大规模实现识别定损的公司，通过好车主APP，拍照上传，几分钟就可以定损确定维修，几千块以下就可以很快完成流程。提升效率解决问题。要求后台要有完整的知识图谱，不同车型，不同损失程度。同时车险是薄利领域，经常会有欺诈，运用反欺诈引擎之后节省了几十亿的运营费。

另外运营领域，如大型法律诉讼，人工智能模型判断证据是否充足；服务领域，原来我们有十二万五千客服，机器人助手可以自动地帮助解决客户的一些问题。

闵万里： 重新拆解AI，规模协同背后的效应

从中科大毕业到IBM研究生，再到谷歌、阿里巴巴一直到去年做产业投资，我的职业道路方向很简单：把数学公式写到产业当中去创造价值。

重新拆解AI：Less artificial, more intelligence. A代表Actionable, Accessible, Affordable

案例一：

AI不仅仅是图像识别，往往是多种技术的融合，尤其是在产业中有多种不确定性。例如，这个场景有左转划线又有禁止牌，这种如何裁判，当出现有冲突性的信号的时候怎么处理？这些在实验室中无法得到，必须要有common sense，现在还有其他的一些reference，能够帮我实时判断。所以当我们走到产业当中去的时候，AI的裁判甚至都不是你自己，而是第三方的市场，哪怕你做了一个很好的产品，但是市场不买单，你也不会有任何的收益。AI实际上是在不确定性场景下，对综合技术、情报的应用。

案例二：智慧城市

以城市交通为例，摄像头“感”而不“动”的原因，是因为没有计算、算法。

城市要学会思考，并且学会全局思考、学会在线思考。摄像头不能成为“近视眼”式的条件反射，要变成全时段、无盲区的协同智慧。

通过十字路口的所有的车流的速度，我们可以精准地量化在每个十字路口的交通流量交通属性。基于这个交通的通行量，我们可以判断在这个城市当中每一个节点上，当前的压力是多少，然后就知道在所有网络上的各个节点的压力，就可以有效调节信号灯的绿灯时间，把供给和需求进行实时有效的匹配。最后能做到什么？能够做到把堵点打通，然后让拥堵的时间减少。比如因为发展中国家因为交通拥堵导致救护车无法通行病人得不到及时救治而去世，针对这个问题我们通过交通信号的调节可以把挡在救护车前面的车给放行清空。

在这个案例中，我们做了一个很简单的use case，就是打通整个城市的信号问题，让每一个信号灯能够听见救护车的鸣笛，让信号灯为这辆救护车提前开绿清空车道。效果是什么？在马来西亚吉隆坡救护车的行车时间从病人的家里，可以节约233秒的时间，对于病人来说可能就是生和死的差别。当这个城市的信号能学会思考的时候，最后是老百姓得到了好处。

另外，当一个城市会全局思考了，会如何？如果只是单点的思考，你可能得到的只是一个非常简单的局部，直到全部链接在一起，会看到这个城市的每一个脉搏的跳动，在每一个十字路口和节点上发生着什么，会蔓延到哪里去。而且实时的检测每一个事件是怎么样的，蔓延开从一个单点变成一个局部甚至变成全球，然后基于这种推演迅速地产生响应方案。通过视频和移动互联网的数据，永远不下班，永远也不会疲劳，因为只要数据流来，这个计算机就始终在运算，所以这个城市任何一个时刻发生的事情，都会自动地计算推演传送到交警、城管等，24小时不间断使用。

有了全局的思考，也会带来局部的改善。例如在今天中国的任何一个中型的城市都可以看到十字路口有很多设备，地面是掩埋的线圈，天上是摄像头，还有控制开关，实时检测这个十字路口的这个交通状况。但是有一个根本性的矛盾，它是一个“近视眼”，只看到了局部的信息，它看不到上游的信息，没有联动起来，只是被动的响应当前这个路口处出现的状况，然后做亡羊补牢式的条件反射。假定我们今天有了全局思考的能力，就像一只眼睛在天上看到了这个城市所有路口的情况，而且知道了每一个拥堵的路口上有还有多少车过来的时候，也是有可能作出预防性的指示。要有一种全局观，主动介入，这是我们讲用俯视的角度，把所有的数据全局链接在一起，实时计算的时候是有可能形成一个跨网络跨区域的联动，所以在也不是在单点上小聪明，而是在整个所有的点在一起的链条上形成一个全球协同的智慧。

2016年9月15号，我们在广州市上线的一个系统，就已经做到了把拥堵指数下降19%左右，而且是在最拥堵的路段，用了互联网APP的数据交通信号，加上信号灯调控的算法，实时对接上去之后，得到的效果。所以这个例子再次给我们讲了一个现象就是，智慧城市已经进行了这么多年，有了这么多的硬件投入，积累了海量的数据的时候，如果我们还是越来越拥堵，开车的速度越来越慢，一定有哪个地方走错了。就是数据都被用来作为事后的excuse，今天我们要的是要把那些实时的数据转化为real time的actionable inside，所以就叫AI，把当前的问题解决，甚至是把未来可能出现的拥堵解决。不是给我们找事后的原因，而是让那些不好的情况压根就别发生。

穿越行业壁垒

这一张图当中列举了相当多案例，每一个案例都是用同一套方案解决的。

在一个产线上面，如果从数字化的角度去看，它流动的是很多的“数”，工艺参数，过程参数，设备状态，数据环境变量等等，我们把所有的生产记录全部拉出来，看一下历史上每一个批次产出的量和过程之间的因果关系，找到一些规则，经验特征，就有可能加上一个机器神经网络，用到工业人工智能，最后找到那些过程参数控制参数和最终的产品体量之间的因果关系，不是关联关系。有了因果关系，就有可能进行调控，在每一个因素上去下手，就有可能让结果变得更好。

在浙江杭州的一个案例中，这家企业生产一类非常传统的循环流化床，我把它内部数字化呈现，用三维的视角去看高温的分布，吹风面和煤粉在动态控制，后面我们把所有历史上燃烧的煤粉供给和吹风的数据全部拿出来，看出热量和消耗量之间的投入产出，最后寻找到最佳的控制参数和逻辑，运用到实际当中去。最后两分钟调整一次参数，燃煤效率提升2.6%，每年节省1600万。在这个当中没有任何硬件投入，有的是数据的积累，加AI算法。所以在工业产线当中的价值可能是四两拨千斤，不需要买传感器也可以做到。

我们通过几十台、几百台收音机，实时监测每一台收音机的哪一个地方不正常。以前的其实都是做信号处理，监控信号。后来我们做了一件很简单粗暴的事，做了一个能量谱，取得能量谱的平均值，然后再来对比。所以发现问题较早，就可以由30-50万的维修费减少至两三万。

这些案例其实都给我们指出了一个非常简单的公式，价值 = f(数据, 科学技术, 行业知识)，其中CEO要根据行业赛道、价值闭环、商业架构，找准价值；CTO负责技术选型、路径里程碑、Scale&Speed，来设定f；科学家们根据可行性和普适性，构建科学技术。成本的节约是有限的，而价值的创造是无限的。当云计算真正被应用于场景中时，将四两拨千斤，创造更大的价值。

这个过程当中数据一定是越来越多的，对这种数据的价值的释放和捕捉我们需要有强有力的科学技术，就是云计算。今天的海量数据已经是超越了人脑的极限，没有计算机是无法去做的，但是很遗憾在以前的我们对云计算的想象萎缩成一个简单的IT的运维托管，然后节省你的IT成本，但是，云计算最大的威力不是在IT成本的节约，而是一个规模协同的激光效应，它能够把10万台机器，一秒钟之内聚集在一起，万众一心，去看穿海量数据背后的规律。激光就有点像阿基米德把几千面镜子同时反射，把敌人的帆船给照射烧掉一样的道理。看穿了那个规律，再立刻计算，解散掉，所以这种规模协同的激光透视的效果，它能够帮我们探索到数据背后的新价值，而这也是云计算最大的威力，比拼成本的节约要来得更加令人激动。当我们把云计算的威力结合数据放到场景当中去的时候，能找到前所未有的新价值，而且可能以很软的方式，四两拨千斤。

企业怎么用AI：选择场景，先纵再横

任何一家企业当你要用AI的时候，找准痛点，选准技术锚点。

整个的痛点的转型和解决，一定是一个连续化的管理，要足够的睿智。先纵后横，选择一个单点，价值明显，可以透传到最后业务财报。把一个问题写透，赢得信任，就有可能做得更好，尤其是早期的创业者，不要过早地谈平台，更不要讲做一个生态，生态是巨无霸才可以讲的。如果过早的讲平台，就像你刚走江湖的时候要当武林盟主一样，顶多成为别人的一个笑谈而已。方法论和工具缺一不可，所有产品的价值一直在产业、实践当中证明出来的。选准问题，拆解问题，优先解最有价值的问题，最快的问题，赢得信任，再做第2个第3个问题。

第一，当我们要做产业的AI应用的时候，千万不能流于表面，需要深入到这个产业的最底层，到车间到田间，到指挥中心里面去看到它的痛点。第二，不能人云亦云，开源软件拿过来搞一个CNN调参就说自己是AI。今天的AI不再是视觉、语音，我们要有science，我们还要提高technology。最后，谁能够做时间的朋友，一定是创造了深度的价值，在这个时间节点上能够把产业带上。

敢于挑战不确定性，敢于把石头中的油榨出来，能够创造新的价值增量式

那这张图上如果你要在产业当中去，要深耕下去的时候一定有不确定性，有可能很幸运，打出来的就是有很快就出来，但是还有一种情况就是你可能碰到的是一块石头，打出来不是石油，但是以精雕细作之后发现原来是一块宝石，那么它也是有价值的。所以，我认为重新定义石油是我们要敢于把石头当中的油给榨出来。尤其是在传统产业当中，当所有人都觉得说这个产业没有什么价值的时候，你是否有勇气拿着最新的技术，去这个产业当中去寻找新的价值空间。那么答案很明确的，前面我们做了那么多的传统行业，都找到了100%价值，已经告诉我们这一点。AI在传统产业当中能够创造新的价值增量，它的威力，远远超出了我们在实验室所能想到的。当我们有了技术问题，有了这种意愿的时候，我们找准产业的方向就能够做到，advanced technology for social，创造社会性价值，普惠的价值。

问答环节

许四清：对于创业者来说，既没有算力也没有很好的算法，人工智能应该怎样起步？

肖京：大型企业如金融机构和科技公司，已经在组建自身的研发团队，大企业希望自身可以具备相应能力，以应对未来更多的需求，而不再使用外包。中小企业建立同等规模的团队是不太现实的，要先把重点领域做深，建立并发展自己的团队，吸收外部技术。只做技术是不够的，难以解决业务问题。摸着石头过河是在没有桥的状况下，在一些标准化的问题可以引入解决方案。

闵万里：创业者借助单点的AI技术来支撑估值难度越来越大，因为估值更多参考的是在产业中创造的价值。这方面小公司有大公司没有的优势，大公司讲究规模效应，小公司可以“一竿子捅到底”，扎根到一个行业做深，解决行业痛点并迅速复制，以此来规避大公司竞争。

许四清：大平台会不会从创业公司买单？

闵万里：买单者不会是阿里这样的大平台，反而是行业中有全面转型需求的企业。比如钢铁行业，在炼钢环节解决问题，最终实现数字化炼钢。

许四清：机会在传统企业之间，大的互联网巨头已经不再需要了。

中科大硅谷校友会主席崔凯云提问：人工智能发展历史上有了几次大的起伏，此次主要有什么不同，使它产生持续发展？

肖京：最大的不同是本质上产生了实际的商业价值，即产生了实际收入。比如Facebook实现的收入同平安体量相仿。

闵万里：算力大大提升且唾手可得，样本、数据在量级上也有大的提升，即具备了群众基础。开源的程序也使得可以全民参与。

东家金服CEO方以涵提问：互联网巨头是否会具有更海量的数据，使得他们能够更加领先？

肖京：从业务上讲，金融是重资本的业务，而互联网是轻资本业务，互联网公司提供往往是小额资产的业务，却不会开展大额资产业务。面临危机的更多是标准化的保险、基金等领域。互联网更多做的是中介的角色，许多业务开展也面临诸多限制，金融公司有牌照优势。未来互联网同样也会面临各方面的挑战。互联网公司优势在于对个体的了解比较深入，拥有各方面的大量数据，而金融公司拥有的数据尽管稀疏但是质量更高。

Shipstongroup董事总经理王文勇提问：人工智能中涉及的伦理问题？表面是伦理问题，本质上是应当追求谁的责任。

闵万里：目前还处在争议阶段，没有一个公认的答案。技术一定会带来这样的挑战，但这样的挑战并不可怕，相信未来会找到一个答案。今天不能太乐观地认为无人驾驶很快会到来，今天一个简单的目标的冲突，就会confuse世界上最好的自动驾驶的技术，在驾驶过程眼观六路耳听八方是一个复杂的信息处理过程，技术应当做的是不断去逼近人脑复杂处理的状态，等技术到达那个状态时，伦理问题自然会迎刃而解。

 清华大学公共研究院副院长苏国锋提问：以桥梁施工为例，如何能充分发挥AI和大数据相关性分析的能力，更有效率地使用大数据？因果关系和相关关系哪个是AI的灵魂？

肖京：因果关系非常重要，连接主义占上风是由现状决定的，海量的数据、人工智能的特点使得现今关联关系可以解决很多问题，为了解决问题使用了很多关联关系。但要理解问题的本质，一定认识因果关系。因果关系现在发展现状也是不错的，许多人在研究如何同机器学习的方法结合起来，做相关的归因分析。

闵万里：300年前这个问题已然有答案了。开普勒发现行星定律，第谷观测行星轨迹，但是牛顿提出了万有引力定律。经验主义和关联关系最终仍然要进化到肌理层面的因果关系，一个学科如果没有因果关系谈不上是科学。要通过简单的关联关系找到异常，然后通过肌理分析找到因果关系。

Hiretual创始人江海庆提问：请闵总结合工程师和投资人的经验，在投资过程中是遵守怎样的产品思路的？

闵万里：追求的是纵向技能而不是横向技能。首先要问创业者，要解的这个痛点，之前给客户带来了怎样的损失，即解决的是什么样的问题，如果没办法回答这个问题，那很可能解决的是伪需求。第二是为什么由我来解决这样一个问题，十年前为什么没人解决，比如由于时代的局限。价值创造的模式是根本之根本，价值创造的方法和工具，可能成为企业的竞争力，但不可能是企业的护城河。最大的护城河是客户的粘性，而不是算法或是产品。沿着市场、客户、痛点、价值创造、客户联系的主线摸索下去，才能笑到最后。

追问：身边许多创业失败的案例都会掉入一个问题，即产品越做越多。闵总投资产品或是项目时候遵循怎样的规律？

闵万里：B端和C端逻辑不太一样。B端来说，今天解决某个企业的痛点，不是依赖某一个工具而是方法论，即找准问题锁定痛点，再反向选择合适的工具或是产品甚至是开源工具。第一，过去做项目先忘掉有什么产品，记住自己有什么能力，第二，是询问客户有什么痛点，需要解决什么问题。第三，分析需要什么功能的工具来解决这样的问题。最后，考虑需要的工具手头是否拥有。因此SAAS应当是solution as a service而不是software as a service。

36氪氪友提问：人工智能哪些领域比较有前途？到底在具备什么特征的行业比较好，最大成本是什么？

闵万里：要找产业价值增量最大的地方，可能不是最先进的领域比如互联网、电商等领域，相反可能是在第一第二产业。第一，这些产业中的生产效率还有相当大的提升空间，第二，它们具备跳跃式发展的可能性，这样的领域可以起到立竿见影的效果。

肖京：创业一定要找到自己比较了解的技术领域，解决的问题要产生实际的商业价值，即增加价值或是降低损失。然后通过业务和技术形成完整方案，做到可复制、标准化，最终形成一个很好的产品，所有领域都有这样的机会。

许四清：第一第二产业的应用场景非常丰富，现在缺少solution而不是technology，第一必须有行业内人士，懂得行业的内在逻辑。第二个必要条件是有懂人工智能的学者、专业人士。尽量选择对人工智能接受度容纳度比较高的快车道，另外再判断赛道是否足够宽广。

肖京：人工智能应用是比较后期信息化建设的应用。第一第二产业会面临的问题是，前期信息化建设没有做好，那可能需要花很大的精力来完善前期信息化建设。

注：本期直播主办单位：中国科大校友创业投资论坛（筹）

联合主办：36氪、阿尔法公社、云岫资本、中国科大硅谷校友会、中国科大校友总会、中国科大教育基金会、中国科大创新创业学院

相关推荐

AI下半场，最根本的是创造价值，而不是算法或产品 | 超级沙龙
超市竞赛的下半场，打败你的可能是一张excel表格 | 超级观点
熬过技术积累期，智能语音的下一场争夺，是产品和渠道之战 | 超级观点
闵万里：新基建大潮下，每一条鱼都得靠数据捞上来 | 超级沙龙
AI时代的“芯”投资要与泡沫共舞 | 海松沙龙五期硬核干货
最有用的算法是减法
“亲密关系”才是社群运营的终局，拉群卖货不是 | 超级沙龙
机器的算法和人类的心法，携手创造怎样的未来？
前快手首席增长官：互联网下半场，如何破解产品的增长密码？
投资人眼中的AI公司还值钱吗？ | 超级沙龙

网址: AI下半场，最根本的是创造价值，而不是算法或产品 | 超级沙龙 http://m.xishuta.com/newsview19874.html