無論是從豐富度還是完善度，AI算法已經(jīng)邁出了基礎儲備階段，除了虛擬人、智能客服以外，AI產(chǎn)品已經(jīng)滲透進我們生活的方方面面。那么，AI基建究竟融入到什么業(yè)務場景了呢？AI產(chǎn)品SaaS化，可行嗎？本文展開探討。

與深度學習浪潮開始掀起的2015年相比，AI算法不論是豐富度還是完善度，都已邁出了基礎儲備階段，開始走向與行業(yè)實際業(yè)務結合的新階段。

除開智能客服、虛擬人物等不同范疇下的AI技術延展外，事實上的AI技術，早已經(jīng)走入生活中的方方面面。甚至于，在習以為常的各類生活基建之中，都遍布著日常無法感知到的AI痕跡。

AI技術的真正落地，已經(jīng)融入到了哪些基建中？“AI+”究竟如何融入業(yè)務場景？

01 大基建企業(yè)的業(yè)務模型

在中國，國有經(jīng)濟是國民經(jīng)濟的主導力量。

高中階段教科書的定義，已經(jīng)顯露出國內真正意義上的“大B行業(yè)”的真實屬性。以商業(yè)語言翻譯，即掌握著用電流、出行流、大宗商品流、糧食流等重要社會需求流、真正意義上事關國計民生的骨干國企。

與市場自我調控背景下的同類型企業(yè)相比，國內這類企業(yè)的通用模型運營邏輯截然不同。

以電力公司為例，同樣暴雪天氣遭遇斷電危機，美國電力公司會選擇等待雪災結束再進行維修，以此降低維修成本，企業(yè)評估行動的業(yè)務邏輯依舊以成本、營收等市場元素為主；而中國電網(wǎng)的選擇則是建立堅強智能電網(wǎng)，以特高壓輸電的方式解決單數(shù)或復數(shù)網(wǎng)點故障引發(fā)的斷電問題，企業(yè)評估行動的業(yè)務邏輯則以維護、支撐等社會職能為主。

為此，構建出能夠真正理解這類“大B行業(yè)”大型企業(yè)的通用模型，至關重要。

從業(yè)務實際行動出發(fā)，大部分基建性企業(yè)的業(yè)務模型，可以視為“規(guī)劃-建設-管理-養(yǎng)護”四個階段，從而延伸出來兩個基本業(yè)務職能——巡檢、修理、養(yǎng)護等維護職能，與應急處理、態(tài)勢判斷、收費社會責任等支撐職能，以此完成對社會要素性流量的掌控。

厘清業(yè)務的通用模型后，這類企業(yè)的業(yè)務底層邏輯自然顯現(xiàn)。營收是必要但非核心，真正底層邏輯在于實現(xiàn)企業(yè)在某一業(yè)務場景中的“盡職免責”。

因此，對于這類本質上是運營型企業(yè)的大型企業(yè)而言，常規(guī)的技術邏輯并不完全適用。

一方面，大型企業(yè)們的行業(yè)傳統(tǒng)規(guī)則，建立設計院設計-總包集成-分包監(jiān)理的模型基礎上，互聯(lián)網(wǎng)模式直接聯(lián)入只會水土不服；另一方面，行業(yè)性標準、參數(shù)的產(chǎn)品參考系，與純商業(yè)化模式的評判標準并不兼容，需要以融入行業(yè)的產(chǎn)品語言重新建立認知。

留給新勢力改變認知的破局入口，在試點上。通過合作試點的路徑，將自身產(chǎn)品晉升為可以推動資質、標準認可的業(yè)內“標品”，比如將維護預測能力、狀態(tài)敘述能力、場景畫像能力等等不同傳統(tǒng)電子設備無法提供的智能化特點提煉至產(chǎn)品中，成為數(shù)字化管理轉型過程中的產(chǎn)品基礎。

此外，作為不具備技術基底的運營型企業(yè)，大型企業(yè)們需要更為貼身的服務價值。不同職能和業(yè)務場景，致使企業(yè)需求的產(chǎn)品服務功能呈現(xiàn)出碎片化的特點，交通場景中的道路維護、信號管控，城市場景中的消防聯(lián)動、照明管理等等，都需要AI產(chǎn)品具有相當?shù)馁N身度，以此進一步釋放數(shù)據(jù)這一實際業(yè)務對象。

以之為錨，AI+業(yè)務的可行性認知已被初步建立：標品即產(chǎn)品，定制即服務。

02 大型企業(yè)市場需要什么產(chǎn)品？

大型企業(yè)市場到底需要什么樣的AI產(chǎn)品？

一個需要清晰認知的信息點在于，大型企業(yè)們本身是真正意義上的大數(shù)據(jù)擁有者，并且是大數(shù)據(jù)賦能可以真實落地的場景。

這需要AI的算法真正融合到業(yè)務中去，而不是單純進行兩個名次的排列組合。畢竟，普通人其實很難想象現(xiàn)實生活場景中到底有多少數(shù)據(jù)誕生，基于數(shù)據(jù)又有多少業(yè)務需求產(chǎn)生。

以交通行業(yè)舉例。城市化進程至今，市內交通路徑設計構建已經(jīng)基本完成，但伴隨著汽車保有量的連年上升，交通管理運營中呈現(xiàn)出的新問題越來越多：道路交通事件感知薄弱、道路信息采集能力不足、潮汐交通管控不精準、實時路網(wǎng)運行狀態(tài)掌握不全面等等。

與此同時，盡管攝像頭等初代電子設備已經(jīng)完成全國部署，并且基本嵌入運營體系，但依舊存在路段業(yè)務平臺相互獨立、數(shù)據(jù)不互通、業(yè)務結果不共享等痛點，在整體業(yè)務環(huán)境中存在相當數(shù)量的信息“孤島”，已經(jīng)部署完畢的數(shù)據(jù)感知設備和實際的數(shù)據(jù)分析研判能力存在逆差。

這意味著，AI產(chǎn)品的呈現(xiàn)，不再是AI Module里專業(yè)規(guī)范的算法稱呼，而是具體到實際場景的功能翻譯。更直白地說，懂業(yè)務遠比懂技術更重要。再厲害的人臉識別技術，對于需求方來說并無明確的價值認知；相反，可以分析預測單個攝像設備下人流密度、異常行為的能力，更為直觀。

真正符合大型企業(yè)客戶的AI產(chǎn)品，是需要以自身的算法模型資源，打通已沉淀的數(shù)據(jù)資源，幫助客戶建立深入到實際業(yè)務的應用資源，并卻具備有足夠迭代空間的通用適配能力。

AI產(chǎn)品的技術價值，需要服從于場景化的業(yè)務價值，將單算法、單設備的價值，具象到實際的業(yè)務場景中去。

也正基于此，大型企業(yè)客戶需要的AI產(chǎn)品，是能夠真正把客戶業(yè)務還原到數(shù)字領域中，以此解決客戶問題的“高內聚松耦合”標品 。

03 AI實現(xiàn)SaaS化的可行性

國家電網(wǎng)的AI業(yè)務中，已經(jīng)實現(xiàn)了“服務化進入”的商業(yè)迭代，可以視作AI實現(xiàn)SaaS化的前序。

在這段商業(yè)實踐中，呈現(xiàn)出了相當具備可行性的AI實現(xiàn)SaaS化路徑思考。

從客戶需求角度出發(fā)，大型企業(yè)的通用模型已被破解，資產(chǎn)與運營兩條業(yè)務主線也被厘清，AI技術能夠進行加持的范疇，歸束在了對于資產(chǎn)與運營的數(shù)字化。

數(shù)字化的體現(xiàn)，集中在產(chǎn)品、技術的智能表達，已經(jīng)有足夠數(shù)量的傳統(tǒng)IT企業(yè)與互聯(lián)網(wǎng)新勢力提供，而對于數(shù)字化轉型的結果優(yōu)化、實際業(yè)務的智慧賦能，成為更精細化的價值交付。

這一過程中，“KNOW-HOW”的業(yè)務需求翻譯力顯得尤為重要。而AI實現(xiàn)SaaS化的關鍵，就在于AI模型的分野。AI模型可以分為通用AI模型與行業(yè)AI模型兩類。

其中，通用AI模型即以阿里云為代表的公有云，通過將視覺圖像、智能智能、語言技術、智能增長等更為通用常見下的AI模型API化，以此應對更為廣泛的業(yè)務流量。

行業(yè)AI模型，則是更深入業(yè)務使用、解決實際問題的部分。如預測性養(yǎng)護模型、誤差預測模型、需求預測模型、流程優(yōu)化模型、工作流推薦模型、流量平衡模型等等，為某一規(guī)?；瘶I(yè)務場景提供算法與平臺融合、產(chǎn)品和服務雙端支持的解決方案，讓其具備了SaaS化可能。

跳出大型企業(yè)類目放眼整個AI行業(yè)，當前AI領域的公司，按產(chǎn)品功能劃分，可大致分成三類：一類是傳統(tǒng)IT硬件廠商，提供硬件產(chǎn)品+智能控制的解決方案；另一類則是AI巨頭公司，核心業(yè)務能力在于基礎算法的研發(fā)與積累；其余的便是浦和數(shù)據(jù)這類，為客戶提供聚焦到實際場景的業(yè)務應用型服務，尋求技術產(chǎn)業(yè)化、業(yè)務化的企業(yè)。

傳統(tǒng)AI頭部企業(yè)的核心優(yōu)勢，在于底層算法的開發(fā)研究，產(chǎn)品拓展性極強，但距離行業(yè)內許多業(yè)務問題的解決應用還保持著相當?shù)木嚯x。

而SaaS核心在于產(chǎn)品即服務，AI走向SaaS化，需要有產(chǎn)業(yè)know-how的廠商實現(xiàn)技術能力落地，真正將AI下沉到行業(yè)具體業(yè)務的毛細血管中，將通用的技術語言，轉譯成實際業(yè)務需求，以此適配真實業(yè)務場景和運行邏輯。