今天不AI 明天被淘汰
在AI技术的引导下，军事上先进与落后的差距将会成为碾压的存在，充分利用AI的自动武器将会碾压人类操作的武器，就好比火器成熟后碾压冷兵器一样。火器从可用走向成熟，需要上百年，但AI的成熟，大概远比我们想象中还要快。
AI近几年首先在与互联网紧密相关的互联网企业、电商、新闻网、移动APP等方面获得蓬勃发展。很难想象，如果没有AI、没有大数据，淘宝将需要多少人工成本才能管理成千上万的商家，新闻网站将需要多少编辑才能根据你的浏览记录推荐给你喜欢的信息。最为重要的是，每个用户看到的推送内容还不一样，是“千人千面”，而不是像之前传统的标准化统一界面。也就是说AI实现了规模化的个性化服务，而这样的事情如果通过传统人工去做，耗费的成本将高得吓人，但如果应用AI，就可以让机器自动的去学习去完成。 由此可以看出AI所带来的几个重要意义： 1、AI极大的提高了效率。因为AI可以让机器可以像人一样快速学习，甚至比人在很多领域的效率提升速度更快。因此我们会看到AI积极推进应用者如百度、腾讯、阿里巴巴的服务效率、服务水平和满意度会比传统的石油、化工、建材、家政等高得多。
2、实现了传统中难以达到的规模个性化服务，可以满足海量客户的各种需要。比如搜索引擎，它可以根据用户的搜索历史以及个人性格特征和背景资料，显现出符合你个人口味的相应内容，且越来越精准。
3、在为海量用户提供个性化服务的同时，相应成本并没有提升，这是非常重要的标准，否则不可能达到今天的规模，也无法具备强大的盈利能力。
AV行业的AI意愿不强
既然AI可以带来如此大的好处，那就赶快在专业AV上用起来吧。但事实上，我们发现AV行业对于AI的应用意愿并不强，为什么呢？
首先，大多数AV公司高层并没有意识到AI对于公司发展的重要性，也就是没有找到通过AI实现盈利增长或大幅提高效率的点。通过传统人工进行生产营销、了解需求、预测决策仍然是目前的主要方式。
其次，专业技术知识和相关人才的缺失。目前中国只有不到30所大学的研究实验室专注于AI，输出人才的数量远远无法满足AI企业的用人需求；而中国的AI科学家大多集中于计算机视觉和语音识别等领域，造成其他领域的人才相对匮乏，其中能将AI知识转化为商业应用价值的人才就更为紧缺。
据报道，国内一家芯片厂商意识到用AI分析制造测试过程中的大量数据，将有助于改进生产流程并降低残次率，但由于缺乏既懂半导体技术又懂AI的人才，这一想法至今没能付诸实施。此外，应用AI也需要企业决策者和中层管理者学习相应的新技能，否则就无法对AI产生认识并付之行动。
再次，实施成本较高。AI并不是一蹴而就的，它需要相当时间进行论证、进行数据的收集积累、算法的优化和系统迭代改进；需要投入不少资金进行分布实施、购买系统工具、高薪聘用专业人才；需要花很大精力说服用户接受较高的AI产品价格并愿意提供信息反馈数据。综合核算成本，对于企业来说并不合算。尤其是在人工成本较低时，引入AI技术、提高效率、精简人工流程的需求就更显得不那么迫切了。
不重视AI 终将落后
尽管AI在AV行业还没有显现出极大的威力、或者说还没有产生杀手级的应用，但还是建议业者应该重视起来并开始着手做准备。为什么这么说？因为这是一种趋势，一种你无论愿不愿意，它都会到来的趋势。它的效力十分强大，当它真正发挥出作用时，所形成的优势会让未实施AI的对手几乎没有还手之力。百度李彦宏甚至用“AI思维做产品，就是降维攻击”来强调AI的重要性。
“AI带来的优势与传统完全不同，它是叠加型的。”阿里巴巴前执行副总裁、湖畔大学教育长曾鸣表示。 他的理由在于： 1、AI通过对大数据的分析整理判断会变得越来越聪明，因为它是7×24小时不间断的学习，所以这种学习效应是乘法叠加的，远超于传统的低效学习方式；
2、AI所需的数据跟物质有一个根本差别，就是数据复制和使用的边际成本近乎为零，因此数据信息可以非常快地在网络上传播，而数据传播使用过程就是一个增值过程。如谁看了，有多少人看，本身就具有很大的价值，如果这个人再点个赞、写个评语、转发一下，整个数据信息的价值就更加以几何级数上升。这就是为什么任何互动产品的设计都非常有价值，因为它是通过数据信息的消费，变成了数据信息的再生产和再创造，从而产生出更具用户视角的产品价值。
所以AI领先的企业具有的优势叠加优势产生的效能提升是非常巨大的，这也是当淘宝、京东这些AI互联网企业起来的时候，它对于传统商业机会是碾压式的原因，因为它所创造的价值和量级完全不一样。
当前AV行业，基本上还是人工决策、机器执行的方式。而AI则是机器决策、机器执行，这意味什么？这意味着AI将会取代相当部分人所做的工作，这也是很多人恐慌今后会不会失业、某些行业是否会消失的忧虑所在。事实上也确实出现了这样的苗头：如阿里巴巴和京东的线下无人结账超市已经开始试运行；有些餐厅实现了自动点餐和机器自动送餐的服务；地铁、飞机、汽车等无人驾驶正在试运营；富士康智能自动化无人工厂的的出现。这都让与之紧密相关的职业如：收银员、餐饮服务员、驾驶员、工人等岗位面临着被取代的危险。
然而这又是无法回避和避免的事情，因为这是趋势，无论是企业还是个人，只有顺势而为，认同AI、应用AI，才能生存下去，否则就会被对手的“降维攻击”打得落花流水。
当然现在说纯粹的机器决策，还为时尚早，但机器在决策中所占的比重一定会越来越高，今后一定会
有越来越多的环节会由机器来做决策。可能有人觉得， AI与之前的BI商业智能差不多嘛，其实完全是两回事。不少企业的BI部门，它的任务是分析数据，提供决策支持，服务的核心人群是高管，而AI强调的是运营决策直接由机器决定，而不是人，这是非常重要差别。比如淘宝有近百亿件商品、上千万个商家，如何给用户展示商品？不可能由人来做，也做不了，只能是由AI来做。所以很多复杂的业务，在传统形式下人是不可能完成的，只能在新的运营模式中由AI来实现决策。今后公司进行决策时可以增加一个评判标准：就是原来由人做的环节，能否被AI取代，如果能做到，就是效率的一次飞跃。
如何启动AI
对于传统企业向AI企业升级，曾鸣给出了几点指南，我认为对于AV行业也是适用的。1、尽可能的网络化；2、尽可能地引入机器学习的效应；2、在网络扩张中，尽可能的用机器决策取代人工决策。4、能否让自身数据与更多的不同类型的数据产生交换，是否能创造出另外的价值。
毋庸置疑，今后会有越来越多的设备会与网络连接，直至所有。这其中也包括现有的AV设备：如投影机、平板、扬声器、矩阵、会议系统等等都无一例外。AV网络化的意义不只是设备可以实现网络连接，设备与设备之间互联互通，更重要的是可以通过网络获取大量的、广泛的数据。
AI之所以称为人工智能，就在于它具备了从数据中挖掘知识、学习知识的能力。此外，AI要发挥作用，数据的质量和数量必须达到一定要求，如果达不到一定的规模，其AI链条是打不通的。如阿里巴巴早期规模达不到的时候，就很难启动竞价广告、金融、菜鸟物流等。因此只有充足的数据才会极大提升AI设备学习人类想法和感受的效率，加速学习曲线，并提高数据分析的自动化能力和准确度。过去AV行业获取的数据有限，而且数据样本也并不总是真实数据，而通过网络化，可以大大缓解这方面的不足，极大的推动AI在AV的落地应用。
获得数据后如何进行AI应用是一个难题，现在很多AV企业之所以不积极的原因之一，就是不知道如何应用。事实上很多行业都存在这个问题。AI问题的复杂性之一就在于结果的不确定性，而具备AI背景的产品经理也非常少，不能够很好地判断价值与方向，进而导致相关产品或项目的搁置。这就涉及到人才引入和培养的问题，如果企业内部没有了解AI的经理人，那快速的方法 就是空降引入，同时可以尝试鼓励优秀的AI科学家和工程师去主导相关产品的开发，在业务的指引下，充分发挥专业人才的积极性，探索可行的方向。
在此列举几个可应用的环节，希望对行业有所启发。如：AV企业可以利用AI提高生产效率和良品率。过去生产中出现问题，主要依靠人工分析寻找原因。通过AI机器学习可以以远胜人工的速度完成这项任务，其算法能够筛选成千上万的数据点以找出残次芯片的共同特征。同时AI还能通过测故障、找出瓶颈,优化算法，对供应链、物流工作流和布局进行了改造，使之更为高效，从而为自动化流程和决策创造出巨大效益。
此外，利用AI还可以使产品更符合用户需求。之前的产品设计需求，主要通过人工调研、交流、访谈、各种行业预测或调查报道获得。现在通过网络化、数据化，就有了新的玩法，可以根据产品设备传输回来的大量真实用户的使用结果和记录数据，从中寻找规律，识别出不同纪录的可能含义以及对应的需求问题，从而提炼出需求建议和决策。
另外，AI还能用于提高销售效率。据报道， Udacity的ai聊天销售支持系统可以让销售人员效率提高54%，一次可以服务两倍的客户。公司创始人Sebastian Thrun表示，他发现一些销售人员在回复聊天时要比其他人更加高效。于是就把他们的聊天日志作为训练数据进行收集，有互动的被标示为成功，其他的则标示为失败。使用这些数据成功的销售人员会反馈到系统中，以促进其销售人员使用，经过1000个训练周期，销售人员的效率提高了54%，一次可以服务两倍的客户。如今AI聊天销售支持系统已经可以实现自我迭代并可以实时给销售人员提出提高效益的建议。
总结
通过本文一些抛砖引玉的观点，希望可以引发AV行业对于AI的重视，认识到这是一场变革，一个必然的趋势。最后用一个事例来结束本文：如今中美两国都在研发第六代战机。那么第六代战机的核心技术是什么？就是AI。通过人工决策和AI技术的结合，一架有人的战机可以指挥多架无人机集群联合作战。在AI技术的引导下，军事上先进与落后的差距将会成为碾压的存在，充分利用AI的自动武器将会碾压人类操作的武器，就好比火器成熟后碾压冷兵器一样。火器从可用走向成熟，需要上百年，但AI的成熟，大概不需要这么久。