當前，AI發展如火如荼。然而，對於AI的應用和普及，卻是見仁見智。

　　“AI民主化的核心是將科學家在傳統實驗室完成的工作讓更多人使用，降低使用門檻，讓更多的開發者、業務人員能夠使用人工智能。”13日，在天雲大數據主辦的以“AI浪潮下，如何參與DT轉型”為主題的論壇上，該公司CEO雷濤指出。

　　人臉識別、聊天機器人，這是很多人理解的人工智能，認為人工智能就是人機交互。

　　“其實這些都是應用場景而非AI的核心，AI的核心支撐技術是圍繞機器學習構建的技術框架。”雷濤說。

　　當前，人工智能在各個領域的發展呈不平衡態勢，如無人駕駛、人臉識別及機器人等領域，因其算法與目的都很明確，又有媒體關注的推動，在資本與數據的聚焦之下容易找到最佳實踐。但針對算法紛繁復雜、數據私有與雲服務私有的商業智能領域，AI應用程度參差不齊。在雷濤看來，其實如打車軟件、基因測序、互聯網快遞等才是AI實際幫助我們解決問題的日常場景。

　　雷濤表示，手機、汽車從誕生到大規模量產的歷史表明，新技術的發展歷程往往經歷數十年乃至上百年，AI的量產也同樣面臨重重困難。據2017年《紐約時報》報道，一個剛畢業的AI工程師年薪達到了驚人的300000美元/年，而美國人的平均工資是81000美元/年。據騰訊研究院預測，到2020年，市場對AI應用的需求將增長300%。旺盛的需求，偏少的人才供給，導致AI人才成本高昂。

　　“這種情況下，隻有通過升級大規模生產工具，才有望滿足需求。”雷濤強調。舉例來說，某股份制銀行的APP背后，是該銀行多達數千人的數據科學團隊每年生產的600個機器學習模型。因此比起場景，應該更關注怎樣高效率、低成本地批量化生產模型。“畢竟負擔上千人的數據科學團隊，對於大多數企業來說都非常有挑戰。”雷濤表示。

　　5月19日，在全球人工智能大會上，Google提出的解決路徑是供給規模化的AI工具。天雲大數據同樣也提出了解決問題的規模化AI工具，通過構建支持機器學習特性的PaaS化（平台即服務）AI平台MaximAI，成功減少對數據科學家的依賴。

　　“AI不是少數人的專利，AI模型的PaaS化、智能化成為突破AI產業化應用的關鍵。未來人工智能發展更應凸顯規模化生產能力，讓企業獲取機器智能像讀書一樣簡單。”雷濤說。

分享讓更多人看到