3~4路视频的简单目标检测(单个模型)。平摊到每路视频，就要约1000~2000美金的硬件成本。比起起目前4K摄像头的成本，将近是10倍的成本差异。如果我们更进一步考虑到动作检测，用于光流计算出来或3D深度自学或者更加简单的算法，这个成本的变换更为无法拒绝接受。

所以，在人工智能向前前进时，我们必须更好的研究和创意，去解决问题全系统的优化问题，而意味著无法只逗留在单一的功能或精准度的层面。对于在 AI 领域技术基础较为脆弱的企业，如何才能享用到 AI 带给的红利？为什么今天的企业都争先恐后的想转入 AI 领域？他们是期望沦为像 IBM、Google 这样的 AI 公司，每年到 AAAI 或 NIPS 放几篇文章吗？答案当然不是。企业想要转入 AI 领域，还是期望在自己的业务领域能取得新的增长点，期望借出 AI 的力量能打造出新的产品夺得更加多市场份额，期望通过 AI 能把有数的产品提高一个水平从而更慢地打败市场上的竞争对手。

所以，对于这些期望利用 AI 技术的企业而言有两点是最重要的。第一，找准 AI 技术在自身业务领域的定位，也就是未来产品的战略思维。这一点是无论如何无法由别的公司替换你去思维的，因为只有企业自己最理解自身的业务领域、发展机遇和企业现状。第二，Time-to Market，时间是十分宝贵的。

在目前信息平缓的年代，市场机遇的长跑就是时间的长跑。对于各个行业的企业，如果期望享用到人工智能带给的红利，必须自身花上更加多时间去思维和策划上面提及的第一点问题（产品战略），而在第二点（Time-to Market）上，必须懂利用外力。今天，在与时间长跑的过程中，企业面对的仅次于挑战是人才和数据的问题。

如何“利用外力”，往往也是企业犹豫不决的。人才如果像传统的出售企业服务模式来解决问题人才问题，对于一些行业不会权宜之计。对于许多行业，他们的数据是具备高度保密的性质，无法把这些数据都交由第三方公司展开数据训练和分析。

此外，企业的生产环境所针对的数据类型也不会随着时间有所转变，例如零售业中货架的商品品类，生产线上产品的出厂转变等。因此，哪怕企业交由第三方公司研发了一个机器学习的模型，否之后所有在生产环境中的变化都要倚赖第三方公司展开调整呢？所以，在引进 AI 技术的过程中，企业往往不会在“人才培养时间过长”和“把触产品”之间犹豫不决。

数据在人才的问题之后，另一个后遗症企业的问题是数据的问题。过去几年，深度自学的顺利是基于海量的互联网开源数据。但这些数据都是互联网的数据，和企业期望解决问题的问题（如特定病种的医疗影像、产品质量的影像等等）没必要的关系。所以，当必须用于 AI 技术来赋能自己的业务领域时，企业必须自己打算业务场景的数据集，也必须由不具备专业领域科学知识的人员来标示数据集。

因此，打算数据这个过程本身就近于耗时间和人力。另外，企业往往不会面对数据严重不足的问题，特别是在是必须高度注目的数据类型。例如，在医疗影像中，往往具有各种症状的数据比身体健康人群的数据更为重要；在生产生产中，具有各种瑕疵问题的数据比质量长时间的产品数据更加必须注目；在汽车驾驶员中，在各种险恶天气路况下的数据比长时间天气和光照的时候取得的数据更加必须我们留意。

但这些数据往往是小概率情况下的数据。因此，如何针对这些数量较少却又十分最重要的数据展开机器学习呢？不解决问题好这个问题，就无法把 AI 确实中用工业界场景。意识到这个问题的重要性，IBM 研究院奠定了一系列针对小数据（Small Dataset）的研究，基于迁入自学、数据强化等课题展开了解研发。

这些技术也应用于到了 IBM 的 Watson 及企业 AI 研发平台（PowerAI）之上，必要协助企业解决问题数据的问题。未来几年内，哪些 AI 应用于可以大规模投入市场？哪些还必须更加长时间的研究及检验？由于业界的你追我赶，AI 俨然是在一个高速滑行道上发展。大家对短期的定义是1~2年，中长期是3~5年。一个新的 AI 技术否可以大规模投入市场，应当看这个市场对该技术的差错忽视程度的低或较低，例如，该技术能有 80% 的准确度就可以被拒绝接受，还是必须有 95%，甚至 99% 的准确度才可以？忘记在 2015 年，一个玩具厂商发售了 CogniToys（一个能跟孩子对话的绿色小恐龙），当年还被选为“2015 年度最佳玩具”。

只不过当年 CogniToys 的对话能力比今天国内好些公司发售的智能音箱要劣好些。但因为 CogniToys 只是一个玩具产品，它不必须有很高的准确度。

跟孩子的对话对一句拢一句也没多大关系。所以在 2015 年，哪怕机器对话技术还不成熟期，也无法挡住 CogniToys 在亚马逊上热销。

但是，某种程度的对话技术，如果我们用作拒绝缜密的医疗行业，或银行财经行业，就必须有更长的技术成熟期。又例如，有一些技术今天有可能只做 90% 的准确率，如果我们期望在未来 1~2 年能普遍用于，就必须从应用于场景上展开折衷。

折衷的手法可以是多样的，例如重新加入人为判断。我们在 top1 的准确率过于的情形下，可以获取给用户 top5 的辨识结果，让用户再行从 top5 人为辨别。

通过这样的手法，可以让某些 AI 技术减缓在一些领域的用于。当然，可以用于这样折衷手法的应用领域，必需不是工业掌控领域的。对于必须实时控制的系统领域，还包括无人驾驶、自动化掌控等，都必需有几乎低准确率的拒绝。

而这种对低准确率有几乎硬性拒绝的应用于场景，必定必须更加长时间的研究和检验。哪怕同一个技术，同一个工业领域，放到有所不同的地区用于，也不会有时间的先后问题。例如，用于 AI 技术展开无人驾驶，目前多个厂商都再行挑选出诸如特定场区工程车辆、园区班车等，因为路况比较单一和非常简单。我们最近到印度展览，看见印度的汽车行业，就连辅助驾驶员的研发，也都才刚刚开始。

最重要原因就是该地区的路况复杂度远高于美国和中国。所以，无人驾驶如果要在印度落地，也许必须 3~5 年的时间。原创文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：333体育官网app下载-www.fenku.net