落地到泥土：重新审视人工智能产业应用的真问题

上个月跑了长三角四个城市的十多家制造、零售企业，见了二十多个负责数字化转型的负责人，聊出来的感受和网上看到的完全不一样。 满屏都是AI改写行业的新闻，轮到真金白银投进去，十个里面有七个赚不回成本。 剩下三个，也都是半用半放，没敢全铺开。

不是所有场景都需要大参数模型

很多企业负责人一提起AI，开口就是千亿参数大模型，仿佛不用大模型就是落伍。 上个月在南京溧水的电动车轮毂配件厂，老板拉着我吐槽了快两个小时。去年为了拿智能制造的补贴，花八十万上线了一套基于大模型的质检系统，说是能识别所有类型的缺陷，结果跑了三个月，不良品漏检率比原来十万块的传统机器视觉系统还高七个百分点。 为什么？ 这个厂做的轮毂，十年了型号就那十二个，缺陷类型就裂纹、气泡、划痕三种，根本不需要大模型处理未知场景的泛化能力。大模型参数多，对算力要求高，一条生产线的推理延迟比原来高了三倍，产能反而掉了两个百分点。 电动车轮毂AI质检生产线实拍 说白了就是为了凑概念拿补贴，根本没对着自己的问题选技术。 现在很多产业链上的中小企业，被AI服务商忽悠得晕头转向，以为越大的模型越好，忘了自己要解决的问题是什么。 技术的匹配度，永远比参数大小重要。服装厂里算面料裁剪利用率，几十年的运筹学算法准确率就到百分之九十七了，犯不着用大模型再重新训练一遍，花那个冤枉钱干嘛？ 当然不是说大模型没用，大模型的优势在处理开放域问题，比如车企的智能客服，要应对用户五花八门的提问，原来的规则匹配根本应付不过来，这时候大模型的价值就出来了。但要是封闭域的标准化问题，传统技术就能解决得很好，硬上AI，纯属自找麻烦。

隐形的天花板：应用落地的合规边界

很多人谈落地，只讲技术能做到什么，从来不提不能做什么。 去年接触到浙江一家做生鲜连锁的企业，花了半年时间训练了一个基于用户消费行为的补货预测模型，能把单店的库存周转提升百分之十五，看着非常好，结果上线不到三个月，就因为数据合规问题被叫停了。 原来他们训练模型用的用户行为数据，是从第三方数据商手里买的，很多数据收集的时候根本没获得用户授权，属于不合规数据。模型下线，前后小两百万打了水漂，连说理的地方都没有。 数据合规不是事后补的手续，是人工智能产业落地的前置条件。很多应用看起来技术上可行，实则踩了数据产权的红线，根本没法商用。 现在很多做To B AI服务的公司，都喜欢拿公共数据集训练的模型来演示效果，准确率做得特别漂亮，等到了客户现场，客户拿不出符合合规要求的足量标注数据，最后模型效果打对折都不止。 还有一个很容易被忽略的边界，就是模型的决策可解释性。金融行业做信贷审批，用AI模型过风控，要是模型给出一个拒贷结果，你得说清楚为什么拒，要是黑箱模型，根本没法符合监管要求，再好的准确率也没法用。这个就是应用边界，技术再先进，碰了监管红线，也落不了地。 产业AI数据合规审核流程示意图 不过话说回来，合规不是给落地找麻烦，是筛掉那些假项目，真给能落地的项目让路。不合规的项目做越大，最后坑越大。

下一段落地的重心：轻量改造的细分场景

下一段落地的重心：轻量改造的细分场景 这一圈跑下来，真正赚钱的AI项目，都不是那种整厂替换的大项目，都是针对细分痛点的轻量改造。 苏南有一家做园林植保的公司，原来的生意是卖农药卖设备，雇了几十个老植保员，每天跑各个公园和小区看病虫害，老植保员退休了，年轻人没人愿意干，招人都招不到。后来他们找了一家本地的AI团队，把十几万张病虫害的照片标注出来，训练了一个不到一百M的小模型，直接嵌到植保无人机的边缘芯片里，无人机飞一圈，就能现场识别出哪棵树有什么病虫害，该用多少药，直接就能作业，不需要把数据传回云端，延迟低，数据也不会外流。 现在他们的服务成本降了六成，接单量翻了三倍，原来的老问题，用一个轻量的AI模型就解决了。 这样的例子还有很多。物流公司给货车做防疲劳驾驶监测，不需要大模型，只要能识别打哈欠闭眼就能解决问题，小模型嵌到摄像头里就行，成本才一百多块一个，比原来的人盯车便宜太多。 很多人说现在AI落地难，其实难的不是技术，是大家都盯着那些能上热搜的大项目，看不起这些小而美的细分场景。 这些细分场景，需求明确，数据好拿，合规风险低，投入不大，见效还快，恰恰是现在最适合落地的方向。 至于未来，肯定会有越来越多的场景被AI改造，但改造不是推倒重来，是顺着原来的产业逻辑，一点点补进去，一点点提效率。太急着翻盘子，最后摔疼的肯定是自己。