By YU Haoyuan

近年来，人工智能（AI）技术迅猛发展，已广泛应用于外卖、移动支付等互联网领域。然而，传统产业在AI融合方面仍进展缓慢，难以真正释放其价值。

▲ 借助MLOps，AI可在传统产业中实现高效落地。（PHOTO: VCG）

AI应用的三大前提

天津大学智能与计算学部副院长朱鹏飞指出，AI的应用依赖三大要素：数据、算力和算法。其中，数据是基础，需达到一定规模；算力要支撑大规模模型训练；算法则需具备足够精度，且终端设备需拥有相应的推理能力。

以精准内容推送为例，算法精度的提升离不开海量数据支撑。在特定场景下，算法模型需持续调优与迭代，形成正向循环，才能实现更高准确率。

▲ PHOTO: VCG

为何AI难入传统产业？

知名计算机科学家吴恩达指出，除消费互联网外，其他行业在AI落地过程中普遍面临三大挑战：小样本数据、定制成本高、从概念验证到生产部署的断层。

朱鹏飞表示，传统制造业在智能化转型中，数据问题尤为突出。许多企业尚未建立数据采集系统或数据中心，导致数据碎片化严重，数量与质量均不达标。

此外，行业数据具有较高商业价值，通常被严格保密，难以流通共享，形成“信息孤岛”，制约了AI模型的优化。

▲ PHOTO: VCG

他进一步指出，开发AI模型所需的数据往往需脱敏处理，而过度脱敏会影响模型判断。同时，传统行业缺乏AI技术人才，也增加了开发难度。

为获取高质量数据，企业还需升级生产设备，实现信息化与智能化，这一过程投入大、周期长，成为AI应用的重要障碍。

破局之道：走向“数据为中心”的AI

尽管挑战重重，AI在传统产业的应用前景依然可期。当前AI发展的瓶颈已从算法转向数据质量与匹配度，传统行业应转向“数据为中心”的发展模式。

吴恩达建议企业立即着手三项工作：

1. 关注数据质量而非仅追求数量，确保数据能清晰反映AI所需学习的概念；
2. 采用“数据为中心”而非“软件为中心”的开发思路；
3. 对拟投入生产的AI项目，提前规划部署流程，并引入MLOps（机器学习运维）工具支持。

朱鹏飞提到，已有成功案例出现，如医疗领域的图像识别AI系统，可辅助医生分析CT影像，识别肿瘤等病灶，提升诊断效率。

他强调，AI技术应用必须优先保障数据质量。没有高质量数据，就无法催生真正有价值的AI应用。

Editor: SONG Ziyan