人工智能技术场景体系层级划分图谱（2023版）
扫描分享
本文共字，预计阅读时间。根据2020年人工智能的最新发展趋势，梳理出了人工智能技术场景体系层级划分图谱（2020版），可以作为人工智能技术系统学习或者场景落地的“思维导图”式示例参考使用。
图：人工智能的技术层级划分
人工智能从感知和认知两方面模拟人类智慧，赋予机器学习以及推断能力，具体来说，就是让机器会听（不同的语音识别、翻译等）、会看（图像识别、人脸识别、证件识别、文字识别等）、会学习（机器学习、自然语言处理、知识图谱等）、会行动（无人驾驶、机器人等）、会思考（智能考试、阅卷、人机对弈等）。
ABCDI(A人工智能、B区块链、C云计算、D大数据、InternetofThing物联网）等新技术协同发展，成为能够真正改变现有人类社会生产工艺的科学技术。
人工智能的技术场景体系，从整体上概括，可以划分为纵向和横向两个维度：
再进一步具体细分，人工智能技术场景体系层级划分（2020）可以分成三层，具体包括了AI基础层、AI技术层、AI应用层。
其中：
AI基础层：包括硬件设施、算力平台、数据资源等。硬件主要是为人工智能应用提供强大的算力支撑，包括计算资源如GPU、FPGA、AISC等加速芯片，网络资源，存储资源，以及各种传感器件；系统平台包括操作系统、云计算平台、大数据平台等；数据资源为当前的人工智能技术提供了充足的数据支持。
AI技术层：包括AI框架、理论算法、应用算法、AI技术细分方向等。底层包括国内外主流AI框架等；以学术界和大型互联网公司为代表，对人工智能的底层理论算法的研究，包括近年来比较主流的深度神经网络算法、图算法等，正是因为这些基础理论取得突破，才使得当下人工智能产业取得突飞猛进的发展；应用算法层主要的研究领域包括计算机视觉、语音识别、自然语言处理、知识图谱、决策判别等，涉及感知、认知、思维、决策不同的智能方向；在每个研究领域中，又有很多细分技术研究方向等。AI技术层是目前整个人工智能产业中最核心的部分，这些技术直接决定了行业应用落地的效果。
AI应用层：包括智能方案、智能场景等。人工智能技术与行业深度结合，针对TOB与TOB具体的场景实现智能化，目前主要的应用行业领域包括金融、安防、政府、医疗、交通、教育、互联网、电力、互联网等，未来将会拓展到更多的领域。
东方林语人工智能技术场景体系层级划分（2020），整体技术框架图谱如下：
人工智能技术，为人类进步提供了更好的工具，但只有在实际场景中能够解决具体问题，才能真正产生相应的价值。
因此寻找合适的商业场景是人工智能技术落地的关键环节，需要数据、场景与工程技术能力的紧密结合，从场景应用价值、技术标准建设、产品综合性能、安全与隐私等综合考虑。
根据艾瑞咨询2019年的报告，人工智能围绕8个领域，10个行业，做了一个比价客观的评估，可以作为行业落地的重要参考与借鉴标准。
图：人工智能行业落地主要场景领域
当前，人工智能，已经在金融、安防、营销、医疗、交通、客服、零售、制造、农业等，根据成熟度不同，已经在不同场景，体现了不同的价值。
图：人工智能各行业落地成熟度
相关更多厂商及场景落地价值方案，可以参考微信公众号“东方林语”人工智能原创系列解读文章，或者下方未央网专栏文章（点击进入阅读）：
2020年人工智能+安全隐私行业发展报告
立即报名以上信息我们将会严格保密，报名结果以官方通知为准，感谢您对未央网的信任与支持！
非常感谢您的报名，请您扫描下方二维码进入沙龙分享群。
非常感谢您的报名，请您点击下方链接保存课件。
点击下载金融科技大讲堂课件[Source]本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意。人工智能：人工智能的四个层次
前面我们分析了人工智能的行业格局，见《凯哥讲人工智能：行业格局》，了解了人工智能的发展，带来了软件技术行业的一次革命，所有的企业都希望在这一次革***弯道超车，快速建立起自己的相关的能力。
和众多企业CIO和信息化同业人士沟通，凯哥发现，在人工智能的话题上，普遍存在两种极端的认知：
***论者：这一类认知认为人工智能是灵丹妙药，并且是通用的灵丹妙药，不管什么问题，只要上了AI了，就一定能搞定，搞不定那就是你能力不行。这一类凯哥称为***论者。
无用论者：这一类认知认为人工智能是纯忽悠，是概念，本质上和传统的数据分析，BI没有太大区别，所以对人工智能技术带着抵触和抗拒的情绪，一听到人工智能就觉得不靠谱，肯定是忽悠钱来的。这一类，凯哥称为忽悠论者。
但是，人工智能在应用上到底能发挥什么作用，靠谱不靠谱，我们应该如何去认知人工智能技术对于业务的驱动作用呢？
我们要理解人工智能从本源到应用过程，理解它的结构，从而客观的认知这个问题。
人工智能应用的四个层次
凯哥把人工智能人工智能技术的应用分成四个层次：
从下往上，分别是：
***层，学术论文层：
***层是学术论文层，就是纯理论的数学、计算科学相关的算法论文，这是人工智能产业的基石。这一层就可以比喻成人工智能领域的理论基础，一篇论文可能会给多个领域带来影响，比如现在非常流行的深度学习，其中很重要的一篇论文，是Hinton在2015年的论文《DeepLearning》，对于语言识别、物体识别、目标检测以及药物发现、基因组合等方向都有促进。这一个层次的能力主要在学术领域，研究机构，比如斯坦福，哈佛等。而大部分的企业所应用的算法，在底层都是类似的，很多经典的算法甚至都已经存在了20年以上。这些论文是公开的，开放使用的，在这个层次来讲，所有的非研究性机构和企业差异都不大，。
比如，全球***的跟人工智能相关的***论文大会清单如下：
比如这里面的ACL大会，是自然语言处理领域全球最***的会议，每年都能产生一些很有影响力的论文从而改变和促进自然语言处理技术的发展。
2018年的ACL大会，在墨尔本举办：
我很欣喜的看到，近几年的国际***学术会议的赞助商中，有很多我们中国的企业了，比如ACL2018的***赞助商里出现了今日头条这样的中国企业。
学术算法层有几个特性：
基础性学术论文层的能力，往往是非常基础的理论，解决的是某一个理论领域的基础性问题。
通用性这个层次的成果，很多时候能够在多个细分领域应用，具有一定的通用性。
持续性程序语言本身会不断地进化，而论文本身则有一定的持续性。随着编程语言，工程技术的发展，对一篇论文算法的实现经常是持续优化的。
总结一下，学术算法层是人工智能现阶段的核心层，目前大部分人工智能所应用的算法都是公开通用的，很多经典的算法都已经存在了十几年以上。
在人工智能的商业应用行业里，这一层大家的差异都不是很大，基础都差不多。
第二层，工程实现层：
有软件编程能力的工程师（一般我们叫他们数据科学家）将***层的论文学术成果实现成工程代码，从而能够被软件所调用。这一层是人工智能的核心能力层，同样的算法，不同的工程代码实现的效果，速度是有差异的，也会影响在软件中的应用。软件工程能力直接决定了这些算法的优化程度。
比如CNN的算法相关的实现在GitHub上就有不下15000种，见下图所示：
***层学术算法层，大部分的人工智能从业公司差距都不大，基本上使用的都是公开的通用的算法。所以第二层，工程实现层是区分能力的一个关键分水岭，如何将算法实现的***化，效率更高？工程能力很重要。
第三层，平台服务层：
当业务被数字化后，我们发现，很多原来跨行业的场景其实在底层的算法层有很多类似的地方，比如异常检测的场景，在审计预警和预测检修这样两个跨行业的应用中有很大的趋同性，只是训练和处理的业务数据本身的差异。为了让人工智能技术能够更快，更高效的被业务所使用，就出现了AIasaService的平台服务层。
有公有服务平台，比如百度大脑，阿里云，腾讯，同时众多的大型企业也在构建自己的私有智能服务平台。平台服务层主要的作用是算法和模型服务化，更容易的被各种场景所调用。
第四层，业务应用层：
所有的技术都是要为了业务去创造价值，人工智能一定要在适当的业务场景中才能发挥作用。这一层是可以直接由第二层工程实现层构建而来的，并不一定需要经过平台服务层。
所有的企业都意识到智能时代的来临，希望用人工智能技术赋能自己的业务，加速数字化转型工作。
结合上面的四个层次的总结，我们可以得出几个关键发现：
业务场景是人工智能产生价值的最重要的基础场景选对了，就成功了一半。智能类项目拥有不确定性，有限投资要定位到合适的业务场景，那就是业务价值高，投入产出比高，数据和技术成熟的场景。而一点依赖于对企业战略的认知，业务的深刻理解，需要很强的业务能力和战略思考能力。所以在企业进行人工智能投资的时候，我们建议早期启动一个智能探索的敏捷规划项目，识别和定位业务场景，进行早期成熟度调研，效果预言，从而尽可能的保证投资的有效性和价值。
工程实现是将人工智能应用到场景的核心能力选择对了场景是成功的***步，最终，我们的人工智能的价值是需要通过软件服务，应用的方式提供给用户的。所以，这就意味着，这个软件需要具备顺畅的流程，用户体验要好，运行速度要快，系统要稳定安全，否则一个有缺陷，体验很差的应用是不会被用户所持续使用的，那么人工智能投资依旧是失败的。所以工程实现是将人工智能应用到场景产生价值的核心能力，这里就包括业务需求分析、用户体验设计、软件技术架构、开发测试上线部署，持续的运营和运维能力。我们的实践统计，一个人工智能的应用项目，智能算法部分一般只会占到总工作量的30%以下，大部分的工作都是软件工程的构建。
大型企业需要建设自己的智能服务平台在目前的阶段，数据是智能算法的原材料，如果企业调用公有智能服务，那就意味着，企业要将自己的数据贡献给外部服务商。这个对于部分大型企业来讲是不可接受的。而与此同时，我们会发现人工智能技术并不是以前想象的那么的阳春白雪，众多的开源工具，框架，算法的实现让我们更多的是需要去将智能技术应用到场景中，而非去重新开发一套算法。
比如，我们团队的工程师，在GitHub上，依托一个开源的人脸识别模型，结合我们公司的内部员工图片数据，训练出来的模型也有一定的准确度，而这个过程，只用了2周的时间。
所以，大型企业需要建设自己的智能服务平台，将数据，算法和模型实现成企业内部的智能引擎，有规划，有设计的逐步应用到各个业务场景中，业务场景会产生更多的应用数据，从而这些数据又能够增量训练和优化算法模型，***真正实现智慧赋能。
***总结一下本文的观点：
一、人工智能无用论和神话论都是不客观的
二、工程能力是人工智能发挥价值的核心生产力
三、合适的业务场景是人工智能发挥价值的前提条件
四、大型企业需要构建企业级的私有智能服务平台
【本文为51CTO专栏作者“凯哥”的原创稿件，转载请通过作者微信公众号shikai590获取授权】
戳这里，看该作者更多好文