編輯導語：如今，AI從一個遙不可及的科技變成了隨手可見的產品，那么在5G時代下，AI又將得到怎樣的發展呢？本文作者通過分析AI行業市場的基本狀況，指出了其業務范圍和行業分布，并且對AI的未來進行了展望。

本文旨在闡述，AI語音語義產品賦能行業的思考，以圍繞行業玩家情況、業務原理、應用場景、業務痛點、未來展望5個基本面來展開：

1. AI行業市場基本狀況

1.1 行業玩家情況

1.1.1 玩家既當裁判，也當運動員

阿里、騰訊、華為等行業巨頭在大數據、云計算、AI(語音語義、視覺圖像、知識圖譜等)技術等方面已有深厚積累，在很多行業(如零售、金融、教育、交通、出行等)賦能已有完整成熟落地方案，它們不僅提供打包完整方案賦能企業，也提供底層算力封裝后的PaaS服務給到第三類玩家拓展業務。

• 優勢：掌握核心技術，引領行業前進；
• 劣勢：核心技術需要大量研發資金投入，技術成果轉化與業務拓展兩者難以平衡。

1.1.2 玩家，術業有專攻

科大訊飛、追一、商湯等企業，分別在語音語義、視覺圖像等垂直方向上，有著深度自主AI技術研發實力，為零售、金融、交通、教育、出行、電商、地產、醫療等眾多行業提供AI技術方案賦能(如基于語音語義等技術在線機器人、語音機器人、智能客服方案.

基于視覺圖像技術的智能駕駛方案)，助力企業簡化業務場景處理流程、升級服務能力，為用戶帶來更好體驗，實現降本增效，驅動業務快速增長。

• 優勢：掌握垂直領域核心技術，擁有行業話語權
• 劣勢：核心技術雖有深度，但缺少廣度，垂直領域方向之外業務發展易受限

1.1.3 玩家，細耕業務

天潤融通、容聯-七陌等企業，主要集成第一類玩家提供AI技術能力，進一步封裝為面向應用化類似SaaS/PaaS產品，細耕耘服務、營銷、辦公、運營、中臺業務場景，為零售、金融、保險、教育、電商、本地生活等行業賦能。

• 優勢：專心集成整合大廠技術，耕耘業務，無需投入大量研發成本
• 劣勢：缺少核心技術，業務拓展易受制于人

1.1.4 商業模式總結

1. 提供類似SaaS部署解決方案，按使用年期收費——主體盈利方案；
2. 后續提供運營類、技能/服務升級服務增值 ——增值業務點；
3. 與生態鏈伙伴合作研發產品，共同分享產品成長果實——合作分成。

2. AI語音語義技術衍生的業務分析

2.1 智能語音語義賦能業務技術原理

智能語音語義賦能業務，這里是以自然語言處理(NLP)+語音識別(ASR)+語音合成(TTS)+知識圖譜(KG)+深度學習(DL)等技術來處理語義文本理解/生成、語音識別轉化為文本、文本轉化語音合成作業，解決營銷、服務、運營、辦公、中臺業務場景中實際語音語義相關工程問題。

為進一步闡述其中技術工作原理，見如下簡化流程圖：

2.2 輸入端

用戶query的內容通常來說有兩種類型，語音或者文本，如是語音，則需要先進行語音識別(ASR)處理轉為文本，便于后續處理。

2.3 語義處理

文本語義處理(NLP)主要為兩部分：

1. 內容理解(NLU)：即是對用戶query輸入內容進行意圖識別+槽位解析(抽取特征信息)；
2. 內容生成(NLG)：即是生成用戶可以理解的內容，將非語言格式數據轉化為用戶可理解的語言。

2.4 對話管理

對話管理系統主要分為兩部分：

1. 對話狀態維護(Dialog State Tracking，DST)：管理當前對話狀態；
2. 對話策略(Dialog Policy)：根據當前對話狀態，生成相應對話策略。

2.5 語義語音機器人類型(輸出端)

根據不同業務場景類型特點，語義機器人類型主要可分為以下四大類：

以上類型機器人，通常地先以文本語言方式回復，也可以通過語音合成(TTS)技術處理將文本內容轉為語音回復。

以上類型機器人背后的業務工程后面將專門新文展開來寫，敬請期待吧。

2.6 AI產品應用行業廣泛

AI語音語義已有成熟產品解決方案落地應用，覆蓋了B、C、G端的大量語音語義領域的業務，如營銷、咨詢、服務、運營等，解決了企業傳統人力運維服務質量參差不齊、業務增長困難、成本居高不下且效率較低的大痛點。

如：“智能客服(語音機器人)”產品已為銀行、汽車、地產、政務、校園、保險、電商等縱多行業賦能。

3. AI技術賦能行業面臨的痛點

近幾年AI技術發展非常迅速，很多AI技術廠商已開始跑馬圈地推出了很多有意思的技術解決方案和產品，如智能客服、在線機器人、人臉識別等。

很多成熟方案已在電商、金融、教育、地產、交通等行業里落地應用，為賦能企業運營效率效能提升、成本優化控制取得了很好效果。

3.1 AI技術賦能業務所面臨痛點

AI技術賦能企業的光鮮亮麗背后，也面臨著因AI本身屬性所帶來的業務痛點：

3.1.1 強依賴數據，無數據不智能

• AI模型由算法、算力、數據構成，每個性能穩定的模型需要大量數據注入，并不斷訓練；
• 真實數據集大部分是臟數據，需要花大量時間成本進行數據清洗

3.1.2 強依賴人工介入，無人工不智能

• 業務處理不夠成熟，需要依賴人工最后1min介入處理
• 業務自我學習能力不夠強，需要人為不斷進行數據標注
• 效果調優需要人工訓練

3.1.3 產品上線運維門檻要求高

• 產品上線需要人工大量編寫規則、標注數據
• BadCase需要人工核查、分析

3.1.4 產品水土不服

• 業務邏輯理解不足
• 缺少人機協同

3.2 針對痛點對策

要始終抱有積極心態，相信方法永遠多于問題。

1. 盡量復用前期經驗&原有模型(主流模型、成熟方案）；
2. 不斷優化模型對業務邊界case(前期模型未命中或處理不夠好的案例)泛化能力；
3. 提供智能化工具包，簡化運維流程，提高運維效率；
4. 產品功能組件化，細化業務需求顆粒度，通過不同模塊彈性伸縮配置，最快滿足客戶業務迭代需求。

4. AI技術賦能行業之未來展望

在新一輪科技進化和產業變革浪潮中，人工智能從感知往認知不斷發展。

在5G通信技術、物聯網和云計算加持下，人工智能將會成為改變現有社會生產結構科學技術。

隨著技術不斷迭代，市場對人工智能認知也趨于完善，更多產業開始擁抱人工智能，目前人工智能已進入到技術與商業結合，與合作伙伴一起重構傳統產業價值鏈階段，實現降本增效，驅動業務增長。

4.1 產品展望

伴隨5G技術不斷普及，新基建如火如荼，AI技術未來在萬物互聯時代背景下，將有著更寬闊的市場應用空間。

結合行業已有AI產品形態和商業模式經驗，以下是對未來AI技術及業務形態模式的大膽思考，以期作為AI產品規劃、布局的reference。

1. 產品功能組件化，根據業務場景特征，選擇相應模塊組件拼接集成，即可實現業務定制和上線運營；
2. 產品云化，萬物互聯不僅帶來了海量設備連接能力，更要求有著對海量數據處理能力，巨量業務數據處理需求將驅動產品云化；
3. 產品生態化，5G技術將會催化人工智能對傳統產業價值鏈重構，細化產業價值分工，標準化產品解決方案，同時促進AI更好賦能行業，構建起健康的產品生態。

4.2 商業模式展望

像水電一樣，按流量使用計費。

5G通信技術加速了萬物互聯，也催化了人工智能在IoT時代的場景應用，未來AI產品形態將會像水電一樣，無處不在，按需使用，按用計費。

本文由 @pony 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。