下载掌阅APP，畅读海量书库
立即打开
前文主要介绍了人工智能技术及其涉及的主要算法，但是单纯的技术和算法无法端到端地解决实际业务问题。因此，需要一个载体才可以闭环业务问题，并对业务呈现价值。这个载体就是人工智能应用。
广义来讲，人工智能应用是基于人工智能技术的一套完整的软硬件系统或全流程解决方案，用于端到端地解决某一个具体问题。由于不同业务的场景都不一样，因此即使涉及的人工智能算法彼此类似，广义的人工智能应用之间差别也很大。例如，要解决以下两个不同场景的问题：
（1）如何让手机相册中的照片按照具体内容分组？很多用户在手机中拍摄了很多照片，包括父母的、孩子的还有自己的照片，照片分组功能将使得用户寻找感兴趣的照片更加容易。
（2）如何让电力公司具有对设备健康状况自动监控的能力？很多野外的电力设备长时间经受风吹日晒，再加上自身老化的原因，经常会存在异常现象。设计自动巡检机器人，利用摄像头拍摄电力设备照片并进行识别，及早发现异常组件，就可以及早地进行设备维护。
在上述两个问题中，可能都会用到相似的图像分类算法。例如，在第一个问题中，采用CNN对手机照片进行自动分类；在第二个问题中，先采用CNN对电力设备类型进行整体分类，然后再进行细粒度的异常组件识别。后者的算法可能更加复杂一些。当然算法是强依赖于数据的，当数据有各种各样问题（如噪声大、类别不平衡、数量少）时，又需要对算法进行重新设计。除算法有差异之外，其他软硬件模块之间的差别也很大。在第一个问题中，人工智能应用需要依赖手机软硬件及手机厂商提供的云服务；在第二个问题中，人工智能应用需要依赖自动巡检小车的软硬件系统和电力设备所连接的后台服务。
因此，广义的人工智能应用一般都非常复杂，可以是大型软件系统（如整套的智能医疗诊断软件），也可以是软硬件一体化的系统（如智能服务机器人等），一般囊括的组件众多，涉及的人工智能算法也很多，需要将人工智能算法经验、业务场景的领域经验、工程经验等各个方面的要素都很好地结合起来。
与广义人工智能应用相对的是狭义人工智能应用，它是整个人工智能软硬件系统或解决方案中最核心的一个模块，可以与其他模块一同协作，端到端地解决问题。狭义人工智能应用一般是指SDK（Software Development Kit，软件开发工具包）或者云服务。由于在不同的行业、不同的场景中，广义的人工智能应用千变万化、各不相同、无法完全统一，因此本书将主要关注以人工智能算法为中心的狭义人工智能应用。对于广义的人工智能应用（全栈解决方案）会在第13章中有所体现。
以SDK形式存在的人工智能应用一般由以下几部分组成：①模型文件；②推理计算软件库；③代码（如推理请求的前后处理脚本等）、配置文件；④文档和示例代码等。而以云服务存在的人工智能应用则是在这几项的基础上，进一步做服务化封装，对用户呈现简洁的API（Application Programming Interface，应用程序接口）。
大多数情况下，人工智能应用包含的模型是参数化模型。既然包含了大量的参数，那么人工智能应用就与数据息息相关。通常，在开发过程中，需要考虑人工智能应用以下几个方面的特性。
（1）灵活性。为了增强人工智能应用的能力，有时需要借助第三方的能力。例如，推理计算软件库或者推理服务可以调用额外的第三方服务。
（2）性能。为了使计算效率更高、功耗更低、内存占用更小、成本更低，一般人工智能应用都需要进行适当压缩，并且需要运行在专用的人工智能计算硬件上。
（3）鲁棒性。在实际使用场景中，人工智能应用所处理的数据千变万化，这就要求人工智能应用内部的模型参数能够尽可能不受输入数据扰动或者统计分布造成的影响，同时也可以抵御恶意攻击，即要求人工智能应用具有一定的鲁棒性。
（4）公平性。在开发人工智能应用的过程中，会不可避免地由于一些数据不平衡而引发模型的偏见。例如，在训练数据中一些搜集到的数据来源于女性和男性，但是男性的数据量明显多于女性的数据量，这样训练出来的模型受到男性数据的影响更大，因此就更可能出现性别歧视。这就要求人工智能应用具备一定的公平性。
（5）可解释性。在一些关键的场景（如自动驾驶）中，作为决策系统的关键环节，人工智能应用做出的任何响应和决策都应该是可解释的。这对于人类而言非常重要，否则人类就很难信任人工智能应用。
（6）安全性。在部署人工智能应用时，需要特别注意模型加密，并且保证其运行环境安全可靠，以避免受到他人的破坏或窃取。
人工智能应用除在日常生活中广泛存在（例如指纹解锁、聊天机器人等）外，还在很多行业（如互联网、自动驾驶、制造、医疗、地理天文、金融等）中有很大的商业价值。
在互联网业务中，最常见的一种人工智能应用是对用户进行商品或信息的推荐。在数据授权的前提下，互联网后台系统会获取用户的元信息及用户与互联网产品交互过程中的行为数据，然后根据这些数据进行数据筛选、特征提取。后台系统中的推荐模型利用筛选后的特征，将用户感兴趣的内容推荐给用户。后台推荐模型会随着业务数据的变化而不断更新。
在自动驾驶场景中，通常需要利用摄像头让车辆具备感知环境的能力。摄像头采集到实时视频流之后，将其送入后端系统中完成对关键目标（如行人、斑马线、其他车辆、障碍物等）的识别。除摄像头外，还需要融合其他传感器（如激光雷达等）的信息，以辅助车辆控制。在车辆行进过程中，还需要对车道线进行识别，以实现精准驾驶。另外自动驾驶还需要一套基于自动决策模型的控制系统，能够根据摄像头等各类传感器的输入信息做出自动决策（如控制方向、速度等）。用于识别目标的感知系统和用于控制的自动决策系统都属于人工智能应用。
在制造行业中，为了保证产品加工的质量，每个生产线通常都需要安装各类传感器（如摄像头）对产品信息进行实时采集、分析，及时去除质量差的产品。例如，在某个电路板生产线上，采用摄像头对每块电路板表面进行拍摄，并进行表面焊点位置错误等缺陷的检测。摄像头的后端就需要有此类缺陷自动识别的能力。另外，为了加速制造业的效率并降低成本，通常需要对需求进行预测、对库存进行控制，然后在安排生产、物流等方面进行数学建模。这里面会涉及大量的决策和运筹优化类算法。
在医疗行业中，人工智能应用更是有非常大的价值。例如，在智能导诊系统中，医生可以根据医生记录的上下文系统，辅助医生对病情做出判断。在病人拍摄X光片后，可以通过智能诊断系统识别出X光片上关键部位，并判定其病变情况。另外，现在很多纸质病历的录入非常麻烦，这时就需要一套基于OCR的自动化扫描工具将纸质病历自动转为电子版，并识别其中关键字段，然后录入数字健康档案中。
在地理、天文行业中，通常需要对卫星图片进行识别。例如，某地理行业应用中，可以通过人工智能算法自动对比出不同时期所拍摄的卫星照片的差异，从而定位出关键指标（如植被面积）的变化，引导业务系统做出快速决策。
在金融和数字政府等其他行业中，人工智能也扮演着非常重要的角色。只要有数据产生的地方，就会有大量的冗余信息待挖掘，就会有人工智能的应用。总而言之，人工智能可以去除信息冗余，提取更有价值的信息，提升业务效率，降低业务成本，帮助业务尽可能实现自动化。
近几年，人工智能领域的投资依然高涨。根据UserZoom的统计结果，人工智能的研究在未来5年内年均增长速度预计高达80%，大幅领先其他研究领域（如虚拟现实设备等）。人工智能目前在各行业渗透率依然很低，如仅10%的B2B（Business-to-Business）企业在销售流程中使用了人工智能，5%的高等教育机构使用人工智能增强学习体验，2%左右的零售商投资或部署了人工智能系统。因此，人工智能在各行业还有非常大的发展空间，未来10年将是企业数字化和智能化转型的关键时期。