knowhow(know how to do)

诀窍是指工匠时代师傅口头传授给徒弟的“商业秘密”。对于人工智能行业来说，技术诀窍也至关重要。

产业，产业AI，产业互联网，这些词成为了今天的热词。流量红利差不多干净后，科技公司需要去行业，这是当今大部分科技公司的共识。但是，产业市场和消费市场的一个核心区别是，每个行业之间有太多的差异。

能源行业与教育行业的要求明显不同，一套智能化的技术解决方案显然不靠谱。如果多关注一下工业AI的动向，会发现从去年下半年开始，相关项目的PPT中，越来越多的提到了行业专家、专有技术之类的词汇。

在人工智能公司不断强调专有技术的重要性，并呼吁拥有专有技术的公司参与人工智能产业化进程的时候，或许我们应该从一开始就梳理这个问题-

行业专家如何与AI算法和计算能力的提供商合作？行业专家的缺乏给AI进入垂直行业带来了哪些障碍？

我们来看看AI圈大厂的梦中情人，创业公司的救命稻草，神秘的百事通，是什么情况。

AI产业的无形之墙

所谓“诀窍”，是指工匠时代那些师傅给徒弟的“商业秘密”。在大规模机械生产时代，虽然专有技术似乎被信息爆炸冲走了，但它变得越来越透明。但在行业细分越来越精细，很多行业爬技术树的情况下，“诀窍”在经济实体中不断沉淀和积累。

例如，汽车和船舶是拥有大量专有技术节点的行业。即使基础技术不难复制且行业供应链相对透明。汽车、船舶的生产标准至今难以复制的原因之一，就是其中有太多的“秘密”。

专有技术可以理解为一种能力，一种资源，或者一个被称为行业专家的人。在投资行业，诀窍也被视为一个创业项目的评分标准之一——如果一家汽车电商的创始人是汽车行业几十年的老兵，BP上往往会写着我们有诀窍。

当人工智能主导的数据和网络智能技术想要进入该行业时，专有技术将变得极其重要。

所谓工业AI或产业AI之所以能提高劳动生产率，一个本质原因就是可以利用机器学习技术实现数据分析和再挖掘，让AI重新整合原来粗放的增长环节数据，重新找到一些产业效率的最优解。比如计算原材料投入的比例，存储和放置的规则，工业流程的重塑等等。

此外，AI的另一个功能是为工业端提供语音和视觉能力，比如校园语音导览、基于机器视觉的质检等等。

作为一个重点，这些AI能力需要从复杂细节的各个方面进入现有的工业实体。但最终如何进入，需要注意哪些意想不到的问题，技术迭代的成本何时可以收回——这些答案都在百事通手中。

有算法和计算能力的AI，有PPT，在进入子行业，尤其是产业属性比较强的行业，必然会遇到这种尴尬。虽然AI听起来很靠谱，但是没有“行业领军党”的帮助，它是动不了的。

更明显的问题来自于人才库。

总的来说，AI算法工程师注重深度学习的训练和部署。真正的逻辑，详细的AI方案，企业的性价比估算，工业智能的弹性增长，都不在算法架构师或者AI开发者的日常考虑范围内。

而行业专家对产业周期了如指掌，却很难有学习和了解AI相关内容的经验和机会。最终，工业AI变成了两个各持己见，难以相互理解的邻居。

相比较而言，如今的AI一方相对透明，产业链合作的真正压力已经到了AI公司寻找行业诀窍的一方。

在我们了解到的很多实际AI行业融合的案例中，我们会发现，行业专家经常发现的问题，并不在AI和数据智能技术的常规视野中。一个好问题的发现，往往预示着一个新行业的开启空。

说到底，专业知识和人才的缺乏，正在成为制约AI落地行业市场的一堵无形的墙。这种稀缺性既不是技术问题，也不是市场问题，但实际上制约了AI的步伐。

专有技术是如何工作的？

理想情况下，当机器学习等技术进入工厂或企业时，需要有资质的Know-How或Know-How公司提供帮助。从而保证通用的AI技术与差异化的企业需求对接。

寻找和控制AI工作中的行业差异化。机器学习的工作模式是提取抽象化特征并反向输送给机器，从而实现智能。但是到底提取什么特征，提取过程中有哪些问题，工作中又有哪些不合理性，这些都是AI开发者难以预料的。比如说著名的AI提升良品率问题，到底什么是良品，每个产业的定义都是不同的。这个定义，就是Know-How需要提供的差异化节点。关键训练数据。AI离不开数据，然而通用数据虽然多，方向却相对单薄，往往缺乏产业化的实际潜力。而不公开的行业价值数据在哪里呢？这也是Know-How型人才和公司的价值所在。成本与价值的理解。用AI总是听上去很好，但到底这个价值不菲的东西应该投入多少人力物力，什么时候收回成本，未来能创造多少价值，却都是极大取决于行业利润比的。为行业应用者估算整个投入产出周期，也就成为了Know-How的职责。产业链的理解。今天还有一种情况，就是自己的企业系统AI了，生产能力上去了，与供应商的连接能力反而减弱了。在复杂的产业链中，一家企业从管理系统、运维系统到生产系统的更新，都将影响并且受制于产业上下游关系。对这些关系的理解和预判，对于企业技术决策来说是至关重要的，而其把握能力也在Know-How手中。

这样看来，Know-How有点像是AI和工业之间的中介。很多时候，我们不想找中介。结果我们发现，没发现的问题更多，效率更差。那么，对于人工智能来说，谁是当今的专家呢？

谁是人工智能需要的准技术？

充当AI领导者，显然是那些接触到行业核心数据，了解产业技术体系和供求关系的人、部门和第三方企业的责任。一般来说，有几种专有技术可以被AI公司用来组成紧密的生态联盟，为AI进入行业搭建通道:

企业的IT部门。一家非互联网领域企业的IT部门，经常看起来像是负责修网的。然而在长时间锤炼下，类似部门往往积累下了对行业需求的独特理解，并且积攒了大量可以被机器学习系统利用的关键数据。一家企业开始运用AI技术拓展生产系统，往往也会以IT部门为主导。技术业务骨干。很多实体经济与传统企业中，都有非常资深高水准的技术专业人才。他们不仅拥有着本行业的知识，事实上往往也对新技术抱有关注度和热情，同时也有再学习的能力。这些人才的充沛利用，可以作为AI进入行业中解决融入问题的关键。同时，以行业技术骨干为受众，培养高级产业AI融合人才，也已经成为了科技巨头关注的目标。成熟的行业技术服务商。在汽车、能源、冶金等领域，看似体量不大，但具备全球覆盖能力的技术服务商大量存在。在巨头企业的背后，有成千上万家专门技术解决方案提供者在工作着。以这些供应链企业为突破点释放AI红利，可以作为很多产业AI的发展模式。数据和咨询服务提供者。另一方面，很多行业还存在着为数众多的战略咨询和产业数据服务机构。这些企业围绕着生产数据释放价值，积累了大量企业需求与真实想法。如果能有效加以利用，也可以作为AI与企业对接的出口。

当然，技术诀窍有许多身份和可能性。但总的来说，找到并使用这些人，在今天的AI领域只是一个开始。服务是一个相当困难和多变的市场。先唤醒一些帮手是AI的必然趋势。

是什么导致了专有技术的缺乏？

科技巨头们已经注意到技术诀窍的重要性，并开始建立自己的技术诀窍生态。另外，工业AI命题其实还处于初级阶段，行业的接受度还很有限。

让为AI提供服务的Know-How整体处于供小于求的阶段。专有技术的稀缺使得工业人工智能的发展不可避免地经历以下趋势:

重点产业开始率先发展AI。我们都在说AI进入百行百业。然而显然AI是不可能同时进入一百个行业的。数字化程度高、Know-How资源储备充分、IT基础好的产业更有可能率先发展产业AI生态。目前来看，汽车、零售、制造、互联网等几个行业拥有更好的AI化基础。AI进入垂直产业，尤其在工业领域，将会面临非常复杂的局面。由于工业领域的庞杂和差异化广泛，AI技术进入的周期和成本会非常高。Know-How的复杂性也让工业领域很难出现快刀斩乱麻的智能化进程，只能徐徐图之。拥有Know-How，会变成某种AI创业公司的底牌。今天的AI创业公司，更多是拼大牛，拼算法独特性。这些故事会成为投资人眼中最性感的部分，而在垂直产业准入门槛问题不断暴露出来后，企业拥有的Know-How水准，会开始影响AI创业公司的融资能力与发展水准。同时具备Know-How能力也将成为创业公司与科技巨头、算力提供商的生态合作筹码。讲案例，讲故事将变得异常重要。寻找Know-How是一个差异化很大的繁杂任务，进而让企业认识到行业差异化AI解决方案的存在与合理性，也是一件复杂的差事。这种情况下，AI企业的选择只能是珍惜已有案例，好好拆解其中逻辑，加大宣传力度，让更多产业关系者认识到合作可能，加强自身的Know-How主动吸引力。因此AI进入产业的这个周期，基本一定是案例为王的。

从算法问题、计算能力和数据问题，到诀窍问题，本质上，AI正在一步步走向神秘的工业世界。

从本质上讲，人工智能是一种新技术，它将像煤和电一样，直接影响工业生产步骤。

懂AI的人和懂行业的人尽快认识，甚至互相吸引，是AI发展不可或缺的环节。

作者:脑极体，微信微信官方账号:脑极体

本文由@脑体原创发布。每个人都是产品经理。未经许可，禁止复制。

题目来自Unsplash，基于CC0协议。