未来5~10年，人工智能和数据分析会在工业领域承担主要负载力量。从我国的新基建政策中也能够证实这一点，新基建无疑是极度正确且为时不晚的策略。
如果你了解新经济理论，对于上段文字的意义你领会的会更加深刻，甚至能够感知到即将扑面而来的未来世界。新经济理论认为：社会的发展是建立在信息技术革命和制度创新基础上的，这种技术与制度的结合造就了我们今天所遇见的经济增长、通货膨胀、经济周期特征…它与传统的经济学说（通过商品的生产、服务、分配、消费带来的经济增长）有明显不同之处。
近年来，AI、5G、边缘计算、云计算等技术相关的基础设施的兴建越来越快、推广渗透率越来越高。拥有这些技术的龙头企业率先改造的正是新型社会智能基础设施。
这意味着：我们拥有更快速的处理性能、存储更多的数据、获得过去无法量化的信息、有更完善的知识网络融汇贯通，甚至可以提高单位时间的产能效率，从而压缩成本、提高润率。这是一个良性的循环，会让我们在一个非常开放式的舞台上收取数据、治理数据，分析数据，企业得到市场的正向反馈和收益后，可以快速进入一下一轮业务的迭代周期，周而复始，将产能&利润无限扩大、生命周期变得可持续。
所以说，数据在这个过程充当了原料，提供了推动产业发展的动力支持，这就是为什么19年开始大数据、数据分析师、数学科学家等等岗位的需求激增的原因。任何一个企业如果可以把控数据，未来无疑其发展机遇巨大。
目前市场上的龙头企业在人工智能和数据领域都增加了研发能力：2020年中左右，英特尔发布了一个Stratix®10 NX，是首款针对AI的可编程逻辑器件，可为自然语言处理和欺诈检测等应用提供高带宽、低延迟的AI加速。其中，二十余家合作伙伴中不凡有腾讯云、阿里云、联想、中兴等企业。甚至比如百度云、阿里云、腾讯云这三家互联网巨头公司也在运用AI、5G、边缘计算、云计算等技术，研发相关的基础设施，他们依托企业内部生态可以更快的将基础设施能力输送至业务端，让产业升级和变现。
也许你会发现他们都有一个共性：通过AI能力，建设以数据为中心平台的产品组合，发展产业生态。
那么AI技术是否成熟呢？
我认为，综合角度讲，不到成熟阶段。
如果将AI的生命周期比作中国发展的年代，实际上AI技术还处于80年代初，换句话说AI的生产力和科技水平也还处于成长阶段，有很多不完备和待探索的东西。这意味着AI能力的天花板比较低，可适用的场景少，应对复杂度高、变动快的场景和需求时会力不从心。
AI可供发展的方向大概三个方面：
-
大数据分析：
1）安防：如危险公共行为的预判告警、特殊人员光谱范围稽查、交通安全管控等
2）商业数据决策：如推荐策略、商品/行为数据分析、选品和营销决策、渠道优选等
3）金融：如信贷能力评价、金融产品推荐、卡业务等
4）医疗：利用人工智能进行病理分析和病样提取、预防和控制疾病、ICU病房监控预警等
5）图像：图形解析和制图领域、AR/VR的进一步升级
6）体育：战术分析 - 人机交互：如体育战术分析、危险场景作业、仓储流程管理、无人驾驶等
- 智能硬件：比如边缘计算领域、无人驾驶、智能医疗器械、机器手臂作业等等，可以缓解网络压力的同时，又为对实时性要求非常高的业务提供时效性服务；
实际上，笔者从事智慧零售业务，非常切身感知到数据和AI技术对传统实业的改变。但今年是个特例：表面上看，今年疫情对实体零售的一个清洗和革命，但如果仔细研究疫情期间的实业，你会发现互联网、智能技术已经开始向线下转移，能够利用好技术将实业发展起来的必定是能够形成产业组合和生态化的企业，此刻你会发现平台化产品对于AI技术应用，对于业务落地是有多么重要。
但绝大多数公司注定没有资金、时间去构建生态与产品组合。如果公司具备AI与大数据开发技术能力的话，不妨可以从下述几个方向入手：
- 尽可能归纳企业各个项目之间的共性，去形成和完善企业内部技术架构的中心化和共享化，尽量减少重复资源的使用和开发，可参考另一篇文章《企业中台设计思路》；
- 将技术能力模块化输出，向业务层输出能力；
- 围绕具有规模化B端展开业务，先考虑B再考虑C。我们知道人工智能的研发周期是漫长而又消耗成本的，选择B端客户可以有效保障了充足的资金来源，同时可以把控相对一段时期下需求不会频繁变动；
- 不放过政府任何一项政策（包括对海外政策的了解），研读政策，知道目前国家的资金流向和发展意图（跟党走，不为过）；
