尋找Know-How是一個差異化很大的繁雜任務，進而讓企業認識到行業差異化AI解決方案的存在與合理性，也是一件複雜的差事。行業AI、産業AI、産業網絡，這些詞在今天都已經變成了熱門詞彙。在流量紅利差不多吃幹淨之後，科技企業需要向産業走，這是今天大部分科技公司的共識。然而産業市場不同于消費者市場的一個核心差別在于，每個行業之間實在是有太多不同。能源行業的要求跟教育行業的要求顯然不一樣，而一套智慧技術解決方案打天下，顯然也是不靠譜的。
如果我們多留心産業AI的動向，就會發現從去年下半年開始，相關項目的PPT裡正在越來越多提到行業專家、Know-How這樣的字眼。在AI公司開始不斷強調Know-How的重要性，呼喚擁有Know-How的公司參與到AI産業化進展中的時候，也許我們應該從頭整理一下這個問題－行業專家到底如何與AI算法與算力的提供商合作，缺乏行業專家又給AI進入垂直行業帶來了哪些阻礙？讓我們來看看AI圈裡大廠的夢中情人、創業公司的救命稻草，神秘的Know-How，到底是個什麼情況。
産業AI的無形之牆
所謂Know-How，是指工匠時代那些師傅對徒弟口傳心授的「行業秘訣」。到了機械大生産時代，Know-How雖然看似被訊息爆炸沖刷地越來越透明。但在日益精細化的行業分割，以及衆多産業各自攀爬科技樹的大形勢下，Know-How反而在經濟實體中不斷沉澱與積累。比如說，汽車、船舶就是坐擁大量Know-How節點的産業。即使在基礎技術不難複制，行業供應鍊比較透明的情況下。汽車和船隻的生産水準依舊難以複制，原因之一就在于其中的「秘密」太多了。Know-How可以被了解為一種能力、一種資源，也可以是被稱作行業專家的人。在投資行業中，Know-How也被看作一個創業項目的評分标準之一－－假如某汽車電商的創始人是浸淫汽車産業幾十年的老油條，那麼BP上往往會寫着我們有Know-How。而在AI主導的資料與網絡智能化技術，希望進入産業中時，Know-How剛好将變得極為重要。
所謂行業AI或者産業AI，能夠提高勞動生産率的本質原因之一，在于可以利用機器學習技術，實作資料分析與再挖掘，讓AI将原本粗放生長的環節資料重新整合，重新求得一些産業效率的最優解。比如計算原料投入比例、倉儲擺放規律、産業流程重塑等等。此外，AI的另一個功能是為産業端提供語音和視覺的能力，比如園區語音導覽、基于機器視覺的品質檢測等等。劃個重點，這些AI能力需要從方方面面的複雜細節進入已有産業實體當中。但是到底如何進入，進入需要注意哪些難以預料的問題，何時能收回技術疊代成本－－這些答案都掌握在Know-How手中。拿着算法和算力以及PPT的AI，在進入細分産業時，尤其是工業屬性相對較強的産業，都難免遇到這種尴尬。AI雖然聽上去靠譜，但沒有「産業帶路黨」的幫助卻寸步難行。更顯著的問題來自于人才儲備。
一般來說，AI算法工程師注意研究深度學習的訓練部署等相關内容。真實的邏輯，細節點的AI化方案，企業的成本效益估算，産業智能化的彈性生長，這些都不在算法架構師或者AI開發者日常的考慮範圍中。而産業專家則對産業周期了如指掌，卻很難有經曆和機會去學習和了解AI相關的内容。最終導緻産業AI變成了各說各話，難以互相了解的兩個鄰居。而相比較而言，今天AI這端是相對透明的，真正的産業鍊合作壓力，就來到了AI公司尋找産業Know-How這邊。在我們了解到的很多實際AI産業融合案例中，會發現往往産業專家發現的問題，都不在AI以及資料智能技術的正常視野中。一個好問題的發現，往往預示着一個新産業空間的打開。歸根結底，缺乏專業知識以及專業人才，正在成為限制AI落地産業市場的無形之牆。這個稀缺既不是技術問題也不是市場問題，但卻實際制約着AI的腳步。
Know-How如何工作
理想情況下，機器學習等技術進入某家工廠、某個企業時，需要一名合格的Know-How或者Know-How公司來提供一下幫助。進而確定通用的AI技術與差異化的企業需求實作對接。
1、尋找和控制AI工作中的行業差異化。機器學習的工作模式是提取抽象化特征并反向輸送給機器，進而實作智能。但是到底提取什麼特征，提取過程中有哪些問題，工作中又有哪些不合理性，這些都是AI開發者難以預料的。比如說著名的AI提升良品率問題，到底什麼是良品，每個産業的定義都是不同的。這個定義，就是Know-How需要提供的差異化節點。
2、關鍵訓練資料。AI離不開資料，然而通用資料雖然多，方向卻相對單薄，往往缺乏産業化的實際潛力。而不公開的行業價值資料在哪裡呢？這也是Know-How型人才和公司的價值所在。
3、成本與價值的了解。用AI總是聽上去很好，但到底這個價值不菲的東西應該投入多少人力物力，什麼時候收回成本，未來能創造多少價值，卻都是極大取決于行業利潤比的。為行業應用者估算整個投入産出周期，也就成為了Know-How的職責。
4、産業鍊的了解。今天還有一種情況，就是自己的企業系統AI了，生産能力上去了，與供貨商的連接配接能力反而減弱了。在複雜的産業鍊中，一家企業從管理系統、運維系統到生産系統的更新，都将影響并且受制于産業上下遊關系。對這些關系的了解和預判，對于企業技術決策來說是至關重要的，而其把握能力也在Know-How手中。部分内容參考：http://www.cafes.org.tw/info.asp
這樣來看，好像Know-How有點像是AI與行業間的中介。很多時候我們都不想找中介，結果發現不找他們問題更多，效率更差。那麼對于AI來說，到底誰是今天的Know-How呢？
誰是AI需要的準Know-how？
充當AI帶路黨的重任，顯然是那些可以接觸行業核心資料，并且了解行業技術體系、供需關系的人、部門與第三方企業。一般來說，有這樣幾種Know-How可以被AI公司利用，結成緊密的生态聯盟，搭建AI進入産業的通道：
1、企業的IT部門。一家非網絡領域企業的IT部門，經常看起來像是負責修計算機的。然而在長時間錘煉下，類似部門往往積累下了對行業需求的獨特了解，并且積攢了大量可以被機器學習系統利用的關鍵資料。一家企業開始運用AI技術拓展生産系統，往往也會以IT部門為主導。
2、技術業務骨幹。很多實體經濟與傳統企業中，都有非常資深高水準的技術專業人才。他們不僅擁有着本行業的知識，事實上往往也對新技術抱有關注度和熱情，同時也有再學習的能力。這些人才的充沛利用，可以作為AI進入行業中解決融入問題的關鍵。同時，以行業技術骨幹為閱聽人，培養進階産業AI融合人才，也已經成為了科技巨頭關注的目标。
3、成熟的行業技術服務商。在汽車、能源、冶金等領域，看似體量不大，但具備全球覆寫能力的技術服務商大量存在。在巨頭企業的背後，有成千上萬家專門技術解決方案提供者在工作着。以這些供應鍊企業為突破點釋放AI紅利，可以作為很多産業AI的發展模式。
4、資料和咨詢服務提供商。另一方面，很多行業還存在着為數衆多的戰略咨詢和産業資料服務機構。這些企業圍繞着生産資料釋放價值，積累了大量企業需求與真實想法。如果能有效加以利用，也可以作為AI與企業對接的出口。
當然，Know-How們還有非常多的身份和存在可能。但總體而言，尋找這些人，利用這些人，在今天的AI領域還僅僅是個開始。服務企業是相當困難、充滿變數的市場。先覺醒一部分幫手，對于AI來說是一個必然趨勢。
Know-How的稀少，導緻了什麼？
科技巨頭們紛紛注意到了Know-How的重要性，開始搭建自己的Know-How生态，加之産業AI命題實際上處在初級階段，行業的接受度還非常有限。讓為AI提供服務的Know-How整體處在供小于求的階段。而Know-How的稀少，則讓産業AI發展必然經曆這樣幾個趨勢：
1、重點産業開始率先發展AI。我們都在說AI進入百行百業。然而顯然AI是不可能同時進入一百個行業的。數字化程度高、Know-How資源儲備充分、IT基礎好的産業更有可能率先發展産業AI生态。目前來看，汽車、零售、制造、網際網路等幾個行業擁有更好的AI化基礎。
2、AI進入垂直産業，尤其在工業領域，将會面臨非常複雜的局面。由于工業領域的龐雜和差異化廣泛，AI技術進入的周期和成本會非常高。Know-How的複雜性也讓工業領域很難出現快刀斬亂麻的智慧化程序，隻能徐徐圖之。
3、擁有Know-How，會變成某種AI創業公司的底牌。今天的AI創業公司，更多是拼大牛，拼算法獨特性。這些故事會成為投資人眼中最性感的部分，而在垂直産業準入門坎問題不斷暴露出來後，企業擁有的Know-How水準，會開始影響AI創業公司的融資能力與發展水準。同時具備Know-How能力也将成為創業公司與科技巨頭、算力提供商的生态合作籌碼。
4、講案例，講故事将變得異常重要。尋找Know-How是一個差異化很大的繁雜任務，進而讓企業認識到行業差異化AI解決方案的存在與合理性，也是一件複雜的差事。這種情況下，AI企業的選擇隻能是珍惜已有案例，好好拆解其中邏輯，加大宣傳力度，讓更多産業關系者認識到合作可能，加強自身的Know-How主動吸引力。是以AI進入産業的這個周期，基本一定是案例為王的。
從算法問題，算力與資料問題，再到Know-How問題，本質上來說AI正在一步步向神秘的産業世界進發。本質上來說，AI是一種将直接影響到産業生産步驟，像煤與電一樣影響工業生産的新生技術。讓懂AI的人與懂行業的人在此時盡快認識，甚至互相形成吸引力，是AI發展中不可或缺的一個環節。