浮在實驗室與測試數據中的AI技術急于走向臺前，國家和產業對實用化AI的需求同樣也十分迫切。你是不是也蠢蠢欲動，想要在AI江湖中一展身手？別急，我們也在現場幫大家向上面的優秀“課代表”們取了取經——想要打造一個致用型AI，需要具備哪些前提？

1.放棄將AI“神化”的幻想。

用開發者的話來說，AI開發真正注意的東西，都是跟AI開發無關的一些東西。比如一個基本的常識，AI技術只是一個個螺絲刀、老虎鉗這樣的工具，最后如何解決問題，應該用這個老虎鉗還是一個螺絲刀就能搞定，這種對產業問題的基礎判斷能力，找到AI技術適用的場景和方式，才是開發者應該具備的特質。

2.有多少人工，就有多少智能。

找對了工具（算法），也不意味著能夠立竿見影地解決問題。“有多少人工，就有多少智能”，看似是一句笑談，也是AI世界里的樸素真理。

采訪中，就有兩個細節特別打動我。

MV的開發者分享了一個自己的親身經歷，高精度3D結構光的數據量相比2D是幾何倍數的增加，即使做了成像壓縮，一塊1T的硬盤也可能裝不了兩個人的人臉數據。為了保證算法訓練的數據量，往往是在豐臺的辦公室采集完了之后，由開發者自己拿一個啤酒架一樣的架子，裝滿硬盤給百度大腦的技術人員送過去，常常需要往返數十趟。就是在這樣的人力工作之下，才誕生了3D人臉識別算法的雛形。

米文未來的延誤識別算法，也是在這樣不辭辛苦的人工干預下完成的。在不同光線、時間、背景，室內、室外等各種環境條件下，米文的開發者大概花費了幾百個小時“點燈放火”，才積累到了幾十萬張數據，完成了算法的訓練。

所以說，AI開發中要面對的真實問題往往比預期和實驗室中復雜很多，運用一切辦法、動用一切力量去解決問題，這是一條不好走的路，但這才是一個AI開發者的自我修養。

3.不輕技術，更不輕應用。

在AI狂飆突進的過程中，很多開發者把AI算法本身看的很重，日常沉迷跑分與論文。這樣做低估了AI產業化的難度，也低估了產業端的價值。很多時候，技術在真實的產業場景里可能會缺位。比如生物識別、火焰識別等等，這可能是科學家們一般不會思考的問題，卻是切實存在、富有價值的產業需求。

在采訪中，來自中科院的王聰田這樣理解自己的定位——應用的人如果掉進技術的坑里，可能就跑不出來了，可以利用百度EsayDL這種人家已經訓練好的簡單易用的模型，不要深挖技術上的東西。

同樣想法的還有很多，例如視派爾科技，作為數字圖像處理的技術方案服務商，視派爾的開發者也強調，自己的重點在打磨體驗和場景，做好AI所需要的前端圖像處理外，還要做更貼合市場的定制化服務，至于平臺化的SDK等軟件層就就依靠百度這樣的合作伙伴。在和百度大腦的合作過程中們也體會到和看到了這一商業模式的潛力。

畢竟，深入應用場景的產品及深度定制化的創新要比重新造輪子緊迫得多，產業化才是讓AI普惠更快被大眾感知和享有的關鍵。

總而言之，對AI“致用”的合理認知，才是一切想象力與奇妙故事的起點。