编辑导语：如今，AI从一个遥不可及的科技变成了随手可见的产品，那么在5G时代下，AI又将得到怎样的发展呢？本文作者通过分析AI行业市场的基本状况，指出了其业务范围和行业分布，并且对AI的未来进行了展望。

本文旨在阐述，AI语音语义产品赋能行业的思考，以围绕行业玩家情况、业务原理、应用场景、业务痛点、未来展望5个基本面来展开：

1. AI行业市场基本状况

1.1 行业玩家情况

1.1.1 玩家既当裁判，也当运动员

阿里、腾讯、华为等行业巨头在大数据、云计算、AI(语音语义、视觉图像、知识图谱等)技术等方面已有深厚积累，在很多行业(如零售、金融、教育、交通、出行等)赋能已有完整成熟落地方案，它们不仅提供打包完整方案赋能企业，也提供底层算力封装后的PaaS服务给到第三类玩家拓展业务。

• 优势：掌握核心技术，引领行业前进；
• 劣势：核心技术需要大量研发资金投入，技术成果转化与业务拓展两者难以平衡。

1.1.2 玩家，术业有专攻

科大讯飞、追一、商汤等企业，分别在语音语义、视觉图像等垂直方向上，有着深度自主AI技术研发实力，为零售、金融、交通、教育、出行、电商、地产、医疗等众多行业提供AI技术方案赋能(如基于语音语义等技术在线机器人、语音机器人、智能客服方案.

基于视觉图像技术的智能驾驶方案)，助力企业简化业务场景处理流程、升级服务能力，为用户带来更好体验，实现降本增效，驱动业务快速增长。

• 优势：掌握垂直领域核心技术，拥有行业话语权
• 劣势：核心技术虽有深度，但缺少广度，垂直领域方向之外业务发展易受限

1.1.3 玩家，细耕业务

天润融通、容联-七陌等企业，主要集成第一类玩家提供AI技术能力，进一步封装为面向应用化类似SaaS/PaaS产品，细耕耘服务、营销、办公、运营、中台业务场景，为零售、金融、保险、教育、电商、本地生活等行业赋能。

• 优势：专心集成整合大厂技术，耕耘业务，无需投入大量研发成本
• 劣势：缺少核心技术，业务拓展易受制于人

1.1.4 商业模式总结

1. 提供类似SaaS部署解决方案，按使用年期收费——主体盈利方案；
2. 后续提供运营类、技能/服务升级服务增值 ——增值业务点；
3. 与生态链伙伴合作研发产品，共同分享产品成长果实——合作分成。

2. AI语音语义技术衍生的业务分析

2.1 智能语音语义赋能业务技术原理

智能语音语义赋能业务，这里是以自然语言处理(NLP)+语音识别(ASR)+语音合成(TTS)+知识图谱(KG)+深度学习(DL)等技术来处理语义文本理解/生成、语音识别转化为文本、文本转化语音合成作业，解决营销、服务、运营、办公、中台业务场景中实际语音语义相关工程问题。

为进一步阐述其中技术工作原理，见如下简化流程图：

2.2 输入端

用户query的内容通常来说有两种类型，语音或者文本，如是语音，则需要先进行语音识别(ASR)处理转为文本，便于后续处理。

2.3 语义处理

文本语义处理(NLP)主要为两部分：

1. 内容理解(NLU)：即是对用户query输入内容进行意图识别+槽位解析(抽取特征信息)；
2. 内容生成(NLG)：即是生成用户可以理解的内容，将非语言格式数据转化为用户可理解的语言。

2.4 对话管理

对话管理系统主要分为两部分：

1. 对话状态维护(Dialog State Tracking，DST)：管理当前对话状态；
2. 对话策略(Dialog Policy)：根据当前对话状态，生成相应对话策略。

2.5 语义语音机器人类型(输出端)

根据不同业务场景类型特点，语义机器人类型主要可分为以下四大类：

以上类型机器人，通常地先以文本语言方式回复，也可以通过语音合成(TTS)技术处理将文本内容转为语音回复。

以上类型机器人背后的业务工程后面将专门新文展开来写，敬请期待吧。

2.6 AI产品应用行业广泛

AI语音语义已有成熟产品解决方案落地应用，覆盖了B、C、G端的大量语音语义领域的业务，如营销、咨询、服务、运营等，解决了企业传统人力运维服务质量参差不齐、业务增长困难、成本居高不下且效率较低的大痛点。

如：“智能客服(语音机器人)”产品已为银行、汽车、地产、政务、校园、保险、电商等纵多行业赋能。

3. AI技术赋能行业面临的痛点

近几年AI技术发展非常迅速，很多AI技术厂商已开始跑马圈地推出了很多有意思的技术解决方案和产品，如智能客服、在线机器人、人脸识别等。

很多成熟方案已在电商、金融、教育、地产、交通等行业里落地应用，为赋能企业运营效率效能提升、成本优化控制取得了很好效果。

3.1 AI技术赋能业务所面临痛点

AI技术赋能企业的光鲜亮丽背后，也面临着因AI本身属性所带来的业务痛点：

3.1.1 强依赖数据，无数据不智能

• AI模型由算法、算力、数据构成，每个性能稳定的模型需要大量数据注入，并不断训练；
• 真实数据集大部分是脏数据，需要花大量时间成本进行数据清洗

3.1.2 强依赖人工介入，无人工不智能

• 业务处理不够成熟，需要依赖人工最后1min介入处理
• 业务自我学习能力不够强，需要人为不断进行数据标注
• 效果调优需要人工训练

3.1.3 产品上线运维门槛要求高

• 产品上线需要人工大量编写规则、标注数据
• BadCase需要人工核查、分析

3.1.4 产品水土不服

• 业务逻辑理解不足
• 缺少人机协同

3.2 针对痛点对策

要始终抱有积极心态，相信方法永远多于问题。

1. 尽量复用前期经验&原有模型(主流模型、成熟方案）；
2. 不断优化模型对业务边界case(前期模型未命中或处理不够好的案例)泛化能力；
3. 提供智能化工具包，简化运维流程，提高运维效率；
4. 产品功能组件化，细化业务需求颗粒度，通过不同模块弹性伸缩配置，最快满足客户业务迭代需求。

4. AI技术赋能行业之未来展望

在新一轮科技进化和产业变革浪潮中，人工智能从感知往认知不断发展。

在5G通信技术、物联网和云计算加持下，人工智能将会成为改变现有社会生产结构科学技术。

随着技术不断迭代，市场对人工智能认知也趋于完善，更多产业开始拥抱人工智能，目前人工智能已进入到技术与商业结合，与合作伙伴一起重构传统产业价值链阶段，实现降本增效，驱动业务增长。

4.1 产品展望

伴随5G技术不断普及，新基建如火如荼，AI技术未来在万物互联时代背景下，将有着更宽阔的市场应用空间。

结合行业已有AI产品形态和商业模式经验，以下是对未来AI技术及业务形态模式的大胆思考，以期作为AI产品规划、布局的reference。

1. 产品功能组件化，根据业务场景特征，选择相应模块组件拼接集成，即可实现业务定制和上线运营；
2. 产品云化，万物互联不仅带来了海量设备连接能力，更要求有着对海量数据处理能力，巨量业务数据处理需求将驱动产品云化；
3. 产品生态化，5G技术将会催化人工智能对传统产业价值链重构，细化产业价值分工，标准化产品解决方案，同时促进AI更好赋能行业，构建起健康的产品生态。

4.2 商业模式展望

像水电一样，按流量使用计费。

5G通信技术加速了万物互联，也催化了人工智能在IoT时代的场景应用，未来AI产品形态将会像水电一样，无处不在，按需使用，按用计费。

本文由 @pony 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。