中國工程院院士王恩東曾提出AI產業呈現出三個明顯的發展趨勢：創新速度成為AI產業發展核心競爭力，AI產業化加速，以及產業AI化。致力于提供行業人工智能解決方案的獨角獸企業巨頭們，只有不斷推動人工智能朝著可解釋可理解的方向發展，減少算法所產生的偏見，才能實現人與計算機，碳基生物與硅基生物之間的互信共治、美好協作的世界。

據清華大學中國科技政策研究中心發布的《中國人工智能發展報告2018》顯示，中國的人工智能發展迅速，多項領域已經成為世界第一，包括人工智能專利布局、相關科研論文數量、風險投資占比等，而人工智能市場規模也將繼續增長，預計到2020年達到接近1000億人民幣的規模。

但人工智能的發展不可能短期一蹴而就，整體來說，通用人工智能和人工智能的發展還處在初級階段。這一點不僅國家層面有著清醒的認識，人工智能領域的科研機構、專家及企業對此同樣有著理性判斷。尤其在B端行業應用、AI產業化、真正的行業人工智能方面，目前還僅僅是起步。

人工智能的三個層次：計算智能、感知智能、認知智能。簡單理解，計算智能即快速計算、記憶和儲存能力；感知智能，即視覺、聽覺、觸覺等感知能力，當下十分熱門的人臉識別、語音識別即是感知智能；認知智能則更為復雜，包括分析、思考、理解、判斷的能力。

從現階段人工智能的發展來看，隨著計算力的不斷發展，儲存手段的不斷升級，計算智能可以說已經實現；而隨著移動互聯網普及，大數據、云計算等技術發展，更多非結構化數據的價值被重視和挖掘，語音、圖像、視頻、觸點等與感知相關的感知智能也在快速發展；在計算智能和感知智能發展基礎上，人工智能正在向能夠分析、思考、理解、判斷等認知智能延伸，真正的智能化解決方案已經顯現端倪。可以說，人工智能的發展已經到了由感知智能向認知智能邁進的臨界點。

當前的人工智能(AI)識別做的只是比對，缺少信息進入大腦之后的，加工、理解、思考’步驟，因此僅僅停留在‘感知’，而并非‘認知’。”要讓AI有類似大腦的活動，走到認知階段，需要讓它掌握知識、進行推理。AI從“感知智能”走向“認知智能”的實踐目前在通用狀態下比較困難，但在一些諸如反洗錢、偵察等領域正在應用。

現在的AI處于弱人工智能狀態，它沒有大腦，要讓它形成大腦，最核心的是要有“知識”。如果現有的算法、模型是神經或腦結構，那么知識是大腦能夠運轉起來的原動力。讓AI獲得知識的知識庫在業界稱為“知識圖譜”，它不僅要關注知識點還要關注知識點間的關聯。這些關聯將賦予AI聯想力。提到水，它要反應到密度、透明等多個性質，還要和澆水、能喝的功能聯系起來，更高級的是計算出用多大力道去取水。

知識圖譜的建立非常困難，人類海量的知識如何翻譯成機器的語言，并與之建立聯系，很成問題。尤其是之前這項工作一直是人工完成的，例如谷歌詞庫、百度百科、維基百科等都可以轉換為知識圖譜，但工作量大、內容異常龐雜。

“關聯密度”不足是另一個難以達到應用的“瓶頸”。一個知識點可能最多出現在幾個關系中，能解決比爾·蓋茨的爸爸的鄰居的媽媽這種單維度的問題，但離反映現實世界中“蝴蝶效應”里的相互影響還差很遠。在關聯密度不足的情況下，AI的“大腦”即便擁有一個上千萬詞條體量的通用知識圖譜也難以達到應用的級別。

知識點的關聯密度更像是一個AI大腦皮層，越復雜密集AI將越“聰明”。一些行業本身就有自己的基礎關聯圖，這為其制定圖譜提供了幫助。例如公安系統有一套體系，包括人、地、事、物、組織、機構以及關聯，將出入境數據、第三方物流數據等加入進來之后，可固定成知識圖譜。在做入室盜竊、公交扒竊等一些行為規律的研究時，知識圖譜中除了引入歷史數據的發展態勢、風險感知之外，還逐步加入了環境、天氣等數據，包括PM2.5的值，結果發現PM2.5的值對公交扒竊是有影響的。

越密集越準確，AI知識圖譜的關系圖要做到像“福爾摩斯”一樣綜合分析，要形成凝集大量信息的知識圖譜，這對傳統的人工建立知識圖譜的效率提出了挑戰。

實際上，探索人工智能的落地應用產業升級大幕現在剛剛拉開。在B端特別是傳統行業尤其面臨著一些困難，包括企業、政府對于人工智能的理解和顧慮，數據采集、儲存的缺失、分散和復雜，AI+行業的應用成本高昂、技術人才團隊的不足等。更重要的，在人工智能技術自身發展層面，也還未達到成熟，眾多課題還需要攻克。

但不論怎么說，人工智能與行業深度融合是一個不可逆的趨勢，人工智能對人類、人機關系的影響也會日益加深，整個世界會在人工智能的催化下聯系更為緊密。