“250 多年以来，经济增长的基本动力一直是技术创新。其中最重要的，正是经济学家们提出的所谓通用型技术，包括蒸汽机、电力与内燃机等等。而我们这个时代下最重要的通用型技术正是人工智能，特别是机器学习。”

在《第二次机器革命》一书中作者写道了以上这段话，这本书出版时间是2018年，恰好是国内人工智能概念兴起之时。当时的投资圈就有一种说法，互联网+时代之后就是AI+，所有行业都将被AI重新做一遍。当时人们还感觉那至少是十几年甚至更久以后才能实现的事。那段时间，人工智能常常被人笑称为“人工智障”，甚至连业界的人也直言，“有多少智能，背后就得有多少人工”，而过去短短几年间里，AI的发展一日千里，令人刮目相看。

如今中国人工智能的发展已进入了快速商业化落地时期，人工智能已广泛应用于人们日常生产、生活的方方面面，从产业的层面来看，人工智能也成为推进中国数字化转型、推动经济高质量发展的关键变量。

最近的一则消息非常值得关注。国际权威数据机构IDC近日发布了《2022年亚太地区（不包括日本）人工智能生命周期软件工具和平台供应商》评估报告，报告显示，亚太地区企业数智化升级过程中，超60%的项目都需要每周重新训练模型，这使得企业对端到端模型开发和生命周期管理产品的需求呈现爆发性增长。

而百度凭借领先的AI中台和AI开发“双平台”，成为报告中唯一入局的中国科技企业。针对数据采集与标注、模型开发与训练、模型管理、推理部署以及与业务场景匹配的应用构建等一系列AI全生命周期环节，百度智能云提供了多层次、全流程的产品能力支撑，助力企业更高效、更快速掌握AI能力研发、应用与运营能力。

报告高度认可了百度智能云全功能AI开发平台BML和零门槛AI开发平台EasyDL双平台。双平台可用来实现数据准备、模型训练、开发、评估、部署、MLOps及可信性的端到端集成等工作，能够满足专业算法工程师、业务人员和应用开发者等不同群体的开发需求。

IDC观点称，BML和EasyDL广泛适用于寻求从边缘到云的变革性创新企业以及对模型可信度要求高的企业。

据了解，百度智能云AI开发“双平台”集成了自主研发的产业级深度学习框架飞桨和产业级知识增强大模型文心，贯通AI产业链。依托飞桨繁荣开源生态，BML和EasyDL不断为开发者提供高精度模型效果和高效能的产品体验。

最新数据显示，飞桨已经凝聚535万开发者，创建67万个模型，涵盖超过600个产业模型库。不断进化和拥抱行业的文心知识增强大模型，能够有效提升企业场景化AI模型开发的效率和效果。

报告也显示，BML和EasyDL已连续三年保持中国机器学习平台份额第一。当前，BML和EasyDL正在为金融、能源、航空、物流等多个领域输送AI全生命周期能力。

这也意味着，百度智能云已经成为中国重要的AI基础设施提供者，“深入产业”已经不再仅仅是一句口号或概念，而是实实在在地正在被“干”出来了。

那么，百度智能云是如何为各行各业提供AI能力的？

以最为传统的工业领域为例。工业企业要实现高质量发展，就要首先实现智能化转型，这就需要工业企业要打造自身的AI能力。如果工业企业从0到1去构建自身的AI能力，前期投入成本巨大且时间漫长，从成本和效率双重考虑，直接找像百度智能云这样成熟的AI基础设施提供商来合作方为上策。

依托百度智能云提的供智能中台解决方案，工业企业可以快速构建统一的AI基础设施，在整个集团内部实现AI资产的共建共享、敏捷的智能应用开发，加速企业智能化升级。

目前，在工业领域百度智能云AI中台解决方案重点围绕设备预测性维护、生产流程改进以及工业视觉巡检等强需求而展开。

以视觉巡检为例来试做说明。工业领域安全生产至关重要，以往某电网公司变电站搬电闸这一操作存在死亡风险。使用了百度智能云AI中台，该公司这一操作死亡率一年之内降低为零。

规范的操作应该是两个人同时执行，一个人负责操作，另外一个负责监视，监视操作的人是否出现违规动作或危险动作。但是现实中，有可能操作的时候，负责监视的人不在，或者在打瞌睡，加之操作者本身马虎大意就可能出现生命危险。

该公司使用了百度智能云AI中台之后，监视的动作就让渡给AI系统负责，AI不会睡觉，自然也不会打瞌睡，看到操作不合规的时候会直接提示或报警，这样就避免了生命损失。

视觉巡检属于机器视觉范畴，由于政府在积极推动安全生产，目前视觉巡检在工业领域的落地应用也越来越广泛。比如道路巡检，禁烟控火等厂区巡检，无人机视觉电力线检查等等。用AI来替代人完成这些工作，在安全性、效率和成本方面都有显著优势。

当然，百度在帮助工业企业打造AI能力的时候也遇到比较大的挑战。比如工业企业普遍存在的模型训练挑战较高，AI预算投入有限，以及企业AI人才短缺等等问题。

先来说模型训练问题。工业企业普遍比较缺乏高质量的标注数据，或者说就是缺数据。虽然工业设备上的一些数据采集比较专业，但是到了某些固定场景下，也会面临很多细分问题。比如安监摄像头拍摄画面狭小、画面模糊，或者画面角度不合适都可能导致数据难以使用。比如安全生产监测工人抽烟情况，由于摄像头安装位置太高，导致画面捕捉不到工人抽烟的烟点，因而导致监测失效。

再来说AI预算投入有限这个问题。由于工业制造企业毛利率相对低一些，所以工业制造企业科技研发投入预算普遍比较紧张，他们会比其他类型企业更加重视投入产出比。对AI应用，包括模型训练成本，AI平台采购成本，生产流程的改进成本控制也比较严格。

最后说说工业企业AI人才短缺问题。工业制造属于传统行业，员工薪资结构与算法工程师的薪资水平不太匹配，这也导致了工业企业的AI人才相对匮乏。通常一线互联网大厂算法工程师年薪一般都是大几十万起，而工业企业很难维护这样一个人力成本比较高的技术团队。

目前百度智能云通常都是为企业提供保姆式服务，推动AI项目落地。通俗点说就是把企业“扶上马，送一程”。但是长远起见，项目的持续运营、模型的持续优化还是需要企业拥有自己的AI算法团队。为此百度也提供了治标和治本两种方案，一种是提供零门槛使用平台，一种是为产业培养算法工程师人才队伍。

目前，百度智能云在金融、能源、互联网、教育、运营商、制造、政府等行业都已经有比较成熟的智能化AI中台解决方案落地。

在金融领域，依托百度智能云AI中台解决方案，中国邮储银行构建了国内大型商业银行中首个落地的全行范围统一机器学习平台“邮储大脑”，该平台帮助邮储银行逐步构建起科学高效的AI技术运营管理体系。“邮储大脑”上线应用后，相同模型训练更新周期从月级缩短至小时级，图像模型部署扩容从天级缩短至秒级，极大地提升了效率，也更快速地实现了用户端体验升级与服务创新。

在能源领域，国网福建通过引入百度智能云AI中台，构建了人工智能电力关键业务数据的全链条智能处理能力，实现需求、样本、模型、应用和迭代的全流程业务贯通。国网不仅依托AI中台进行了统一的平台搭建，也实现了场景应用突破。比如山东枣庄电网便基于百度智能云打造了时序建模引擎的高精度母线负荷预测系统，现已覆盖枣庄电网34条母线，预测准确率超98%，保障电力安全的同时实现了智能应用的创新。

在航空领域，随着机场人脸通行、智慧航显人脸识别、贵宾厅寻人、车辆管理、行李防暴力运输、机务维修质检等智能化应用在航空领域的广泛落地，建立统一的算法管理中心至关重要。百度智能云AI中台助力某航空公司，搭建了算法实验平台与算法管理中心，一方面，为算法和业务人员提供丰富的建模工具和快速易用的研发环境；另一方面，实现AI资产共享与跨团队复用，并将AI能力标准化使用与运维，训练与服务资源也实现统一管控，按需调度。不仅减少了重复建设，也加快了创新智能应用与服务的上线速度，提升旅客的智能化体验。

不难看出，百度云目前啃的都是“硬骨头”。与这些巨型企业合作，一方面可以快速的积累百度AI的行业经验；一方面能在产业界起到很好引领示范效果。相信在百度云这样的头部厂商和行业用户“先行者”的共同推动下，人工智能“开箱即用”指日可待。而百度智能云也将基于“云智一体”技术架构，不断深入更多产业，为产业智能化发展提质增速。