有人說互聯網開始由黃金時代轉入白銀時代，但AI可能與此相反，初創期的“白銀時代”已經向產業應用全面落地的“黃金時代”進發。

12月20日，國際數據公司（IDC）與百度AI產業研究中心（BACC）聯合發布《百度大腦領導力白皮書》。該白皮書按官方說法意在“洞察AI趨勢，激發產業新效能”，在開篇著重預測了2019年中國AI市場發展的十大趨勢。

解構該白皮書，我們發現，未來AI的發展在很多地方都將超出現有預期。

AI帶來的便捷，將比你想得還要極致

AI給產業和生活帶來了無與倫比的便捷，而未來AI帶來的便利將比你想象的還要更進一步。

1、部署AI，代碼都不想敲？那就點幾下鼠標吧

在云計算巨頭的支撐下，企業自己部署AI即將擺脫過去那種全靠碼農一行行代碼敲出模型的境況，用少量的引導代碼就能部署完整、可用、高效的算法模型。

不過，這還沒有結束，那些對AI需求相對固定、大眾化的企業，甚至可以“懶”到連少量代碼都不用敲，直接在專業開發平臺上點幾下鼠標就能實現AI部署自動化，像訪問WEB一樣便捷。由此，“普惠AI”將不再是一個概念。

類似的開發平臺不斷涌現，典型的如谷歌AutoML、百度EasyDL等。例如，在EasyDL上，用戶可以上傳圖片、音頻、文本等原始數據，系統可自動訓練出合適的模型，以圖像分類為例，訓練數據每類僅需20－100張圖片，最快10分鐘可訓練完畢。

2、不光人想變得更懶，機器也是

在AI之前IT信息化已經大行其道，財務、人力等的IT化讓人可以更“懶”更輕松。但是，過去的IT信息化本質上只是把人要做的事由機器去執行（進行了一定的流程重構）。

現在，智能化使得業務流程再度重構，某種程度上，機器也變得“更懶”，憑借AI模型只需要少量的步驟就能完成過去IT信息化系統要做的工作。

IDC預計至2023年，AI將取代50％的IT業務工作量，節省20％以上的運營成本。在已有的實踐案例中，太平洋保險和百度合作，在車險理賠環節采用AI技術（原有IT信息化支撐），每年預計將節省2－3億元運營成本。在車險理賠中，超過70％的車險理賠都是5000元以下的小額碰擦事故，而整體賠付金額只占到20％多，這十分適合AI的介入。

3、不能隨心所欲的智能交互都是偽命題

智能音箱現在十分流行，它代表人機交互界面的智能化趨向，即擺脫屏幕的束縛，讓交互通過語音的方式實現。

人和人之間獲取和交互信息，可通過說話、讀文字、對眼神、瀏覽照片、播放視頻等多種方式，這些，正是AI加持交互的最終目標。智能音箱只是開始，那些人與機器的交互，將通過AI實現“隨心所欲”不被時間、設備、場所所桎梏。

在這之前，至少要先擺脫屏幕。IDC預計到2023年，支持AI的人機交互接口將取代目前50％的基于屏幕的B2B和B2C的應用程序。在融合語音、圖像、視頻以及語義理解能力的AI能力不斷進化時，有理由相信，未來人與機器的交互將“心有靈犀”，而不是只靠冰冷的電容屏。

AI已經很聰明了？對，但它還能比你想象的聰明更多

除了產業與生活的便捷化，AI自己在也變得更“聰明”，甚至比我們想象的AI要聰明得多。

1、全能型選手馬上要成型了

李開復曾經對AI落地場景有過直白的觀點——金融行業會是最好、最先落地AI的場景。時至今日，Fintech領域的AI應用的確大放異彩，金融風控成為AI落地的典型產品。同時，在政府行業、互聯網行業，AI近年來的實踐也突飛猛進，城市治理、政務ATM背后都有AI的身影，連我們平時點個外賣，小哥如何配送背后都存在著AI路徑優化。

不止于此，按照IDC與百度的預測，除了上述三個行業的全面擴展，新零售、新制造、醫療領域也將成為AI市場的新增長點。這六大行業未來應用AI的3年復合增長率將超過30％。

例如，廣州婦女兒童醫療中心已于2年前開始全面探索AI的應用，包括在電子病歷系統中應用語音識別幫助撰寫，利用圖像識別、深度學習技術進行智能閱片輔助診斷，此外，還有病種分析、影像報告文書撰寫、智能導診、臨床輔助診斷等多個AI應用場景落地。

而這些，還只是AI的典型應用，在更多領域AI也在崛起。．

2、不只是知其然，還要知其所以然

過去及當前某些AI技術，還處在只能聽清、看清的“知其然”狀態，而信息到底想表達什么，AI其實是不懂的。就好像用AI語音聽寫一段話，它能準確地翻譯出來而不用用戶打字，但這句話究竟是什么用意AI并不知道，或者說，需要換用另一個AI算法來實現。

這顯然是不夠的。在IDC與百度發布的報告中，多模態計算會成為下一步的技術趨勢。

按百度高級副總裁王海峰的說法，機器智能不僅僅能夠“看清聽清”，還要能夠“看懂聽懂”。由此，融合視覺、語音、語義及情感的多模態計算成為必然，其結果，是AI更能深入理解信息背后的含義，進而更好地支撐各種應用。

例如，服務快消品行業的惠合科技接入百度EasyDL進行陳列審核，旗下e店佳應用上傳陳列視頻，EasyDL以定制化的物體檢測能力來識別商品是什么，同時還能推演出圖片中該類型商品的陳列究竟是否符合要求。目前，該圖像識別已經應用至40000家零售門店，這背后，就是多模態計算的價值呈現。

3、不管什么類型數據，只要有需求AI隨時“效命”

數據是AI算法模型的原料，一個算法對應一種結構化數據，要是數據不匹配算法便不能很好運行甚至出錯。

然而，很多企業的數字化轉型過程中，物理世界到虛擬數字多數時候并不能成為結構化數據，它們類型多樣、形式復雜。例如，制造業機械維保往往有零件或組件名稱、序列號、制造商信息、維護間隔、維護日期、分包商信息、手冊和文檔的鏈接、聯系人、保修和服務合同信息等非結構化數據，十分“豐富”。

這些非結構化數據帶來龐大的AI計算需求，在它們應用到AI算法之前，需要有多模型數據庫的支撐，什么都能往里邊塞，AI通過這樣的數據庫什么都能“算”。由此，在迫切需求的支撐下，所謂多模型數據庫開始走向市場，IDC預計到2023年，多模型數據庫的支出將達到NoSQL數據庫（一種當前興起的主流數據庫形態）支出的30％。