6-4 决策智能产业化下的机遇与挑战

核心观点与关键数据

决策智能的定义与区别

• 决策智能技术与感知智能技术同属AI领域，但存在明显区别。
• 感知智能技术解决了“将非结构数据抽象为结构化数据”的问题，率先商业化落地。
• 决策智能技术是感知智能的进化，解决了“利用数据决策最终对物理世界反向影响”的问题。
• 典型应用包括人脸识别、自然语义理解、Alpha Go、强化学习、智能运营、智能运维、智慧工厂等。

产业化本质与机遇

• 决策智能产业化的本质是数据赋能，关键在于毛利、渗透动力、成本和价格。
• 渗透动力愈发强劲，赋能者的价值在于帮助被赋能者降本增效。
• 传统行业企业盈利增长放缓，精益管理需求提高，数据利用能有效提高业务收益（Gartner调研超60%公司认为）。

宏观与微观挑战

• 宏观层面：实时数据量增加，数据处理效率要求提高（IDC预测，到2023年实时数据将占全球数据圈24.5%）。
• 微观层面：客户结构差异显著，头部客户集中度高，中腰部客户广泛。
• 行业案例分析：
  • 金融：客户结构头部规模大，市场集中（国有银行、股份制银行等）。
  • 工业：中腰部客户广泛，离散工业、流程工业、商品流通等场景需求多样。
  • 零售：市场进入平台整合期，增长放缓，企业需激活存量。

产品化与行业选择

• 产品化程度与行业客户结构相关，供应商集中时场景的数据标准化程度高。
• 标准化组件越多、算法通用性越强，效率越高。
• 行业差异大，需研发通用算法，同时考虑底层IT环境和数据一致性。

投资与创业建议

• 投资人关注市场坑的大小与深度。
• 创业者需努力保护市场，立志做中国产业进步的价值创新者。
• 让决策更科学、更高效、更智能，推动产业共同发展。

微观落脚点

• 供应商集中时，场景的数据标准化程度高，同行业交付标准化组件，定制化需求合同交付。
• 标准化组件越多，算法通用性越强，跨行业研发通用算法，行业差异新行业产品。