今天小編分享的互聯網經驗：探索 AI 落地場景圖譜：從技術挑戰到商業應用的多元視角，歡迎閲讀。
12 月 7 日，在北京市大興區舉辦的 2024T-EDGE 創新大會暨钛媒體财經年會上，「AI 落地場景圖譜」圓桌由钛媒體集團聯合創始人劉湘明主持，TDK InvenSense 副總裁 Pankaj Aggarwal、Traini 創始人孫鄰家、MascotGO 首席技術官 Peter Avritch、萬魔聲學董事長謝冠宏、紅杉中國合夥人張涵等嘉賓，圍繞 AI 落地應用面臨的挑戰、各公司在 AI 領網域的進展與商業模式、AI 在不同領網域的發展趨勢等話題展開。
Traini 公司通過大量視頻标注理解寵物行為并選擇模型，與寵物行為專家合作确保數據準确性，公司在共情方向投入研發，產品有 C 端用户，且在模型端可輸出，與多家硬體公司合作。
孫鄰家表示，Traini 未來嘗試在醫療端輔助診斷、為具身機器人提供數據。目前主要專注于狗狗領網域，因北美和歐洲狗狗市場大且狗狗行為與人類互動更直接，未來可能延伸到其他領網域。
謝冠宏提到，萬魔聲學在耳機降噪（飛機、火車降噪及通話降噪）、省電方面取得成果，睡眠豆第三代可準确監控心率、呼吸和睡眠狀态。眼鏡產品也在發展，雖市場挑戰大但從一開始就注重差異化。
Peter Avritch 提到，他的開發工作圍繞研究如何使用和獲取數據，為用户提供個性化推薦。
Pankaj Aggarwal 則表示，AI 發展需要更多傳感器，傳感器能讓 AI 變得更智能，如耳機能判斷發言者自動調節聲音，未來機器人将使用更多傳感器，覆蓋消費、工業設備等多領網域，且需關注小設備功能局限、安全及隐私問題。
張涵從投資視角闡述了目前 AI 應用在尋求大規模落地和商業化方面面臨的挑戰，包括落地場景、Token 成本控制、數據安全等。他認為在應用落地的優化方向上，創業者可以尋找和構建對模型以及 Agent 的輸出結果要求不太高的使用場景，實現產品和商業化更快、更早的落地。
以下是圓桌對話實錄，經钛媒體 APP 編輯整理：
劉湘明：特别高興今天有這樣的機會讨論落地的問題，這次在美國參加很多 AI 會議，主要是兩個方向，一是 AI 落地；二是 AI 工具，結合大家在領網域裏的觀察，目前 AI 應用落地面臨有哪些挑戰和障礙是什麼？
Pankaj Aggarwal：數據收集的過程應該是一大挑戰，以及從不同來源收集數據并且進行整合，這也是挑戰。
過去十年，AI 有 100 萬倍的計算成本下降，數據量增加了 1 萬倍，在這個過程中 AI 不斷地應用數據，将數據數字化。
比如對于馬拉松長跑選手，可能配備了不同的傳感器，現在的 AI 技術有沒有能力把所有數據進行收集，并且進行符合需求的數據分析，這是非常重要的。
很多時候，AI 數據沒有很好地被應用。比如很多小的設備，可能在電力或者其它方面有局限，導致沒有辦法在每時每刻收集數據。
智能終端或者智能邊緣也受到行業關注，我們需要有不同的傳感器，比如温度傳感器、水分傳感器，以及其它的像 WiFi、藍牙、雲上設施等，收集并分析數據的過程受到電池的限制。
孫鄰家：AI 落地應用最大的挑戰有三。第一，人們對大模型的期待非常高，大家期待出現能夠颠覆移動互聯網的大模型應用，一般的應用大家會覺得它太薄，不足夠變成殺手級的應用。這會和實際有個 gap（差距），這個 gap 會導致做應用的公司，去融資或者想拿到足夠的錢，再往前的時候難度變得更大。
第二，很多做應用的公司，認為具備工程能力，又對大模型比較了解，就可以做了，過程中會使用現有的開源技術。但實際上這些公司對場景、用户需求的理解，特别是在整個 Workflow（工作流程）上理解比較淺，在做產品或者應用的時候很難切到用户的痛點。
第三，現在的 AI 應用某種程度上等于 AI Agent，需要有自己的模型。建立模型的時候，不論利用開源技術還是自己架構的技術，最後要形成比較獨特的技術優勢，這個技術優勢上邊要疊加無數的數據，在 AI 應用層面，很多數據都是非結構性的，怎麼樣去處理、采集非結構性的數據，達到能夠訓練大量模型的程度，把它變成非常獨特的產品，這對于一般的團隊而言難度非常大，至少有一件事情大家必須要去做，就得去讀論文，讀英文的論文非常難，對于小公司而言非常難。
謝冠宏：AI 終端存在四個主要難點。
省電難點。萬魔聲學幾年來一直在改進和克服省電、輕薄、穿戴舒适等問題，AI 終端需做到不用時省電 stand by 一整天，又能随叫随到，使用時可迅速連接藍牙、wifi 等，且視頻要有高帶寬。
音質難點。要提高聲音質量、消除噪音，讓使用者既能清楚理解對方講話，也能清晰聽到自己説話，還能發出接近人類的聲音給對方，改變傳統 AI 一問一答模式，實現全時間雙向實時對應，能分清不同語言，雙方和動作，目前在眼鏡、耳機上已做到相應程度。
APP 難點。使用 AI 需下載 APP，但跟 Apple、谷歌搶入口較難，未來是萬物互聯時代，可通過直接拉群的方式解決，同時提升使用的便利性。我們使用專利技術為人，AI 與 messager 結合一物 1 号，達成人機互聯。
手機本地 agent 難點。要清楚分辨其能做和不能做的事，比如訂披薩時不能放入銀行賬号和家庭住址等隐私信息，當前模型設有防火牆隔離，但同時還要充分利用雲端的智能跟資訊。
Peter Avritch：談到生成式 AI，我的工作就是研究做哪些工具加入到大語言模型當中，研究如何使用這些數據，如何獲取這些數據，再把這些數據給回到大語言模型，實現個性化的推薦。
比如對于某個人來説，上哪所大學最合适，這不僅僅是學術問題、财務問題，它包含各個方面。對于 16、17 歲的孩子來説，做這樣的決策可能是整個人生最重要的決策，我們希望能夠運用到大模型幫助年輕人來做決策。
張涵：大模型這兩年發展非常快，但能力還相對有限，特别是在内容準确度、輸出能否符合預期等方面，離大規模商用和到基于 Agent 做閉環操作還是有距離的，仍然需要技術側、產品側的人才去不斷想辦法優化。
在應用優化的方向上，可能會有一批優秀的產品經理或者創業者去構建更新的場景，比如他們尋找的用户群體可能對模型和 Agent 的輸出結果預期沒有那麼高。在這種情況下，產品反而變得更容易落地，商業化也更容易形成。
AI 創業者還會普遍碰到 token 的成本問題，這和之前移動互聯網的差别比較大。當你做了一個 AI 產品，這個產品在還沒有形成良好盈利狀态和商業模式的時候，在這上面消耗的 token 以及獲客的成本疊加等等會使得整體成本變得更高。
最後是數據。不同的場景下，企業側可能積累了很多私有數據。如何在最大化保護數據隐私、數據和模型安全的前提下，讓私有數據和自己的業務側結合，與大模型聯接起來，從而提高工作效率，這可能還是個挑戰。
劉湘明：問個小問題，"Traini" 的名字由何而來？商業模式就是把寵物的語言翻譯成人能聽懂的語言，怎麼做到的？
孫鄰家：其實是 training 的縮寫，我們想表達寵物到人類世界被馴化的過程。
我們是全球第一家用生成式 AI 做寵物行為分析的商業公司，通過大量視頻的标注，系統性地理解寵物行為之後，再去選擇模型。我們目前專注在狗上面，會和頂級的寵物行為專家合作，讓他們成為我們的一部分，而且要付出很高的成本，例如股權給他們，來進行專業數據的标注，保證 Ground truth 最後能夠實現。
其次我們在共情方向上進行大量的研究和開發，例如用語音的方式呈現，克隆成狗兒子和狗父母説話的形式，整個體驗對于產品都起到決定性的作用。我們看起來是 C 端產品，但做小模型一旦擁有數據，建立數據壁壘，就有很大的能力可以做 C2B，這個模式可以成立，目前在模型端也可以輸出，在硬體上可以用到。像蘋果、華為、尼桑汽車、上汽等等很多大的硬體公司都在找我們合作。
原來做的非常垂直領網域的小的事情，是個芝麻，我們現在已經把它變成通用，當模型能力變成通用之後，未來我們就可以做成寵物生活的生态，就可以拿到西瓜，這是我們的邏輯。
我們其實還在探索商業模式，但基本的想法在 C 端收取費用費，提供 API 給這些公司。另外，做寵物可穿戴設備，實時進行翻譯。未來嘗試在醫療端，給寵物醫生做醫療輔助診斷，以及給具身機器人提供數據，讓具身機器人在生活中可以和狗狗互動，做成更通用的場景。
我們主要做北美和歐洲，1.6 億條的狗狗，市場足夠大。其次是狗狗的行為和人類的互動更突出、更直接，用這樣的解決方案，對我們的產品突出上會更大，作為創業公司我們只能做選擇，在未來的時候再延伸到其它領網域。
劉湘明：其實音頻耳機是 AI 最早用到的領網域，我現在的問題是在未來，AI 會給我們帶來哪些驚喜，在硬體方面？
謝冠宏：我們專注在小模型，以前用在降噪、輔助睡眠、輔助聽覺，以及運動的器材，這些東西來做學習的終端，會越來越多，而且越來越準确，就像睡眠豆第三代，它對于心率、呼吸和睡眠狀态有非常準确的監控。
一是和健康相關，和運動相關的，逐漸 AI 會提供更多的東西；二是翻譯，我們做的比較大的改變是實時雙向對談，不管什麼語音都共同做。另外的驚喜是這種硬體會越來越多，耳機、眼鏡、戒指、手表、鞋子等，這方面會提供很多驚喜。
降噪分兩方面，一是飛機或者火車上的聲音，把聲音降下來，這和世界一流水平可以媲美，部分效果甚至超越，因為 AI 學習給到我們很大的幫助；二是通話降噪，我在跟他講話，但是我旁邊吵鬧的聲音不要出來，AI 就是要學習這是噪音，這是聲音，再傳送完美的原音的時候，其它噪音不能傳過去，再就是現在的省電越做越好。
劉湘明：簡單進行總結，各個嘉賓我覺得來自于 AI 創業領網域不同的環節，其實我的感覺就是，AI 其實有兩個方向，一是提高效率，做好 " 牛馬 "；二是怎麼去把生活過慢，提供足夠的情緒價值，追求效率的最後也是為了追求更美好的生活，所有的落地，所有的應用都是期待更好的明天，謝謝大家。
