AI 正以惊人的速度改变着我们的世界，从自动驾驶到医疗诊断，AI 的应用日新月异。然而，一个残酷的现实是：许多企业，尤其是中小企业，在 AI 应用之路上举步维艰。原因何在？答案就在于 AI 的“最后一公里”。
AI 的“最后一公里”问题指的是将通用 AI 模型定制成适用于特定业务场景的专用系统的高昂成本和复杂性，阻碍了 AI 的广泛应用。 解决这个问题的关键在于降低 AI 系统构建成本，并通过AIaaS 平台等方式扩大其部署规模。此外，政府也需要制定相应的政策，引导 AI 健康发展，例如反垄断监管、劳动力培训、数据监测和支持学术研究等。
AI 的繁荣与落地困境
以 OpenAI 的 ChatGPT、Google 的 Gemini 和 Anthropic 的 Claude 为代表的新 AI 产品令人惊叹，吸引了商业领袖和公众的广泛关注。然而，尽管技术进步令人印象深刻，但这些 AI 系统的经济可行性常常不足。企业采用新 AI 能力的前提是其创造的价值超过成本，但高昂的前期开发成本使得 AI 投资难以盈利，除非企业拥有足够的部署规模来分摊成本。
AI 最后一公里：定制化成本之殇
“最后一公里”指的是将少数的通用 AI 系统转化为经济部署所需的无数专用系统所需要的大量昂贵的定制化工作。 这就像将高速公路修到家门口，看似简单，实则充满挑战。
以一家小型服装厂为例，他们想要利用 AI 技术来检测产品缺陷。他们购买了市面上最先进的计算机视觉模型，但在实际应用中却发现，这个模型无法识别他们特有的布料缺陷。为了让 AI 模型能够正常工作，他们需要收集大量的缺陷样本数据，并对模型进行重新训练和调整。这个过程需要投入大量的人力、物力，以及时间成本，往往比购买模型本身更加昂贵。这就是 AI“最后一公里”的困境：技术可行，但经济上不可行。
即使解决了经济问题，技术挑战依然存在。AI 模型并非万能的，它需要与具体的业务场景深度融合，才能发挥真正的价值。这需要企业具备一定的 AI 技术能力，或者寻求专业的 AI 服务商的帮助。
布鲁金斯学会的研究指出，AI 部署在技术上可行和经济上具有吸引力之间存在巨大差异。以计算机视觉为例，尽管 80% 的计算机视觉任务在技术上可以实现自动化，但考虑到“最后一公里”的定制成本，只有 23% 的任务能够带来经济效益。 这意味着，对于大多数企业来说，AI 的美好愿景仍然遥不可及。 高昂的前期成本使得只有大型企业才有足够的规模来支撑 AI 的应用。
AI 自动化：两阶段模型
研究表明，劳动力自动化将分两个阶段发生：在初始阶段，由于自动化针对的是当前技术已经经济上具有吸引力的任务，因此会出现显著的颠覆。在自动化的第二阶段，由于新任务必须等待商业模式创新或 AI 成本大幅下降才能克服其最初的经济劣势，因此推广速度会放缓。 在第二阶段的各种情景中，研究估计 AI 自动化造成的失业将低于现有的全经济范围内的工作岗位更替率，这表明第二阶段的劳动力取代将是渐进的，而不是突然的。
最小可行规模：跨越 AI 盈利鸿沟
“最小可行规模”是 AI 商业化落地的一个重要概念。它指的是 AI 系统的部署规模达到一定程度后，其平均成本低于人工成本，从而具备经济效益。 换句话说，只有当 AI 的规模效益足够大时，才能真正体现其价值。
研究发现，对于大多数企业，尤其是中小型企业来说，他们的规模不足以支撑 AI 系统的经济效益。即使是大型企业，也只有在 AI 系统的成本大幅下降或部署规模显著扩大时，才能实现全面自动化。如果能够跨多家公司汇总劳动力成本，那么自动化的吸引力就会大大提高。研究估计，如果 AI 模型提供商在整个行业内部署系统并将价格保持在竞争水平，那么 AI 自动化在多达 88% 的视觉任务薪酬方面具有经济优势。
AI 普及的路径：降低成本与扩大规模
要破解 AI“最后一公里”的难题，必须从降低成本和扩大规模两个方面入手。
降低成本:
-
• 算法优化: 持续改进 AI 算法，提高其效率，减少计算资源的消耗。例如，通过模型压缩和知识蒸馏等技术，可以减小模型的体积和计算复杂度，从而降低训练和推理成本。研究表明，算法的改进是降低 AI 成本的重要驱动力。 -
• 硬件成本下降: 随着硬件技术的进步，例如 GPU 价格的下降以及专用 AI 芯片的出现，AI 系统的构建成本也会降低。 这使得更多企业能够负担得起 AI 系统的硬件成本。 -
• 开源数据和工具: 利用开源数据和工具，可以降低 AI 开发的门槛，减少企业研发成本。例如，ImageNet 等开源数据集为计算机视觉领域的研究和应用提供了重要的支持，降低了数据获取成本。 -
• 云计算平台: 利用云计算平台提供的按需付费的计算资源和 AI 服务，可以降低企业搭建和维护 AI 系统的成本，避免一次性的大额投资。
扩大规模:
-
• AI 即服务 (AIaaS) 平台: AIaaS 平台可以将 AI 技术以服务的形式提供给企业，降低企业使用 AI 的门槛，并通过规模效应降低成本。一些典型的 AIaaS 平台包括提供图像识别、自然语言处理、机器学习等服务的平台，例如 Google Cloud AI Platform, Amazon Machine Learning, Microsoft Azure AI 等。 -
• 行业解决方案: 针对特定行业开发定制化的 AI 解决方案，可以更好地满足企业的需求，提高 AI 应用的效率。例如，针对医疗行业的 AI 诊断系统、针对金融行业的 AI 风控系统等，可以更好地解决行业 specific 的问题。 -
• 数据共享与合作: 通过数据共享和合作，可以扩大 AI 模型的训练数据集，提高模型的泛化能力，并降低单个企业的数据收集成本。 这对于需要大量数据的 AI 应用尤为重要。
AI 成本的指数级下降才能带来应用范围的线性增长，规模化应用和成本控制至关重要。
政策建议：为 AI 发展保驾护航
政府和相关机构需要制定相应的政策，引导 AI 健康发展：
-
• 反垄断监管: 防止 AI 平台形成自然垄断，维护市场公平竞争，鼓励创新。避免少数巨头控制 AI 技术和数据，阻碍市场竞争和创新。 由于 AI 平台高度依赖训练数据，可能会出现“自然垄断”，因此需要加强监管，确保数据访问的公平性。 -
• 劳动力培训: 为受 AI 影响的劳动者提供再培训和技能提升，帮助他们适应新的就业环境，避免技术性失业。例如，提供 AI 相关的职业培训课程，帮助工人掌握新的技能。 研究指出，虽然 AI 自动化带来的长期失业率可能低于预期，但在初始阶段仍然会造成一定的冲击，因此需要提前做好准备。 -
• 数据监测: 建立完善的劳动力市场数据监测机制，及时了解 AI 对就业的影响，并根据实际情况调整政策。例如，跟踪 AI 应用对不同行业和职业的就业影响，为政策制定提供数据支持。 这需要改进现有的劳动力市场数据收集和分析方法。 -
• 支持学术研究: 加大对 AI 相关学术研究的支持力度，推动 AI 技术的创新和发展，确保 AI 技术的进步造福全人类。例如，资助高校和科研机构开展 AI 相关的基础研究和应用研究。 由于 AI 研究的资源密集型特性，需要政府提供资金和计算资源支持。
AI 的未来，由我们共同创造
AI 的“最后一公里”问题是 AI 商业化落地的最大挑战，但并非不可逾越的障碍。通过技术创新、商业模式创新和政策引导，我们有信心破解这个难题，让 AI 真正走进千家万户，为人类社会创造更美好的未来。这需要各方共同努力，包括企业、科研机构、政府和个人。
相关链接
-
2024 年度 AI 报告(一)：Menlo 解读企业级 AI 趋势，掘金 AI 时代的行动指南 2024年度AI报告(二)：来自Translink的前瞻性趋势解读 – 投资人与创业者必看 2024年度AI报告(三)：ARK 木头姐对人形机器人的深度洞察 2024年度AI报告(四)：洞察未来科技趋势 – a16z 2025 技术展望 2024年度AI报告(五)：中国信通院《人工智能发展报告（2024）》深度解读 2025 AI 展望 (一)：LLM 之上是 Agent AI，探索多模态交互的未来视界 2025 AI 展望 (二)：红杉资本展望2025——人工智能的基础与未来 2025 AI 展望(三)：Snowflake 洞察 – AI 驱动的未来，机遇、挑战与变革 -
• 最后一公里问题研究报告：https://www.brookings.edu/articles/the-last-mile-problem-in-ai/ -
• 美国劳工统计局职业就业和工资统计数据: https://www.bls.gov/oes/ -
• ImageNet：大型视觉数据库: https://www.image-net.org/about.php -
• 商业趋势和展望调查: https://www.census.gov/programs-surveys/btos.html
（文：子非AI）