当今中国市场，企业和创新主体均对新技术始终保持高热情，AI技术正向社会各领域加速渗透。据IDC预计，中国人工智能市场规模到2026年将超过264.4亿美元。而从全球范围来看，去年6月，Meta 发布关于实行“去中心化组织结构”的人工智能（AI） 战略转型公告，指出将采取一种新的方式来开展和管理AI工作，即将原本的中央式AI 团队转变为更紧密整合到各个产品组中的去中心化 AI 团队，同时专注于前沿研究。科技界巨头的这一举动印证了Bernard Marr等未来学家所注意到的一大趋势：AI的专业性以及通过AI获益的途径正在变得民主化。得益于诸多工具（如谷歌的Vertex AI 和低代码/无代码平台），AI正从核心的专业领域转向业务前线。

　　以“去中心化”应对专业劳动力短缺

　　如今的企业要利用AI取得真正的成功，一个显著的挑战在于如何在现有工具和创建AI应用所需的技能之间取得平衡。有些供应商专注于某些功能，为特定领域的AI工程师和研究人员提供工具。

　　AI研究的专业工具用例有很多（例如用于跨团队共享实验的Weights & Biases以及帮助研究人员实现GPU 编排的Run: AI），而创建和生成应用程序所需的高水平AI工程师和研究人员有限，难以跟上市场需求的发展。因此，如果说一方面我们看到了AI的去中心化，那么另一方面我们也看到了AI专家亟需新的工具帮助他们更快速地开展更多工作。

　　当前的劳动力市场缺乏足够的工程师正是工具得以发展的一大主要推动力。如果再细化到对有经验的AI工程师和研究人员的需求，这一劳动力短缺的问题则更为普遍，而当前科技公司的裁员潮可能会导致原本就稀缺的AI人才进一步流失。

　　随着业界对AI技能需求的持续增长，各企业争相成为其所在领域的“主导者”，力求通过“AI去中心化”实现AI应用的开发，并部署到数以百万计的边缘设备（AIoT）。企业也愈发重视创建一个可在任何地方（云、本地、边缘或混合部署）进行AI数据处理的环境，例如NVIDIA的 Launchpad和微软的 Azure IoT Hub。

　　为了同时满足AI专家和非专家的需求，供应商致力于提供完整的端到端的低代码/无代码和专业AI平台。因为通用AI模型无法发挥最大成效，因此开发人员也需要与其专业水平和业务领域相匹配的工具，就像员工和团队需要具备符合行业所需的专业能力一样。

　　如此一来，企业就能更多地专注于提升自身附加值，并让专业的终端用户能够腾出时间开展AI研究等工作，让一线员工承担更高价值的任务。优秀的AI不仅能够提高人类的知识水平，还能使用户能够集中时间和精力专注于关键的工作和决策。

　　全新的现成AI工具让专业及非专业群体共同受益

　　简单的拖拽式低代码/无代码AI平台是大势所趋，让经验丰富的AI专家和非专业人士能够以不同的方式受益于这一趋势，当下也有这种平台可以同时服务于不同群体。

　　对于专业人士来说，一些平台提供了适合其专业水平的现成空间和经过测试的模型，同时也为他们提供了发挥空间，让他们能够在非专业人员无法驾驭的环境中进行按需构建、测试和调整。对于非AI工程师来说，图形拖拽式软件使其不需要耗费大量时间学习代码就能够创建解决方案。

　　斑马技术提供机器视觉和深度学习软件平台，可以简化生产、仓储和运输环境中质量检测应用的部署，同时也为经验丰富的程序员和数据科学家提供了创造自己的工作成果的空间。让有经验的专家和非专业人士都能更便利、更直观地获取AI资源，企业可以显著优化整体运营流程中的分析和决策流程，并通过AI和其他技术及劳动力投资来实现高投资回报。

　　初创企业和大型企业面临的机遇和挑战

　　在未来 3-5 年内，随着无服务器功能和容器部署等基础设施模块的构建逐渐成熟并成为主流，AI应用程序开发和部署将越来越普遍。与此同时，收集训练AI模型所需的独特数据集以及利用自身领域的经验来解决新用例需求的企业将具备显著优势，因其无需从头开始构建应用程序，也不需要那么多AI工程师和研究人员。

　　需要注意的是，这一发展对不同规模的企业意味着不同的机遇和挑战。随着AI的成本和所需技能水平的降低，进入市场的成本也会随之降低，因此初创企业会以更快的速度进入市场，甚至以其解决方案颠覆市场；而另一方面，更大、更成熟的企业仍会拥有更多的人力和更多的资源。

　　未来，这些专业的AI工具也有可能被更大的企业收购以加速其自身平台的发展。业界也许会出现几个主导的企业，它们拥有低代码/无代码专业现成解决方案，这些解决方案成本较低，并且以大批量部署为前提。

　　无论如何，企业领导层和数据科学团队负责人都需要立即采取行动，以了解如何利用自身的数据和业务领域的经验，推动面向客户的产品向前发展，否则将面临落后的风险。

更多精彩内容欢迎点击==>>电子技术应用-AET<<