2018年9月30日，随着腾讯地震式架构调整、云与智慧产业事业群（下称：CSIG）成立，腾讯AI不仅跑出了实验室，更开始加速向产业纵深。
腾讯日前公布了的AI全景布局：包括“技术-平台-场景”三层AI结构布局，以及“双引擎+双轮”驱动AI场景落地。其中，双引擎指的是腾讯两大科技实验室矩阵，双轮指的是“消费互联网+产业互联网”。
据此前钛媒体梳理，腾讯两大实验室矩阵其一为人工智能实验室矩阵，包括腾讯AI Lab、优图实验室、Robotics X（机器人）等四大实验室；其二为基于前沿科技的实验室矩阵，包括量子计算、5G技术等。
其中人工智能矩阵会更多服务于公司内部或行业业务，而前沿科技矩阵则着眼于稍远的技术展望。
因为聚焦计算机视觉（下称：CV）这一AI应用最广的领域，在诸多实验室中，优图成为腾讯AI深入产业的排头兵。在技术产业深度融合的大势中，一所人工智能实验室的跃迁，成为腾讯向产业互联网迈进的典型缩影。
“930”是优图实验室负责人们最常提及的标志性节点。
在930腾讯架构调整前，优图实验室更多面向消费互联网。为腾讯业务线上的QQ、天天P图、腾讯视频、微视等消费互联网产品做技术支撑。
而930以后，腾讯优图被划分至腾讯CSIG。CSIG是腾讯产业互联网的主阵地和to B的主窗口，这也意味着优图开始从腾讯的内部实验室走向前台，更多面向产业和客户的考验。
实际上，930之前优图已经有了to B案例。
2018年5月，腾讯优图就和微信支付合作推出了刷脸支付系统，结合优图的活体识别和1:1核身技术，在上海家乐福落地。只是架构调整后，优图技术将统一通过CSIG窗口输出。
另据钛媒体了解，此前汤道生曾明言对优图不设KPI，而现在优图也开始承担起一部分CSIG的KPI。
为什么优图成为了腾讯AI深入产业的排头兵？
除了上述提及的CV应用广泛外，另一方面，虽然同处于人工智能矩阵，但AI Lab和机器人实验室被划分在了腾讯技术工程事业群（TEG）中，TEG更重视基础研究。在不同事业群的思路下，优图向产业更进一步，AI Lab和机器人实验室则专注在前沿科技上。
被划分至CSIG后，优图主要负责技术研究和产品解决方案的打造，CSIG则更多面向客户、反馈客户需求。
从消费互联网迈进产业互联网，优图不仅延续了to C的方法论，还通过自身的进化去适应to B的新规则。
这种适应一方面体现在架构和思路的调整上，另一方面则体现在了技术储备上。
与to C的通用需求不同，to B往往面临着更多来自客户的定制化需求。“以内容审核为例，电商和社区对于色情和性感的定义就不同，比如在电商中不属于色情的内容，在社区内容的判定中就会属于色情。”黄飞跃补充道。
针对B端频繁的定制需求，优图也做了相应的研发储备。例如，优图内部有一个全自动的在线训练平台和客户运营平台。该平台可以针对特定需求进行快速定制、训练和优化，在2-3天内完成定制化模型的训练。优图也有运营类平台供客户查看效果，实时的反馈能不断优化其定制化能力。
在服务B端客户的过程中，腾讯AI也实现了从单点突破到通用平台的演进。这是从大量定制化服务经验中抽象出的通用法则。
日前，优图推出了泛娱乐、广电传媒、内容审核和工业等四大领域的AI平台。
“产业互联网不仅仅是to B、to G，最终还是to C的，C2B是腾讯面向产业互联网的一个优势。”汤道生曾如此阐释腾讯to B的路径。
所谓的C2B方式，指的是腾讯利用在C端积累的数据与流量进入产业。用在C端积累的数据和技术不断打磨to B的解决方案，也利用其流量优势为客户触达消费者提供联结。
腾讯有很多to B方案都来自于C端积累。比如微信刷脸支付，就把to C的经验提炼成了面向银行的to B解决方案。除此以外，通过在健康码、随申码等to C应用中不断打磨远程核身技术，优图解决了大量活体检测的问题。而这一经验则被提炼成面向运营商远程开卡、面向银行远程开户的系统。
“是否有C段链条，是腾讯在选择进入产业的标准中，一个重要的参考因素。”腾讯云副总裁王帅曾对钛媒体指出。但随着腾讯向产业纵深，更多场景并无C端经验可以参照，腾讯AI便开始在一些“纯to B”的领域拓荒。
比如物流行业，其痛点在于如何将多渠道的物流单据进行智能化整理。腾讯云为中国外运股份有限公司提供了OCR（即光学字符识别）解决方案代替人工录入。以汽车进口的零部件单据录入为例，此前需要4个人花一周时间完成的工作量，现在只需一个人花40分钟。
再比如保险，传统的健康险核保包括上传体检报告、分析、核保等多个流程，需要核保师人工完成。但问题在于人工核保效率低，且行业缺乏医学知识丰富的核保师。腾讯云为泰康人寿提供的AI智能核保系统，能够实现全流程的自动化。以往保单审核平均需花费40分钟，现在降至15分钟，每年约能节约人力成本400万元。
比起物流、保险等行业，工业是一块“更难啃的骨头”。在“AI+工业”领域，腾讯云为主营液晶显示屏的华星光电提供了技术支持。
在液晶面板行业，传统的检测方式是AOI扫描基板图片，然后用人工检测方式检测基板图片。随着工业检测越发需要精准，传统的视觉缺陷检测和分拣设备很难满足要求。而实际产线上，人工肉眼复检也很难降本提效。
华星光电的产线每天会产生一两百万张图片，每个质检员要看1万多张图片，对每张产品图进行缺陷分类平均需要2秒。而现在基于优图CV技术，腾讯云推出了AI自动缺陷分类系统。识别单张图片只需500-600毫秒。对比人工判片，AI识别速度提升了5-10倍，每年可以为华星光电节省超千万元的成本。
对于这种传统产业，腾讯并不能提炼C端经验，“走进产业”便成为重要课题。
在华星光电的案例里，光从当前图像的特征无法正确判断缺陷分类，不仅要借鉴前一个工艺环节的图片一起判断，甚至还要结合业务上的知识。在这些问题上算法可能是有局限的，不了解背景未必能解决这些问题。同时算法也不能像产线工人一样随时跟其他人沟通寻求帮助。因此，AI项目落地不是最简单的训练和推理过程，需要持续结合实际业务知识，通过行业专家系统结合机器学习，才能给企业提供有价值的服务。黄飞跃向钛媒体解释道。
除优图外，“腾讯觅影”背后的技术提供方之一、专注医疗的天衍实验室也在加速技术产业融合。
疫情期间，腾讯觅影推出了AI辅助诊断新冠肺炎的方案，于武汉大学中南医院落地。该方案能在患者CT检查后最快2秒内完成AI模式识别，1分钟内为医生提供辅助诊断参考，2个月内为湖北多家医院共2万4000多名患者进行了肺部CT诊断。
此前，有观点认为腾讯缺乏to B基因，黄飞跃向钛媒体说道，“如果大家相信基因，也会相信进化，作为企业最重要的就是学习、以及适应市场的能力。”
用户评论