最近兩年離開媒體之后，我參與的創業項目多多少少最終都歸結到汽車大數據、機器學習和人工智能的應用技術，這使得我不得不去主動學習這些前沿技術。最近對汽車智能CRM的關注其實只是人工智能在汽車行業的應用場景之一，能夠利用人工智能相關技術的場景遠遠不止是汽車CRM這么一種。

　　在4月2日的深圳IT領袖峰會上，馬化騰指出：沒有場景支持的AI研究是空中樓閣。李彥宏說：人工智能不是互聯網的一部分，它是顛覆性的。微軟全球執行副總裁沈向洋更是給出大膽結論：每一個商業應用都會被人工智能顛覆掉。


　　我比較認同這幾個IT工程師出身行業領袖的判斷，我認為汽車行業的未來變革也必然受人工智能應用深度的顯著影響，每一個汽車行業從業者都不應漠視人工智能。目前看，還沒有必要擔心科幻電影里的邪惡AI機器人毀滅人類，但每個職業人都應該對自己工作的人工智能可替代性問題進行思考——那些僅僅需要賦能的工作最終都會被AI取代，但至少目前看，需要賦靈的那些工作是AI暫時無法取代的。

　　僅就汽車行業而言，我認為已經能夠廣泛應用人工智能的場景有這么五個，按照技術成熟型，我認為這五大應用場景依次應該是：

　　第一：市場營銷

　　我最近撰寫了多篇文章提到智能CRM的問題，目前的大數據技術已經能夠輔助車企精準投放廣告，針對廣告回收的銷售線索進行分類分級，然后再針對這些線索采用人工智能客服進行數據清洗和銷售活動招徠。隨著網銷平臺的完善，從廣告投放再到訂單形成的市場營銷流程將視線閉環。以往靠人工進行的消費者需求研究、廣告創意、廣告投放、數據清洗、銷售線索轉化、到店銷售服務、交車和售后跟蹤，每一個環節，都能夠基于數據和過往成功經驗，建立AI輔助決策系統。


　　對車企而言，借助這套輔助決策系統，一方面能夠把市場營銷和銷售統一起來，大大提高市場營銷費用的使用效率，另一方面能夠降低對低層次市場營銷人員的專業性要求，通過提高專業人才的效率，降低整體成本。汽車市場營銷的AI應用場景最為豐富，不僅銷售新車需要，二手車、售后服務的銷售，同樣需要這項技術。可以說，每一個正在指望從互聯網獲得用戶、粉絲和流量的汽車相關產業都能夠通過建立自己專屬的人工智能市場營銷引擎而獲得超越競爭對手的優勢，最終不適用AI的企業將被迫退出市場。

　　第二：金融保險風控

　　事實上，汽車金融和保險領域的大數據、機器學習和人工智能應用已經在呈現燎原之勢。在汽車金融和汽車保險領域，車信數據等創新公司已經完成機器學習算法模型的生產環境下的應用。比如在汽車金融領域，傳統的金融公司熱衷于通過增加個人征信源的方式降低貸前信審的風險，但行業里使用已有的低風險和高風險數據對目前市場上主流征信源的測試表明，使用這些數據源在識別高風險和低風險用戶方面并沒有差異，也就是說，使用這些數據源征信和不使用的結果是一樣的。傳統的金融評分卡并不足以解決汽車金融風險的問題。采用大數據和機器學習技術，不僅引入現有主流征信源，更需要引入更多非主流數據源，采用過往的汽車金融信貸風險數據訓練出的個性化模型，才有能力真正降低汽車金融的信貸風險。

　　目前看，汽車金融的這個應用場景下的技術已經比較成熟。同樣，車險的各個環節也已經具備使用大數據和機器學習技術來解決風險問題。無論是車險承保定價、銷售匹配還是理賠風控，都能夠從AI技術中受益，關于這些我后續會專門撰文解讀。可以說，汽車行業AI技術最具潛力的應用就是金融保險，遺憾的是目前車企、保險公司真正懂AI技術的并不多，各種偽創新在熱鬧的創業PR中正在讓產業迷失方向，顯然，市場教育仍需要時日，我會在今后的文章中向讀者朋友介紹這個領域的最新創新實踐。

　　第三：生產及流通效率管理

　　毫無疑問，當前基于柔性制造的汽車無人工廠是AI的典型應用，但汽車生產線還只能算是封閉環境下的自動化生產線，真正應用AI的前提是整個成產制造產業鏈的協同。這個協同首先體現在零部件物流的人工智能化。目前國內絕大多數車企仍然采用的是偽JIT技術，也就是說，目前國內車企的零庫存并不是真的靠信息技術，而是靠甲方話語權強迫零部件制造企業增加組裝廠的就近庫存，滿足整車企業的零庫存虛榮心。但這種偽JIT導致的結果就是零部件企業成本增加，整個產業鏈的成本并沒有真正降低。如果要應用AI技術，首先得做到真正的JIT，整車企業的銷量可預測性要借助AI，然后才能實現生產的可預測性，然后才能在配件訂貨環節實現AI自動化……真正實現了JIT，目前車企的生產成本已經能夠顯著降低。而成產車間的自動化技術其實早就已經成熟，是不可控的外部環境導致這些生產自動化無法實現。

　　事實上，不僅汽車的生產制造領域可以廣泛應用AI技術，即使是售后服務，同樣能夠利用AI技術提高效率。比如售后維修車間管理方面，目前過分分散的單個維修車間遠遠無法發揮規模效應，但一旦維修車間的工位超過一定數量，依靠人腦進行車間調度已經無法實現生產效率的最優化。同樣，售后配件的倉儲物流也是如此，成千上萬的配件要在各個倉儲物流中心流轉，靠先進先出等基礎的決策原則也無法實現效率最優，建立在AI基礎上的算法模型才能真正實現效率最優。無論是生產還是流通，這些關鍵環節的效率提升才是降低成本和提高用戶體驗的關鍵——眼下車信、有壹手等少數企業已經在流通環節探索這些技術應用。

　　第四：自動駕駛及交通管理

　　我把自動駕駛排在AI技術成熟度的第四，這和行業的關注熱度是背離的，因為目前的媒體PR更關注的其實是AI的自動駕駛應用，但無論是技術本身、產品規劃還是法規倫理，都遠遠沒有形成自動駕駛能夠實際應用的外部環境。我認為5年內，市場上的高端產品會專注于普及高級輔助駕駛技術，中低端車型會普及輔助駕駛技術。自動駕駛必然是建立在輔助駕駛被廣泛使用之后。而且政府也需要用一定時間完成道路交通管理的人工智能化改造。很難想象AI駕駛的車輛行駛在完全由人決策控制的道路交通系統里。車輛和交通管理系統必然是同步進化的，當年火車、汽車取代馬車的過程已經證明了這一點，自動駕駛汽車取代人工駕駛汽車也必將復現這一過程。


　　我認為，中國的自動駕駛必然建立在北斗＋4G／5G／NBIoT出行基礎數據平臺基礎之上，只有建立統一的出行基礎數據平臺，自動駕駛車輛和道路交通管理才能基于同一個數據源進行決策。眼下各方如果不能致力于共同構建這個基礎數據平臺，自動駕駛即使技術可行，但從信息和社會安全的角度考慮，政府也不可能批準——手機被黑不會直接殺人，自動駕駛車輛被黑分分鐘可以隨意殺人。

　　第五：研發及新品測試

　　如果前面四個場景逐步實現AI輔助決策化，我認為最需要人類靈性的汽車研發也能夠人工智能化輔助實現。從產品概念提出到模型建立、生產供應商匹配，再到產品試驗測試，這些看起來必然需要人類參與的工作，計算器已經在發揮重要作用。隨著更多數據的積累，熱銷車型和設計參數的相關關系將能夠被計算機識別。來自市場營銷、生產制造流通、金融保險以及自動駕駛交通管理的數據最終將反饋到新產品開發領域。對于人類而言，考慮如此多的因素是不可能的，但計算機完全能夠綜合考慮成百上千的因素，幫助人類找到產品設計的最優解，這將為汽車產業的人工智能化畫上完美句號。


　　以上五大場景都離不開實業，目前看，騰訊和阿里正在深度參與到幾乎每個應用場景里，百度相對滯后，只擁有算法并不能實現AI的技術價值轉化。對BAT而言，雖然擁有算法優勢，但在上述每一個垂直領域，要形成應用場景的深度理解，BAT也并沒有絕對優勢，留給專注某一領域的AI創業公司的機會仍然非常多，歡迎有志于汽車大數據、機器學習、人工智能應用的各位小伙伴同行！