传统行业智能安全示例 受访者提供
一直以来，安全监管都是传统行业的痛点。以建筑工地、化工厂为例，仅靠人力无法做到全方位的管理，会带来很多漏洞。而人工智能可以“把人从繁杂，重复，需要每时每刻盯住的事情解放出来，而且能做得比人更准，更高效”。
以对设备的监管为例。一般而言，大型的热电厂和原材料加工厂都有大型的输送带，工人经常会违规站到皮带上。有的皮带是每秒22米的速度，一旦疏忽，会造成巨大的伤亡。当AI监管到这种情况，AI就会控制设备减速或者停下来，以避免事故的发生。
“AI就像人的一双眼睛，”魏宏峰表示，“只是它可以看得更远，更准，24小时不间断的看，能够在设备即将要发生问题的时候检测出来，我们就可以联动设备来避免生产事故。”
例如，如果工地或者工厂中出现了着火的痕迹，无论是冒烟还是小火星，AI都能及时检测出来，比室内安装的烟感更早的预警。如果有灭火系统，AI直接联动灭火系统，如果没有灭火系统，则马上告知报警。
当然，设备的运行同样需要基建的支持，比如一些技术架构。魏宏峰补充，如果原先没有，也可以有新的基建，宽窄通信架构，不需要线架构，对电、网需求更少，成本更低。
其实由于CV领域算法的开源，很多企业都能做类似的技术，但真正能将场景落地的并不多。魏宏峰表示，AI落地的难处在于其在应变方面的“笨拙”，这也是该领域AI服务面临的挑战。目前行业普遍的是，有算法的公司不做行业， 做行业的公司没有自己的算法。算法公司无法积累场景数据提升算法， 行业公司无法为场景改造算法。
“他在一种场景训练好以后跑到另外一种场景，其实就没有用了，”魏宏峰表示，“对传统行业来说，他们面临的最大的一个问题是场景的不确定性和需求的碎片化，这其实是很多传统AI赋能模式的一个短板，也就是说他们AI算法适应能力或者叫泛化能力不够强。作为一个科技公司，大家对那些行业的生产环境可能是不太了解的，算法泛化能力是个巨大的挑战。目前我们通过对行业一线需求的了解，打造出的X-Brain通过AI主动学习能力，可以解决这些问题。”
正如亿欧在行业报告中提到的，当前人工智能在安防、医疗和金融等领域已经有了较多落地成果，未来人工智能企业的发展将更加依赖落地场景的洞察以及解决行业实际需求的能力。
以本次冬奥运为例，由于疫情关系，过往的安全是严防死守突发事件，但如今会有对身体的关注、运动员的关注、训练比赛的安全关注、场地安全的的关注，甚至食品安全、观众安全的关注等等。
潮水终将退去。而“AI+传统行业”，是中科智云在潮水退去时做出的选择之一。
