经常有某某老板告诉我，公司要成立AI中心、算法中心，或类似的中心。我听了大概率会晕倒。
在学术界，AI基本等同于算法。在工业界截然不同，算法只是AI的一部分。
如果你的算法不解决问题，那么在公司里，研究它干什么呢？
当然，你是奔着解决问题去的。但你怎么知道所研究的算法，就一定解决你的问题呢？
或者，你能否准确定义你的问题组成，以及AI在这些问题里承担的角色？
事实上，很多人两眼一抹黑，根本搞不清楚AI落地的场景和能力需求，就匆匆忙忙，人云亦云，组建团队搞AI去了。结果是时间耗掉了，成本投出去了，产出基本没有。
学术界AI吹得热火朝天，今天一个算法明天一个概念，似乎AI就要解放全人类。但这些都是停留在paper上的，哪怕你每天追最新AI会议的论文，在现实中也解决不了任何问题。
AI在工业界追求落地，并不意味着paper上的算法，就能随意整合进你的生产环境。这里面涉及的因素太多。
我带的一个团队，研究的是业界最新的AI技术，基于手机的深度摄像头进行动作捕捉和3D重建。动作捕捉算法是用深度神经网络搞的。算法重要吗？固然重要。但是，这个项目能否落地，不止是AI算法问题。还有一系列的上下游生态要打通，比如苹果的开发环境，硬件成像技术，模型的平滑方法，3D渲染能力。这里面不止有数学，还涉及到光学、人体动力学、物理学、生物学、运动学的基础知识。
我带的另一个团队，搞推荐的。你或许认为推荐算法至关重要，一定程度上没错。但是在工程实际中，比算法更重要的是数据。数据的准确性、完整性、实时性，比什么推荐算法都有效。不管用LR、FM、xgboost，还是WDL，算法能提升10个点的效果，就顶天了。但是有效的数据改进，能随便提升几十个点。我们花在数据平台建设上的投入，要远大于算法建设。
所以，脱离实际生产环境和具体的场景需求，谈AI在产业落地，是不现实的。盲目的AI计划，并不能给产业赋能，它只会浪费你的成本，降低你对未来的信心。