另一只人工智能独角兽即将上市。

2019年8月，玄视科技向香港证券交易所提交了一份招股说明书；今年8月，云向科技公司推出了股票上市辅导。目前有传言称，"四小龙"的商业汤、开放视野，除了商业汤之外，其他三家公司也正式启动了首次公开募股(IPO)计划。

又一家AI“独角兽”要上市了。

2019年8月旷视科技向港交所递交了招股说明书；今年8月，云从科技启动A股上市辅导。至此，多次被传言上市的AI“四小龙”商汤、旷视、依图和云从，除商汤外，其余三家均已正式启动了IPO计划。

在计算机视觉应用领域，被称为“四小龙”的商汤、旷视、云从、依图，已经抢占了超过60%的市场份额，估值都已过百亿。AI“独角兽”企业排队IPO，属于AI公司的时代到来了吗？

算法是AI公司切入安防行业的利器，不过，在安防领域，传统巨头也在组建自研团队，机器视觉的识别成功率能够达到95％，AI公司的算法即便更先进，能够达到97％的识别率，但是对于大多数客户而言95％已经足够满足需求，更精准的识别率与所付出的成本不成正比。因此，大多数客户并不会为了这不易感知的提升而付出更多预算。

旷视科技安防事业部技术总经理那正平曾有过这样的预判“安防这个行业内的玩家基本已经固定了，其他的创业者们再想入局也难度极大。”

对于医疗行业而言，理论上只要给AI“喂”足够丰富的数据，便可以极大提高医学数据的测定和分析过程的自动化程度，从而大大提高工作的速度，减轻医生的工作强度和减少主观随意性。

比如在医学影像领域，AI公司可以通过建立模型，对数据大量训练从而对各病种进行筛查，减少医生的工作量，但是问题恰恰处在数据上，使得实际应用有些尴尬。

中国科学院院士、上海交通大学Bio-X中心主任贺林表示，国内医院现有业务产出的医疗数据质量普遍不高，特别是病历数据，不同医院写法不同，详略质量参差不齐，同一个病人在不同医院就诊的数据无法链接、整合、形成队列，碎片化程度高。

在2020全球人工智能产品应用博览会上，李兰娟院士也提出过同样的担忧“大数据与AI的平台一定要开放共享。数据据平台如果不开放、不共享，这些数据都是没有价值的。”

除了数据“孤岛”问题，AI诊断对数据标注的专业性也提出非常高的要求。对影像数据而言，图片质量标准化程度低，带专业标注的影像图片更需要大量专业医师额外制作，这些都给进一步优化现有人工智能产品带来了阻碍。

并且，贺林院士也指出，医疗是强监管的行业，尤其对于临床辅助产品，需经过药监局认证才可以推向市场。目前国内尚且没有企业拿到新一代医疗AI产品的医疗器械注册证。“智能相对论”发现，更多的AI公司还是以科研、合作的名义游走在监管边缘。

在智能语音行业，2017年2月，韩国首尔世宗大学举行了一场人类对抗AI翻译比赛。参赛选手包括从业经验在5～20年的4位专业翻译员、谷歌翻译、韩国NAVER翻译程序Papago、自动翻译国际企业SYSTRAN。最终结果显示，在满分为60分的比赛中，AI翻译平均得分为20分，而人类译员平均得分49分，远超人工智能。

国内人工智能语音技术几大巨头如科大讯飞、搜狗、腾讯等公司对外宣传技术准确率已达到97％以上，但在实际应用中，如非常重要的传译场景下准确率流畅度均不如人意。在2018年创新与新兴产业发展国际会议中，科大讯飞曾被实锤为利用人工传译内容冒充AI机器翻译。

2018年博鳌论坛采用了腾讯AI同传服务，同样出现许多翻译不准确，词汇重复、短语误用情况，甚至将“Yes,please.”这样的小学生日常对话用语，翻译成了“是的，求你了”，也一度成为了翻译权的新笑料。

在一个应用场景下，AI公司所能占据的市场不仅要防着同行竞争，BAT以及海康、华为等大头的各类科技公司都有机会抢夺。

这是由人工智能产业链所决定的。人工智能产业链大致分为三层。最底层是基础层，硬件、云计算、数据资源；中间层是技术层，如学习框架、算法模型；在网上应用层即行业赛道，具体的解决方案，通常是传统行业巨头占据。

在计算机视觉应用领域，被称为"四小龙"的商业汤，广视，云服从，根据图表，已经占据了超过60%的市场份额，估值已超过100亿。人工智能独角兽公司排队上市，属于人工智能的时代已经到来了吗？

算法是人工智能公司进入安全行业的利器，然而，在安全领域，传统巨头也在组建自主研发团队，机器视觉识别成功率可以达到95%，即使人工智能算法更先进，也能达到97%的识别率，但对于大多数客户来说，95%的识别率足以满足需求，更准确的识别率与所支付的成本不成比例。"因此，大多数客户不会为这种无形的改善支付更多的预算。

开放视觉技术安全部总经理纳正平曾经有过这样的预测："证券业的玩家基本上是固定的，其他企业家很难再进入这个游戏。

就医疗行业而言，只要人工智能数据充足，就可以大大提高医疗数据测定和分析过程的自动化程度，从而大大提高工作速度，降低医生工作强度，减少主观任意性。

例如，在医学成像领域，人工智能可以建立模型，训练大量的数据来筛选各种疾病，减少医生的工作量，但问题恰恰在数据上，这使得实际应用有些困难。

中科院院士、上海交通大学生物X中心主任何林说，国内医院现有业务产出的医疗数据质量普遍不高，尤其是病案数据，不同医院的书写方法不同，细节不同，不同医院的同一病人的数据不能联系、整合、形成队列，碎片化程度高。

在2020年全球人工智能产品应用博览会上，李岚娟院士也提出了同样的担忧。大数据和人工智能平台必须是开放和共享的。如果数据平台不是开放和不共享的，这些数据就一文不值。

除了数据"孤岛"问题外，人工智能诊断对数据标注的专业性也提出了很高的要求，在图像数据方面，图像质量的标准化程度很低，需要大量的专业医生来制作带有专业标签的图像图像，这阻碍了现有人工智能产品的进一步优化。

此外，贺宁院士亦指出，医疗是一个受严格监管的行业，特别是临床辅助产品，在推出市场前，须经药物管理局核证。"目前，国内尚无获得新一代医疗AI产品医疗器械注册证书的企业。智能相对论发现，更多的人工智能公司在科研与合作的名义下仍处于监管的边缘。

在智能语音行业，2017年2月，韩国首尔的世宗大学举办了一场人对AI翻译比赛。参赛者包括四名具有5至20年经验的专业翻译人员、谷歌翻译、韩国Naver翻译项目Papago和国际自动翻译公司Systran。结果表明，在满分为60分的比赛中，AI翻译的平均得分为20分，而人工翻译的平均得分为49分，远高于人工智能。

国内人工智能语音技术巨头如iFLYTEK、Sogou、腾讯等公司的准确率已达到97%以上，但在实际应用中，如非常重要的口译场景，其准确性并不令人满意。在2018年创新和新兴产业发展国际会议上，iFLYTEK被模仿为使用人工口译的人工智能机器翻译。

2018年，博鳌论坛采用了腾讯AI同声传译服务，这也导致了许多不准确的翻译、重复、误用短语，甚至"是的，请。"。这种小学生的日常对话语言被翻译成了"是的，请"，并一度成为翻译权的一个新的笑柄。

在一个应用场景中，人工智能所能占据的市场不仅是为了防范同行竞争，英美烟草和海康、华为等大型科技公司都有机会抢占市场。

这是由人工智能产业链决定的。人工智能产业链大致分为三个层次。底层是基础层、硬件层、云计算层、数据资源层；中间层是技术层，如学习框架、算法模型等；在线应用层是产业轨迹，是特定的解决方案，通常被传统行业巨头占据。