人工智能產(chǎn)業(yè)在經(jīng)歷了60多年醞釀后終于達到了目前的爆發(fā)期。然而，與強勁的發(fā)展勢頭和旺盛的行業(yè)需求相對應的，是巨大的數(shù)據(jù)缺口。

作為人工智能三大要素的首要因素，數(shù)據(jù)是人工智能持續(xù)進化的動力原料。處于大數(shù)據(jù)背景下的人工智能，每一項技術(shù)在具體場景的落地應用，背后都離不開海量數(shù)據(jù)的支持。隨著以深度學習為代表的算法在諸多領(lǐng)域被逐漸應用，對優(yōu)質(zhì)數(shù)據(jù)、尤其是優(yōu)質(zhì)一手數(shù)據(jù)的需求量快速增長。

但是，這些“有價值”的數(shù)據(jù)往往很難依靠市場上的“公開數(shù)據(jù)”獲取。數(shù)據(jù)的采集、清洗、標注，一方面需要耗費大量人力、時間，另一方面，如果數(shù)據(jù)不規(guī)范，量不夠大，難以滿足專業(yè)化的應用需求，這就為專門做數(shù)據(jù)服務的公司提供了新的市場機遇。在人工智能產(chǎn)業(yè)鏈中，專業(yè)化的數(shù)據(jù)服務商越來越受到重視，也成為當前的投資熱點。

2019年1-7月數(shù)據(jù)服務企業(yè)融資情況

據(jù)<電子發(fā)燒友>不完全統(tǒng)計，截止2019年7月31日，中國市場數(shù)據(jù)服務商完成融資的有38家。根據(jù)事件中披露具體融資信息的企業(yè)來看，成長期、成熟期企業(yè)更受機構(gòu)青睞。融資規(guī)模Top8事件中，僅一起為A輪，其余均為B輪及以后。

其中：Top1明略數(shù)據(jù)，D輪20億人民幣；Top2睿智科技，A輪6.5億人民幣；Top3城云，C輪3億人民幣；Top4森億智能，C輪2.5億人民幣；Top5瑞馳信息，B輪2.4億人民幣；Top6 Kyligence，C輪2500萬美元；Top7并列為中科聞歌和熱云數(shù)據(jù)，分別是B輪1億人民幣，B+輪1億人民幣；Top8巔峰云智，B輪8000萬人民幣。

以下是<電子發(fā)燒友>整理的2019年1-7月國內(nèi)數(shù)據(jù)服務商融資名單：

什么樣的數(shù)據(jù)服務企業(yè)受資本青睞？

抽取上述融資事件中規(guī)模排名前三的企業(yè)以及一家典型企業(yè)做如下分析，不難發(fā)現(xiàn)：商業(yè)模式清晰，成熟技術(shù)易形成場景規(guī)模化應用，在某一或某幾個領(lǐng)域有獨到優(yōu)勢的數(shù)據(jù)服務商更受資本青睞和追捧。

明略數(shù)據(jù)被稱為是大數(shù)據(jù)與人工智能領(lǐng)域的獨角獸企業(yè)，覆蓋安防、工業(yè)、數(shù)字城市、金融四大垂直領(lǐng)域。創(chuàng)立了“符號主義和深度學習有效結(jié)合”的人工智能頂層設計方式，打通感知與認知智能。并在各個行業(yè)領(lǐng)域推進知識驅(qū)動和數(shù)據(jù)驅(qū)動模型相結(jié)合的應用。在安防領(lǐng)域，由公安部第一研究所牽頭、明略聯(lián)合編寫的《公安知識圖譜標準與白皮書》于去年9月發(fā)布，基于這一公安知識圖譜的系統(tǒng)已部署到60多個部、省、地市和區(qū)縣級公安部門；在金融領(lǐng)域，完成了銀行業(yè)全行級知識圖譜數(shù)據(jù)庫，并為中國人民銀行、交通銀行、光大銀行等多位行業(yè)標桿客戶構(gòu)建了基于不同業(yè)務場景下的應用系統(tǒng)，提升風控效率的同時完善了客戶整體風險管理能力；在數(shù)字城市領(lǐng)域，實現(xiàn)了車輛全生命周期數(shù)據(jù)管理的智能化平臺，通過幫助軌交運營單位提高工作效率，將安全風險和運營成本等指標綜合下降10%。

不同于明略數(shù)據(jù)多領(lǐng)域的覆蓋，睿智科技主要為廣大金融機構(gòu)提供風控、獲客、服務、平臺。產(chǎn)品體系包括信貸風險管理、智能催收、一站式智能決策云和智能導流等產(chǎn)品。該公司在解決金融信息非對稱方面形成了獨到優(yōu)勢，并構(gòu)建了大規(guī)模產(chǎn)業(yè)化的應用場景。憑借在大數(shù)據(jù)洞察力及人工智能領(lǐng)域打造的清晰的發(fā)展圖景，該公司曾在2018年7月完成了1億元規(guī)模的Pre-A輪融資，并在不到一年內(nèi)完成A輪6.5億融資。

城云定位于城市互聯(lián)網(wǎng)運營商，完成了綠地控股的C輪3億元融資。該公司將大數(shù)據(jù)技術(shù)與傳統(tǒng)數(shù)據(jù)存儲系統(tǒng)相結(jié)合，充分利用行業(yè)積累的經(jīng)驗及客戶源，集成公司內(nèi)部、政府企業(yè)客戶的可公開數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)搜集等多種渠道的數(shù)據(jù)資源，提供大數(shù)據(jù)消費平臺，為客戶積累數(shù)據(jù)資產(chǎn)、提升運營效率，創(chuàng)造經(jīng)濟價值。主要服務對象是城市客戶、小鎮(zhèn)園區(qū)客戶和產(chǎn)業(yè)級企業(yè)客戶。應用場景包括交通、安防、城管、政府、公共事業(yè)等。截止今年5月，城云的業(yè)務已覆蓋了20個省份的100多個城市，服務了1000多家行業(yè)客戶和超過10萬家中小企業(yè)客戶。過去一年，公司先后進入了浙江省數(shù)字經(jīng)濟一號工程和5個杭州城市大腦專班，城市管理業(yè)務深入覆蓋了7個省份，打造了數(shù)字經(jīng)濟領(lǐng)域主賽道的10個樣板。

九次方大數(shù)據(jù)是唯一一家在兩個月內(nèi)獲得兩輪戰(zhàn)略融資的企業(yè)，該公司專注于服務全國各級政府政務數(shù)據(jù)開發(fā)應用。該公司與政府合作開發(fā)數(shù)據(jù)的方式，是通過為相關(guān)數(shù)據(jù)方提供數(shù)據(jù)處理工具，從而在保證數(shù)據(jù)本身不被泄露的前提下，得到有價值的數(shù)據(jù)分析結(jié)果。正如該公司創(chuàng)始人所說，他們僅提供數(shù)據(jù)管道，將政府部門的數(shù)據(jù)價值發(fā)掘出來，輸送和傳遞出去，而不是用一個水桶，將數(shù)據(jù)本身帶走。我國80%以上的數(shù)據(jù)資源由政府掌握，該公司敏銳地捕捉到了政務數(shù)據(jù)的主流價值，以數(shù)據(jù)資產(chǎn)運營為模式，對政府數(shù)據(jù)進行合法開發(fā)利用，打造數(shù)字經(jīng)濟增長。

數(shù)據(jù)缺口面前是AI基礎方法論瓶頸所在

互聯(lián)網(wǎng)時代積累的大量數(shù)據(jù)和云計算帶來的算力的大幅提升，極大地釋放了深度學習算法（深層的神經(jīng)網(wǎng)絡）的潛力，因而也讓人工智能時代全面爆發(fā)。

但是，有業(yè)內(nèi)專家認為，AI的發(fā)展現(xiàn)狀僅相當于“互聯(lián)網(wǎng)在上世紀90年代初期的階段”，主要方法論仍是基于大數(shù)據(jù)、大計算模式，需要海量數(shù)據(jù)去“喂養(yǎng)”。人工智能并不會像人類那樣推斷出結(jié)論，而是需要大量的數(shù)據(jù)來教授和培訓，進行不斷地試驗和錯誤學習。

清華大學人工智能學院院長張鈸院士曾在公開演講中表示，數(shù)據(jù)量的大小并不是當前的根本問題所在，傳統(tǒng)的人工智能三要素將不能帶來真正的智能。這主要因為現(xiàn)在的人工智能基本方法有缺陷，只有走向具有理解能力的人工智能，才是真正的人工智能。

理論上看，深度學習是機器學習中一種基于對數(shù)據(jù)進行表征學習的方法。表征學習的目的，是通過從大規(guī)模數(shù)據(jù)中進行學習，不斷追求更好的表示方法，即通常所說的模型。人工智能產(chǎn)品精準的識別度需要大量的數(shù)據(jù)樣本支持其計算機進行深度學習、訓練，也就是說，精準的數(shù)據(jù)是現(xiàn)階段人工智能產(chǎn)品研發(fā)結(jié)果的核心要素。

張鈸院士認為，深度學習之所以能夠極大地促進人工智能的發(fā)展，技術(shù)上的關(guān)鍵在于人們能夠?qū)@取的標量數(shù)據(jù)轉(zhuǎn)變?yōu)橄蛄?，從而用到機器上。但至今為止，將行為（特征向量）和數(shù)據(jù)（符號向量）結(jié)合起來使用始終是科研的難點，而這就限制了機器變得更“智能”。

不僅如此，從安全層面來看，純數(shù)據(jù)驅(qū)動的系統(tǒng)也存在很大問題——魯棒性很差，易受到很大的干擾。即使在大量樣本的訓練下，系統(tǒng)仍會犯重大的錯誤。哪怕訓練出的系統(tǒng)模型準確率高達99%，但在實際應用中，系統(tǒng)仍然會犯很多“弱智”的錯誤。

不可否認，深度學習比一般的數(shù)據(jù)統(tǒng)計和機器學習方法都要更高級。但隨著產(chǎn)業(yè)應用的成熟，以及大家對真正“智能”的渴求，讓深度學習算法本身的局限性顯露無疑。

Google 人工智能研究人員 Francois Chollet 提出，深度學習的成果是建立在極其苛刻的前提條件之上，需要大量的數(shù)據(jù)進行支撐。數(shù)據(jù)質(zhì)量如果不穩(wěn)定，帶來的就是：不可靠、不準確。此外，還有最大的風險：不安全。

「生成對抗式網(wǎng)絡」（GAN）的發(fā)明人 Ian Goodfellow就曾提醒我們：現(xiàn)在的神經(jīng)網(wǎng)絡可以很容易被不軌之徒操縱。例如他們可以通過肉眼無法識別的方式，篡改圖片，讓機器錯誤地辨識這個圖片。這種惡意篡改人工智能系統(tǒng)的做法，會帶來極大的危害，尤其是被篡改的圖片和最初的圖片在我們看來完全是一回事。比如說無人駕駛就會受到威脅。

正如Francois Chollet所說：“你不可能就以今時今日的技術(shù)研發(fā)成果作為基礎，就能實現(xiàn)某種一般意義上的智能。”