<mark id="oztn4"></mark>
0
「剪輯師崩潰瞬間，沒有一個塌房明星是無辜的。」熟悉內娛的朋友應該能秒懂，尤其是節目臨上線前的塌房，全世界都會心疼后期又要熬夜加班打碼。
隨著媒體行業節奏加快、內容翻新，急需科技助力的，遠不止剪輯師一個職業，而是整個傳統媒體行業。
在媒體渠道匱乏的年代，主導權在傳統媒體之手，播什么看什么。融媒體時代，時間、注意力碎片化，主導權在觀眾之手，喜歡什么看什么。
無論是哪個時代的媒體，都是內容為王。而內容，又不僅僅只是內容。媒體也要考慮：
內容的生命力怎樣體現？
如何提高用戶觀看質感？
怎樣跳脫出線性內容編排和傳統實況轉播形式、通過小型垂直內容抓住觀眾？
有哪些可以開發應用的技術能提升內容表現維度、達到用戶預期？
傳統媒體行業，在等待一場數字化革命。
湊近看，才能發現傳統媒體的困擾。以視頻標簽為例，對于人工，媒體機構海量的、未經結構化的視頻、圖像、音頻素材就是一座沉默的金山。而且，當高清、超高清成為市場主流，傳統媒體大量歷史素材分辨率很低。
同時，時效性是媒體的命門，尤其在快節奏時代，抓不住熱點，無法最快速度多平臺多渠道視頻發布就是“事故”。
對于傳媒的采編存管播發全流程，人工的方式顯然已經難以為繼，傳媒機構迫切需要AI等新技術加持變身。
但這并不是簡單的AI能解決，核心之一的視頻理解與管理就是一個極為復雜的多模態問題。
與人對視頻的理解過程一樣，通過畫面和聲音的多維度信息獲取，大腦會在時域維度的累積上加工信息，完整地理解視頻。
“就像看電影時我們沒法聽清視頻里面講話的每一個字，但是結合畫面信息內容，還是可以輕松理解到視頻要表達的含義。多模態理解不是各個模態各自為政、機械疊加，而且相互補充相互校驗，輸出最終核心的內容信息。”騰訊云智能AI解決方案行業咨詢總監黃晶瑩解釋。
相比于純圖形或者純NLP，多模態AI處于發展初期，最難的部分是發揮各模態優勢的基礎上，把各模態信息有機結合。
在新聞拆條場景，需要對完整的新聞內容按照講述的主題段落進行切分，需要結合畫面信息、主持人播報的內容、畫面標題的切換來進行綜合的理解，最終輸出預測的切分點。
技術只是一個維度，當時市面上的AI產品，不少空有技術，缺乏業務溫度。
比如視頻的文字提取，有的AI產品通過抽幀、OCR提取畫面的文字，這就不可避免會輸出很多重復和無效的文字內容，比如多次輸出臺標和節目欄目名稱，后期需要刪除大量文本才可使用。
相比大洋、索貝等國際公司，國內相關企業在媒體領域起步時間并不早，但牌技的好壞有時與上桌時間無關。譬如騰訊云智能針對融媒體行業就發布了一個媒體AI中臺，對資源的調配上能做到0.1卡調整。
資源調配有什么用？更靈活的調配能力意味著客戶有更大的自主配置資源的空間，資源利用率更高。
當客戶需要增加一個語音識別能力時，往期都是找交付廠商進行API組合調用，如今這閑置的0.1卡就能來支持NLP能力，不僅成本降低，方式也更便捷，直接拖拉拽就能實現，不需要復雜的API對接。
這些功能都來自騰訊媒體AI中臺，過去2年多，這個中臺經歷了3個大版本、十幾個小版本的迭代。作為一個B端產品，本不需要如此頻繁的迭代，騰訊大概只是想更貼近業務，解決更多痛點。
以智能編目應用為例，騰訊云智能深入調研了人工編目業務和相關標準，將新聞內容結構化為節目層、片段層、場景層和鏡頭層，如此細致的編目下，客戶不需要再重新進行一套復雜的開發流程，可以一鍵實現四層編目的結果輸出。
他們還優化了超50種傳媒定制算法，景別標簽、鏡頭拆分、字幕識別、智能摘要、智能封面、地標識別、語音識別、實體識別......甚至對判斷近景、遠景、拍攝手法等關鍵鏡頭的算法也做了定制開發。
不斷迭代的媒體AI中臺逐漸產品12大應用，標簽、編目、拆條、智能擦除、轉碼、超分、老片修復、橫豎屏轉換、視頻質檢、智能審核等等，摸索出越來越多媒體業務的潛在需求。
憑借業務虛心和技術實力，這個媒體數字化領域的后來者逐漸俘獲了江蘇電視臺、央視、北京臺等的芳心，還與央視和北京臺共建人工智能開放平臺，打磨更多適合媒體的AI能力。
“金融級”三個字，出現在其他行業時是極高的褒獎，也是安全、可靠的代名詞。
作為強監管行業，安全性是金融行業的第一要務，數據安全、交易安全、決策安全.....包括我們能想到的一切安全。其次是可靠性，RPO/RTO指標盡可能小。
科技飛輪讓其他行業的服務越來越簡化、便捷時，金融行業為抵御各種高科技可能導致的漏洞是謹慎再謹慎。于是，金融成為千行萬業數字化的領頭羊。
金融數字化場景和需求極其豐富，極其碎片化，騰訊云智能最開始選擇從圖像領域切入，比如人臉核身和OCR。
OCR并非新鮮事物。2017、2018年是各大銀行大量引入OCR模型的高潮期，其替代人工，讓銀行票據處理效率搭上直升機。
近年來，身份證、銀行卡等證件、增值稅專用發票、增值稅普通發票等票據板式標準固定且日流水量極大，樣本量大，效果明顯，這些標準場景基本實現了全覆蓋。
但銀行票據種類、版式多如牛毛，銀行對長尾場景下偏復雜的識別需求也與日俱增，普通的OCR技術逐漸無能為力。
尤其是票據版式不固定、樣本量少、數據標注質量不佳、排版復雜，或者文檔中含有手寫體、中英韓法等多種語言、特殊字符等情況，OCR識別準確率大大降低。
過往，為應對這些棘手問題，銀行只能在前端繼續投入人力進行錄入和校驗，在后端增加開發人員，對新出現的版式進行模型的重新配置，但開發人員不斷“打補丁”的方式也只是杯水車薪、隔靴搔癢。
革新技術是根本。
OCR是騰訊優圖實驗室最早探索的方向之一，近年來也一直在嘗試攻克版式不固定、識別準確性的問題。
騰訊云智能通過提升OCR模型的泛化能力，推出了多模態融合技術以及TI-OCR訓練平臺。
多模態融合技術能解決什么問題？
就好比培養人的運動技能，基于常規多模態進行大規模訓練的模型，只是針對一項基本能力，比如腿部力量，進行重點訓練；而基于智能結構化基礎模型，則是提前教會你足球、籃球、網球多項等運動的關鍵動作，這樣人們就能在日常生活中參與不同的運動。
多模態是融合視覺信息、語義信息、布局排版信息等單一模態的集合體。
騰訊云智能OCR多模態預訓練的技術路線，是利用了文本、圖像和布局三個天然對齊的模態信息，在多模態文檔預訓練的基礎上，進一步統一了文檔結構化信息提取范式，形成智能結構化基礎模型，使得單一模型支持5000種以上版式，提高泛化性。
放在金融文檔識別場景，基于這種方式訓練出來的模型，泛化能力得到了極大提升，不論是銀行單據、票證、憑證等，它都能進行高精度的信息提取。
TI-OCR訓練平臺，則是基于騰訊云智能的授人以魚不如授人以漁的心態。
考慮到銀行最迫切的需求就是以接近人工的準確率前提下，盡可能地降低成本，包括人工識別成本、審核成本、IT建設成本、管理成本等，TI-OCR訓練平臺誕生了，它通過提供低門檻的訓練工具，使得客戶也可以自己訓練非標準化文檔OCR模型。
原本的流程，是客戶給到騰訊云數據，騰訊云內部標注后進行模型定制，再回到客戶內部驗證，根據驗證結果不斷調整，客戶對OCR技術開箱即用，是處于無感知的黑盒狀態。
如今，騰訊云智能將OCR自訓練工具直接給到客戶，客戶自己標準數據、訓練和調整。
對于銀行來說，不僅節省定制模型的成本，縮短業務周期，而且能自主訓練出效果針對性更強的模型，提升運營效率同時降低人力成本，另外，銀行也不再需要完全依賴外部廠商，保證了技術能力自主可控。
據悉，騰訊云智能的多模態融合技術和IT-OCR產品在某國有大行落地后，其前端錄入環節從單OCR錄入改為雙OCR錄入，減少了至少1/3左右的成本投入。
而后端開發上，以前開發人員需花上兩三天時間進行新版式的開發，如今只需要拿幾張圖進行標注訓練，一小時就能夠完成整體的訓練和上線的流程，極大提升了訓練效率，減輕了開發人員負擔。
除了圖像視覺領域，風靡各行各業的數智人，騰訊云智能也有大量落地案例。
數智人可以應用于幾乎所有產業之中，但金融業是目前商業化前景最為明朗的行業之一。
能在金融領域廣泛落地的數智人門檻不低。技術層面，數智人是計算機圖形學、圖形渲染、視覺、動作捕捉、自然語言處理、知識圖譜、語音識別、語音合成、語音語義理解、對話交互等綜合能力的集合體。
換句話，數智人其實是一場AI技術投入和積累的比拼。
騰訊云智能此前多年的AI實踐和游戲業務積累了強大的數智人建模技術，智能交互技術等，擁有肢體動作的模型、唇形算法模型、形象生成模型寫實逼真度，2D/3D形象的實時渲染能力。
原來支撐C端、服務于內部和生態伙伴的AI技術，如今都可為B端所用。
在此基礎上，騰訊云智能數智人團隊還攻克了眾多技術難點，尤其是在3D建模，語音合成、文本及語音驅動、動作及表情捕捉、場景渲染、多模態輸入感知、多模態交互等方面獲得較大的技術突破。
騰訊云智能本身擁有大量金融客戶，先前已經在云計算，云儲存，數據庫和AI技術等方面開展了多方面的合作。
如今，AI底層技術構建了騰訊數智人的底座，騰訊云智能最大程度發揮服務特長，打造了中國金融領域第一批數智人成功案例。
在信貸業務，數智人和人工共同服務期間數字員工成本占整體審核成本12%，卻貢獻了總審核量的56%，單位審核成本虛擬審核是人工審核的1/10，提升效果顯著。
OCR和數智人只是騰訊云智能落地金融的冰山一角，其金融領域的技術和產品矩陣已經相當龐大，涉及數智人、人臉核身、OCR識別及OCR自訓練、語音語義、機器學習建模、AI中臺、智能客服、智能分析與增長等多個細分領域，相關的產品在頭部銀行、頭部券商、頭部保險等等領域默默運行。
孫子說：古之善戰者，無智名、無勇功。
如果用更通俗的比喻，就像有一種斯諾克高手，一場勝利下來基本沒有高難度進球，因為他們打完每個球都能讓白球停在容易進下個球的位置，從而使每個進球都很容易。
真正的勝戰，看上去往往平淡無奇。騰訊云智能媒體、金融等領域數字化的成果背后，都有這樣一個“讓每個進球都容易”的角色——騰訊云智能。
騰訊云智能并非全新物種，是騰訊賦予此前一直強調的AI與云融合一個更具象的名字。
它是騰訊AI技術、多年產業實踐經驗的綜合體，能為數實經濟提供從底層算力支撐到 AI 開發平臺、到 AI 產品解決方案、再到頂層數智化轉型方法的四級全鏈條服務。
產業數字化，騰訊云智能潤物無形卻又無處不在。
1、自上而下保證頂層視野，自下而上兼顧具體難點
B端產業極具個性化，鏈條長，流程復雜，而且主體眾多。
過去，絕大多數B端業務以一把手為核心，側重從上至下的數字化改革，以頂層設計為核心，各環節、各參與者配合，這種方式可以最直接、最簡單地下達改革策略，推進進程，但也容易忽略諸多細節，模式散裝，不成體系。
進軍B端者成百上千，騰訊似乎開辟了一條不一樣的路徑。緊貼用戶，以人為本的路子，騰訊過去走了二十多年，如今進攻B端，在服務基礎上，騰訊云智能提煉出一種C2B的能力：「以人為本，上下兼容」的數智化轉型方法論。
前文所言，宏大的規劃難以取得滿意的效果往往是最終端的需求和問題沒有解決，日積月累成了堵點、痛點。
數字化要“大處著眼、小處著手”，要有系統觀念，做好頂層規劃，也要仔細研究每個業務場景下最細枝末節的問題和需求。
于是他們在主流方法論之外，重點關注到了B端產業鏈上的「人」，將之細化，為每個維度的側重點的不同提供服務。
用騰訊云智能的話說，就是「為四類人群服務：組織中的管理者、業務人員、開發者和C端用戶，并且圍繞這四大類人群構建了決策智能、服務智能、研發智能和生活智能」。
自上而下，為管理者提供云智能頂層設計方案，保證數字化轉型的一把手視野；自下而上，為一線業務人員和開發者提供敏捷迭代的AI能力和開發工具，兼顧了產業鏈上不同群體的具體難點。
這一套理論確保頂層設計可落地性，在最大程度上繼承企業已有的數智化建設基礎，制定適合自身的技術建設路徑，共同推動AI在產業場景落地。
數字化的好壞很難評價，但良好和優秀，優秀和卓越之間的區別都在細節里。騰訊云智能這個細節的核心，可能是以人為本、為人服務。
事實上，無論是此前的To C還是現在的To B、To G，服務為王一直都是騰訊的宗旨，也是騰訊能有如今成績的原因。
2、騰訊云TI平臺，AI落地的新抓手
當AI的應用已不再錦衣夜行，To B數字化的號角逐漸在各個角落吹響，悄無聲息地滲透至千行萬業。工業、交通、政務、金融、醫療、電力、傳媒、教育、文旅、港口、水務、農業等領域全面開花。
產業端的需求奔涌且多樣，需要的不再是單個技術或產品。
是的，一方面，AI回歸理性，客戶對AI能力落地提出了更高的要求，另一方面，To B市場碎片化、定制化嚴重，急需在底層環節上盡可能提升標準化占比。
一個靈魂叩問落在入局者面前：如何在AI落地基礎上，滿足客戶碎片化需求的開發響應、快速交付，實現真正的降本增效？
這也是騰訊云智能一直在思考的問題，即如何通過AI技術高效解決行業挑戰，如何運用騰訊內部持續沉淀的AI能力降低千行百業落地AI的門檻。
2021年，騰訊云智能推出TI平臺，它可以幫助AI應用的開發者們簡化工程上的研發投入，將精力聚焦在業務本身，從而提高AI應用的開發效率，實現降本增效。今年，騰訊云TI平臺持續升級。
其實，數字化并不僅僅是一項技術的投資和引入，更是長期規劃的體現。
以造房子為例，騰訊云TI平臺需要打好的公共地基和預制件庫，平臺不斷積累和完善一棟樓所需要的腳手架、標準模塊等工具，與普通的一磚一瓦建造相比，能極大提高后續造房子的效率，降低成本。
騰訊云TI平臺的誕生正是基于這個理念，因此，它解決了客戶不少頑疾，如煙囪式的系統建設、數據孤島，以及重復建設，成果無法沉淀復用等。
以最新發布的「騰訊云智媒體內容中臺」為例，它將海量內容資產結構化、標準化，通過智能編目、智能標簽、內容審核、視頻處理等技術應用，自動化完成版權資產沉淀，便于管理。此外，還鑄造了多樣化的融媒工具，對全媒體內容實現跨模態檢索，讓業務人員可以便捷地挖掘媒體內容的次生價值。
秉持“把平臺做厚”的方式，騰訊云智能已經打造了豐富的TI平臺產品矩陣，騰訊云TI平臺已在泛互、泛政務、醫療、金融、工業、傳媒等行業落地應用。
3、深入產業，不談顛覆，談理解
數字化轉型的未來其實已無比清晰，但現實中會存在很多潛在的、容易被忽視的困難，無數問題，看似是塵埃，會疊積成一座座難以逾越的大山。
真正的行業賦能，需要對技術應用場景，對業務有全面、深刻的理解；需要能耐心梳理用戶細碎的需求；需要滿足企業對功能、成本、效率多重要求。
騰訊云智能深知B端企業在數字化轉型過程當中都極為務實，實實在在解決問題是核心。因此毫不扭捏，擼起袖子，挽起褲腿，深入行業，與客戶溝通交互，以此加深具體場景的認知。
“在內部，我們團隊不斷增加協同性、行業know-how，從前金融、傳媒的架構師從只售賣AI產品，后來他們會主動了解客戶的痛點，不斷適配相應的產品解決方案。”騰訊云副總裁、騰訊云智能負責人、優圖實驗室負責人吳運聲表示。
吳運聲告訴雷峰網，騰訊云智能在業務落地過程中會立軍令狀，這個軍令狀是一步一步的，比如他們許諾8個月后達到哪種效果，不是8個月后再來check，而是設下一些節點，2個月后、3個月后，在關鍵節點達到預期，甚至超出客戶的預期。
“在跟某銀行合作過程中，我們會非常坦率地說我們的解決方案是什么，目前遇到的困難是什么，即使有些東西不是技術問題，我們也會想各種各樣的辦法去突破邊界，只要能夠解決問題。”吳運聲強調，“我們不是解決單一的問題，而是大家一起去解決實在的全鏈條的問題。邊界感沒有那么強，只要有可能需要我們，我們就會沖上去解決。”
這種理念貫穿在測試環境部署、UAT、SIT、安全掃描、壓測等等步驟，甚至還有準生產、演練環境驗證，直到完成最終生產環境部署。
真實價值四字，如千里路，你要一步一步走過去，才知道哪里山路崎嶇，哪里河道洶涌。因此，他們不求快，求穩，在必要時放慢腳步，也很少上來就給企業做傷筋動骨甚至“開膛破肚”的大手術，堅持一次次發現、修正、測試，逐步推進。
口碑就這樣一點點建立起來，金融、媒體、工業、醫療、交通......越來越多的行業出現騰訊云智能的身影。
發現沒，騰訊一點點從技術一個維度，彌補自身場景短板，樹立起行業口碑。這也是為什么騰訊云智能To B業務給人突飛猛進之感。
4、生態基因、連接戰略
To B數字化不可否認的共識是：碎片化。
需求碎片化。千行萬業，不同行業差異極大，同一行業的不同客戶在不同階段，需求也往往不同。
產品碎片化。AI走到邊緣，多種感知技術融合、多種形態的終端瘋狂涌現，軟件模塊、硬件產品，依然需要做諸多針對性地改造、定制和研發。
場景碎片化。不可能有企業能大包大攬解決各個環節所有的問題。
說白了，生態，是一條不得不走的路。
在內卷異常嚴重的To B賽道，騰訊算得上是一股清流。“連接器”、“工具箱”、“生態共建者”，是騰訊各業務負責人在無數場合強調的一點。
無論是過去安身的消費互聯網，還是未來立本的產業互聯網，騰訊一直都是生態模式。
騰訊的整個To B產業互聯網，以開放為綱，強調與合作伙伴建立生態合作關系，堅定有所為有所不為的路線，“連接一切”的理念在各個領域展現的淋漓盡致，只專注于自己擅長的事，背后的核心邏輯，是對產業生態價值的高度認可。
充當數字化轉型助手的定位，與產業共建產業數字化，不僅在于他們看到足夠豐富的場景，足夠大的市場，也在于他們對清醒的自我認知，足夠的胸襟，以及持久的定力。
見過骨頭瓦礫，也體會過黃金珠寶，在過度競爭的市場里，保持開放和腳踏實地的心態，其實很難得。
正如吳運聲所言，數字技術和實體經濟共生共榮，在這之中，產業是機體，技術是大腦，商業是神經，只有將各環節要素結合在一起，才能更好發揮AI的價值，推動中國產業升級發展。
“平臺做厚、行業做深、應用做精、生態做廣”，騰訊云智能在身體力行地踐行這一點。
今年是騰訊的第24年，你很難相信，這個企業在歷次商戰中有過傷痕，待過低谷，卻不曾停止生長出新的技術、新的業務、新的未來。
這是一種依靠任何單一要素都打造不出的蓬勃生命力。
他們擁有先進的技術，引領概念，但他們同樣愿意俯下身，理解業務、尊重產業。
他們清醒地知道，活下來容易，壯大很難，一刻不敢怠慢，一刻不敢輕視。
某種程度上，這才是產業科技圈實干者們的核心魅力。
雞鳴天白，騰訊云智能To B的隊伍浩浩蕩蕩出發了，以“數實融合”、“擁抱產業互聯網”為目標，各大賽道在駛入深水區。
To B戰場的難度不亞于此前任何一次，這是一場長跑，騰訊儲備好了耐心，也在積攢更多的能量。雷峰網雷峰網(公眾號：雷峰網)雷峰網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
