“其实这些都是应用场景而非AI的核心，AI的核心支撑技术是围绕机器学习构建的技术框架。”雷涛说。
当前，人工智能在各个领域的发展呈不平衡态势，如无人驾驶、人脸识别及机器人等领域，因其算法与目的都很明确，又有媒体关注的推动，在资本与数据的聚焦之下容易找到最佳实践。但针对算法纷繁复杂、数据私有与云服务私有的商业智能领域，AI应用程度参差不齐。在雷涛看来，其实如打车软件、基因测序、互联网快递等才是AI实际帮助我们解决问题的日常场景。
雷涛表示，手机、汽车从诞生到大规模量产的历史表明，新技术的发展历程往往经历数十年乃至上百年，AI的量产也同样面临重重困难。据2017年《纽约时报》报道，一个刚毕业的AI工程师年薪达到了惊人的300000美元/年，而美国人的平均工资是81000美元/年。据腾讯研究院预测，到2020年，市场对AI应用的需求将增长300%。旺盛的需求，偏少的人才供给，导致AI人才成本高昂。
“这种情况下，只有通过升级大规模生产工具，才有望满足需求。”雷涛强调。举例来说，某股份制银行的APP背后，是该银行多达数千人的数据科学团队每年生产的600个机器学习模型。因此比起场景，应该更关注怎样高效率、低成本地批量化生产模型。“毕竟负担上千人的数据科学团队，对于大多数企业来说都非常有挑战。”雷涛表示。
5月19日，在全球人工智能大会上，Google提出的解决路径是供给规模化的AI工具。天云大数据同样也提出了解决问题的规模化AI工具，通过构建支持机器学习特性的PaaS化（平台即服务）AI平台MaximAI，成功减少对数据科学家的依赖。
“AI不是少数人的专利，AI模型的PaaS化、智能化成为突破AI产业化应用的关键。未来人工智能发展更应凸显规模化生产能力，让企业获取机器智能像读书一样简单。”雷涛说。
