宇多田作者

2019年AI拐点将出现:一次政府, 资本与技术公司的围炉深省

人民网在 2018 年的最后几天,攒了一个「局」。

这个局的话题只有一个,就是 AI;而参与者的身份也非常多元化——政府官员、投资机构、明星科技公司以及大众媒体。

尽管各方身份不同,但每一位嘉宾亲身参与了这场技术变革,并完全有资格对当下的 AI 发展现状做出评论。

而且幸运的是,在场每一位嘉宾并没有因为 AI 是一个正确的大方向而盲目追捧,他们「有批评」「有否定」「有分歧」,对当下围绕 AI 发生的一切无保留分享了自己的所想所见。

实际上,在经历了 2016 年与 2017 年的狂热追捧,人工智能技术正在步下神坛,并渐渐变得「不起眼」,不得不「大隐隐于市」。这成了现场所有人达成的共识。

然而,让很多人不得不承认的是,漂亮的技术一旦不再停留在有限数据集上,其在走向场景的过程中,与应用之间必然会出现沟壑。

而这道新出现的沟如何被填平,成为当下人工智能技术落地普及的最大难题,没有之一。

尽管很多嘉宾对这个问题的解决方法存在分歧,但却基本默认两点:

AI 技术的大方向虽然不可违背,但热度必然会冷却;

不过,这并不意味着寒冬,而应该成为 AI 从高大上的存在转变为真正融入到衣食住行中的拐点。

问题重重的「落地」

作为政府官员代表,工信部信软司巡视员李颖并没有围绕国家针对人工智能的支持政策侃侃而谈。

相反,作为出身于 IT 媒体,并经历过中国媒体转型寒冬的行业人士,她比很多科技公司更愿意谈及自己所看到的问题,也更善于找到当下技术应用存在的一些困难。

「确实,新一轮科技革命和产业变革正在萌发,大数据的形成、理论和算法的革新、计算能力的提升以及网络设施的演进,驱动人工智能发展进入崭新的阶段。

但是现在 60 年过去了,人工智能已经走下神坛,真正从人工智能应用来讲,其实效果远远没有达到我们期望的那样。」

虽然她承认,人工智能已经有了一些实实在在的应用。譬如在工业互联网领域,人工智能确实可以大有作为。然而,多次下工厂考察的她,却发现了很多问题:

「我们看到有工厂在质量管理、管控这块用了人工智能深度学习的图形识别技术。

但是,因为针对深度学习的图形识别技术是要靠无数次的重复(处理)。理论上讲,它就是不可能达到百分之百的准确率

这样一来,在有时候质量管控过程中,从效果来讲,目前的应用水平反而还使得质量优化率有一定的下降。」

因此,她认为现在应用在工厂里更多的还是一些知识数据的优化,以及重复大规模记忆的一种演练场景。

「所以发展空间还是很大的,现在只能说是刚刚开始。」她委婉地表示。

其实作为工信部的代表,她也带来了一个非常重要的信号——

一方面,制造业是产业互联网,或者说是 AI 赋能的重要主场,是从国家提倡的「制造强国」「网络强国」建设延伸出来的;

而另一方面,制造业也不是全部,中国整个产业需要转型升级,包括整体现代服务业的转型,而 AI 将在「大互联网」概念中扮演非常重要的角色。

「互联网的发展,不仅是在产业互联网、工业互联网,在消费互联网也还有巨大的空间。

另外,有人讲在产业互联网上讲,大家讲未来已经不是属于互联网的时代,是+互联网,但实际上,这应该被称为真正的传统产业转型升级的时代。

这个认识,每个人立场和角度不同,只能说,今后将进入不再是以狭窄意义上互联网公司为代表的互联网时代。

整个工业经济社会,从工业经济向数字经济转型,更多是以互联网为代表的新一代信息技术产业,是一二三产业深度融合的一个大互联网或者大数字经济时代。」

如果说政府从更大的角度指出了当下 AI 发展存在的问题,那么在 AI 浪潮中翻涌的主角—科技公司们则更有面对各种实操性困难产生的实感。

在全球移动业务方面做的较为出色的猎豹,在今年第一季度推出服务机器人产品时,相当于是对进入 AI 市场的一次正式宣告。

不过,猎豹 CEO 傅盛并没有在这次小型论坛上纯粹推销自己的机器人,而是从他开始下决心做机器人前后陆续发现的一些问题入手,从微观角度阐述了亲身经历的技术真正实现落地的难点。

「一项技术的出现到最后的产品落地,到最后形成产业化,中间是有很大鸿沟的。从人才到市场,以及产业配套,还有国家的帮助与指导,都是非常重要的影响因素。」他感慨道。

不是技术出身的傅盛表示,自己也曾硬着头皮读过几篇人工智能的论文,又在三年前开始组建人工智能队伍,更开玩笑表示「自己这辈子都没见过这么多博士」:

「我做互联网以来,再到全公司上市,大概就招过两个博士,其中一个好像还走了;但在组建 AI 团队后,算法人员已经超过 200 人,大多都是博士。」

但是有很多技术人才,并不意味着一款 AI 产品就能水到渠成。傅盛在参观过德国及美誉哦一些专门生产工业机械臂、工业机器人的大厂后发现自己需要面对一个现实:

「他们在精密制造上达到的水平,至少我这个门外汉是无法超越的。」

但同时他也发现,这些机器人其实远远称不上「智能」。

「我走放过软银投资的 Pepper 机器人,他们虽然全身十几个关节可以像人一样动,但是对 AI 的重视度极为不够。其实,你把 Pepper 放在任何嘈杂一点的地方跟它对话,它都很难应答。」

为什么很难应答?

傅盛提到一个小细节:Pepper 机器人的麦克风放在头顶,也就是说把芯片放在头顶,并在旁边装了用来消噪音的风扇。但问题来了,那个风扇的噪声使得其系统语音识别率大幅度下降。

「他们没有考虑好,或者说没有定义好这款产品的应用场景。他们认为像人一样挥手很重要,但人的本质是交互。」

他又提到了一个在机器人制作中的工程化问题——一个机器人脑袋做成圆的或是方的,用塑料材质还是钢铁材质,都会对语音识别率造成很大的影响:

「你觉得有一个麦克风就能实现远程唤醒和远程交互,但其实材质和形状会影响回音,而回音不一样,就会使得识别率下降 5~10 切割百分点。这就是你喊了半年机器人也不说话的重要原因。」

另外,智能机器人的成本控制应该是一个最让公司头疼的问题之一。

「我们之所以要自己做室内导航,是因为本来想买个机旋底盘,但是发现动辄好几万;另外,你可能还要买最好的激光传感器,这也要几千块。」

当然,还有芯片、前驱快门等等需要用到钱的组成模块,让一个真正的智能机器人造价不可能降下来。

「所以,我们在精密制造上的不足,一方面是通过软件算法来弥补,譬如融合性算法(提升激光雷达的点云效果);而另一方面,就是从人工智能角度去寻找改造芯片的机会。」

虽然不能说猎豹的机器人做的有多好(因为我没用过),但是这些难题,的确是只有真正「触摸」过 AI 硬件产品线的人才能发出的感慨。

而即便是从学术层面,微软(亚洲)互联网工程院微软小冰资深研发总监曾敏也认为,中国也需要找准衡量自己 AI 水平的标尺。

「整个 AI 技术的发展,其实是多维度的,AI 本身包括非常非常多的,比如说像处理器、语音交互等等各个方面。所以,不能简单的说以国内的学生或者老师发了多少论文来衡量中国 AI 整个这块的实力。」

而单纯从论文的角度出发,其实是不足以反映整个 AI 实力的。

「如果真要就论文这个点来说,比如说论文本身的引用量,比如说这个单元处理领域的基础服务,它的论文的引用量其实是特别特别高的。」他强调。

据曾敏了解,国内专家们写的论文,引用量还是有待提升的。

此外,很多论文里面做的各种实验,都是在很小的数据环境里面实验出来的,他认为整个局限性挺大。

「我们希望更多的是在各行各业,各种产业里面的实际运用案例和数量,来衡量整个 AI 这一块技术的成熟度。」

作为 AI 公司创建并成长的最大助推剂之一,资本方曾把若干 AI 创业者陆续送上神坛,也在近一年来开始进入谨慎观望期,更愿意青睐那些「大隐隐于市」,而不是强调技术门槛的公司。

作为人民网创投总经理,赵亚辉提到了一个数据——上周有机构的统计显示,包括人工智能公司在内,独角兽企业上一轮的融资和当下的估值相比,平均下跌 45%。可以说很多人都没有想到这种市场的变化,很多公司都在 2018 年坐了一轮过山车。

因此,他向论坛中的创投代表们提出了一个问题:

人工智能到底存不存在泡沫?」

包括联想创投、阿里云研究中心(有产业孵化器)、招银国际的投资代表们均斩钉截铁地表示「存在」,甚至认为这泡沫还不小。

其中,招银国际金融副总裁连素萍就提到,公司在考察一波人工智能公司的时候,就觉得有些(公司)估值已经不可以接受了。

「很多 AI 公司,包括做人脸识别以及做算法的公司,都跟招商银行的业务有很大关联,其中很多也是我们金融机构的合作客户。

但是从投资角度,我们最后有些是投了,但是也有些放弃了。」

回归理性的 2019,AI 公司应该何去何从?

尽管资本高烧暂退,人工智能泡沫浮现,危机重重,但大家并不认为这场「寒冬」是属于人工智能的寒冬。

阿里云研究院高级战略总监就认为,面向 AI 的资本回归理性后,危机留下的肯定是刚需。

「刚需才能为产业创造价值,创造价值的企业,其商业模式迟早会从科学到技术,技术到产品,产品到平台,演化出来。」

赵亚辉从互联网的历史教训中找到了与人工智能发展的相似之处——大浪淘沙后,必定是为用户切实解决需求的企业。

「1998 年到 2000 年形成的泡沫,让全球互联网的估值达到了顶点。但是在 2001 年、2002 年这个泡沫碎了,大量的公司倒闭,包括我们听到很多很牛的公司也都不见了,当时我记得有 8848 这家公司,没有上市就没了。

但是我觉得那个泡沫,恰恰是一个重要拐点,任何一个新兴产业都有它从诞生到真正爆发的拐点。」

而至于如何平安度过泡沫期,迈过拐点成长为真正中国新经济的代表企业,论坛上来自科技圈、媒体以及创投圈的嘉宾们的观点非常统一——AI 公司们需要找到自己的「屠龙刀」,而总结下来有以下 5 点:

  • 从数字角度要效益

易观董事长兼 CEO 于扬特别强调了「数据驱动」的重要性。他感受到,过去六个月虽然每个人都觉得各个行业日子不好过,但企业在各个层面上对数据驱动的需求都在不断提升。

「过去信息化更多是以公司治理为中心,而数字化是以用户需求为中心的;信息化是以流程驱动,而数字化是以数据驱动;信息化是一个技术和管理的系统,数字化是一个业务的系统。」

而当企业数字化之后,很重要的一点就是需要一个数据驱动的中台,这个中台在过去信息化时代是由甲骨文等公司扮演的,而在今天这样的大数据时代,数字化企业就有机会扮演数据中台。

「我们坚定认为,基于云的数据智能赛道一定会在未来 2~3 年内出来很强大的、很先进的企业。」

此外,现在手机与各种智能硬件产生的大量数据,可以更好地去指导业务。

「无论电商的 C2B 还是媒体所谓的个性化阅读,还是广告领域的精准营销,有太多基于数据的应用场景。」

  • 要想找到「屠龙刀」,选择什么「龙」很重要

换句话说,就是赛道跟着需求走,技术并不等于市场有这个需求。

一方面,要找准高频使用场景,不要设想在 5G 实现等未来前提下做业务,而是一定要基于现有环境。

另一方面,高频使用场景的定义是有讲究的,这里田丰认为需要用四个标准来判断。

「第一个标准,这个产业是不是存在非常大的挑战。举几个例子,房地产,现在是以租代售,包括建行转向贷款金融了,所有房地产不能再靠卖地卖房的方式,面临巨大的商业模式转型,有刚需有痛点。

第二,得有数据高地。举一个反例,工业领域,大家一直说人工智能在做工业,为什么没有做起来。原因是很多工厂里面的数据是放在西门子或者 GE 德国生产线里面,数据是黑盒,拿不出来,要有数据量才能做运营,数据得流动起来。

第三,得有一定的资金,有一定资金才能做这件事情。当然,太小的资金和太小的池子是装不下人工智能的,而太多的资金和太高的利润,往往会产生泡沫,所以最好找的就是这种规模大,能起量,但是利润又薄的产业。

注意,必须要起量,起量才产品化和规模化。

第四点来自于这个企业家和政府的引导。对于中国来说,政策宽松很重要,在某些行业里面的政策宽松很重要。

医疗,全球人工智能投资最大的领域,但是全球都涉及到隐私问题和立法问题,因此在医疗领域并没有产生特别大的商业模式出来。」

  • 给 AI 应用打好基础也很重要

连素萍等人也认同这种「刚需」的说法,更通俗一点,她认为无论技术如何高精尖,最终还是会落实到老百姓的衣食住行去服务的。

但从投资角度,她表示更喜欢为人工智能产业链铺路的芯片等等将来大规模形成并能够融入其他行业的基础型行业,包括围绕 5G 的物联、智能化这些投资,在这个阶段都比较重要。

  • 想「颠覆」需要先做好系统

作为技术公司代表,旷视科技副总裁谢亿楠认为,现在没法取得颠覆型创新是因为技术的系统没有完全发展起来。

「我们看 AI 技术发展分两部分,一部分是技术本身系统的发展,另一部分是 AI 应用的发展。

我们往回看互联网时代,应用能做的那么好,是因为甲骨文、思科、微软等把系统搭起来了,再应用就是水到渠成的过程,现在来看的话就是应用往前放、系统往后放。

如果人工智能真的要走上一个颠覆性创新的话,第一应该在算法本身的系统上有真正的突破创新;

其次,我们看技术是感知、控制、优化这三项是本身的,但其实对于世界的感知这块,技术还没做好。」

  • 比起 AI+,应该先有+AI 思维

简单来说,AI+指的是从技术公司角度去考虑如何赋能各行各业;而+AI,是要求行业应该善于利用 AI 有效提升自己的业务。

但无论是 AI+还是+AI,其实最终还是汇集到一点——匹配好行业场景的 AI 才是好 AI。

这在一定程度上需要偏向于用行业+AI 的思维去思考问题。

特斯联副总裁谢超就强调,尽管在过去将近十年时间里面,互联网让整个社会对新技术的认知发生了天翻地覆的变化,但却恰恰忽略一点,这个世界上没有那么多新的行业,大部分行业还是传统行业。

「我们回过来看一下,去年中国 80 多万亿的 GDP,真正 GDP 的贡献者主要还是传统行业。我们与其想方设法绞尽脑汁去看哪些新的行业去被开拓,不如回过来看这些传统行业,将近百万亿级的市场里面有多大空间可以被提升。」

因此,一定是+AI,一定是从行业里面出发,和 AI 结合在一起,才能发挥真正的作用。

2019 年,伴随着 2018 年以来行业人士们的反思与践行,AI 行业也许正在回归理性发展轨道。

产业人工智能应用行业趋势
相关数据
微软机构

微软是美国一家跨国计算机科技公司,以研发、制造、授权和提供广泛的计算机软件服务为主。总部位于美国华盛顿州的雷德蒙德,最为著名和畅销的产品为Microsoft Windows操作系统和Microsoft Office办公室软件,以及Xbox的游戏业务。微软是美国《财富》杂志2015年评选的世界500强企业排行榜中的第95名。

https://www.microsoft.com/en-us/about
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

噪音技术

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中,我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。 数据通常包含噪音,错误,例外或不确定性,或者不完整。 错误和噪音可能会混淆数据挖掘过程,从而导致错误模式的衍生。去除噪音是数据挖掘(data mining)或知识发现(Knowledge Discovery in Database,KDD)的一个重要步骤。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

工业机器人技术

工业机器人是面向工业加工制造的可自动控制,多用途,需有三轴及以上可编程的固定或可移动机械手。其系统中包括带有执行机构的机械手以及示教控制器。 它可以依靠自身控制能力来执行预设的轨迹及动作。典型应用包括焊接,刷漆,组装,采集和放置等工作。工业机器人完成工作具有高效性,持久性和准确性。目前常用的工业机器人包括关节机器人,SCARA机器人,并联机器人和直角坐标机器人等。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

暂无评论
暂无评论~