腾讯提出AI For FEW构想,呼吁人工智能为地球思考

在这篇文章中,我们将分享腾讯在人工智能应用领域前沿探索的新思考——AI for FEW,即让人工能为食品、能源和水等地球级大问题寻找解决方案。

美国当地时间 4 月 3 日,联合国人居署与腾讯在纽约联合国总部共同举办主题研讨会,探讨地球所面临的最基础的挑战,以及如何利用人工智能(AI)等新兴技术提供解决方案,创新高效地实现可持续发展目标。联合国人居署执行主任、联合国副秘书长 Maimunah Mohd Sharif 、联合国人居署助理秘书长 Victor Kisob ,以及多位国家大使、新兴科技企业代表、可持续发展研究专家参加研讨。

联合国人居署执行主任 Maimunah Mohd Sharif 表示:“世界五分之一的人口正居住在严重缺水地区,而未来城市对于食物 、能源、水这些基础资源的需求更是前所未有的,我们需要鼓励科技创新来解决未来城市所面临的挑战。联合国人居署希望把国家和城市的管理者、国际组织、科技企业等不同领域的伙伴联合起来,让创新的想法成为现实,共同为城市的可持续发展提供可行的解决方案,实现真正的城市变革。”

腾讯首席探索官网大为先生在活动现场发表演讲

作为研讨会联合发起人,腾讯首席探索官 David Wallerstein (网大为)在2018年腾讯WE大会上就曾率先提出,腾讯将打造“会救命的AI”并利用AI技术解决地球级挑战。“科技的发展必须用于解决地球所面临的最大挑战。我把它称之为 FEW(Food, Energy, Water),也就是食物、能源和水资源。这些问题是人类未来需要面对的最重要、最基础的问题。” 

在研讨会上,来自亚洲、北美、欧洲的科技初创企业代表介绍了如何利用新技术,为地球级挑战提供分析和决策支持。其中腾讯领投的以色列科技公司 Phytech ,开发出一种针对农作物的物联网技术,通过在农作物周边安装传感器,记录农作物生长数据和气候、土壤等环境数据,并在云端进行汇总分析,从而为种植户提供可操作建议。数据显示,该系统平均节约 20% 的水资源,提高 20% 的生产率。目前,以色列已有约60%的番茄种植户和 40% 的玉米种植户开始使用这一系统。

在此次研讨会聚焦的 FEW 领域,腾讯 AI 已经展开在农业方面的探索。2018年,腾讯 AI Lab 参加由荷兰瓦赫宁根大学(WUR)主办的国际人工智能温室种植大赛,获 “AI策略” 单项第一、总分第二的成绩。比赛中腾讯 AI 专家建立了一套模拟气候环境和作物生长的仿真器,开创性搭建出农业人工智能系统,将农业专家的知识和经验自然地嵌入仿真器中。这个首创性的农业AI系统提高了农产品的产量和自然资源利用率,同时大幅降低了传感器成本,展现出“AI+农业”的应用潜力。未来腾讯还将在农业、能源等领域持续进行技术探索。

联合国活动期间,腾讯研究院组织了全球首届「AI for FEW」国际研讨会腾讯公司副总裁姚星、中国人民大学国家发展与战略研究院副院长许勤华、北京师范大学环境学院副院长张力小、亚洲开发银行高级能源政策咨询专家杨玉峰、密歇根大学自然资源与环境学院副教授徐明、大自然保护协会亚太区首席代表张醒生、等多位学术界和产业界的代表齐聚一堂,共同深入探讨人工智能时代,应该如何应对以FEW为代表的地球级挑战。

负责管理腾讯的AI Lab、优图、Roboitics X 等多个前沿实验室的姚星先生做了主题为“How AI Thinks for Our Planet(人工智能为地球思考)”的演讲,对 AI for FEW(用于食物、能源和水系统的人工智能)的思考,解释了目前 FEW 领域的 AI 探索及技术所面临的挑战,及如何利用人工智能为地球谋福利的构想和呼吁。

腾讯公司副总裁姚星在「AI for FEW」国际研讨会发言

人工智能为地球思考

How AI Thinks for Our Planet

以下内容整理自姚星先生现场演讲,有删节。

45 亿年前,地球在原始太阳系中凝聚成形,之后还可能经历过一次行星“大碰撞”并由此形成了月球。生命很幸运,因为地球的尺寸和位置,及富含的各种自然资源让其成为了生命的摇篮,并最终演化出了能够感知、理解、归纳和推断这个世界的我们——人类。

相比于 45 亿年的漫长地球历史,现代人类所存在的数十万年时间不过须臾之间。在这么短的时间里,人类却创造了许多这个星球上前所未有的事物——文字、复杂工具以及抽象概念。它们帮助我们发明了一项又一项技术,也同时在这过程中改变了我们的生活方式。比如生火技术让人类吃上了熟食并能帮助人类度过寒冷的冬天,让人类开始真正有别于野兽;蒸汽机让人类第一次获得了稳定可靠的能量供应,并由此引爆了至今仍在持续的技术大爆炸;计算机则将人类从繁杂琐碎的计算和信息处理任务中解放了出来,让人类开始有能力规划、组织和完成更加复杂的任务,比如登上月球。现在,我们希望能够借助人工智能技术让我们的工具具备认知能力,帮人类完成更加高级更人类专属的任务,比如理解世界和制定决策。

我们为什么需要机器具备理解和决策的能力?因为人脑虽然很强大,但却并不是为处理大量复杂的信息而设计的,同时我们又生活在一个极其复杂且越来越复杂的世界里——互联网上每天都会增加巨量数据、全球化将全人类的活动密切地关联在了一起、国家竞争、人口增长、环境污染、贫富差距加大……现今人类面临的很多问题单纯依靠人脑是不可能得到解决的。

地球资源分配就是这样一个问题,不仅需要全人类共同努力,也必须借助机器智能的帮助。在各种类型的资源中,食物、能源和水问题是人类所面临的最为迫切的问题,因为这些资源是人类健康存活下去的基础。遗憾的是,也许是因为人类文明发展对资源的需求超过了人类有效利用地球资源的能力,现在还有很多人在食物、能源和水这些基本生活需求上无法得到保障。

联合国预计 2050 年地球人口总数将达到 98 亿,如何有效地利用地球有限的资源将会成为一个越来越重要和迫切的问题,甚至事关人类文明的未来命运。遗憾的是,未来并非一片光明。据联合国粮食及农业组织统计,自 2014 年以来,全球营养不良的人数每年都在增长,2017 年已达到 8.2 亿;世界上有近半数人生活在可用水短缺的地区;而现今的主要能源也可能无法平稳维持到下个世纪。

可以说,日益严重的食物、能源和水问题是当前人类整体所面临的最重要的全球性难题。这个难题非常复杂,涉及到各个地区的自然资源、经济状况、社会结构以及地缘政治和全球产业链分布等方方面面的问题。共同努力,借助新技术来解决这些问题是我们的必由选择。

我们相信人工智能能够帮助我们找到合适的解决方案,我们也已经开始让人工智能为地球思考。这正是「AI for FEW」(用于食物、能源和水的人工智能)想要实现的目标。在食物方面,人工智能可以分析与环境温度、降雨量、土壤盐分、营养、病虫害、商品价格等相关的数据,从而帮助提升农作物的产量以及帮助农业从业者合理规划农作物生产种植。在能源方面,人工智能可以用于预测能源需求、帮助调度能源供应、协调清洁能源生产等。在水资源方面,人工智能可以帮助优化生产和家庭用水、预测水资源供应以及监控水质等。

人工智能在FEW领域颇具潜力

我们为何对人工智能寄予厚望?因为人工智能已经取得的成绩让我们看到了其在解决食物、能源和水问题上的潜力。

比如近些年突破不断的在模拟环境中进行强化学习的方法。这种方法是通过创建一个虚拟环境来模仿我们想要解决的问题。在这个环境中,智能体可以根据设定的奖励不断自我提升,最后找到可能人类专家也无法想到的解决方案。之前被认为人工智能难以应对的围棋问题就依靠这种方式得到了解决。围棋具有非常高的数学复杂度,其有 10^170 种可能性,甚至远远超过可观察宇宙的原子总数(10^80)。所以这个问题无法通过人工编写规则的系统进行解决,也难以使用大数据监督式学习模型来处理。而强化学习方法则让模型通过大规模自我对弈实现了超越顶级职业棋手的表现。

据了解,使用强化学习方法的 AlphaGo Zero 可以完全通过自我模拟进行训练——在 9 个小时内可以模拟 4400 万场对局,这一数量甚至远远超过人类历史上围棋对局的累积总数。

不仅如此,这样的人工智能模型还能发现新的策略。实际上,包括世界冠军柯洁在内的顶级棋手也开始研究和采纳 AlphaGo 所展现出的策略。这表明我们可以借助人工智能找到我们自己并不知道的解决方案。

这样的成果让我们看到了希望,即借助这样的技术来寻找帮助我们解决食物、能源和水等各种现实问题的方法。比如开发了围棋人工智能 AlphaGo 的 DeepMind 就成功应用了机器学习算法来优化能源供给,将谷歌数据中心的冷却耗电量降低了 40%。

腾讯 AI Lab 也在探索这样的可能性,即通过创建虚拟环境让智能体自己发现最好的解决方案。游戏是我们现阶段重要的技术探索平台。我们分别针对围棋和《王者荣耀》游戏开发了“绝艺”和“绝悟”两套智能策略系统。王者荣耀是一款 5V5 多人在线战斗竞技场游戏,复杂度能达到10^20000种可能性,且还具备不完整信息以及多玩家合作等复杂性(更接近现实问题)。去年,“绝悟”击败包括前职业玩家的游戏战队。

我们为什么要研究让人工智能玩游戏?因为游戏能够帮助我们验证技术的有效性,我们再将这样的技术“迁移”到现实问题中。实际上,我们已经在探索这样的可能性了。

我们研究了使用模拟环境以及强化学习方法训练模型控制机器臂操作物体的问题。这个问题目前而言仍具有很高的挑战性,但我们已经能够在我们的模拟环境中训练抓取等能力,并将这些能力复制到现实世界中。

人工智能从虚拟到现实的三大挑战

真正的现实问题总是复杂得多。

首先,在现实环境中,目标或奖励往往是不确定的或不是单一的。比如,对于无人驾驶汽车而言,目标至少包括将乘客送抵目的地、保证乘客安全舒适、遵守交通规则等等。

其次,我们还面临着奖励延迟的问题,也就是说我们的行动所带来的影响可能需要很长时间才会显现,这会使得我们难以找到最佳策略。比如,改变作物的生长环境对产量会有什么影响?

另外,我们构建的模拟环境往往并不准确,而是对现实环境的抽象和简化;而且现实世界中可能还存在某些影响我们行为后果的外部或未知因素,但模拟环境却可能无法体现这些因素。这个时候,我们就需要人工智能具备归纳总结其所遇到的新情况的能力。例如,如何让在 19×19 棋盘上训练的人工智能也有能力在 21×21 的棋盘上下围棋?目前而言,这种看似微小的变化需要模型通过新的模拟才能找到适应这种新环境的策略,将人工智能功能从一种情境转移到另一种情境仍然有如跨越天渊。 

尽管存在这些难题,我们依然在将人工智能应用于食物、能源和水问题方面取得了一些可喜成绩。

腾讯初步试水「AI+农业」

腾讯 AI Lab 与荷兰瓦赫宁恩大学合作探索了基于人工智能决策在真实世界的温室中种植黄瓜的任务。选择温室作为研究环境的原因是温室相对而言是能得到良好控制的环境,不会有室外农业环境中风、雨、温度、湿度和阳光等高度可变的因素,奖励的设计也较为简单。使用更简单的真实环境进行研究能够帮助我们今后研究更加复杂的真实环境问题。

在这个种植黄瓜的实验中,我们构建了一个农业人工智能系统,让其根据热量、通风和二氧化碳水平等因素来优化种植策略,比如温室温度、种植密度、灌溉施肥。我们首先在模拟环境中进行了数百万次模拟来探索不同的策略,就像我们的游戏和机器人模拟一样。最后的实际种植结果表明,我们的人工智能所达到的种植水平相当于具有十年种植经验的人类种植者。

值得一提的是,经过一定调整,这样的系统也能自动适应新的温室种植环境,能够很方便地实现大规模标准化生产,从而极大地降低相关农业生产的成本和人力需求。未来我们将继续与瓦赫宁恩大学合作探索“AI for Food”的应用,希望将越来越强大的人工智能应用于更多食物生产种植场景,实现用更少资源生产更多优质食物的目标。

实际上,人工智能在食物或农业方面的应用不仅限于优化种植和生产,进而提升作物产量;人工智能还可以在作物种植和收获前后的流程中发挥重要作用。在种植之前,人工智能模型可以通过大数据分析和预测市场需求,从而指导作物种植品种选择,避免产销脱节,造成经济损失和农产品浪费。另外,云计算大数据分析和机器学习等技术,还可以帮助筛选和改良农作物基因,达到提升口味、增强抗虫性、增加产量的目的。

在农作物收获阶段,计算机视觉技术可以高效地进行农产品售前品质检测和分类等工作。我们还可以用大数据分析市场行情,可帮助农产品电商运营,引导企业制定更灵活准确的销售策略。另外,通过人工智能遗传算法和多目标路径优化数学模型,可对物流配送路径进行智能优化,完善生鲜农产品供应链。

AI+能源/水源的多样化应用

能源问题同样也是一个非常复杂的问题。以电网供能问题为例,由于现今非常常见的供需失衡问题,大量电能都被白白浪费了。比如每年夏季的丰水期,四川生产的水电会有大量富余,这些电力中很大一部分都被白白浪费掉了。能源企业和公共事业单位多年来已经设计出了很多不同的方案,力图实现供需平衡,避免无价值的生产,但效果并不非常显著。

人工智能强大的模式分析和预测能力有望帮助解决这一问题。人工智能可以分析往年同期的用电情况以及用电量随气温、湿度、节假日等因素的变化,进而帮助调整电力生产策略,实现生产资源的优化配置。对于使用煤炭、生物质或其它消耗型燃料的电力生产单位而言,这样的技术尤其具有价值——不仅能帮助节省成本,还能有效地降低环境污染。 

另外,随着清洁能源的发展,基于需求数据规划电力生产甚至将变得更加重要。比如在风电资源丰富的地区可能并不存在足够的电力需求,而建设长距离供电基础设施可能又并不划算——成本高且长距离输电会存在大量电力损耗,而且电力基础设施建设还可能破坏环境,从而与清洁能源的目标背道而驰。

人工智能除了在电力生产端极具价值,对使用电力的“耗电大户”也极具经济效益。前面提到的 DeepMind 的数据中心电能优化方案就是这方面的一个重要探索。对于谷歌和腾讯这样的拥有大量数据中心的企业而言,节能不仅是为了改善成本效益,也是大型企业所应该自觉承担的社会责任。比如 DeepMind 在借助人工智能帮助谷歌节省了大量电费之后,也已经开始计划将人工智能用于平衡英国电力供应。

我们腾讯在“AI+能源”方面也有一些探索,比如我们曾研究计算机视觉无人机相结合的电网智能巡检方案,即使用无人机通过图像识别技术自动定位关键元件,对设备缺陷进行识别标注,从而能在电网故障出现之前就解决它们。该方法比传统人工排查效率高三倍。

人工智能在水资源优化方面也有重要的应用潜力。据美国水工程协会(AWWA)统计,2011 年到 2015 之间,美国投入了 1.7 万亿美元来修理和扩建饮用水基础设施,其中超过一半都用在了替换到达了使用时限的给水管道上。借助人工智能技术以及监控水质和水压数据的传感器,我们可以分析预测最佳的管道替换时机——如果替换太早,会浪费很多材料;如果替换太晚,管道可能就损坏了,从而浪费大量水资源。

此外,随着气候变化加剧,科学家预期干旱等极端天气事件会更加频繁,通过气象数据分析提前预测干旱事件并做好水资源储备等应对措施有助于将灾害损失控制在合理范围内。 

整体而言,目前的人工智能技术还不能真正彻底地解决食物、能源和水等现实世界问题,但我们将继续前行,不懈追求。我们相信人工智能会在这些地球级的挑战上发挥作用,并最终将我们的世界变得更加美好,这也正是我们腾讯 AI Lab 所追求的目标——Make AI Everywhere。我们也呼吁社会与更多同行关注并行动起来,让科技去解决真正的“大问题”。

腾讯AI实验室
腾讯AI实验室

产业机器学习强化学习能源农业腾讯
1
相关数据
DeepMind机构

DeepMind是一家英国的人工智能公司。公司创建于2010年,最初名称是DeepMind科技(DeepMind Technologies Limited),在2014年被谷歌收购。在2010年由杰米斯·哈萨比斯,谢恩·列格和穆斯塔法·苏莱曼成立创业公司。继AlphaGo之后,Google DeepMind首席执行官杰米斯·哈萨比斯表示将研究用人工智能与人类玩其他游戏,例如即时战略游戏《星际争霸II》(StarCraft II)。深度AI如果能直接使用在其他各种不同领域,除了未来能玩不同的游戏外,例如自动驾驶、投资顾问、音乐评论、甚至司法判决等等目前需要人脑才能处理的工作,基本上也可以直接使用相同的神经网上去学而习得与人类相同的思考力。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

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。

调度技术

调度在计算机中是分配工作所需资源的方法。资源可以指虚拟的计算资源,如线程、进程或数据流;也可以指硬件资源,如处理器、网络连接或扩展卡。 进行调度工作的程序叫做调度器。调度器通常的实现使得所有计算资源都处于忙碌状态,允许多位用户有效地同时共享系统资源,或达到指定的服务质量。 see planning for more details

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)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

云计算技术

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

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。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

遗传算法技术

遗传算法是计算数学中用于解决最优化的搜索算法,是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择以及杂交等。 遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题,一定数量的候选解可抽象表示为染色体,使种群向更好的解进化。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

腾讯机构

腾讯科技股份有限公司(港交所:700)是中国规模最大的互联网公司,1998年11月由马化腾、张志东、陈一丹、许晨晔、曾李青5位创始人共同创立,总部位于深圳南山区腾讯大厦。腾讯由即时通讯软件起家,业务拓展至社交、娱乐、金融、资讯、工具和平台等不同领域。目前,腾讯拥有中国国内使用人数最多的社交软件腾讯QQ和微信,以及中国国内最大的网络游戏社区腾讯游戏。在电子书领域 ,旗下有阅文集团,运营有QQ读书和微信读书。

http://www.tencent.com/
物联网技术技术

物联网(英语:Internet of Things,缩写IoT)是互联网、传统电信网等信息承载体,让所有能行使独立功能的普通物体实现互联互通的网络。物联网一般为无线网,而由于每个人周围的设备可以达到一千至五千个,所以物联网可能要包含500兆至一千兆个物体。在物联网上,每个人都可以应用电子标签将真实的物体上网联结,在物联网上都可以查出它们的具体位置。通过物联网可以用中心计算机对机器、设备、人员进行集中管理、控制,也可以对家庭设备、汽车进行遥控,以及搜索位置、防止物品被盗等,类似自动化操控系统,同时通过收集这些小事的数据,最后可以聚集成大数据,包含重新设计道路以减少车祸、都市更新、灾害预测与犯罪防治、流行病控制等等社会的重大改变,实现物和物相联。

推荐文章
暂无评论
暂无评论~