1 人工智能的歷史和發(fā)展

2016年的春天，AlphaGo戰(zhàn)勝圍棋世界冠軍李世石的消息不脛而走，該事件將人工智能（artificial intelligence，AI）推上了有史以來的最高潮。一時間，各行各業(yè)都在設(shè)法使用人工智能提升產(chǎn)品性能、改善流程。2017年10月，AlphaGo的增強版AlphaGo Zero問世，不同于它的前身，AlphaGo Zero能夠“從零開始”地“自我學(xué)習(xí)”，能夠通過8個小時的訓(xùn)練擊敗李世石版本AlphaGo；通過4個小時的訓(xùn)練擊敗國際象棋程序Stockfish；通過2個小時的訓(xùn)練擊敗將棋程序Elmo。其展現(xiàn)出來的人工智能強大的自我學(xué)習(xí)能力，又一次掀起了人工智能應(yīng)用的熱浪。

1.1 從達特茅斯會議開始

1956年，約翰·麥卡錫（John McCarthy）召集了包含馬文·閔斯基（Marvin Minsky，人工智能與認知學(xué)專家）、克勞德·香農(nóng)（Claude Shannon，信息論的創(chuàng)始人）、艾倫·紐厄爾（Allen Newell，計算機科學(xué)家）、赫伯特·西蒙（Herbert Simon，諾貝爾經(jīng)濟學(xué)獎得主）等在內(nèi)的科學(xué)家，在達特茅斯召開了人工智能學(xué)術(shù)討論會。這是人工智能的首次提出，因此學(xué)術(shù)界公認1956年為人工智能元年。從達特茅斯會議召開至今的60多年里，人工智能的發(fā)展猶如過山車一般經(jīng)歷了兩次大起大落，目前正處于第三次的興起當(dāng)中。剛提出人工智能這個概念時，人們對智慧機器的期許極高，對未來前景非?？春?，大量的研究經(jīng)費投入人工智能的研究中。但是，由于剛起步，技術(shù)的發(fā)展跟不上人們的期望，再加上戰(zhàn)亂導(dǎo)致經(jīng)費不足，人工智能經(jīng)歷了第一次大起大落。人工智能第二次的興起，是依托于統(tǒng)計模型對數(shù)據(jù)的處理效果，使得AI能夠解決一些諸如識別類的問題。在這個時期，機器學(xué)習(xí)方法，包含決策樹模型、貝葉斯模型、支持向量機（support vector machine，SVM）等的盛行，使人們似乎又看到了人工智能的希望。然而，漸漸地，有人開始發(fā)現(xiàn)，基于統(tǒng)計學(xué)模型的方法只適用于一些淺層問題，并且模型的準確性并不會隨訓(xùn)練數(shù)據(jù)量的增加而上升。此外，對一些大數(shù)據(jù)的處理效果也不好，深度問題計算能力不足，更沒有體現(xiàn)出智慧生物應(yīng)有的自我學(xué)習(xí)與強化學(xué)習(xí)能力。因此，人工智能第二次興起的熱情也慢慢淡化。后來，數(shù)據(jù)量的不斷增大和計算機硬件的不斷進步，為人工智能的第三次興起提供了土壤。1997年IBM深藍打敗國際象棋冠軍加里·卡斯帕羅夫（Garry Kasparov）以后，AI開始慢慢復(fù)蘇。2006年，深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）在對大量數(shù)據(jù)的處理中取得了顯著效果，成為了深度思考（deep mind）領(lǐng)域研究人員關(guān)注的對象。10年后，AlphaGo驚艷亮相，將AI逐漸推向了前所未有的高度。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)同樣經(jīng)歷了兩起兩落，而上一次的衰落主要受限于計算機能力、數(shù)據(jù)量不足以及黑盒子缺少可解釋性。隨著算法的改進、計算能力和數(shù)據(jù)量的大大增加，深度學(xué)習(xí)正處于第三次的興起當(dāng)中。深度學(xué)習(xí)作為機器學(xué)習(xí)的一個分支，在計算機視覺上應(yīng)用能力最好的是卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN），CNN可以應(yīng)用在諸如對象識別、視頻標注、行為辨識和它們的多種變體上。深度學(xué)習(xí)同樣在聲音、文本和自然語言理解（natural language processing，NLP）等方面意義深遠。

1.2 Fintech和人工智能

金融作為一個需要極度敏銳嗅覺神經(jīng)和熱點關(guān)注能力的領(lǐng)域，自然“不可放過”科學(xué)技術(shù)的進步所帶來的改革。Fintech一詞最早是由花旗銀行于1993年提出的，為Financial和Technology兩詞的合并。Google搜索指數(shù)顯示，從2015到2016年，F(xiàn)intech的搜索指數(shù)呈爆發(fā)式增長。在對金融數(shù)據(jù)的使用上，DNN模型主要應(yīng)用在衍生品定價、投資組合構(gòu)建、風(fēng)險規(guī)避管理、高頻交易等方面，但是深度學(xué)習(xí)的產(chǎn)品在金融中的運用范圍遠大于此。目前，幾乎所有的科技巨頭公司都在布局金融。

2 人工智能的代表性應(yīng)用

近年來，隨著我國保險行業(yè)穩(wěn)步發(fā)展，財產(chǎn)保險行業(yè)也得以快速發(fā)展。機動車輛保險是目前市場投保最多的險種之一，在財產(chǎn)保險公司的保費中所占的比重超過70%。并且隨著中國經(jīng)濟的發(fā)展，私家車數(shù)量逐年遞增，車險的數(shù)量越來越多，成為眾多財產(chǎn)保險公司爭奪市場份額的重要關(guān)注點。2012—2016年我國汽車保險行業(yè)的保費收入如圖1所示，可以看出保費收入逐年提高。

保險理賠既是保險業(yè)務(wù)處理程序的最后環(huán)節(jié)，又是評估其他工作效率的最佳手段，更是保險人履行經(jīng)濟補償和社會管理職能的具體體現(xiàn)，是驗證保險公司業(yè)務(wù)質(zhì)量和服務(wù)質(zhì)量最重要的環(huán)節(jié)。車輛定損工作一直是一項專業(yè)技術(shù)性較強的工作，它是整個車險理賠服務(wù)中矛盾最突出的環(huán)節(jié)。目前車輛定損基本依靠人工識別進行，受人員技能影響大，定損偏差大，而且查勘定損人員需要在定損錄入上花費大量時間，影響時效，制約了各種便捷理賠服務(wù)的推出。同時隨著定損工作量的增大，保險公司定損成本也在不斷增大。以中國平安保險（集團）服份有限公司為例，2017年無人傷案件全效時長高達13.4天，其中報案到定損就有6.8天，占整案時長的50%，時效太長，用戶體驗差。如何解決賠付過程中存在的問題對于提升客戶滿意度具有重大意義。

計算機圖像處理技術(shù)近年來受到廣泛關(guān)注，圖像識別處理技術(shù)可以很好地應(yīng)對。車輛定損中存在的時效長、手續(xù)復(fù)雜和人工勘察、審核開支大等問題，為了走在時代的前沿，筆者所在團隊于2016年10月在理賠系統(tǒng)中實現(xiàn)純油漆定損應(yīng)用，并于2017年6月上線配件更換定損應(yīng)用。

智能圖像定損技術(shù)利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)技術(shù)及強大的大數(shù)據(jù)挖掘邏輯規(guī)則，通過車損圖片，在風(fēng)險可控的前提下，自動計算損失項目、損失程度和損失價格。該項技術(shù)能夠準確識別95%以上的整車損傷，并且通過建立的循環(huán)圖片數(shù)據(jù)學(xué)習(xí)模型，將生產(chǎn)的數(shù)據(jù)經(jīng)篩選后源源不斷地提供給機器進行學(xué)習(xí)，持續(xù)提升準確率?；谥悄荛W賠技術(shù)，2017年上半年平安財產(chǎn)保險處理車險理賠案件超過499萬件，客戶凈推薦值（net promoter score，NPS）高達82%，智能攔截風(fēng)險滲漏達30 億元。

圖像識別的研究工作面臨的最大挑戰(zhàn)就是如何對特征進行提取。不像其他數(shù)據(jù)，圖像無法通過人工理解提取特征。在深度學(xué)習(xí)之前，大都是借助尺度不變特征變換（scale-invariant feature transform，SIFT）、方向梯度直方圖（histogram of oriented gradient，HOG）等算法，再結(jié)合諸如支持向量機（SVM）的機器學(xué)習(xí)算法對一些分區(qū)性良好的特征進行提取。后來，隨著計算機能力的發(fā)展和深度卷積神經(jīng)網(wǎng)絡(luò)模型CNN的出現(xiàn)，越來越多的圖像處理工作由CNN完成。

圖1 2012—2016年我國汽車保險行業(yè)實現(xiàn)保費收入走勢

所謂的卷積神經(jīng)網(wǎng)絡(luò)最初是為解決圖像識別等問題設(shè)計的，其概念最早出自感受野（receptive field）。19世紀60年代，科學(xué)家在研究貓的視覺神經(jīng)細胞時發(fā)現(xiàn)，每一個視覺神經(jīng)元只能處理一小塊區(qū)域的視覺圖像，這就是感受野。而CNN最初的實現(xiàn)原型，則是日本科學(xué)家提出的神經(jīng)認知機（neocognitron）。

通常用來處理圖像的有卷積神經(jīng)網(wǎng)絡(luò)LeNet5、AlexNet、VGGNet、Google Inception Net和ResNet等。CNN能夠通過優(yōu)化空間結(jié)構(gòu)關(guān)系減少參數(shù)量的學(xué)習(xí)，從而使得圖片識別的效果得到極大的提升。在CNN中，圖像像素級數(shù)據(jù)作為輸入數(shù)據(jù)進入第一個卷積層，每一個卷積層處理一小塊圖像并且進行卷積變換后往下一層級傳輸。在這個過程中，每一次傳遞都會從數(shù)據(jù)中提取并組合生成最優(yōu)特征，因此CNN在應(yīng)用范圍上很廣泛，并且理論上能夠保持圖像在縮放、平移和旋轉(zhuǎn)中數(shù)據(jù)的穩(wěn)定性。基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的智能圖像定損技術(shù)有以下幾個功能。

（1）智能識別保險單號

在收到保險單圖片后，首先，識別所述保險單圖片對應(yīng)的保險類型；然后，基于預(yù)定的保險類型與保險單號碼在所述保險單圖片中的位置關(guān)系，提取所述保險單號碼在所述保險單圖片中對應(yīng)的目標行字符區(qū)域；最后，調(diào)用預(yù)先訓(xùn)練生成的第一識別模型對所述目標行字符區(qū)域進行字符識別，以獲得所述目標行字符區(qū)域中包含的保險單號碼，并將識別出的保險單號碼與所述保險單圖片進行關(guān)聯(lián)存儲。

（2）智能定型定件

智能定型定件能夠通過車輛圖片和車輛識別碼（vehicle identification number，VIN）精確識別車組和車型，并且關(guān)聯(lián)到車組配件庫，實現(xiàn)唯一匹配。車輛檢測的方法如下：首先，在接收到包含車輛信息的待檢測圖片后，通過預(yù)定的算法提取待檢測圖片的基本特征信息，并將基本特征信息輸入預(yù)先訓(xùn)練生成的AND-OR模型中，以獲取各層級節(jié)點，并將各層級節(jié)點作為關(guān)鍵節(jié)點輸出；然后，將關(guān)鍵節(jié)點進行關(guān)聯(lián)，以將關(guān)聯(lián)的各層級關(guān)鍵節(jié)點作為較優(yōu)的演算分支；將演算分支中的各層級關(guān)鍵節(jié)點轉(zhuǎn)化為待檢測圖片中的位置參數(shù)，并根據(jù)預(yù)定的各層級關(guān)鍵節(jié)點與圖形模板的關(guān)聯(lián)關(guān)系確定演算分支中的各層級關(guān)鍵節(jié)點對應(yīng)的圖形模板；最后，根據(jù)演算分支中的各層級關(guān)鍵節(jié)點對應(yīng)的位置參數(shù)和圖形模板獲取待檢測圖片中的車輛位置信息以及車輛布局關(guān)系并輸出。

（3）圖像流清洗

對圖像進行處理的常用方法包括圖像增強（將模糊的圖片變清晰）、圖像歸正（自動矯正傾斜、翻轉(zhuǎn)的圖像）以及圖像篡改、模糊提示等的復(fù)雜處理等。清晰度檢測的大致流程如下：車險理賠服務(wù)器在收到用戶終端上傳的理賠照片后，采用預(yù)先訓(xùn)練生成的深度卷積神經(jīng)網(wǎng)絡(luò)模型對接收到的理賠照片進行清晰度識別，以確定所述理賠照片的清晰度等級。若所述理賠照片的清晰度等級低于預(yù)設(shè)清晰度等級，則發(fā)送提示信息至所述用戶終端，以提醒用戶重新上傳理賠照片。

（4）圖片篡改檢測

圖片篡改已十分普遍，構(gòu)建圖片反欺詐金融盾牌可廣泛應(yīng)用于車險中車輛定損圖片的反欺詐、保單圖片的反欺詐、身份證、駕駛證、遺囑等許多方面。利用深度學(xué)習(xí)，可以有效定位圖片可篡改區(qū)域，減少人工審查時間，提高檢測準確率。

（5）部件分割歸集

對車輛圖片使用全鏈路端到端卷積神經(jīng)網(wǎng)絡(luò)模型，根據(jù)特征值進行部位的分割，準確識別車輛的外觀部位，匹配車型零件庫并且進行歸類。此外還能識別和判斷非車輛部位的干擾圖片，類似于身份證、銀行卡、水瓶等，并分到不同的文件夾內(nèi)，從而減少人工分類。

（6）損失程度識別

15種外觀件的維修類型覆蓋了目前100%的外觀件損失狀態(tài)，提供機器全量的損失學(xué)習(xí)。損失程度分為3種：一是表面無變形，即損失僅需噴漆就可以解決的輕度擦傷和劃痕；二是變形程度可修復(fù)的，需要修復(fù)鈑金，如一些撕裂、皺著、缺失或者大面積的凹陷等；三是無修復(fù)價值的，需要更換新的配件。

智能圖像定損原理如圖2所示。

現(xiàn)有的圖像定損流程是利用圖像檢測和識別的技術(shù)對受損部位（前保險杠、后備箱蓋、引擎蓋等）進行檢測。這種傳統(tǒng)的方法有時比較容易造成受損部位檢測遺漏或識別錯誤，在現(xiàn)有的算法下，還無法將識別的準確率和查全率做到100%?；谶@項事實，提出交互式圖像自動定損技術(shù)，即用戶充當(dāng)定損員的角色，對未識別出的受損部位進行二次判斷，增加識別部位的準確率，與傳統(tǒng)的圖像自動定損技術(shù)相比，交互式圖像自動定損技術(shù)的優(yōu)勢在于以下幾點。

● 傳統(tǒng)的圖像自動定損只根據(jù)圖像做一次性的判斷，依賴一次算法的結(jié)果，在現(xiàn)有的技術(shù)條件下，無法將準確率和查全率做到100%，用戶利用App得到第一次返回結(jié)果后，若覺得有未被識別出的部位，則可用框圈出認為受損的部位，放入系統(tǒng)中進行二次檢測，得出結(jié)果。

圖2 智能圖像定損原理

● 增加用戶交互的體驗，使用戶有實際參與感，可以增加用戶對App的黏性。

● 在交互時，利用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)，可以在很大程度上提高車輛部位分類的準確率。

交互式定損流程如圖3所示。

圖像識別技術(shù)除了在定損方面的應(yīng)用，還在其他多個現(xiàn)實場景中有應(yīng)用價值，筆者所在公司目前積極推出的“平安牲畜識別”也是圖像識別技術(shù)的代表應(yīng)用。平安牲畜識別是一個高效、快捷、精準的農(nóng)業(yè)+牲畜智能解決方案系統(tǒng)，具備牲畜識別、數(shù)量清點、智能錄入、聲紋診斷和遙感監(jiān)測等功能，可以通過牲畜及身份證、銀行卡（戶口本）照片，快速完成投保理賠，實現(xiàn)農(nóng)場信息化管理，對農(nóng)場內(nèi)每個動物的健康情況、喂食次數(shù)等進行隨時監(jiān)控，并且能夠保障食品安全，追蹤系統(tǒng)內(nèi)每一頭豬、牛的健康狀況。此外，還可應(yīng)用于養(yǎng)殖健康管理，對養(yǎng)殖人員和牲畜進行雙重信息監(jiān)控，從源頭關(guān)注養(yǎng)殖過程的標準化、健康化。

3 結(jié)束語

從AI發(fā)展的歷史來看，AI現(xiàn)在處于第三次興起的時期，且為興起的初期。但是，已經(jīng)有琳瑯滿目的產(chǎn)品爭相出現(xiàn)，大家似乎已經(jīng)看到了AI領(lǐng)域未來的曙光。人工智能將在不久的將來顛覆一些傳統(tǒng)的生活、工作和娛樂方式，這種改變并非是令人恐懼的，而是為了讓人類更好地生活。

圖3 交互式定損流程

不僅是金融領(lǐng)域，以后的行業(yè)會更加集成化，行業(yè)與行業(yè)之間的壁壘在降低，很多看似不相關(guān)的領(lǐng)域都能通過互聯(lián)網(wǎng)、物聯(lián)網(wǎng)聯(lián)系起來，因此AI技術(shù)在未來將深入人們工作、生活、娛樂的方方面面。目前，筆者所在的研究團隊在深度上，已經(jīng)著手研究AI智能音樂等；在廣度上，加大了現(xiàn)有技術(shù)在各個應(yīng)用領(lǐng)域的商務(wù)合作，并且正在擴展技術(shù)能夠運用到的更大的領(lǐng)域。此外，對于現(xiàn)有的技術(shù)，也積極開放接口，實現(xiàn)全行業(yè)共享，提升全行業(yè)信息化、科技化、智能化水平。未來也將繼續(xù)從人工智能的技術(shù)提升和應(yīng)用場景兩方面同時著力，力求釋放AI技術(shù)的最大價值，為國家智能化建設(shè)添磚加瓦。

[1]Artificial intelligence and life in 2030,one-hundred-year study on AI[R]. 2016.

[2]AREL I, ROSE D C, KARNOWSKI T P.Deep machine learning—a new frontier in artificial intelligence research[J]. IEEE Computational Intelligence Magazine,2010, 5(4): 13-18.

[3]HARIHARAN B, ARBEL′AEZ P,GIRSHICK R, et al. Simultaneous detection and segmentation[C]//European Conference on Computer Vision, September 6-12, 2014, Zurich. Heidelberg: Springer Press, 2014: 297-312.

[4]HARIHARAN B, ARBEL′AEZ P,GIRSHICK R, et al. Hypercolumns for object segmentation and fine-grained localization[C]//Computer Vision and Pattern Recognition, June 8-10, 2015,Boston, USA. Piscataway: IEEE Press,2015: 447-456.

[5]FARABET C, COUPRIE C, NAJMAN L,et al. Learning hierarchical features for scene labeling[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8): 1915-1929.

[6]CIRESAN D C, GIUSTI A,GAMBARDELLA L M, et al. Deep neural networks segment neuronal membranes in electron microscopy images[J]. Advances in Neural Information Processing Systems, 2012(25): 2852-2860.

[7]HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014, 37(9): 1904-1916.

[8]SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for largescale image recognition[C]//International Conference cn Learning Representations,May 7-9, 2015, San Diego, USA. [S.l.: s.n.],2015: 1-14.

[9]GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]// Computer Vision and Pattern Recognition, June 8-10, 2015,Boston, USA. Piscataway: IEEE Press,2014: 1-8.

[10]GUPTA S, GIRSHICK R, ARBELAEZ P,et al. Learning rich features from RGB-D images for object detection and segmentation[C]// European Conference on Computer Vision, September 6-12,2014, Zurich, Switzerland. Heidelberg:Springer Press, 2014: 345-360. □