趙曉芳

不僅僅是中國，全球包括美國、英國，以及其他發(fā)達國家，都把人工智能當(dāng)成了一個新的發(fā)展戰(zhàn)略和新的發(fā)展契機，為什么是這樣呢？其實跟整個全球的經(jīng)濟形勢是有關(guān)系的。在過去的十年里，整個全球的經(jīng)濟狀況就在發(fā)生著一些變化，包括格局上的變化，產(chǎn)業(yè)上的變化，其實都說明了大家在思考這個問題。這里邊就需要一些新的賦能技術(shù)手段，人工智能無疑是當(dāng)下大家都看好的一個抓手。所以出現(xiàn)了這么密集的、全球的工作部署。

其實我們?nèi)祟愐恢毕胪黄谱约?，把我們的眼睛放出去希望我們有千里眼，把我們的耳朵放出去希望我們有順風(fēng)耳，每一步，這個目標(biāo)一直沒有變過。所以從有計算機開始大家就在想，我們管計算機叫電腦是什么意思？真的希望計算機它能夠代表我們的大腦，能夠放大我們思考決策的能力，所以一直在尋找這個技術(shù)路線。

早先，我們有了最早的感知神經(jīng)網(wǎng)絡(luò)的發(fā)明，給產(chǎn)業(yè)提振了一下，問題解決了嗎？但是上世紀(jì)80年代的一系列的實踐證明還是不行，原因是什么？太復(fù)雜了，理論上能行，但是算不出來，所以第一個階段在搖籃中夭折了。

又經(jīng)過了幾年的沉淀之后，提出了BP神經(jīng)網(wǎng)絡(luò)，大家又開始想是不是我的夢想又可以實現(xiàn)了呢？最后的實踐發(fā)現(xiàn)還是不行。2006年的時候深度學(xué)習(xí)取得了突破性的進展之后，我們?nèi)祟惥褪沁@樣的，不管遇到多少挫折，那個夢想永遠在，所以一定要不停的去試。2006年之后尤其是進入到2010年之后，相關(guān)AI企業(yè)的注冊數(shù)和整個相關(guān)經(jīng)濟的增長，我們終于可以做一些事情了。其實1946年的時候，在馮諾伊曼構(gòu)造他的計算機的時候，實際上他也是就有了這樣一個想法，只不過后來他當(dāng)時用了一句話說“我們向世人展示一種絕對的且無望的通行性”就是說他意識到做不到，所以他回歸到本身的計算的過程。

整個過程里什么起到了重要的作用？就是我們的摩爾定律，我們知道摩爾定律是每18個月到24個月集成電路上容納的元器件的數(shù)量要翻一倍，性能也將提升一倍。所以在我們找到方法能夠去計算的時候，我們有了算力，才有了今天持續(xù)的應(yīng)用拓展和專用技術(shù)發(fā)展的一個局面。從某種意義上來說，今天的AI是靠算力成就的。

AI突破的幾個基本的技術(shù)要素，首先它是解決了可計算的問題，也就是在算法上的突破;還有一個是我們積累了大量的數(shù)據(jù)，這個形成了我們可學(xué)習(xí)的原材料，過去幾十年信息化的建設(shè)在方方面面都積累了大量的數(shù)據(jù)，也對我們?nèi)绾潍@得數(shù)據(jù)、如何使用數(shù)據(jù)積累了豐富的經(jīng)驗，我們能看到數(shù)據(jù)的價值了;另外一個是我們處理能力得到了持續(xù)的提高。

延續(xù)這種主流技術(shù)生態(tài)的AI技術(shù)發(fā)展現(xiàn)在出現(xiàn)了幾個重點，首先我們看到了AI的專用芯片，現(xiàn)在市場上有十幾種，這個數(shù)據(jù)可能還在持續(xù)的增長，也許明年就是幾十種的專用的符合局部需求的AI的芯片。為什么會是這樣呢？AI成為一個大家都趨之若鶩的一個技術(shù)的時候，深度學(xué)習(xí)成為一個很好用的通用的錘子的時候，它自然在體系結(jié)構(gòu)的層面會往下沉，所以就有了芯片發(fā)明的一個基礎(chǔ)。

另外，超算平臺會面向AI去升級。過去的十幾年里，我們做超級計算平臺，做云計算平臺，做大數(shù)據(jù)中心，現(xiàn)在我們各地建的這樣的平臺要向AI去升級，它要支持智能計算的一些應(yīng)用，為什么要把它做成平臺呢？當(dāng)各個應(yīng)用都需要的時候，它是極消耗算力的時候，事實上它就應(yīng)該用共性的平臺來承擔(dān)，這樣它的性價比是最高的，而且可以在平臺上積累出更多的經(jīng)驗可以交換成果，可以不斷的磨合出更好的成果來。

新的升級的超算平臺是融合了傳統(tǒng)超算大數(shù)據(jù)需求，具有智能感知、主動學(xué)習(xí)、知識抽象、邏輯推理能力的新型的超算的范式。在這里，我知道在座有很多是地方主導(dǎo)經(jīng)濟信息化建設(shè)的，也有一些企業(yè)，這里的商機就是如果要發(fā)展一個地方的人工智能相關(guān)的一些經(jīng)濟和技術(shù)的時候，地方性的公共平臺要有這種能力，是整個AI生態(tài)里必不可少的一環(huán)。

AI需要的幾個需求動力，信息化方面我們經(jīng)歷了辦公自動化、業(yè)務(wù)流程自動化之后，各類信息系統(tǒng)能滿足基本當(dāng)下的工作需求，但是它并不能滿足于精細化管理的需求以及對決策支撐的這種提升，所以它下一步的升級必然是向人工智能方向去走。另外一個行業(yè)轉(zhuǎn)型和大協(xié)同方面尤其是智能制造需要精細的需求挖掘和創(chuàng)新，需要新的賦能手段。向哪兒去要？向智能去要，只有有了智能的決策、智能的制造過程，才能支撐你的供給側(cè)改革，才能支撐你在市場上的競爭能力。

這方面也是國家整個經(jīng)濟支柱的一個核心所在。另外一點是人類智慧的放大和便捷的需求，像剛才陳院士提到的，我們對自身的健康、快樂、生活等等方面，所以我們機器醫(yī)生、無人駕駛、生活輔助的機器人，只要是能延伸我們的東西其實我們都有需求，包括剛才講的雞聲識別，養(yǎng)雞場也是人知道了病雞它聲音會不同，然后把它變成一種機器的能力，凡是我們?nèi)说哪芰δ芊糯?、能替代、能倍增的，都可以用到這里邊。

還有一個更重要的，我們可以用AI的技術(shù)探索未知的一些規(guī)律。當(dāng)你對一些事情很模糊的時候，你可以嘗試著去用，這樣的話其實是創(chuàng)新的一個非常好的手段。我們看一下AI的現(xiàn)狀和發(fā)展趨勢，其實是兩個維度，一個維度是說我們的現(xiàn)狀其實是個初級智能階段，而且這個階段還會延續(xù)很長時間。我們重點會放在專用的人工智能上，主要是模擬人的特定外在的能力，聽、說、看、學(xué)習(xí)、推理、行動等等，盡可能的放大，通過互聯(lián)網(wǎng)、通過機器學(xué)習(xí)、通過專用的設(shè)備、通過網(wǎng)絡(luò)。另外在某些特定的任務(wù)上達到或超過人類的水平，這就是機智過人的方面，我們大腦的算力不夠的時候，可以用AI幫我們算，所以它是超越我們的。還有一個維度是發(fā)展延續(xù)我們的初衷，就是類腦的計算、腦科學(xué)相關(guān)的研究，這個是一直持續(xù)的，而且這兩個方面是互相交織的，任何一點關(guān)于類腦計算的認(rèn)知都會反饋到我們現(xiàn)在這個階段去促進我們現(xiàn)代應(yīng)用的發(fā)展。

我們在整個發(fā)展過程當(dāng)中其實也遇到了一些問題。在過去的五年里邊AI炒的非?；穑沁@中間一直夾雜著一些聲音，AI到底能走多遠？就像當(dāng)初我們質(zhì)疑云計算、大數(shù)據(jù)一樣，現(xiàn)在也有很多的聲音開始質(zhì)疑AI，為什么出現(xiàn)了這個情況呢？

其實就是我們開始太興奮了，于是又忘了我們原先有很多手段，我們把AI這個錘子人手一份到處去敲，但是發(fā)現(xiàn)它有的時候并沒那么管用。其實我們可以讓它更管用一點，我們可以把原先傳統(tǒng)的領(lǐng)域知識和模型與AI結(jié)合起來，比如就說機器閱片，不管是CT還是核磁共振的片子，現(xiàn)在都讓機器去讀。我們傳統(tǒng)對圖形圖像識別也有很多很多的理論方法，但我們現(xiàn)在大部分就是醫(yī)療領(lǐng)域、AI醫(yī)療領(lǐng)域的公司基本上就是拿著深度學(xué)習(xí)這一個錘子在敲這些數(shù)據(jù)。事實上我們可以把原先用到的圖像識別的邊界的掃描、圖形的比對。還有一些不變量的計算，跟它融合起來，除了錘子，把原來的剪子、鉗子放在一起用，它就會互相的促進這個技術(shù)，最后會達到很好的效果。

還有一個是我們面向AI的數(shù)據(jù)質(zhì)量很多層面是不太高的，所以也影響了整個的效果，就會產(chǎn)生一些這樣的疑問。另外一個是局部模型有效性和遷移的問題，在一個地方學(xué)的好的問題拿到其他地方有沒有理論和方法能夠?qū)W好？遷移學(xué)習(xí)有一些理論和方法，但是確實還有待繼續(xù)研究和深入。

業(yè)務(wù)發(fā)展和AI模型穩(wěn)定性的問題，就是要把業(yè)務(wù)系統(tǒng)和模型訓(xùn)練、學(xué)習(xí)過程同步化，學(xué)習(xí)過程是業(yè)務(wù)系統(tǒng)的一部分，在設(shè)計規(guī)劃的時候要有這樣一些思考和一些機制放進去，就是學(xué)習(xí)訓(xùn)練應(yīng)用形成更大的循環(huán)就能解決這個問題。數(shù)據(jù)質(zhì)量事實上這個是跟我們歷史現(xiàn)狀有關(guān)系，因為我們都是有系統(tǒng)然后面向AI去升級，所以數(shù)據(jù)本身、原先的數(shù)據(jù)可能沒有面向AI做一些定制化的考量，這個想做好是從補充數(shù)據(jù)開始。對新建系統(tǒng)我們應(yīng)該借鑒數(shù)字孿生的思路，讓我們的系統(tǒng)更完備、數(shù)據(jù)更豐富、更可靠、質(zhì)量更高，這樣就不會出現(xiàn)數(shù)據(jù)的問題。

局部遷移的問題，多次的學(xué)習(xí)可以彌補。還有一個問題是我們?nèi)鄙僖恍┐笮袠I(yè)的協(xié)同，比如還是舉讀片這個例子，不同的機器它是有差異的，我要想讓我的模型更好，可以把它放出去讓別人別的數(shù)據(jù)級上持續(xù)的做，這樣這個工作機制就能形成一個更好的成果。

AI的應(yīng)用重點領(lǐng)域，重中之重還是面向制造業(yè)，把AI、智能傳感器、CPS、數(shù)字孿生、大數(shù)據(jù)、云計算、邊緣計算通通結(jié)合起來，形成智能的工業(yè)化的發(fā)展環(huán)境，這是我們國家整個經(jīng)濟崛起非常關(guān)鍵的一步。

（本文根據(jù)中國國際數(shù)字經(jīng)濟博覽會速記整理，內(nèi)容未經(jīng)本人確認(rèn)）