橙邑網站架設

搶票入口時代科技浪潮風起雲湧，中國互聯網用戶已經接近9億人，互聯網的人口紅利基本結束了。從互聯網時代邁向人工智能時代是當下最熱門的話題。因應人工智能熱，要回答兩個問題：第一，互聯網時代之後會不會是人工智能時代？我們通常所講的時代或者時代特徵，是在講環境和範式，一是指能夠影響意識和存在形態的客觀環境變遷；二是指在這個特定的客觀環境條件下形成最廣泛共識的範式。工業革命時代的範式是“分工”、互聯網時代的範式是“連接”、人工智能時代如果能夠成立的話，它的範式應該是“替代”。凡是規則清晰、能夠形成數據閉環的應用場景，都可以用人工智能“替代”人工。人工智能時代能否成立，取決於人工智能能夠解決多少實際應用問題，人工智能能否滲透到足夠廣泛的應用場景，在多大程度上實現人工智能工具化。第二，人工智能走到哪一步了？這一輪人工智能浪潮，有兩個標誌性事件，一個是阿爾法狗，毫無懸念地完胜世界頂尖棋手們；另一個是無人駕駛汽車，全球首款L4級別無人駕駛汽車正式量產”，第100輛阿波龍在廈門金龍客車生產線下線。人工智能真正能夠成氣候，回過頭去看，互聯網、大數據、雲計算都是用來為人工智能服務的，或者是人工智能進化的充分條件。類似人類進化的生物、社會和自然條件。樂觀的判斷是人類現在已經站在了人工智能時代的入口，所以起步越早，積累越多，受益越快，競爭對手越難以追趕。當然，起步過早，會付出試錯成本。Gartner有一個技術成熟度曲線，被引用的比較多，Gartner給所有的技術發展定義了五個階段：萌芽期、泡沫期、滑坡期、復甦期和成熟期。目前來看人工智能的成熟度應該處於萌芽期和泡沫期之間。如果互聯網時代之後確實是人工智能時代，如果現在已經站在了人工智能時代的入口，那麼，接下來面臨的就是一場環境和範式變化下的重新洗牌。各行各業都在做人工智能應用，你不用，別人用，別人的效率就比你高，你就處於劣勢。搶先拿到人工智能時代的船票，是未來建立行業競爭優勢的關鍵。應用場景與案例人工智能的定義：基於大數據、算法和算力，以計算機程序模擬人的智能，能夠自主對標的物進行感知、識別、分析和判斷；能夠自主採取有針對性、有目的、有控制的行動；能夠自主響應和處理環境條件的變化；並且能夠具有自主深度學習的能力。目前人工智能技術比較成熟的主要領域： 語音識別，已經達到97％的準確率；圖像識別，人臉識別的準確率已經達到99.7％；自然語言處理，成熟度低於語音和圖像識別；機器學習，包括模擬人的認知與推理能力、深度學習、甚至不依賴經驗數據的強化學習。AI典型應用場景包括： 智能行業顧問、智能運營作業、智能客戶服務、智能信息系統運維、智能風控。典型的人工智能應用案例：一、從阿爾法狗到阿爾法元圍棋棋盤上有361個點位，每一盤棋大概要下150手，每一手棋平均有250種可選的下法，150的250次方的量級。“阿爾法狗”的算法能夠窮盡圍棋量級的局面變化，而且能夠通過自學習提高取捨能力，控制運算量。“無師自通”的阿爾法元完全從零開始，不需要任何歷史棋譜的指引，不需要參考人類的經驗和知識，完全靠自身強化學習完胜阿爾法狗。阿爾法狗需要在48個TPU上，花幾個月的時間，學習3000萬棋局，才打敗了人類。阿爾法元打敗阿爾法狗隻用了4個TPU，花三天時間，自己左右互搏490萬棋局就做到了。從阿爾法狗到阿爾法元的意義在於：證明人工智能可以用算法複製人類的智慧，從而模仿甚至超越人類的智慧。二、百度無人車去年7月5日，李彥宏把搭載Apollo1.0的無人車開上北京五環；去年9月20日，Apollo1.5發布上線，解鎖了障礙物感知、決策規劃、雲端仿真、高精地圖服務、End-to-End等五方面能力；今年1月8日，Apollo2.0發布上線，搭載Apollo 2.0的無人車第一次在美國加州公路上進行測試；4月24日百度商用級無人駕駛巴士“阿波龍”面向公眾試乘；7月4日李彥宏在百度AI開發者大會上兌現去年的承諾：“是的，我們去年吹的牛實現了！全球首款L4級別的無人車量產下線！”百度“阿波龍”已經具備了在簡單城市道路下完全自動駕駛的能力，無需任何干預，包括變道、等紅燈、避讓等等都由無人車自主完成；騰訊也自主開發出無人駕駛“AI in car生態系統”，放言2019年量產；阿里巴巴也推出了斑馬智行汽車操作系統。無人車的商業化進程在加速。AI最核心的技術是在無人駕駛汽車上的先驅。三、張學友演唱會人臉識別抓逃犯4月7日晚張學友南昌演唱會、5月5日晚張學友贛州演唱會、5月20日晚張學友嘉興演唱會上，警方應用人臉識別技術在現場連續抓獲三名網上逃犯。人臉識別系統，包括動態人臉卡口檢測和靜態人臉大庫檢索，利用人臉檢測及識別技術，從高清視頻監控畫面中抓拍人臉照片，即時分析人臉特徵，快速完成人臉照片與後端數據庫的黑名單的比對與識別，實現智能化的視頻監控，即使在茫茫人海中，警察也能快速分辨出每個人，從而鎖定逃犯位置。人臉識別技術經過前幾年的發展，已經進入到具體的落地運用階段，比如通過攝像頭比對身份證信息、上班人臉打卡考勤、支付寶的人臉支付、智能手機上的人臉解鎖等等。四、螞蟻金服車輛事故定損螞蟻金服於2017年6月推出的國內首個車輛事故圖像定損AI技術，將過去由人工肉眼判定車損的環節升級為用人工智能做標準化統一定損。事先餵大量圖片給AI，然後手把手教它——車型、部位、損失程度、修理成本，AI逐漸會從中學習到分辨圖片的細節，完成車輛事故定損。據稱“定損寶1.0”推出不到一年提供定損調用服務超過千萬次，共計節省定損人員工作量超75萬個小時，為保險行業節省案例處理成本超過10億元，減少理賠滲漏約10億元。定損寶2.0已經在今年5月份上線，由照片定損升級為視頻定損，支持車主用手機按照系統指引拍攝視頻即可自助定損。策略與路徑“AI優先”的策略選擇：“All in”、“聚焦”和“優先”是三種不同的策略選擇。All in是孤注一擲，全力以赴、全押上；聚焦是高度關注，突出重點、集中資源；優先是根據輕重緩急，優先排序、資源傾斜。在重要性和緊迫性矩陣中，人工智能目前應該定位在重要但不十分緊迫的象限，無論從短期成效和長期機會看，都適用優先排序策略。確立“AI優先”的意義，一是進一步動員和傾斜企業資源，強化AI應用產品的研發能力；二是形成協同研發體系；三是在行業中率先確立“AI優先”，有利於形成先發效應。“AI優先”工程的路徑設計：1.AI的企業級應用研發不要“最前沿”而要“最實用”的成熟AI技術。2.AI應用研發以內部效率提升和改善外部客戶體驗並重。3.建立企業級AI產品研發清單目前企業級AI應用研發呈現碎片化，缺乏應用場景及需求的系統規劃；缺乏底部基礎層和中間能力層的平台支持，導致單打獨鬥和重複建設，也缺乏外部合作夥伴的統籌管理。往往事倍功半。應該在存量開發項目全面梳理和系統挖掘增量需求的基礎上，建立企業級AI產品研發清單，統一籌劃，配套資源，協同運作，強力推進。4.啟動AI技術平台建設AI技術平台架構是AI應用研發的重要基礎設施和先決條件，包括應用層、中間能力算法層和底部基礎資源層。應用層直接面向各種業務場景的需求，提供感知、識別、分析、判斷和行動的應用軟件和服務。中間能力算法層承上啟下，在底部基礎層提供資源的支持下，為應用層提供數據庫和算法，以及耦合接口。底部基礎資源層提供計算和存儲資源。中間能力算法層和底部基礎資源層要建設企業級的共享平台。AI平台、大數據平台、雲計算平台，是下一代信息系統建設的骨幹項目。5.選擇合適的AI合作夥伴“AI優先”需要引進外部合作夥伴，因為傳統企業在AI技術領域基本是空白，且AI技術日新月異。搭便車事半功倍。合作模式有兩種選擇，一是鎖定主要夥伴，長期深度合作；二是多管齊下，廣域隨機合作。選擇主要AI合作夥伴的主要考量要素：AI技術的資質和能力；對合作的定位；對行業AI應用的理解；具體合作內容與方式。6.培育AI人才隊伍AI人才包含三個層次：一是AI業務需求團隊，對業務場景有深刻理解，對AI應用高度敏感，能夠完成有質量的AI業務需求交付，並配合算法建模團隊完成知識圖譜和實體知識庫的建設任務，AI業務需求團隊散佈於各個業務領域的前中後台；二是AI算法建模團隊，有大數據和建模的專業基礎，熟悉業務場景及業務需求，能夠協調AI業務需求團隊和IT開發團隊共同完成知識圖譜、實體知識庫的建模及擬合算法的系統開發需求交付，AI算法建模團隊應該是一個專家級的團隊；三是IT開發團隊，大數據平台、雲計算平台、應用軟件架構和編程的專業基礎紮實，能夠完成AI平台建設、AI應用軟件的開發及部署，具有自主研發交付能力。AI人才隊伍建設包括內部培養和外部引進。尤其在AI算法建模團隊適度引進外部AI領域有項目實踐經驗的專家級人才可能是一條捷徑。知識圖譜建設行業知識圖譜建設是人工智能應用領域的戰略制高點，也是人工智能時代行業競爭的核心競爭力。人工智能應用要件包括場景、實體知識庫、知識圖譜、算法擬合，一個都不能少。人工智能的能源是數據，人工智能的引擎是知識圖譜。什麼是知識圖譜？舉一個例子，圖形識別領域的正方形知識圖譜：有四條直線；這四條直線首尾相連形成閉環；這四條線是相互垂直的；這四條線長度相等；並且它們必須在一個平面上。用這個知識圖譜建立算法，機器就可以完成識別一個正方形的任務。人工智能在本質上就是用計算機程序執行類似的邏輯。知識圖譜的建立是由場景驅動的，場景才是盤活存量數據、生產增量數據，完成知識圖譜定義集，最終實現人工智能的應用價值。從這個意義上講，場景比算法重要。而沒有建立知識圖譜的實體知識庫也只是原材料，從這個意義上講，算法確實比數據重要。歸納一下關於知識圖譜建設的幾個要點：人工智能是基於實體知識庫和知識圖譜的；知識圖譜要做的是讓實體知識庫可以被有效訪問、判斷和推理；知識圖譜是實體知識庫所使用的標籤體系和組織框架，有別於“實體知識庫”；如果要用人工智能解決某個特定領域問題，首先要建立相關領域的知識圖譜。建立知識圖譜的實戰步驟：1.基於垂直領域應用場景抽像出知識圖譜——領域實體知識的標籤體系和組織框架；2.用知識圖譜與樣本建立映射關係，驗證知識圖譜能否窮盡場景和領域實體知識；3.不斷餵食數據以豐富知識圖譜和領域實體知識庫；4.完善算法後形成垂直領域的人工智能應用場景解決方案。著名的“費米問題”，是講在信息不充分的條件下，憑藉對事物本質的深刻理解和洞察，採用變通和量綱分析，直接做出一些假設和估算，把難題變成簡單可解的問題。費米問題的案例：算一算地球的周長是多少？已知紐約到洛杉磯3000英里，時差3小時，3小時是一天的1/8，而一天即地球自轉一周的時間，所以，地球的周長就是3000乘以8，等於24000英里。與精確值的24902.45英里相比，誤差不到4％。這是一個標準的費米問題。人工智能和知識圖譜的建設，也需要解決“費米問題”的能力。即想像力和創造力。在人工智能這件事情上，行業知識圖譜的建設要耗費海量人力、財力、數據和專業知識，尤其是時間，數據庫和數據標註的工作量可能是以年/人為單位的。比如人工智能車輛事故定損，要建立車損知識圖譜，需要全球所有車型、每種車型所有部位、每個部位不同距離角度光線、不同損失程度的圖片，這個實體數據庫是大數據級的。這種事情你想到了也不一定有能力去做出來，只能由智豬博弈中的“大豬”來做。即便是免費時代，“天底下沒有免費的午餐”的商業邏輯仍然成立。互聯網經濟流行“羊毛出在羊身上狗來買單”，精準廣告推送分成，是一種商業模式；流量故事找風投，估值溢價，通過IPO變現是另一種商業模式；免費使用產品，隱性對價是用戶隱私，海量數據建設領域知識圖譜，數據資產通過人工智能變現，又是一種商業模式。互聯網經濟的商業模式比一手交錢一手交貨的交易結構更複雜更隱蔽而已。尤瓦爾在《未來簡史》中提到牛津大學的一份研究報告，這份研究報告預測了2033年的人工智能替代率：電話營銷員99％、保險代理人99％、運動賽事裁判員98 ％、收銀員97％、廚師96％、服務生94％、律師94％、導遊91％、麵包師89％、公交車司機89％、建築工人88％、獸醫86％、安保人員84％、船員83％、調酒師77％、檔案管理員76％、木匠72％、救生人員67％。各行各業的總體替代率是47％。每一位讀者無論相信不相信這份報告，都會下意識地對號入座吧。面對人工智能的步步緊逼，人類最後的手段也許只剩下拔掉電源插頭了。（作者為中國太平洋保險集團首席數字官，編輯：袁滿）（本文首刊於2018年9月17日出版的《財經》雜誌）本文經授權發布，不代表36氪立場。 如若轉載請註明出處。來源出處：36氪