论文部分内容阅读
“发展智能产业,拓展智能生活”,运用新技术、新业态、新模式,大力改造提升传统产业,这是我国的发展目标和方向。由此可见,“智能+”将成为传统企业转型升级的有效途径。从中国目前各行业与人们生活的智能化水平来看,“智能+”将在推动各行业智能化升级的同时进一步拓展人们的智能生活。但是,在智能制造风光无限的同时,其隐含的风险及发展短板也正在悄悄显现出来。
基础弱、防护弱是软肋
许多业内人士认为,在看到我国人工智能产业长足进步的同时,我国人工智能产业暴露出的问题也应当引起关注,需解决“应用强、基础弱”“功能强、防护弱”等问题。据第二届世界智能大会上发布的《新一代人工智能科技驱动的智能产业发展》报告显示,截至2017年6月,中国累计獲得1.57万项人工智能领域的专利,居世界第二。报告同时显示,我国77.7%的智能企业分布在应用层,基础层和技术层企业的占比相对偏低。
首先,人工智能技术仍处于初级阶段,在高端人才培养方面上仍处于劣势。华为云BU副总裁陈崇军认为,人的智能包括识别、理解、推理和判断,人工智能目前只是在某些识别领域具备了人的能力,适合于具体的特定场景,特别是语音识别、图像识别、翻译等方面。相比人而言,它确实处于初级阶段,只能在已知环境,目标明确、行动可预测的环境下才能使用。
美国辛辛那提大学教授李杰认为,当前全世界在人工智能领域都存在人才缺少的情况,美国保守估计缺少20万相关人才,而中国的缺口或达100万。由于合格的A1人才培养所需时间要高于一般IT人才,缺口很难在短期内得到有效填补。阿里巴巴董事局主席马云也表示,迈向人工智能时代,专业人才是中国和世界共同欠缺的,中国的人才培养方式亟待转变。
其次,底层技术革新恐被“甩在后面”,“缺芯少魂”极易被“卡脖子”。
科技部副部长徐南平也表示,我国人工智能的基础研究比较薄弱,在基础理论、核心算法以及关键设备高端芯片重大产品与集成,技术材料、元器件、元件等方面有较大差距。
用友软件股份有限公司董事长王文京也认为,近年来,我国人工智能产业在应用层面发展得比较快,产业在企业数量和整体规模上和最发达国家虽有一定差距,但更重要的差距在最底层的理论和技术方面。
《新一代人工智能发展白皮书(2017)》认为,国外企业正凭借领先的技术优势展开全产业链布局。目前,基础层产业的核心技术大部分仍掌握在国外企业手中,为我国企业自主开展研发带来了不利的壁垒封锁。当前,国内企业及科研机构进一步加强了对传感器、底层芯片及算法等基础层技术的研发力度,以寒武纪、深鉴科技、云知声为代表的一批国内初创企业在智能芯片和算法模型方面已推动展开相关研发工作,已取得了一定技术积累。
而在人工智能芯片由非定制化向定制化方向发展的过程中,我国仍有被“甩在后面”的风险。曙光信息产业有限公司总裁历军称,我国似乎在一些人工智能的算法方面不是很落后,但人工智能技术的基础是一套先进的面向未来的计算系统,面向未来,中国的人工智能技术的发展基础、硬件、芯片以及它的编程环境可能会再次出现需要更多依赖国际企业的情况。
中国工程院院士倪光南认为,核心技术是我国最大的“命门”。从短期来看能够从市场上买到一些硬件设备,但是这有可能成为被人“卡脖子”的软肋。大量智能设备生产出来以后,必须要重视其生产研发的安全性。
紫光集团有限公司董事长兼首席执行官赵伟国说,即使是在智能世界,产业也是脆弱的,“中国要在基础科技领域建立起强大的产业基础。”
再次、“万物皆可互联”会带来网络安全方面的风险。“智能制造领域已经成为黑客攻击的重点目标。”360集团董事长兼CEO周鸿祎介绍说,在去年5月发生的wannacry勒索病毒事件中,150多个国家受到了影响。我国也有大量企业中招,占全国被攻击企业总数的17.3%。
周鸿祎认为,未来人工智能还会用于许多无人值守系统,像无人值守的汽车、高铁、无人机等。这些无人值守系统都有安全漏洞的风险,一旦被网络劫持,将会带来严重的安全问题。此外,人工智能所依赖的传感器、训练数据和开源软件等都可能存在安全隐患,值得业界警惕。
发展三大难题待破解
微软亚洲研究院院长芮勇认为,理论鸿沟很难逾越是人工智能发展面临的第一大难题。他指出目前人工智能在学习上遵循的理论依然是上个世纪80年代提出的,人们并没有从本质上理解人类的学习原理,从监督式学习到无监督式学习的方法还在探索中。如果将人工智能比作建造太空火箭,那么计算能力和数据是燃料,理论就是发动机。如果你有许多燃料但却只拥有小功率发动机,那么你的火箭大概无法飞离地面;而如果你拥有大功率发动机但却只有一点点燃料,那么你的火箭即使飞上天也无法进入轨道。
目前的人工智能技术多数都要依靠形态匹配,在监督式学习状态下输入训练数据,每组训练数据都会有一个明确的标识或结果。人们可以将预测结果与训练数据的实际结果进行比较,不断调整预测模型,直到模型的预测结果达到一个预期的准确率。
而在无监督式学习状态下,计算机无需人类的帮助便可像人类一样自己学习知识。计算机并不会被告知怎么做,而是采用一定的激励制度来训练机器人培养出正确的分类习惯。无监督学习方式是机器人工智能发展的关键技能之一,“目前正朝着良性的趋势发展,但还远未达到我们希望的状态。”芮勇表示。
海云数据的首席数据科学家赵丹认为知识表达问题是人工智能面临的第二大难题。许多输入的数据其实都经过了人脑的抽象处理,但大家是看不到的,就好比你看到地面上的竹子每一根都是独立的,但它的地下茎联系却是非常紧密的。若要完成形式化知识结构的搭建,是需要很多知识的,而机器没有人脑中的背景知识,所以数据中蕴含的信息是不完整的,继也计算不出正确的结果。
如果将这些信息补足,是有可能用机器处理的。但同时要看到的是这些信息很难补足,这一方面是因为很多人脑中的知识难以形式化;另一方面,补什么补多少才能达到特定的效果也是很难衡量的。并且人脑输出的信息带宽太小,很难通过一个人来补足机器中没有的知识,而多人协同又存在知识相互不兼容的问题。所以说知识太多,知识难以形式化、人脑输出太慢成为了知识表达层面的障碍。 赵丹表示,目前大公司基本上通过知识图谱来解决知识表达的问题,但这不是根本的解决方法。知识图谱虽然能在小的特定领域解决一部分数据稀疏问题,但图谱本身也有稀疏的问题,并且依赖于人工构建,其规模较为有限。迁移学习也能够发挥出一定作用,但目前还没有把这些解决技术整合起来,形成一个完整的智能体系的理论架构。
同时赵丹还认为,深度学习的研究从一定程度上已经到达瓶颈期,现在到了需要将深度学习现有的成果转化成产品的时候了,比如Deepmind前段时间发布的唇语识别成果,再往前比如AlphaGo的博弈策略学习。“而形成产品是件很难的事情,像大家熟知的人脸识别技术,虽然已有不少创业公司做了好几年,但现在仍然没有生产出成熟的产品来。工程上的坑不比研究上的少,如若跨不过去就没有办法做出好的产品。”
在科学理论上的进步很多是偶然事件,说不准下次会是什么时候。深度学习的成果转换期,到下次深度学习的进步期之间,其实还是会有可能出现寒潮。
资本化是人工智能发展面临的第三大难题。由于人工智能是巨头公司的天下,所以被并购成为了许多初创公司的宿命。当前,谷歌、IBM、雅虎、英特尔、苹果、Salesforce以及国内的百度、阿里等互联网科技巨头公司布局势头凶猛,引发了一场全球范围内的人工智能投资收购热潮。根据风投数据公司CB Insights的统计数据显示,自2011年起,拿到融资的人工智能创业公司里面有近一半(140家)都被收购了,其中仅2016年就有40家。其主力买主是谷歌、Twitter、IBM、雅虎、英特尔和苹果,而谷歌则以11次收购的成绩位列榜首。
然而,一些巨头公司在并购人工智能初创公司的时候却面临着重重考验。专注于大数据人工智能领域投资并购的前海梧桐并购母基金总经理马春峰道出了自己的看法:
首先,目前国内人工智能企业估值偏高,仅有两三人的早期初创公司有时开价竟达1~2亿元,较成熟公司的估值甚至比上市公司还要高。这种高估值企业有时甚至连产业投资者难以接受,结果导致某些上市公司和产业基金纷纷出海,布局硅谷、以色列等海外市场。
不過,上市公司或产业基金布局海外市场都需要考虑落地问题,这时候沟通成本、管理成本、人员适应本地化成本便会增加。因此,如何降低成本成为布局海外市场的一大难题。
其次,上市公司在投资初创企业时多对其业绩有要求,这就使得它们在投资并购时倾向于选择较为成熟的AI公司。然而,目前国内人工智能领域的创业公司在整体效果上并没有达到上市公司的期望值,许多初创公司的成熟度与上市公司自身业务发展的匹配度也不够高。
所以,现在多数上市公司采取的方式是先在体外投资孵化,待孵化的公司成熟到一定程度时再“装进”上市公司内部。
基础弱、防护弱是软肋
许多业内人士认为,在看到我国人工智能产业长足进步的同时,我国人工智能产业暴露出的问题也应当引起关注,需解决“应用强、基础弱”“功能强、防护弱”等问题。据第二届世界智能大会上发布的《新一代人工智能科技驱动的智能产业发展》报告显示,截至2017年6月,中国累计獲得1.57万项人工智能领域的专利,居世界第二。报告同时显示,我国77.7%的智能企业分布在应用层,基础层和技术层企业的占比相对偏低。
首先,人工智能技术仍处于初级阶段,在高端人才培养方面上仍处于劣势。华为云BU副总裁陈崇军认为,人的智能包括识别、理解、推理和判断,人工智能目前只是在某些识别领域具备了人的能力,适合于具体的特定场景,特别是语音识别、图像识别、翻译等方面。相比人而言,它确实处于初级阶段,只能在已知环境,目标明确、行动可预测的环境下才能使用。
美国辛辛那提大学教授李杰认为,当前全世界在人工智能领域都存在人才缺少的情况,美国保守估计缺少20万相关人才,而中国的缺口或达100万。由于合格的A1人才培养所需时间要高于一般IT人才,缺口很难在短期内得到有效填补。阿里巴巴董事局主席马云也表示,迈向人工智能时代,专业人才是中国和世界共同欠缺的,中国的人才培养方式亟待转变。
其次,底层技术革新恐被“甩在后面”,“缺芯少魂”极易被“卡脖子”。
科技部副部长徐南平也表示,我国人工智能的基础研究比较薄弱,在基础理论、核心算法以及关键设备高端芯片重大产品与集成,技术材料、元器件、元件等方面有较大差距。
用友软件股份有限公司董事长王文京也认为,近年来,我国人工智能产业在应用层面发展得比较快,产业在企业数量和整体规模上和最发达国家虽有一定差距,但更重要的差距在最底层的理论和技术方面。
《新一代人工智能发展白皮书(2017)》认为,国外企业正凭借领先的技术优势展开全产业链布局。目前,基础层产业的核心技术大部分仍掌握在国外企业手中,为我国企业自主开展研发带来了不利的壁垒封锁。当前,国内企业及科研机构进一步加强了对传感器、底层芯片及算法等基础层技术的研发力度,以寒武纪、深鉴科技、云知声为代表的一批国内初创企业在智能芯片和算法模型方面已推动展开相关研发工作,已取得了一定技术积累。
而在人工智能芯片由非定制化向定制化方向发展的过程中,我国仍有被“甩在后面”的风险。曙光信息产业有限公司总裁历军称,我国似乎在一些人工智能的算法方面不是很落后,但人工智能技术的基础是一套先进的面向未来的计算系统,面向未来,中国的人工智能技术的发展基础、硬件、芯片以及它的编程环境可能会再次出现需要更多依赖国际企业的情况。
中国工程院院士倪光南认为,核心技术是我国最大的“命门”。从短期来看能够从市场上买到一些硬件设备,但是这有可能成为被人“卡脖子”的软肋。大量智能设备生产出来以后,必须要重视其生产研发的安全性。
紫光集团有限公司董事长兼首席执行官赵伟国说,即使是在智能世界,产业也是脆弱的,“中国要在基础科技领域建立起强大的产业基础。”
再次、“万物皆可互联”会带来网络安全方面的风险。“智能制造领域已经成为黑客攻击的重点目标。”360集团董事长兼CEO周鸿祎介绍说,在去年5月发生的wannacry勒索病毒事件中,150多个国家受到了影响。我国也有大量企业中招,占全国被攻击企业总数的17.3%。
周鸿祎认为,未来人工智能还会用于许多无人值守系统,像无人值守的汽车、高铁、无人机等。这些无人值守系统都有安全漏洞的风险,一旦被网络劫持,将会带来严重的安全问题。此外,人工智能所依赖的传感器、训练数据和开源软件等都可能存在安全隐患,值得业界警惕。
发展三大难题待破解
微软亚洲研究院院长芮勇认为,理论鸿沟很难逾越是人工智能发展面临的第一大难题。他指出目前人工智能在学习上遵循的理论依然是上个世纪80年代提出的,人们并没有从本质上理解人类的学习原理,从监督式学习到无监督式学习的方法还在探索中。如果将人工智能比作建造太空火箭,那么计算能力和数据是燃料,理论就是发动机。如果你有许多燃料但却只拥有小功率发动机,那么你的火箭大概无法飞离地面;而如果你拥有大功率发动机但却只有一点点燃料,那么你的火箭即使飞上天也无法进入轨道。
目前的人工智能技术多数都要依靠形态匹配,在监督式学习状态下输入训练数据,每组训练数据都会有一个明确的标识或结果。人们可以将预测结果与训练数据的实际结果进行比较,不断调整预测模型,直到模型的预测结果达到一个预期的准确率。
而在无监督式学习状态下,计算机无需人类的帮助便可像人类一样自己学习知识。计算机并不会被告知怎么做,而是采用一定的激励制度来训练机器人培养出正确的分类习惯。无监督学习方式是机器人工智能发展的关键技能之一,“目前正朝着良性的趋势发展,但还远未达到我们希望的状态。”芮勇表示。
海云数据的首席数据科学家赵丹认为知识表达问题是人工智能面临的第二大难题。许多输入的数据其实都经过了人脑的抽象处理,但大家是看不到的,就好比你看到地面上的竹子每一根都是独立的,但它的地下茎联系却是非常紧密的。若要完成形式化知识结构的搭建,是需要很多知识的,而机器没有人脑中的背景知识,所以数据中蕴含的信息是不完整的,继也计算不出正确的结果。
如果将这些信息补足,是有可能用机器处理的。但同时要看到的是这些信息很难补足,这一方面是因为很多人脑中的知识难以形式化;另一方面,补什么补多少才能达到特定的效果也是很难衡量的。并且人脑输出的信息带宽太小,很难通过一个人来补足机器中没有的知识,而多人协同又存在知识相互不兼容的问题。所以说知识太多,知识难以形式化、人脑输出太慢成为了知识表达层面的障碍。 赵丹表示,目前大公司基本上通过知识图谱来解决知识表达的问题,但这不是根本的解决方法。知识图谱虽然能在小的特定领域解决一部分数据稀疏问题,但图谱本身也有稀疏的问题,并且依赖于人工构建,其规模较为有限。迁移学习也能够发挥出一定作用,但目前还没有把这些解决技术整合起来,形成一个完整的智能体系的理论架构。
同时赵丹还认为,深度学习的研究从一定程度上已经到达瓶颈期,现在到了需要将深度学习现有的成果转化成产品的时候了,比如Deepmind前段时间发布的唇语识别成果,再往前比如AlphaGo的博弈策略学习。“而形成产品是件很难的事情,像大家熟知的人脸识别技术,虽然已有不少创业公司做了好几年,但现在仍然没有生产出成熟的产品来。工程上的坑不比研究上的少,如若跨不过去就没有办法做出好的产品。”
在科学理论上的进步很多是偶然事件,说不准下次会是什么时候。深度学习的成果转换期,到下次深度学习的进步期之间,其实还是会有可能出现寒潮。
资本化是人工智能发展面临的第三大难题。由于人工智能是巨头公司的天下,所以被并购成为了许多初创公司的宿命。当前,谷歌、IBM、雅虎、英特尔、苹果、Salesforce以及国内的百度、阿里等互联网科技巨头公司布局势头凶猛,引发了一场全球范围内的人工智能投资收购热潮。根据风投数据公司CB Insights的统计数据显示,自2011年起,拿到融资的人工智能创业公司里面有近一半(140家)都被收购了,其中仅2016年就有40家。其主力买主是谷歌、Twitter、IBM、雅虎、英特尔和苹果,而谷歌则以11次收购的成绩位列榜首。
然而,一些巨头公司在并购人工智能初创公司的时候却面临着重重考验。专注于大数据人工智能领域投资并购的前海梧桐并购母基金总经理马春峰道出了自己的看法:
首先,目前国内人工智能企业估值偏高,仅有两三人的早期初创公司有时开价竟达1~2亿元,较成熟公司的估值甚至比上市公司还要高。这种高估值企业有时甚至连产业投资者难以接受,结果导致某些上市公司和产业基金纷纷出海,布局硅谷、以色列等海外市场。
不過,上市公司或产业基金布局海外市场都需要考虑落地问题,这时候沟通成本、管理成本、人员适应本地化成本便会增加。因此,如何降低成本成为布局海外市场的一大难题。
其次,上市公司在投资初创企业时多对其业绩有要求,这就使得它们在投资并购时倾向于选择较为成熟的AI公司。然而,目前国内人工智能领域的创业公司在整体效果上并没有达到上市公司的期望值,许多初创公司的成熟度与上市公司自身业务发展的匹配度也不够高。
所以,现在多数上市公司采取的方式是先在体外投资孵化,待孵化的公司成熟到一定程度时再“装进”上市公司内部。