算法演化的摩尔定律

沈玉姗

AlphaGo击败柯洁，令人工智能的商业化命题再度引发热议。计算机视觉作为国内人工智能最先成熟的工业级赛道，更被外界长期视为坐拥“四个独角兽”的巨型角斗场。其中，商汤科技并非最早成立的一家，却后发制人，先后获得来自IDG资本、Star VC、鼎晖投资、万达投资、赛领资本在内的多轮投资，估值超过10亿美元。商汤科技联合创始人、CEO徐立博士告诉《21CBR》记者，公司已经在多个行业实现规模变现。

徐立有着典型的人工智能科学家背景，在香港中文大学就读博士期间，其与导师贾佳亚教授研发的图像去模糊技术将图像清晰度提升了100倍，被视为是全球图像处理的一大突破。以研发实力闻名的商汤也一度被“学术气息”所标签化。徐立认为，人工智能还远未走向技术同质化的时代，若技术上不构成领先性和差异化，将难以跟上行业变化。对于人工智能的商业落地，商汤则自有一套驱动行业的经营哲学。

21CBR：智能视频目前是“人工智能+安防”的行业热点，你在去年也提过类似观点，这块的市场存量有多大？

徐立：安防一直是国家大力发展的领域，也是十三五规划的重点行业。从政府投入来看，今年也要投入2000-3000亿。传统安防领域的最大厂商，去年营业额在300多亿。所以，这块目前有足够的市场空间。

今年的视频业务和去年的人脸识别有些类似。去年，业内都在尝试和落地人脸识别的具体应用，到今年进入相对成熟期，业务增长很快。今年，智能视频业务也在各地展开试点，整体发展正处在一个大的行业机会点上。

视频业务何时落地，核心问题在于明确产品的商用标准。工业界的一个标准红线是评估产品是否超过所谓人眼的准确率，这也是人脸识别逐渐商用化的原因。但是视频内容的分析和人相比效果上还有差距。目前全球每天有2.5亿只安防摄像头在记录，视频数据输入达到一定规模，但在智能处理上还很欠缺，而核心算法的突破将成为最关键的落地因素之一。

21CBR：商汤切入安防领域有哪些布局，如何构建自己的智能视频生态链？

徐立：商汤在安防领域的产品体系分为两类：一类是成熟的业务系统，需要基于客户方的具体业务逻辑进行设计，比如怎样做多视频协调，如何做人像处理等，代表产品是SenseFace人脸布控系统和SenseVideo视频结构化系统，另一类是业务系统中的核心算法模块，包括动静态比对服务器、人群分析服务器和结构化服务器等，屬于相对标准化的产品。

举例来说，我们在视频结构化系统上做了很大突破。以往的视频结构化系统只能通过身高、性别等属性来查询视频信息，SenseVideo实现了自然语言的信息查询。我们做了1.3万人的案例测试，总共生成了9000多个自然语言构成的关键词。对于办案人员来说，通过自然语言来描述罪犯、完成案件信息的视频检索是更常见的业务逻辑，也比根据属性搜索来得更加精准，未来将是一个新的业务形态。

目前商汤在安防市场相较领先，前十大安防厂商一半以上是我们客户，商汤为其提供标准化模块和业务子系统。同时，我们也在国内重点城市建立本地化业务。去年，商汤的智能视频业务（Intelligent Video Analytics）已占公司整体业务的40%，今年这一势头依旧良好。

21CBR：比起发展客户，商汤似乎更擅长行业联盟，商汤的市场开拓逻辑怎样的？

徐立：首先，无论卖什么产品，最后都要接触到甲方。但是，我一直认为，B2B企业如果要起量、要规模化，产品一定是相对标准化的。如果每次销售的方案都是定制化服务，企业的ROI（投资回报率）就会比较低。相反，集成商则可以将商汤与电信方、施工方等等连接起来，在各地做出标杆性的项目，再用标准化的形式去铺开。

这里的标准化不是一蹴而就的，而是来自产品和项目的逐次迭代。比如前面提到的比对服务器，再往上可能是一套带着摄像头的子系统，最后则是一整套的训练部署平台。通过深入行业、做细项目，商汤不断把标准化的范围扩大，并聚合客户的需求从而形成共有需求，最终完成标准化产品的打磨过程。

因此，商汤一直把自己定位成一个技术公司，而不是集成商公司。商汤能做的是集中力量攻破核心算法和技术。这个技术不是单点的、闭门造车的技术，而是以打通上下游的客户需求、构建产业链条来实现的。就像英特尔不直接向终端用户销售芯片，而是通过上下游的合作伙伴，比如主板厂商、主机厂商等实现笔记本电脑的销售，但用户仍然了解产品背后有英特尔领先的芯片技术，这也是商汤所追求的：做行业的赋能者。

21CBR：业界普遍在谈AI同行业的深度结合，各家公司从技术表现来看也大致相当。对此你怎么看？

徐立：很多人觉得，深度学习已经形成开源生态，技术没那么重要了，打通行业才是关键。这里面有一个重要前提：深度学习是否已经成熟、不会再变化了。然而，学术界目前有关深度学习的文章大部分都是工程实践型的，新的实验结果不断推翻前人做出的理论解释，指导下一代工业级应用的技术原理有待被归纳总结，人工智能距离成熟的“黑盒”还差得很远。

例如，从近年来物体识别竞赛的结果看，识别准确率在2013-2017年之间提升了300%，基本与摩尔定律吻合。也就是说，在某些垂直领域，算法的演进已经进入摩尔定律时代，不是既有算法的变化，本质上是重新设计出一套新的引擎算法，从而形成巨大的提升空间。未来三五年间，深度学习还将迎来革命性的变化，现有的算法如果不赶上，就会被淘汰。

至于人脸识别技术的同质化，也是有待商榷的。以抓逃为例，1：1的人像比对准确率已经远远超出人眼，但如果要在全国14亿人像库中进行1：N的实时动态比对，目前没有一家公司能够做到，更多只能在细分场景中使用，比如在某个小区里识别出外来可疑人员。而这不能算做是最优化的应用。

因此，怎样拓展技术边界、把精度推向下一个极限，是人工智能算法迭代的核心关键。我觉得技术创业有两种可能性：第一类是通过技术上大的领先性和差异化，带来时间窗口和强壁垒。第二类则是对技术的应用看得非常准，知道在什么地方能够快速落地变现，从而走在行业前面。这两方面商汤都在努力，也有信心，最终能够在市场上形成比较大的差异化。