人工智能热潮应该降降温了

陈经

人工智能应用到产业中，需要关键指标突破瓶颈，很可能也需要将成本做到极低。

继2016年AlphaGo战胜李世石之后，2017年AlphaGo的棋力继续提升，战胜了排名世界第一的柯洁。这对围棋界意义很大，棋手们对AlphaGo-Ke能让三子胜AlphaGo-Lee感到无比震惊，下棋的想象力完全打开。但是对外界而言，主要的观念冲击在2016年已经完成。

2017年8月Deepmind公布了在星际争霸项目上的进展，在这个“非完全信息”即时策略游戏上，AI用自主学习方法取得的成果意外的小，能力远远不如开发商暴雪最弱的内置AI。某种程度上，这预示着人工智能产业的发展并不会一帆风顺，会面对艰巨的挑战，目前火爆的人工智能可能迎来一定程度的降温。

有所突破但不成熟

人工智能是IT业的子行业。就IT对各行业的改造来说，目前人工智能起的作用不能算大。如移动支付大发展，主要还是支付宝、微信的IT架构作用大，二维码识别环节只是一个小功能，相关技术很早就有了。

人工智能在产业发展中起主导作用的例子也有，如车牌识别。对车辆信息的管理，核心数据是车牌。基于图像去识别车牌，识别率从2000年的90%进步到2010年前后的95%，目前已经达到99%以上（相当于错误率减少到之前的几十分之一）。识别率的不断进步终于突破瓶颈，产生了巨大的产业效应。由于机器的识别率超过了人（一般人眼识别会犯错），像停车场出入口这样的应用环境，用机器代替人，不仅更为经济，效率也更高。如将车牌与支付宝建立联结，可以直接扣费，出入自动统计。即使摄像头识别车牌不是100%完美，但是对产业来说已经足够了。在极少数机器识别不了或者识别错误的情况下，停车场可能会承受一定的损失，但它所带来的效率提升与费用节省却很大。

基于图像的车牌识别率取得突破，另一个重大影响是，以人工智能为基础的软件方案战胜了以RFID（射频芯片）为基础的硬件方案。RFID可以记下车辆的信息，之前人们认为硬件读取比图像车牌识别可靠，更有前景，但却在实际应用中发现，RFID读取会有信息干扰，也有角度问题，读取设备成本也高，应用起来比一体化机摄像头识别要麻烦得多。这个意义并不小，说明物联网的发展方向应该更多依靠人工智能技术。

像车牌识别这样比较成熟、正确率已突破瓶颈的人工智能技术，目前还不太多。指纹识别是另一个例子，成为手机应用中的基础技术之一。二维码识别的应用也日益广泛，但它主要是在更多行业中应用推广，识别技术本身不需要太大突破。而以科大讯飞为代表的语音识别技术也在不断进步，近几年迎来爆发式成长，但其识别仍有很大的进步空间，因为还和自然语言理解有关。人脸识别技术同样飞速发展，其在极多人脸照片中找到目标的能力远超人类，但是对抓拍角度存在一些限制。可以看出，一旦人工智能正确率突破瓶颈（如超过人类），就可能迎来应用的爆发。

总体来说，能成为行业基础的人工智能技术还不多。人工智能领域很多，如机器人、自然语言理解、专家系统、机器视觉、模式识别、博弈论等。目前主要是图像识别取得的突破比较大，AlphaGo取得突破也主要靠将围棋盘理解成图像输入。

高标准、低成本的产业要求

人工智能应用到行业中，每个行业都会有不同的要求。有的行业发生错误可以接受，如认错几个车牌少收点钱问题不大，主要的作业流程跑通就可以了。但是有的行业流程就要求绝对正确，如集装箱管理，如果自动处理发生集装箱丢失，损失巨大不可接受，在应用人工智能技术时需要加上很多流程辅助。因此，像自动驾驶这样的人工智能开发问题就很复杂，正常情况的开发容易做，但主要的困难是异常情况的处理，这会非常麻烦。自动驾驶的应用可能会比预期的慢，甚至成为开发大坑。

人工智能与产业结合的另一个问题是成本，产业界对人工智能技术的要求与预期是极低的成本。人工智能技术得到了空前的重视，投资很多，国家甚至将人工智能放入中小学课程。但要想在产业界成规模应用，成本必须做到很低。这个低可能超过一般人的想象，人工智能软件本身甚至不要钱，靠硬件赚钱。例如人脸识别应用，创业公司很多，估值一般不低。但是人脸识别的基础是摄像头抓拍，如果不能生产摄像头，在成本上就已经落后很多了。摄像头厂家将人脸识别研发成本平摊进机器生产里，软件就可以白送了，这对人脸识别创业公司压力极大。

人工智能产业的发展并非破坏式创新，不太可能是新企业横空出世扫平旧企业的模式。社会生产与经济运行各环节已经存在众多行业公司，这些行业公司如果能主动引入人工智能技术，结合自身的流程理解与成本优势，将会有不错的发展空间。行业公司如果忽视人工智能技术的发展固步自封，可能会被其他主動进步的公司消灭。而人工智能创业公司不应该闭门造车，不能忽视成本问题，应该主动与行业公司联合，找到人工智能技术与生产成本结合的发展模式。

现阶段的人工智能技术，还只能与社会生产紧密结合，不宜过分夸张能力。“非完全信息博弈”“通用人工智能”等较为学术化的人工智能研究肯定会继续进行，但离产业化还较为遥远。目前的社会生产中，已经有大量可以与现行人工智能技术结合的行业与领域。这些应用型的研发需要的不一定是多高的人工智能研发能力，而是要对细分行业的深入理解，对流程进行重整，正确使用人工智能技术帮助提升效率。

在这个过程中，人们可能会对人工智能的能力期望过高产生误解，甚至认识到人工智能的能力缺限后感到失望，人工智能热潮降温。但是经过磨合之后，越来越多的行业会找到人工智能正确的应用方法，未来值得期待。endprint