AI+：机器之心绽放

陆平　张洪国

随着大数据、云计算、机器学习等技术的发展，人工智能技术与零售、医疗、出行等领域渗透及应用，催生了一大批具有巨大前景的AI+新业态、新模式，并带来人们生产生活方式的变革。

“AI+”时代加速到来

人工智能作为当今世界最重要的科技之一，走过了60年的发展历程。随着大数据驱动、与日俱增的计算能力，人工智能正迎来新一轮爆发。多家机构对我国人工智能规模进行了预测，其中据CAICT预计2020年我国人工智能规模将达到710亿元，且保持高速增长。

“AI+”时代正加速走来，其中数据易于获取且有一定积累量、有海量数据分析处理需求的行业，通常也是人工智能技术率先得到应用的热点领域。根据2017年麦肯锡全球研究院的《人工智能：下一个数字前沿？》报告，目前人工智能技术在零售、电力、医疗、制造等领域已取得较为成功的应用成效。这些领域往往有海量数据积累量，并且通过数据分析能够起到优化决策的作用。

例如，在零售领域，AI技术可实现根据消费者的个人信息进行个性化促销、自动识别购物者购买的商品并打包、自动付款等。在医疗领域，AI技术可用来自主诊断、预测患者行为和疾病概率等。在制造领域，依托工业大数据，AI技术可用于帮助管理供应链、提升研发设计效率、优化制造流程和生产线、提高售后服务质量等。

AI技术与传统领域的日渐融合也给企业带来了丰厚的回报。根据麦肯锡调查，大规模使用AI或在核心业务采用AI的公司中有30%的用户表示他们已经实现了收入的增长，利用AI获得了更高的市场份额，或提升了產品和服务能力。IBM商业价值研究院的调研结果显示，73%受调查的企业CEO认为，人工智能将为企业的未来起到重要的作用，其中，50%的CEO计划在2019年前采用相关技术。

科技与应用互为驱动

根据CAICT数据，目前我国“AI+”企业总计占比40%。与此同时，“AI+”热点领域投资活跃，“AI+”应用路径日渐清晰。

AI+新零售

从企业动态来看，2016年12月，亚马逊推出内测版Amazon Go，推行“即拿即走、免排队”的无人零售新体验。国内的阿里巴巴、深兰科技、缤果盒子等企业也陆续开始布局于AI+零售领域。例如，2017年6月深兰科技、娃哈哈签订了3年10万台、10年百万台Take Go无人店协议，2017年7月阿里上线淘咖啡。

从投资动态来看，2017年7月缤果盒子宣布完成超亿元首轮融资，2018年2月京东与冯氏零售达成战略合作共建AI无界零售中心，目前以无人便利店为代表的无人零售成为新风口。

从市场前景看，根据艾媒咨询的相关研究，无人零售商店将迎来发展红利期，2020年预计增长率可达281.3%，至2022年市场交易额将超1.8万亿元。

该领域企业主要有以下几条发展路径：一是，利用众多传感器实时采集数据，主要依托卷积神经网络等深度学习算法来识别商品和顾客行为，该路线以Amazon Go、Take Go、阿里淘咖啡等为代表，它的优势是能够给消费者较好的购物体验（即拿即走），缺陷是固定成本较高、错位商品识别上存在难点、机器视觉技术不稳定，目前的AmazonGo完美运行条件是店内顾客处于较低的移动速度或店内顾客人数少于20。二是，利用RFID等物联网技术，该路线以缤果盒子、罗森、7-11为代表，它的优势是易于识别商品、成本低廉、可批量复制，缺点是每件商品需要贴RFID标签。三是，利用条形码、二维码完成对商品的识别，该路线以多点、便利蜂、小e微店为代表，该路线的优势是实现难度低（易于在超市普及），缺陷是购物流程仍比较复杂（需要人自助扫码）。

AI+新医疗

从企业动态来看，AI+医疗主要集中在辅助诊疗、健康管理、信息化管理、医学影像等领域。其中，由于医疗影像领域具有数据量大、多样性高、速度、真实四大特性，较适合AI技术在该领域的应用，影像辅助诊断与病理分析相结合，准确率可以高达99.5%，该领域有望最先实现商业化。2017年美国GE率先推出智能医疗影像解决方案Centricity UV 6.0，接着国内的阿里巴巴、腾讯进入AI医疗影像领域，以万里云、推想科技、医拍智能为代表的初创企业也活跃于这一领域。

从投资动态来看，2014年以来国内外医疗AI初创型企业融资活动开始加剧，资本开始大量涌入医疗AI领域。国内从2016年开始出现井喷式发展，2015年总融资额仅为2.392亿元，但2016年总融资额达15.297亿元，2017年1月至8月已达18.421亿元。

从市场前景看，根据前瞻研究院报告，2016年中国人工智能+医疗市场规模达到96.61亿元，增长率为37.9%，中国人工智能+医疗市场规模在持续增长，2017年将超130亿元，增长40.7%，2018年市场规模可能达200亿元。

该领域典型企业主要有以下发展路径：一是，借助卷积神经网络等深度学习算法来对医疗影像样本进行分类判别，能够缓解放射医生的工作强度，该路线的难点在于医疗影像样本量和对样本进行高质量标注（需要获得样本对应的病理分析数据），本质上是计算机视觉技术在医疗方面的应用。二是，借助AI辅助药物研发，如目前已经出现在基于大数据和机器学习的化学合成软件（如Chematica、Syntaurus等），普林斯顿大学与美国默克制药公司联合开展研究，把众多Buchwald-Hartwig偶联反应数据用来训练人工智能算法，训练后的算法能够准确预测其他具有多维变量的Buchwald-Hartwig偶联反应收率。三是，借助AI进行健康管理，该路线涉及用户及案例大数据、可穿戴设备、健康风险预测等，苹果的可穿戴设备AppleWatch和谷歌GoogleFit等都属于此路线，基于可穿戴智能设备获取用户生理相关数据，并通过大数据平台进行分析。

AI+新出行

从企业动态来看，谷歌、Uber、特斯拉、百度等科技型企业，奔驰、奥迪、凯迪拉克、宝马、丰田等传统汽车企业积极投身自动驾驶领域。目前，那些结合特定区域、特定场景内的自动驾驶模式正快速地推向市场，例如，2018年硅谷机器人公司Nuro发布Level 4无人配送车，Waymo订购数千辆自动驾驶汽车用于无人驾驶出租车打车服务，福特将开始与美国物流公司Postmates对自动驾驶汽车运输货物进行合作测试。

从投资动态来看，科技巨头们都想在AI+新出行方面分一杯羹，2017年英特尔斥资150多亿美元收购了Mobileye，此举不仅获得了算法专用处理器IP的Know-how，还直接获得了70%的高级驾驶辅助系统市场份额。

从市场前景看，根据麦肯锡未来出行中心的相关研究，2025-2027年将是自动驾驶的经济性拐点，自动驾驶每公里的总成本将与司机驾驶传统汽车的成本大致持平。根据麦肯锡的预测，我国自动驾驶将拥有十分广阔的市场前景，到2030年，自动驾驶将占到乘客总里程约13%，到2040年将达到约66%。到2030年，基于自动驾驶的出行服务订单金额将可能达2600亿美元，到2040年可能达约9400亿美元。

该领域典型企业有以下发展路径：一是，借助高精度激光雷达、高精度传感器、高精度地图、人工智能技术实现高等级的无人驾驶，以谷歌、百度等互联网企业为代表，其在整车制造、零部件制造等方面明显欠缺经验，但在云计算、大数据、人工智能等方面优势较强，主要借助人工智能等软实力实现高级别的无人驾驶。二是，以辅助驾驶为核心，逐步试验并装配高级辅助驾驶系统，进而由辅助驾驶过渡到自动驾驶，这以丰田、沃尔沃、宝馬、tesla 等汽车制造企业为代表，其往往首先从车联网和ADAS入手，逐渐完善高精度地图系统，采取循序渐进的方式提升自动驾驶功能，最终实现高级别的无人驾驶。

AI+新媒体

从企业动态来看，国外媒体如洛杉矶时报、美联社、纽约时报、华盛顿邮报和国内的腾讯、今日头条、第一财经、新华社为主要代表的媒体均已运用写作智能机器人，主要涉及财经和体育领域的写作。在内容传播方面，今日头条、一点资讯、天天快报等正在利用智能算法进行内容分发和推荐。

AI+驱动关键点

明确场景应用边界

目前，人工智能技术尚未达到强人工智能水平，产业落地过程中应避免好高骛远。例如，机器人脸识别在绝大多数情况下比人识别的效果要好，但是在需要知识、想象力的特殊情况下，与人脑还是存在较大差距。从现阶段看，由于以深度学习为代表的人工智能技术并不善于解决通用性问题，人工智能技术要实现产业落地并形成商业价值，需要清晰其所能解决的特定领域问题，并有明确的应用场景边界。将人工智能的功能需求限定在有限的特定问题边界之内，这样得出的解决方案才能相对可靠。例如，阿里淘咖啡最终需要客户进入结算空间（仍然会用到RFID物联网技术），扫地机器人借助视听传感器才能够自主规划扫地方案。以目前能够落地的弱人工智能技术水平，需要结合物联网等技术，从而使产品和服务运行在明确的应用场景边界内，才能够具备实用性。

闭环数据反馈循环

谷歌、Facebook、英特尔、微软、苹果、特斯拉，中国的BAT等人工智能前沿公司，通常都具有一个共同的特征—闭环的数据反馈循环。AI+新出行方面，Google、百度等无人驾驶系统能够自动收集到路况数据，抽取关键特征并输入深度学习神经网络，自动驾驶里程的累积将不断训练谷歌无人驾驶控制系统，使其人工智能程度更高，进而能够实现“任何时间、任何路段”的无人驾驶。AI+新医疗方面，随着电子病历的实施，数字化的实验室幻灯片和高分辨率的放射图像、视频等医疗保健数据量呈指数级增长，再加上制药企业和学术研究机构档案，以及数万亿的数据流从可穿戴式设备的传感器中得到，使得医疗行业数据量以令人难以置信的速度增长。

海量高质量数据

随着移动互联网和物联网的快速发展，数据量正在以指数级增加，根据IDC统计，全球数据总量预计2020年达到44ZB，中国数据量将达到8060EB，占全球数据总量的18%。许多数据是自然语言、音频和视频等，对这类数据的分析越来越聚集于提取其中的语义，包括情感分析、文档主题模型、相依模型和问答系统中全面的语义分析。目前以深度学习为代表的人工智能技术，本质上是一个具有多层的神经网络，通过大数据计算来自动学习最终的网络参数，不一样的网络参数能够识别不同的物体，需要依赖规模庞大的带标签数据集，才能够保证其学习质量。

高性能计算硬件

当前AI+发展所依赖的核心算法是深度学习，深度学习模型需要很高的内在并行度、大量的浮点计算能力以及矩阵运算，按环节可分为前期训练、云端推理、终端推理等三个阶段。在前期训练和云端推理环节，需要进行规模庞大的运算量，CPU+GPU架构成为目前多数人工智能企业的主流选择。然而，构建GPU集群的成本非常高昂，仅购置一块Nvidia Tesla K80的费用近4万元。FPGA具备较高的性能功耗比和重构灵活性，百度采用FPGA打造百度大脑专用AI芯片，微软打造的Brainwave平台也是基于英特尔Stratix 10 FPGA芯片。在终端推理环节，由于智能手机、语音交互、VR/AR等终端设备需求不同，需要定制化、低功耗、低成本的嵌入式解决方案，其市场呈现更加多样化竞争态势，如寒武纪的1A处理器、地平线的BPU芯片等，华为Mate 10的麒麟970芯片搭载了神经网络单元NPU，使得其在处理相关人工智能任务（如图像识别等）时有50倍能效和25倍性能的提升。

巨大发展前景

目前来看，AI+发展将呈现出巨大发展前景。AI+新零售方面，以产品为中心的模式将被以消费体验为中心的模式所替代，人工智能将助力客户服务自动化、精确供应链建模、营销内容和广告自生成，将消费体验提升到新的高度。AI+新出行方面，无人驾驶汽车将打破现有的购车出行模式，创造出新颖的出行即服务模式，根据Intel与Strategy Analytics研究，该模式市场规模有望在2050年前达7万亿美元。AI+新医疗方面，人工智能对医疗行业的改造除了提高医生的工作效率外，还将作为辅助诊断（提高诊断的效率和准确率）使精准医疗成为可能，未来，医疗影像辅助诊断、虚拟助理、病例与文献分析、药物研发、基因测序等领域有望实现较大突破。

AI+新零售、新医疗、新出行等的发展离不开多场景技术的跨界融合、大数据共享和人才供给，我国发展AI+，未来还需在以下几方面着力：

统筹协调促进研发资源聚合。人工智能的基础研发与实践越来越密不可分，我国人工智能研发主力集中于科研院所（国外主要集中于大企业），并且研究力量较分散，研发经费也较碎片化，导致难以聚集力量解决重点问题。美国成立国防高级研究计划局、Google X实验室、Facebook人工智能研究院的经验可作为借鉴，未来可以成立我国人工智能国家实验室和人工智能产学研协同创新中心，打通政产学研用各环节，促进研发资源聚合。

提升数据质量与开放共享。由于数据表示与语义的异构性、数据的开放性等问题，导致人工智能在落地过程中出现种种问题。在异构性方面，由于许多行业的数据积累在数据标准规范上缺乏预先定义可广泛适用的元数据描述，其数据集远未达到可充分发挥人工智能技术潜能的程度。在开放性方面，一些企业从商业利益出发限制了数据的共享和流转，监管部门出于安全考虑对人工智能应用提出了更为严格的要求。因此，解决高质量大数据短缺问题是人工智能应用落地的关键，未来将会在整合异构数据源、建立一些开放共享的大数据公共资源库等方面努力。

补齐基础层软硬件短板。目前，我国仍然缺乏完整的人工智能产业生态，特别在基础硬件（芯片）领域。未来应加快补齐基础层软硬件短板，可围绕一些特定应用场景（如智能手机、无人机、智能驾驶、服务机器人等），从硬件实现角度颠覆性地突破类脑神经芯片，如深度卷積神经网络芯片等。另外，可从软件优化角度加强高性能分布式服务器集群系统的研究，在云端推理环节实现突破。

借助互联网实现AI技术教育泛化。根据LinkedIn发布的《全球AI领域人才报告》，2017年第一季度全球人工智能人才超过190万人，其中美国拥有85万以上，中国拥有约5万。美国人才多集中于人工智能基础层和技术层，而我国多集中于应用层，并且同时掌握实践能力和理论能力的研究人员比较稀缺。未来，我国人才自身造血能力还需进一步增强，借助互联网可让人工智能教育实现泛化（如借鉴国外大规模在线教育Coursera等），降低个体获得人工智能前沿技术的门槛。

总之，人工智能技术对传统领域的渗透催生了一大批具有巨大前景的AI+新业态、新模式，未来还需采取措施促进多场景技术的跨界融合、大数据共享和人才供给，加速推进新一轮数字革命绽放。