数字经济时代：人工智能技术特点与应用

赵晓芳

不仅仅是中国，全球包括美国、英国，以及其他发达国家，都把人工智能当成了一个新的发展战略和新的发展契机，为什么是这样呢？其实跟整个全球的经济形势是有关系的。在过去的十年里，整个全球的经济状况就在发生着一些变化，包括格局上的变化，产业上的变化，其实都说明了大家在思考这个问题。这里边就需要一些新的赋能技术手段，人工智能无疑是当下大家都看好的一个抓手。所以出现了这么密集的、全球的工作部署。

其实我们人类一直想突破自己，把我们的眼睛放出去希望我们有千里眼，把我们的耳朵放出去希望我们有顺风耳，每一步，这个目标一直没有变过。所以从有计算机开始大家就在想，我们管计算机叫电脑是什么意思？真的希望计算机它能够代表我们的大脑，能够放大我们思考决策的能力，所以一直在寻找这个技术路线。

早先，我们有了最早的感知神经网络的发明，给产业提振了一下，问题解决了吗？但是上世纪80年代的一系列的实践证明还是不行，原因是什么？太复杂了，理论上能行，但是算不出来，所以第一个阶段在摇篮中夭折了。

又经过了几年的沉淀之后，提出了BP神经网络，大家又开始想是不是我的梦想又可以实现了呢？最后的实践发现还是不行。2006年的时候深度学习取得了突破性的进展之后，我们人类就是这样的，不管遇到多少挫折，那个梦想永远在，所以一定要不停的去试。2006年之后尤其是进入到2010年之后，相关AI企业的注册数和整个相关经济的增长，我们终于可以做一些事情了。其实1946年的时候，在冯诺伊曼构造他的计算机的时候，实际上他也是就有了这样一个想法，只不过后来他当时用了一句话说“我们向世人展示一种绝对的且无望的通行性”就是说他意识到做不到，所以他回归到本身的计算的过程。

整個过程里什么起到了重要的作用？就是我们的摩尔定律，我们知道摩尔定律是每18个月到24个月集成电路上容纳的元器件的数量要翻一倍，性能也将提升一倍。所以在我们找到方法能够去计算的时候，我们有了算力，才有了今天持续的应用拓展和专用技术发展的一个局面。从某种意义上来说，今天的AI是靠算力成就的。

AI突破的几个基本的技术要素，首先它是解决了可计算的问题，也就是在算法上的突破;还有一个是我们积累了大量的数据，这个形成了我们可学习的原材料，过去几十年信息化的建设在方方面面都积累了大量的数据，也对我们如何获得数据、如何使用数据积累了丰富的经验，我们能看到数据的价值了;另外一个是我们处理能力得到了持续的提高。

延续这种主流技术生态的AI技术发展现在出现了几个重点，首先我们看到了AI的专用芯片，现在市场上有十几种，这个数据可能还在持续的增长，也许明年就是几十种的专用的符合局部需求的AI的芯片。为什么会是这样呢？AI成为一个大家都趋之若鹜的一个技术的时候，深度学习成为一个很好用的通用的锤子的时候，它自然在体系结构的层面会往下沉，所以就有了芯片发明的一个基础。

另外，超算平台会面向AI去升级。过去的十几年里，我们做超级计算平台，做云计算平台，做大数据中心，现在我们各地建的这样的平台要向AI去升级，它要支持智能计算的一些应用，为什么要把它做成平台呢？当各个应用都需要的时候，它是极消耗算力的时候，事实上它就应该用共性的平台来承担，这样它的性价比是最高的，而且可以在平台上积累出更多的经验可以交换成果，可以不断的磨合出更好的成果来。

新的升级的超算平台是融合了传统超算大数据需求，具有智能感知、主动学习、知识抽象、逻辑推理能力的新型的超算的范式。在这里，我知道在座有很多是地方主导经济信息化建设的，也有一些企业，这里的商机就是如果要发展一个地方的人工智能相关的一些经济和技术的时候，地方性的公共平台要有这种能力，是整个AI生态里必不可少的一环。

AI需要的几个需求动力，信息化方面我们经历了办公自动化、业务流程自动化之后，各类信息系统能满足基本当下的工作需求，但是它并不能满足于精细化管理的需求以及对决策支撑的这种提升，所以它下一步的升级必然是向人工智能方向去走。另外一个行业转型和大协同方面尤其是智能制造需要精细的需求挖掘和创新，需要新的赋能手段。向哪儿去要？向智能去要，只有有了智能的决策、智能的制造过程，才能支撑你的供给侧改革，才能支撑你在市场上的竞争能力。

这方面也是国家整个经济支柱的一个核心所在。另外一点是人类智慧的放大和便捷的需求，像刚才陈院士提到的，我们对自身的健康、快乐、生活等等方面，所以我们机器医生、无人驾驶、生活辅助的机器人，只要是能延伸我们的东西其实我们都有需求，包括刚才讲的鸡声识别，养鸡场也是人知道了病鸡它声音会不同，然后把它变成一种机器的能力，凡是我们人的能力能放大、能替代、能倍增的，都可以用到这里边。

还有一个更重要的，我们可以用AI的技术探索未知的一些规律。当你对一些事情很模糊的时候，你可以尝试着去用，这样的话其实是创新的一个非常好的手段。我们看一下AI的现状和发展趋势，其实是两个维度，一个维度是说我们的现状其实是个初级智能阶段，而且这个阶段还会延续很长时间。我们重点会放在专用的人工智能上，主要是模拟人的特定外在的能力，听、说、看、学习、推理、行动等等，尽可能的放大，通过互联网、通过机器学习、通过专用的设备、通过网络。另外在某些特定的任务上达到或超过人类的水平，这就是机智过人的方面，我们大脑的算力不够的时候，可以用AI帮我们算，所以它是超越我们的。还有一个维度是发展延续我们的初衷，就是类脑的计算、脑科学相关的研究，这个是一直持续的，而且这两个方面是互相交织的，任何一点关于类脑计算的认知都会反馈到我们现在这个阶段去促进我们现代应用的发展。

我们在整个发展过程当中其实也遇到了一些问题。在过去的五年里边AI炒的非常火，但是这中间一直夹杂着一些声音，AI到底能走多远？就像当初我们质疑云计算、大数据一样，现在也有很多的声音开始质疑AI，为什么出现了这个情况呢？

其实就是我们开始太兴奋了，于是又忘了我们原先有很多手段，我们把AI这个锤子人手一份到处去敲，但是发现它有的时候并没那么管用。其实我们可以让它更管用一点，我们可以把原先传统的领域知识和模型与AI结合起来，比如就说机器阅片，不管是CT还是核磁共振的片子，现在都让机器去读。我们传统对图形图像识别也有很多很多的理论方法，但我们现在大部分就是医疗领域、AI医疗领域的公司基本上就是拿着深度学习这一个锤子在敲这些数据。事实上我们可以把原先用到的图像识别的边界的扫描、图形的比对。还有一些不变量的计算，跟它融合起来，除了锤子，把原来的剪子、钳子放在一起用，它就会互相的促进这个技术，最后会达到很好的效果。

还有一个是我们面向AI的数据质量很多层面是不太高的，所以也影响了整个的效果，就会产生一些这样的疑问。另外一个是局部模型有效性和迁移的问题，在一个地方学的好的问题拿到其他地方有没有理论和方法能够学好？迁移学习有一些理论和方法，但是确实还有待继续研究和深入。

业务发展和AI模型稳定性的问题，就是要把业务系统和模型训练、学习过程同步化，学习过程是业务系统的一部分，在设计规划的时候要有这样一些思考和一些机制放进去，就是学习训练应用形成更大的循环就能解决这个问题。数据质量事实上这个是跟我们历史现状有关系，因为我们都是有系统然后面向AI去升级，所以数据本身、原先的数据可能没有面向AI做一些定制化的考量，这个想做好是从补充数据开始。对新建系统我们應该借鉴数字孪生的思路，让我们的系统更完备、数据更丰富、更可靠、质量更高，这样就不会出现数据的问题。

局部迁移的问题，多次的学习可以弥补。还有一个问题是我们缺少一些大行业的协同，比如还是举读片这个例子，不同的机器它是有差异的，我要想让我的模型更好，可以把它放出去让别人别的数据级上持续的做，这样这个工作机制就能形成一个更好的成果。

AI的应用重点领域，重中之重还是面向制造业，把AI、智能传感器、CPS、数字孪生、大数据、云计算、边缘计算通通结合起来，形成智能的工业化的发展环境，这是我们国家整个经济崛起非常关键的一步。

（本文根据中国国际数字经济博览会速记整理，内容未经本人确认）