关于促进我国人工智能产业高质量发展的思考
2022-08-17黄贞静
祁 麟 公 静 黄贞静
(中国电子技术标准化研究院,北京 100007)
0 引言
新一代人工智能的发展离不开信息采集、传输、存储和计算能力的快速发展和芯片、大数据、存储器、超算、光纤、算法模型等技术的不断突破,也离不开各国政府的高度重视与科技巨头争先布局。人工智能强大的技术辐射效应,为全球经济发展注入了新活力。但在人工智能的发展热潮中,我们必须审慎地判断我国在全球人工智能发展浪潮中的地位和产业实力。本文旨在从世界主要国家在人工智能领域战略布局,包括政策、技术、标准、人才等方面深入剖析我国所处的形势地位及面临的挑战,提出具体建议,为后续人工智能产业发展提供研究参考。
1 全球人工智能产业发展现状
1.1 产业规模
随着人工智能技术的成熟和行业投融资规模的日益增长,全球人工智能市场规模进入了高速增长期。据麦肯锡公司预测,2025年全球人工智能应用市场规模将达1270亿美元,到2030年,人工智能新增经济规模将达到13万亿美元。据统计,超过65%的人工智能企业集中分布在美国、中国、英国,其中,中美两国占据绝对竞争优势[1]。美国则主要集中在旧金山湾区,中国则主要集中在北上广等省份。中国人工智能企业在融资规模上,融资总额约占全球融资总额的70%[2]。
1.2 技术创新
全球人工智能专利申请数量占全球专利申请数量比例一直保持平稳上升趋势。据统计,从2018年至2021年,全球新申请的人工智能相关专利约为65万件,我国在人工智能专利申请量上以45万件居世界首位[3],创新速度实现较快增长。全球人工智能专利技术来源主要在中国、美国、欧洲、韩国和日本,专利申请主要集中于人脸识别、语音识别、深度学习、机器人等应用方面。
1.3 人才投入
人工智能领域人才分布不均匀,美国得益于最早发明集成电路及互联网领域的绝对优势,在人工智能高端人才方面占据首位,我国在人工智能总人才数量方面位列第二,但属于人工智能领域的高端人才,数量落后于英德法等国。从2021年发布的《AI2000-人工智能全球最具影响力学者》榜单来看,美国和中国分别位列前两名,人数分别为1164人和222人[4]。
图1 全球主要国家人工智能政策与战略
2 世界主要国家政府人工智能发展战略布局
从世界主要国家政府对于人工智能发展的战略布局来看,美国主要侧重研发、人才、安全与治理、就业保障等方面的规划部署,尤其在人才战略方面注重关注童年以后的STEM教育及终身学习,在互联网、军事、金融、能源等领域重点发力。相比较于美国政府,中国政府对于人工智能的规划更注重细节和应用,能够从产品到企业到产业层面分别落实发展任务,在制造业、农业、交通、金融等领域重点发力。欧盟在人工智能规划方面更侧重关注道德法律的问题,研究内容也更多涉及人工智能伦理等社会科学方面,在电子政务、道德法律、网络安全等领域重点发力。德国作为老牌工业强国,相比于其他国家的人工智能规划,关注数据开放,更注重人工智能技术在推动中小企业发展中得应用,在公共行政、医疗、工业、能源、交通等领域重点发力。英国政府在人工智能发展领域部署可谓面面俱到,在促进人工智能技术创新发展的同时,也高度重视其对社会、经济、文化、伦理道德等方面带来的潜在威胁,在海域工程、航空航天、医疗、农业等领域重点发力,注重实践与实用。日本政府因为人口老龄化与劳动力短缺的原因所致,其发展人工智能产业目的是为提高制造业等相关行业的生产效率。因此,日本人工智能产业发展主张从各领域行业应用角度落实人工智能相关技术,包括采用物联网、大数据、机器人与人工智能技术的协同发展模式。韩国政府是将公共数据作为人工智能技术研发的核心资源,此外还设置了大学必须开设人工智能相关课程的严格规定,足以证明其追赶世界人工智能强国的雄心。
3 主要科技巨头人工智能产业发展战略布局
随着科学技术的不断发展,人工智能已经成为各国科技巨头争相角逐的重点领域,纷纷在产品生态、芯片研发、算法模型、用户数据、接入平台、开源生态系统等方面积极布局。一方面,科技巨头通过开源技术与平台,不断优化自身产品、模型和用户体验;另一方面,利用自身已形成的优势,加上不断加大收购力度,逐步向各个垂直应用场景及重要领域渗透。谷歌通过收购Deepmind使其保持在人工智能领域深度学习中绝对的战略优势;Facebook通过设立人工智能实验室和应用机器学习实验室,使其研究成果能够融入到Facebook现有产品中;微软拥有超过千人的研发团队,开发的多款人工智能相关应用程序和产品极大的增强了用户体验;亚马逊依托强大的电商平台,在收购了自动化物流提供商Kiva Systems公司后,充分利用人工智能和机器人技术来提升网络交付和物流配送的服务效率;百度作为中国最早进入人工智能领域的企业,其在无人驾驶和智能家居方面有着不错的布局,并通过开源学习平台Paddle-paddle,不断强化在图像与语音识别、自然语言处理、深度学习、机器翻译等方面的研究;腾讯专注于社交平台、游戏等方面以典型应用场景驱动为策略的AI探索,人脸识别是其最擅长的技术。
除此之外,还有部分独角兽企业在各自专长领域默默发力。其中包括领先全球语音识别的Nuance、商业数据分析服务商ThoughtSpot、领跑计算机视觉技术的商汤科技、专注于深度学习技术的旷视科技、国内语音识别的领军企业科大讯飞、人工智能芯片翘楚寒武纪、智能安防领域的依图科技等均在不断加速产品的迭代研发,加快国际国内人工智能产业的战略布局。
表1 全球科技巨头与我国科技龙头企业的布局情况
4 我国发展人工智能产业的优势与挑战
4.1 优势
高效的组织机制保障,庞大的数据体量、高水平的科技投入与高质量的研究成果或将为我国人工智能产业的快速崛起提供强大的发展引擎。
4.1.1 我国具备数据模型训练的基础优势。在以高质量数据标注和海量数据为驱动力的数据模型分析方面,我国具有一定优势。一方面,我国具有庞大的人口规模,在河南、河北等地区已经形成了一定体量的数据标注产业集群。高质量的数据标注是人工智能系统优化的“养料”,但同样也需要投入巨大的人力,相较于美国硅谷高昂的人工成本,我国在数据标注方面具有成本优势;另一方面,源自于我国丰富的应用场景带来的模型训练所需的大数据基础。统计公报显示,我国互联网普及率为73%,移动支付业务量与交易量保持快速增长,其产生的海量数据为人工智能在基础设施优化、服务能力提升等方面形成了良好的反馈机制,进而为数据模型的训练提供了大量的数据积累。
4.1.2 我国部分人工智能领域已具备领先优势。一是在类脑智能研究方面,由清华大学类脑计算研究中心开发了具有自主知识产权,能够实现基于1024个氧化物忆阻器阵列的类脑计算的类脑芯片,完全摒弃了冯诺依曼架构的人工智能技术路径,该芯片能够实现,功耗不到传统人工智能芯片的千分之一;二是在大脑成像方面,由华中科技学研究的“显微光学切片断层成像技术(MOST)”和“全脑定位系统(BPS)”,在全球已经率先实现了精准成像,对脑机交互等方面的研究提供了无限可能;三是在计算机视觉方面,我国在安防、移动互联网、金融等领域已经开展大规模的试验验证,以安防领域重要的人脸识别技术为例,相比于美国政府对于涉及个人隐私方面采用新技术的强监管模式,我国采用智慧城市、雪亮工程等政策推动,成为了推动计算机视觉技术落地的最大保障。
4.1.3 制度加持和消费者认可度助力的优势。我国政府密集出台了《新一代人工智能发展规划》《促进新一代人工智能发展三年行动计划》等多项战略规划文件,高度的政府支持与协同高效的逐步推进是保证行业稳步发展的重要动力。其次,我国消费者对于新技术应用更包容或者更倾向于尝试,以手机娱乐为例,AI美颜在国产手机中可能是标配,也是国产手机的卖点,但这一亮点遭受到了美国消费者的大量差评,也间接阻碍了新技术的应用拓展。
4.2 挑战
在人工智能快速发展的时代,也同样需要面对来自伦理道德冲击、基础理论、技术储备不足等方面带来的挑战。
4.2.1 基础层支撑力量相对匮乏。按照人工智能产业链划分,分为基础层、技术层和应用层。我国在人工智能领域基础层领域基础理论、关键技术积累相对薄弱,一直处于追随者的状态。从投资回报角度看,基础层投资金额大、投入回报周期长,吸引资本入场的能力相对不足,入门壁垒较高也制约了企业在基础层的布局的意愿。虽然近年来,我国的互联网巨头延伸了人工智能领域基础层的布局,同时加大了对创业公司的投资并购力度,但相较于欧美等地区,赶超难度依然很大。
4.2.2 人工智能的伦理冲击。当面对医疗诊断结论中,人工智能技术给出的结果与医生判断截然相反时,谁来承担责任的问题;在面对保险公司掌握医疗大数据后,进而提高投保门槛,谋取行业利润时;在面对机器人走向战场,它将如何区分普通民众和军队人员时,实际上,人工智能技术的发展都是与社会需求密切相关的。欧盟很早就启动了人工智能和机器人伦理问题的研究,包括发布了可信AI的伦理准则,英国标准协会(BSI)和美国电气与电子工程协会(IEEE)在人工智能标准制定方面也相对领先,英国以后果主义伦理为基本框架制定标准,美国则倡导美德伦理框架,加入了大量的跨文化研究。我国曾因为科技发展缺乏伦理监管而受到了国际社会的诟病,伦理的研究相对滞后。
4.2.3 行业数据训练集不完善成为制约人工智能行业发展的瓶颈。人工智能的深度学习是基于所采用的算法和数据训练集去预测未知的情形,数据集的质量直接影响人工智能的预测结果,模型的训练离不开数据集,当算法确定的时候,基本决定了整个数据处理模型准确率的上限,基于以上推断,数据的质量和数量会直接决定算法的理论上限的接近完成度,但目前,我国大数据包括存储、处理和分析技术仍处不完善阶段,相关高质量行业数据集还未完全建立,这也会阻碍人工智能相关技术的发展速度。
5 促进我国人工智能产业高质量发展的建议
5.1 加大人工智能基础理论研究。在学习机理、结构、构造等基础理论方面开展创新研究。一方面可以从网格结构方面进行创新,比如将量子力学和神经网络的结合;另一方面,在逻辑学、数学、计算机工程学、神经科学等领域注重人才培养与研究投入,人工智能的算法和硬件都离不开以上学科的发展。目前,深度学习算法强烈需要理论层面的重大变革,需要打破条条框框,开展跨学科跨领域的交叉融合研究。
5.2 将伦理问题嵌入人工智能相关支撑技术与产品中。人工智能属于一个复杂的系统工程,其涉及大数据、云计算、智能传感器、数据存储和传输设备等多方面支撑技术与产品。在技术发端之初,如果能将伦理问题融入进各支撑技术与产品的设计中,那么在人工智能产业发展中,仅需要考虑本行业特性带来的伦理问题,就可以减少很多后期不必要的争端。这也意味着要加强产学研的紧密协同创新,成立跨学科的研究团队,在设计代码时,通过联合研究,把伦理关注的问题转换成工程师易懂的编码思维,以此来推动伦理在科技创新中得深度融合。
5.3 不同场景下,建立数据训练集与模型选取的最优匹配方案。海量数据的规模扩张是建立数据训练集的基础,如在工业领域,从数据采集设备数量的增长,到智能传感器的发展,工业大数据的产生将会被集成到一个封装系统,这对于下一步的数据分析起到了初步筛选的作用。有了初步的数据集,根据不同场景需求,进行模型的设计及相关参数的调整,达到最优匹配方案,形成工业数据训练集,进行深度学习。同时,建立技术标准基准和评估体系,开发数据训练集标准测试环境平台。将数据训练集与相关标准体系对标,在测试平台进行试验验证,形成标准数据训练集,这将为智能模型匹配提供高质量、高标准的分析支撑能力。