時間：2018-09-27 08:53:57 點擊：次
來源：億邦動力網(wǎng) 作者：

條評論打印收藏

“我們看了不少企業(yè)的案例和宣傳文章，感覺現(xiàn)在AI確實能把人臉、車牌甚至各種交通工具都準確地識別出來，但是我也在疑惑，如果只是識別得更準，但是不能切實解決目前這種交通擁堵的現(xiàn)象，意義在哪里？”這是今年初懂懂筆記在廣州參加某智能交通論壇，與一位城市規(guī)劃設(shè)計院的專家交流時對方提出的疑問。而他的一些問題至今都讓懂懂筆記記憶猶新，“AI如何把視覺識別和信息采集做到有效整合，再產(chǎn)生結(jié)果最后形成反饋并去執(zhí)行，這之間的邏輯是什么？如何能形成閉環(huán)？”

實際上，過去這一年多來類似的問題我們時有聽聞。語音識別、視覺識別、傳感器的信息采集……目前在很多行業(yè)都已經(jīng)開始探索和應(yīng)用，而且識別正確率、信息采集能力也越來越高。但總會有不少行業(yè)相關(guān)人士提出疑問，這些信息的獲取如何真正落地應(yīng)用場景，解決自身遇到的管理（經(jīng)營）難題？

打通認知智能和感知智能

或許，這正是AI從感知智能到認知智能發(fā)展過程中，面臨的巨大挑戰(zhàn)。與此同時，如何打通認知到感知智能的孤島，讓AI從能看、能聽，到能夠理解、思考和正向反饋，形成完整的邏輯閉環(huán)鏈，也孕育著巨大的價值和機遇。

AI落地，賦能場景，確實不是一蹴而就。人工智能的發(fā)展已經(jīng)從運算智能、感知智能（視覺、聽覺、觸覺的感知），逐步走向認知智能的階段。而真正做到“能理解會思考”，仍是包括谷歌、亞馬遜、微軟以及BAT在內(nèi)的產(chǎn)業(yè)界正在思考的問題。

“認知是實現(xiàn)人工智能分析、判斷、預(yù)測能力的最為重要的環(huán)節(jié)，只有通過把信息轉(zhuǎn)化成知識結(jié)構(gòu)、知識系統(tǒng)才能實現(xiàn)這些功能，從而實現(xiàn)從感知型的AI到認知型的AI的飛躍。”在辭去谷歌云AI負責人職務(wù)之前，李飛飛曾多次提到未來自己對于認知技術(shù)的關(guān)注。

微軟全球執(zhí)行副總裁沈向洋也指出，認知和感知是人工智能的重要研究方向，他同時強調(diào)“擁有大量數(shù)據(jù)積累和分析需求的行業(yè)更適合通過人工智能技術(shù)實現(xiàn)轉(zhuǎn)型”。

但是，產(chǎn)業(yè)界也在思考如何讓認知智能在實際落地過程中更加有效，更能實現(xiàn)真正意義上的“理解和思考”。沈向洋對此提到過幾個問題和挑戰(zhàn)：人工智能技術(shù)對大數(shù)據(jù)和大計算的依賴較大；人工智能領(lǐng)域過于重視數(shù)據(jù)，而且重視的是數(shù)據(jù)的表象。“AI技術(shù)是在用復(fù)雜解釋復(fù)雜，為了擬合數(shù)據(jù)結(jié)果而做出更加復(fù)雜的模型。在自然科學(xué)領(lǐng)域，應(yīng)當是通過復(fù)雜現(xiàn)象抽象出簡單的本質(zhì)。因此，從這個角度而言，人工智能技術(shù)仍有待探索和發(fā)展。”而對于深度學(xué)習在工業(yè)領(lǐng)域的局限和挑戰(zhàn)，明略數(shù)據(jù)創(chuàng)始人吳明輝也提出了獨特的觀點，“深度學(xué)習確實解決了很多的圖象處理、聲音識別、自然語言處理等很多工作。”但是他認為，深度學(xué)習的局限在與其背后的算法主要是基于統(tǒng)計學(xué)，沒有因果關(guān)系，只有相關(guān)關(guān)系。

在吳明輝看來，目前在人工智能重要的三個學(xué)派，即符號主義學(xué)派、聯(lián)結(jié)主義學(xué)派、行為主義學(xué)派都有各自的優(yōu)勢和局限。相對于聯(lián)結(jié)主義學(xué)派倡導(dǎo)的深度學(xué)習而言，符號主義學(xué)派對應(yīng)的算法更趨向嚴密的邏輯關(guān)系，是基于知識所建立的系統(tǒng)，它是可解釋的，有因果關(guān)系的。“我們希望把學(xué)習能力賦予計算機，從而形成知識系統(tǒng)，再加上深度學(xué)習能力產(chǎn)生的學(xué)習系統(tǒng)，將兩者有機結(jié)合，最終打通感知和認知智能，建立了一個完整的人工智能系統(tǒng)。”

的確，面對從認知智能邁向感知智能，產(chǎn)業(yè)界的眾多參與者都有自己獨特的思考路徑，而吳明輝提出的“符號主義和深度學(xué)習有效結(jié)合”，能否更適合目前AI應(yīng)用落地、賦能場景的目標，也成為國內(nèi)AI技術(shù)領(lǐng)域一個值得關(guān)注的話題。

“明略數(shù)據(jù)建立了感知智能和認知智能打通的方法論和工具體系，所以我們有理由推斷未來人工智能會在認知智能技術(shù)上有很長足的進步。”在吳明輝看來，所謂長足進步要建立在“知其因果”的基礎(chǔ)上，他舉了兩個例子：在制造業(yè)，設(shè)備運轉(zhuǎn)過程中如果一個零部件出現(xiàn)故障，這個時候要搞清楚哪一個零部件出現(xiàn)了故障導(dǎo)致系統(tǒng)故障，你的目的不僅僅是維修時只換個部件，而是要搞清楚具體的故障原因，所以需要有因果關(guān)系；在醫(yī)療診斷時，不僅需要開出診斷結(jié)果更需要知道病因，也是需要知曉因果關(guān)系。“真正完整的人工智能一定是需要把因果關(guān)系和相關(guān)關(guān)系打通，需要的是把感知智能和認知智能打通的一個完整的系統(tǒng)。”

那么，這種“打通”是否能夠成為解決行業(yè)痛點的最優(yōu)解？

理解行業(yè)痛點后的水到渠成

明略數(shù)據(jù)日前發(fā)布的行業(yè)AI大腦“明智系統(tǒng)2.0”，就提出在新系統(tǒng)中匯聚各類數(shù)據(jù)，進入“符號化”的過程，通過數(shù)據(jù)的充分融合和碰撞挖掘，從而實現(xiàn)面向行業(yè)業(yè)務(wù)構(gòu)建行業(yè)AI大腦。吳明輝顯然是要以“符號的力量”完成對于行業(yè)數(shù)據(jù)中知識的抽取、融合、推理、和沉淀等過程，打通感知智能。這一點，似乎不是另辟蹊徑，更像是一種水到渠成。

正如前文所述，懂懂筆記接觸到的城市規(guī)劃、離散制造、能源化工等領(lǐng)域的相關(guān)人士，提出的疑問大多集中在各種語音、視覺識別技術(shù)如何能夠融入到他們所處行業(yè)的管理與效能的提升上。或者可以說，如今各行各業(yè)都在倡導(dǎo)使用人工智能，但是很多人工智能的技術(shù)在不少傳統(tǒng)行業(yè)中并沒有得到很好的發(fā)展。

吳明輝認為，這其中的原因是很多專業(yè)技術(shù)企業(yè)都只聚焦在其中某一個技術(shù)的細節(jié)上，而沒有人真正把完整的人工智能全部組建起來，面向一個行業(yè)做整合服務(wù)。“今天我們就是要做整合服務(wù)，我們在自己面向的行業(yè)把感知技術(shù)、認知技術(shù)跟其它所有的組件一起鏈接到一起全新的系統(tǒng)中。基于大數(shù)據(jù)治理工作，在上面又打造了一套完整的人工智能閉環(huán)。”

或許，能夠建立其完整的AI閉環(huán)，源自于明略數(shù)據(jù)對于服務(wù)行業(yè)的多年積累，尤其是對行業(yè)用戶需求的深度把握。從吳明輝的介紹中，可以看到明略數(shù)據(jù)過去四年一直在協(xié)助公共安全、金融監(jiān)管、工業(yè)界打造大數(shù)據(jù)平臺，從而建立了大數(shù)據(jù)知識圖譜系統(tǒng)。而通過明略數(shù)據(jù)的SCOPA知識圖譜分析平臺，以及其自主研發(fā)的混合型知識存儲數(shù)據(jù)庫，有效幫助行業(yè)用戶建立起分析和決策的能力。

從相關(guān)公開數(shù)據(jù)中可以看到，明略數(shù)據(jù)在安防領(lǐng)域獨有的公安知識圖譜，目前已匯集30多個大類公安數(shù)據(jù)來源中的6529張表和1538億條數(shù)據(jù)，沉淀了80%以上不同種類公安數(shù)據(jù)的處理經(jīng)驗。“目前基于明略數(shù)據(jù)公安知識圖譜的明智系統(tǒng)現(xiàn)在已經(jīng)部署到50多個省、市、區(qū)縣級公安廳局，” 吳明輝強調(diào)，運用這一規(guī)模龐大的公安知識圖譜，公安部門實現(xiàn)了人、事、地、物、組織、虛擬身份的關(guān)聯(lián)。“通過把感知和認知系統(tǒng)打通，我們可以幫助公安部門真正解決全數(shù)據(jù)類型的情報研判工作，就像福爾摩斯一樣，運用非常簡單的線索把全部信息關(guān)聯(lián)出來，提高預(yù)警研判的準度和精度。”

升級的明智系統(tǒng)2.0通過匯聚各類行業(yè)數(shù)據(jù)，完成“符號化”的過程，實現(xiàn)了數(shù)據(jù)的充分融合和碰撞挖掘，從而有效地面向行業(yè)業(yè)務(wù)構(gòu)建行業(yè)AI大腦。

而在金融行業(yè)，明略數(shù)據(jù)也完成了全國首個銀行業(yè)全行級知識圖譜數(shù)據(jù)庫。例如幫助國內(nèi)某大型股份制銀行基于其十年來的全量數(shù)據(jù)，建立了“企業(yè)、個人、機構(gòu)、賬戶、交易和行為數(shù)據(jù)”總規(guī)模達十億點、百億邊的知識圖譜平臺。另外一個例子是在城市軌道交通領(lǐng)域，上海地鐵車輛分公司通過明略數(shù)據(jù)的人工智能系統(tǒng)建立了國內(nèi)首個“車輛全生命周期數(shù)據(jù)管理平臺”，通過這一平臺軌交運營企業(yè)可以有效提升工作效率，降低了安全風險和運營成本。

實際上，對于金融企業(yè)、傳統(tǒng)制造業(yè)而言，能效的提升是重中之重。簡單來說，產(chǎn)品良率、能耗成本、人員成本等方面哪怕千分之一的變化，就關(guān)乎到每年數(shù)千萬元的收益或者損失。

以懂懂筆記曾經(jīng)做放過的多家鋼鐵制造企業(yè)為例，一家大型鋼鐵制造企業(yè)引進一條生產(chǎn)線的投入可能就是上百億元，而近兩年基于環(huán)保壓力，鋼鐵行業(yè)效益驟降是明顯的事實。而在煉鋼環(huán)節(jié)，能耗成本幾乎就占到70%到80%。一位高工在交流中就曾表示，如果通過各種sensor采集的信息和AI的算法，能降低鋼鐵料的消耗，或者是在冷軋的厚度、精度控制上，在現(xiàn)有基礎(chǔ)上提升千分之一，這些節(jié)省下來的成本對于企業(yè)而言就會是上千萬元的凈利潤。

他所提到數(shù)據(jù)信息采集，可能就是這是一個煉鋼爐或者鋼包里面布置的傳感器，也可能是鋼鐵生產(chǎn)線上數(shù)千個數(shù)據(jù)信息采集源。每一天，這些參數(shù)都在一定頻率下監(jiān)測著整個設(shè)備的生產(chǎn)狀況，而工程師們也期待能把這些存在DCS（集散控制系統(tǒng)）里的數(shù)據(jù)拿出來，而且是要將所有數(shù)據(jù)融合在一起，站在一個更高的維度審視運維和制造工藝，通過提升效率真正的達到降本提效。

而這種來自用戶的需求，或許正是吳明輝所強調(diào)的通過“符號的力量”賦能行業(yè)，通過行業(yè)人工智能大腦以“不斷發(fā)現(xiàn)最優(yōu)解”為第一性原理，以計算代價最小、計算結(jié)果最準確為核心目標，提升這些企業(yè)在AI時代的核心競爭力。

結(jié)束語

“符號不僅可以打通人和人之間的關(guān)系，未來還可以打通人和計算機、人和AI之間的關(guān)系，我們的目標是通過符號連接人和計算機，連接人和AI，未來一起創(chuàng)造一個人機同行的美好世界。”

對于吳明輝所強調(diào)的“人機同行”，可以看成是明略數(shù)據(jù)在感知智能落地應(yīng)用場景方面的一個長遠目標。而要真正實現(xiàn)人機同行，不僅需要從技術(shù)層面打通認知智能與感知智能之間的隔閡，更需要從傳統(tǒng)行業(yè)的視角去理解他們轉(zhuǎn)型和進化的邏輯，站在企業(yè)的角度去完成這種融合。這種形態(tài)下的行業(yè)人工智能大腦，更能提現(xiàn)AI的真正意義和精髓。a