HI,欢迎来到好期刊网!

人工智能的商业模式

时间:2023-09-24 15:54:46

导语:在人工智能的商业模式的撰写旅程中,学习并吸收他人佳作的精髓是一条宝贵的路径,好期刊汇集了九篇优秀范文,愿这些内容能够启发您的创作灵感,引领您探索更多的创作可能。

人工智能的商业模式

第1篇

每天在世界的每个角落都有成千上万的创新想法诞生,而最终能够产生真正影响力的创新项目却寥寥无几。所以这个世界从来不缺精彩的点子,真正稀缺的是从点子到金子的行动力。8月12日,“2016奥迪创新实验室大赛”正式在京启动。今年,奥迪创新实验室全新升级,将以商业发展为核心,不仅发掘,更会用心扶持具有潜力的项目,将创想化为切实的行动,全程助力创新想法强势转身。

此次大赛面向汽车领域潜力初创公司和先锋创业者,联合一线创业投资机构共同遴选出优质项目,帮助其加速成长。获胜的项目团队不仅能得到国际创新项目交流机会,更有可能获得知名创业投资机构的直接投资,并与奥迪品牌进行战略合作。

本次大赛希望寻找敢于打破局面,勇于创新,把创意和想法付诸实践的创业者,这与奥迪品牌“汽车工业和技术引领者”的定位、“突破科技,启迪未来”的品牌理念不谋而合。此次大赛,奥迪品牌将以最大诚意欢迎汽车相关领域创新团队报名参赛,并为创客们鼓劲加油。

奥迪创新实验室大赛已连续举办三届,活动影响力持续攀升,共吸引3500多家初创企业参加,深入到北京、南京、西安、武汉、深圳等创新活跃地带,与累计6万多位粉丝亲密互动。

汽车产业变局对创新提出迫切要求

社会进步,能源稀缺,以及人们对于新鲜空气的渴望,在这样的背景下,汽车产业进入了新一轮的快速发展期。对于未来的汽车,电动化、电商化和智能化将是其发展的主要方向。

2015年,中国迎来了新能源汽车市场爆发的一年,各地政府相继出台各种补贴政策和牌照补贴,各大汽车品牌在此方面的尝试也相当活跃。与此同时,移动通信、云计算、人工智能、大数据、VR/AR等先进技术持续变革,新技术加速推动了汽车产业变局。

2016年,新能源汽车继续发力,奥迪作为汽车科技创新领域的代表品牌,如何在这一风口下抓住机会保持领先?除了在营销模式、商业模式上的各种尝试和创新外,硬件升级、电池研发、芯片等技术的持续更新也不可或缺。

聚焦三大热点方向

本次大赛聚焦三大热门领域――“数字化+”、“车生活”、人工智能的应用,几乎涵盖了汽车技术创新领域最有潜力和代表未来方向的领域。

“数字化+”指的是利用互联网和数字化手段改进现有汽车营销和销售领域业务的模式,以及以多种形式呈现出对数据的挖掘及应用,细分领域包括:利用创新的工具和多样化渠道收集数据,补充汽车行业内的数据空白,加深数据积累;基于大数据打造精准而创新的线上线下营销、销售模式,提高市场营销、销售效率。该主题包括客户关系管理、大数据营销及销售、汽车数据应用、汽车金融等。

“车生活”指通过新的商业模式更加贴近消费者的生活,培养和改变消费者的传统消费习惯,具体涵盖:围绕移动出行的新兴解决方案和商业模式;以车为中心,为车辆提供一体化服务;以乘客或驾驶员为中心,提供生活相关服务。该主题包括智能出行、智能泊车、二手车交易、新型售后服务等。

“人工智能的应用”是指以人工智能为主题、冲击传统汽车市场的新型智能汽车配件或者服务,具体包括:利用高科技智能配件提高车辆本身价值,提升用户体验;通过创新的智能配件衍生出更多新兴商业模式和产品服务。该主题包括虚拟现实、无人驾驶、语音识别、手势控制等方向。

首场招募沟通会于8月12日在北京启动

大赛于8月12日正式开放线上及线下渠道进行项目招募,参赛者可通过官方平台注册并投递方案。

在线下招募沟通会现场,创客们不仅可分享投资界大佬的心得,还可现场投递BP商业计划书。首场招募沟通会于8月12日在北京纳什空间SPACE中关村与观众见面,IDG资本副总裁王辛、北极光创投合伙人杨磊将与创业者面对面,聊聊汽车产业及创业领域的投资经历及心得。此次活动将转战杭州、上海、深圳共举办三场,预计将吸引上千名创业者来到现场。

奥迪创新实验室升级为2.0

过去三年获得奥迪创新实验室大赛的优秀创新商业模式及成果有:拥有200万中国用户的P2P租用平台宝驾租车,InvisMat充电器,组装于车内的智能无线充电器,以及提供“最后一公里”解决方案的云马电动车。

2016年,奥迪创新实验室演变升级为以商业发展为核心的“2.0版”,并在持续进化中。奥迪创新实验室致力于发现与汽车行业相关的创新商业模式,给创业投资公司与初创公司提供交流平台以及来自奥迪品牌的支持,从而建立新的商业合作伙伴关系。

知名创投机构全程助力大赛

多年来,奥迪品牌一直不遗余力地支持创新创业事业,并持续深化与国内优秀创业投资机构的合作关系。今年奥迪品牌将邀请包括创新工场、IDG资本、君联资本、北极光创投、戈壁创投、峰瑞资本以及线性资本在内的知名创投机构,开展广泛合作。

第2篇

AI带来最大经济收益的国家将是中国(2030年GDP增长26%)和北美(14.5%),相当于10.7万亿美元,占全球经济影响的近70%。报告还了“AI影响指数”,对最容易受到AI影响的行业进行了排名,其中医疗和汽车并列第一位。

在人工智能发展初期,由于技术成熟度较高,且大批工作均可为发达技术替代完成,因此彼时北美的生产力增长速度将高于中国。然而十年之后,中国完成了相对缓慢的技术和专业知识积累,则将开始赶超美国。

欧洲与亚洲一些发达国家也将受益于人工智能,实现经济大幅增长(2030年GDP增长9-12%不等)。

发展中国家(包括拉美和非洲)由于人工智能技术的采用率预期较低,因此人工智能将会促使他们的经济适度发展(GDP增长低于6%)。

在此份报告中,普华永道还推出了“人工智能影响指数”这一概念,由于人工智能将提高生产力和产品价值,并推动消费增长,因而零售业、金融服务和医疗保健将是最大受益行业。至2030年,随着人工智能驱动消费大幅上升,产品性能得到更好完善,消费需求与行为随之转变,这将促使GDP增长9万亿美元。

此份分析报告还强调,为了发挥出最大潜能,人工智能创造的巨大商机需要强有力的管理和新的运营模式来巩固。人们需要在人工智能的设计和应用初期即介入,实行有效控制,以确保实现人工智能的积极潜能,同时应预警各方利益相关者,如超出合理控制范围运行将会引发的可能后果。

第3篇

一边,回归热闹。

小风口不断,人工智能领域集体。相比之前的“投资人很谨慎,创业者很紧张”,显然,2017资本市场相比创业活跃了很多。人工智能与消费生活、机器人、教育及汽车交通五大领域投资热度持续上升。过多的资本追逐有限的标的,造成了暂时的泡沫,新零售、共享经济、无人业态等领域热钱不断涌入。

与此同时,资本的集中化成为今年创投市场最典型的特征之一,表现为:平均融资额上升、资本向后期轮次聚集及行业与项目的集中,时间窗口进一步缩小,泡沫挤出效应明显,对于互联网企业来说,垄断的意义与价值持续放大。

一边,回归理性。

热闹是属于少数人的,多数人只是围观的吃瓜群众。创业将逐渐回归商业本身,商业的本质是赚钱而不是竞争,补贴模式被资本看淡,多数移动互联网企业进入市场清理和优胜劣汰阶段,没有盈利模式的企业倒闭浪潮初现。

投资人越发理性及务实,早些年资本集中在一些概念领域的现象应该很难重演,随着商业模式创新完结,科技创业将成为下一阶段主要特征。互联网之后,信息产业将迈入物联网及人工智能时代,这是不可逆的路径。

第4篇

此前,百度在2013年第四季度财报中披露,移动业务占比突破了20%,增长迅速。尽管传统PC互联网业务每季度高速增长,百度移动业务占比不断扩大,显示出百度在移动业务发展远超外界预期。

说到这儿,肥猫想先不说百度,先来说说Facbook,从Facebook的股价走势来看,2013年6月份开始(Facebook移动收入占比突破30%),Facebook股价从24美元附近强劲上涨,到今年3月份一度突破72美元,目前保持在64美元附近,一年时间上涨了2倍多,显示了资本市场对互联网公司移动业务发展情况的重视。

由此不难看出,按照目前百度移动业务收入的发展趋势,7月末公布2014年第二季度财报时,移动业务占比很有可能突破30%,届时百度的股价有望步入强劲上涨的通道。

那么,为什么百度移动业务收入会快速增长?经过深度分析与研究,肥猫认为百度具有的三大特性促进了整个百度在移动互联网领域的爆发。

一、入口优势。

大家都知道,早在2013年,百度在加强移动生态建设的基础上,着重布局了移动搜索、应用分发、地图和移动视频四大入口,14款移动产品用户数过亿的App,其中最核心的“手机百度”用户在最近3个月内由4亿增至5亿,日活跃用户超过6000万。

由于移动端信息的分散化,移动互联网服务和内容日益丰富,搜索最喜欢的就是信息的分散化,越分散,搜索越有价值。正是百度具有的技术优势,因此,百度利用基于大数据、百度大脑的精准推荐技术,能够更加精准地匹配用户和广告,移动端的广告能够获得更高的点击率。在营收方面,百度网盟利用基于大数据的CTR(广告内容匹配)数据,让站长的平均收入提升70%。

与此同时,移动设备解决了百度账号体系的短板,每台手机、平板电脑都有唯一的设备号,百度不必通过账号来锁定用户,同样可以精准地刻画用户的人群画像,分析用户的特点、消费喜好,从而更精准地推荐相关内容和服务。

二、品牌优势。

无庸置疑,在互联网“搜索”领域,已经被谷歌和百度所定义了,在国外就是“谷歌一下”,在中文世界就是“百度一下”,谷歌百度已经让搜索变得日常化、社会化。而在移动搜索领域,百度目前超过72%的市场份额,也证实了其在掌上世界的品牌价值。

移动端碎片化的使用时间,也让移动搜索的需求越发倾向于本地化搜索和生活服务类搜索。由于屏幕等移动设备的限制,又要求移动搜索要做到能精准把握用户需求,这就要求能准确洞察和理解用户的真实意图。而百度庞大的搜索数据以及前卫的挖掘技术,之前已为对接这些需求奠定了基础。

三、技术优势。

百度在技术上的研发与投入,大家都是有目共睹的。既有的成熟搜索技术不用多说,更关键是百度用来构建未来5年移动搜索雏形的前沿技术,未来移动搜索的需求将更贴近生活和娱乐,搜索框不仅要能进行文字搜索,还要能识别用户输入的声音和图像信息。

而对于,百度在开发者和商家两大群体构建起来开发者生态体系和商业生态体系来说,百度做的移动搜索已经不仅仅是搜索工具、浏览工具它还是综合服务、商业交易的大平台。

所以说,在百度之后做移动搜索,光靠简单的技术研发、数据积累肯定不行,还得能有建立生态圈的前瞻性和实力。

由此,也不难看出,根据数据对比,BAT里百度移动收入占比是最高的,移动互联网时代,搜索广告仍然是效率最高的商业模式。百度移动端商业模式已经从单一的搜索广告丰富为搜索广告、应用分发分成、LBS、在线视频广告等多个模式。在连接人与服务方面,百度效率明显高出许多。

从腾讯方面来看,以京东618大促为案例分析,腾讯微信、QQ两个一级入口总共为京东移动端带来移动端订单仅占7%,京东APP订单量占比为18%。微信和QQ在电商转化效率表现低于大多数人预期。社交网络的电商潜力有限。阿里方面的情况明显比腾讯好,Q1移动营收11.62亿,还是较去年同期增长了6倍的背景下,这离不开淘宝大力促销、UC、微博导流的情况下。但缺乏入口、用户习惯迁移缓慢是阿里移动滞后的原因。

相比之下,百度大数据、人工智能等基础技术创新催生了移动商业模式的实现,比如人工智能技术通过智能推荐,提升了搜索广告的点击转化。大数据、LBS为用户提供了更加便利的本地服务。而定位、语音、图像识别等技术的突破,提升了用户移动应用便利性,也更多维度丰富了用户大数据。

按照百度副总裁、移动·云事业部总经理李明远的说法就是——与PC互联网时代相比,移动时代的搜索服务对大数据、云计算、人工智能等技术提出了更高需求,而这正是百度所擅长的领域。

今年4月,百度正式了包括“百度大脑”在内的“大数据引擎”,向外界提供大数据分析处理和挖掘能力,并展示出百度在云能力与APP端之间的数据协同能力;5月,百度在硅谷宣布成立人工智能实验室,并聘请到全球顶尖的人工智能科学家吴恩达博士担任首席科学家,管理百度研究院。

第5篇

2017年7月,国务院印发《新一代人工智能发展规划》,不仅对人工智能的发展做出了战略性部署,还确立了“三步走”的政策目标,力争到2030年将我国建设成为世界主要的人工智能创新中心。[1]值得注意的是,此次规划不仅仅只是技术或产业发展规划,还同时包括了社会建设、制度重构、全球治理等方方面面的内容。之所以如此,是由于人工智能技术本身具有通用性和基础性。换句话说,为助推人工智能时代的崛起,我们面对的任务不是实现某一个专业领域或产业领域内的颠覆性技术突破,而是大力推动源于技术发展而引发的综合性变革。

也正因为如此,人工智能发展进程中所面临的挑战才不仅仅局限于技术或产业领域,而更多体现在经济、社会、政治领域的公共政策选择上。首先,普遍建立在科层制基础上的公共事务治理结构,是否能够适应技术发展和应用过程中所大规模激发的不确定性和不可预知性?再者,长久以来围绕人类行为的规制制度,是否同样能够适应以数据、算法为主体的应用环境?最后,如何构建新的治理体系和治理工具来应对伴随人工智能发展而兴起的新的经济、社会、政治问题?

应对上述挑战并不完全取决于技术发展或商业创新本身,而更多依赖于我们的公共政策选择。本文试图在分析人工智能发展逻辑及其所引发的风险挑战的基础上,对人工智能时代的公共政策选择做出分析,并讨论未来改革的可能路径,这也就构成了人工智能治理的三个基本问题。具体而言,人工智能本身成为治理对象,其发展与应用构成了治理挑战,而在此基础上如何做出公共政策选择便是未来治理变革的方向。

全文共分为四个部分:第一部分将探讨人工智能的概念及特征,并进而对其发展逻辑进行阐述。作为一项颠覆性技术创新,其本身的技术门槛对决策者而言构成了挑战,梳理并捋清人工智能的本质内涵因而成为制定相关公共政策的前提;第二部分将着重分析人工智能时代崛起所带来的治理挑战,主要包括三个方面,即传统科层治理结构应对人工智能新的生产模式的滞后性、建基于行为因果关系之上的传统治理逻辑应对人工智能新主体的不适用性,以及人工智能发展所引发的新议题的治理空白;面对上述挑战,各国都出台了相关政策,本文第三部分对此进行了综述性对比分析,并指出了其进步意义所在。需要指出的是,尽管各国的政策目标都试图追求人工智能发展与监管的二维平衡,但由于缺乏对人工智能内涵及其发展逻辑的完整认识,当前的公共政策选择有失综合性;本文第四部分将提出新的治理思路以及公共政策选择的其他可能路径,以推动围绕人工智能治理的相关公共政策议题的深入讨论。

一、人工智能的概念及技术发展逻辑:算法与数据

伴随着人工智能技术的快速发展,尤其是其近年来在棋类对弈、自动驾驶、人脸识别等领域的广泛应用,围绕人工智能所可能引发的社会变革产生了激烈争论。在一方面,以霍金[2]、马斯克[3]、比尔-盖茨[4]、赫拉利[5]为代表的诸多人士呼吁加强监管,警惕“人工智能成为人类文明史的终结”;在另一方面,包括奥巴马[6]在内的政治家、学者又认为应该放松监管,充分释放人工智能的技术潜力以造福社会。未来发展的不确定性固然是引发当前争论的重要原因之一,但围绕“人工智能”概念内涵理解的不同,以及对其发展逻辑认识的不清晰,可能也同样严重地加剧了人们的分歧。正因为此,廓清人工智能的概念内涵和发展逻辑不仅是回应争论的需要,也是进一步提出公共政策建议的前提。

就相关研究领域而言,人们对于“人工智能”这一概念的定义并未形成普遍共识。计算机领域的先驱阿兰-图灵曾在《计算机器与智能》一文中提出,重要的不是机器模仿人类思维过程的能力,而是机器重复人类思维外在表现行为的能力。[7]正是由此理解出发,著名的“图灵测试”方案被提出。但如同斯坦福大学计算机系教授约翰·麦卡锡所指出的,“图灵测试”仅仅只是“人工智能”概念的一部分,不模仿人类但同时也能完成相关行为的机器同样应被视为“智能”的。[8]事实上,约翰·麦卡锡正是现代人工智能概念的提出者。在他看来,“智能”关乎完成某种目标的行为“机制”,而机器既可以通过模仿人来实现行为机制,也可以自由地使用任何办法来创造行为机制。[9]由此,我们便得到了人工智能领域另一个非常重要的概念——“机器学习”。

人工智能研究的目标是使机器达到人类级别的智能能力,而其中最重要的便是学习能力。[10]因此,尽管“机器学习”是“人工智能”的子域,但很多时候我们都将这两个概念等同起来。[11]就实现过程而言,机器学习是指利用某些算法指导计算机利用已知数据得出适当模型,并利用此模型对新的情境给出判断,从而完成行为机制的过程。此处需要强调一下机器学习算法与传统算法的差异。算法本质上就是一系列指令,告诉计算机该做什么。对于传统算法而言,其往往事无巨细地规定好了机器在既定条件下的既定动作;机器学习算法却是通过对已有数据的“学习”,使机器能够在与历史数据不同的新情境下做出判断。以机器人行走的实现为例,传统算法下,程序员要仔细规定好机器人在既定环境下每一个动作的实现流程;而机器学习算法下,程序员要做的则是使计算机分析并模拟人类的行走动作,以使其即使在完全陌生的环境中也能实现行走。

由此,我们可以对“人工智能”设定一个“工作定义”以方便进一步的讨论:人工智能是建立在现代算法基础上,以历史数据为支撑,而形成的具有感知、推理、学习、决策等思维活动并能够按照一定目标完成相应行为的计算系统。这一概念尽管可能仍不完善,但它突出了人工智能技术发展和应用的两大基石——算法与数据,有助于讨论人工智能的治理问题。

首先,算法即是规则,它不仅确立了机器所试图实现的目标,同时也指出了实现目标的路径与方法。就人工智能当前的技术发展史而言,算法主要可被划分为五个类别:符号学派、联接学派、进化学派、类推学派和贝叶斯学派。[12]每个学派都遵循不同的逻辑、以不同的理念实现了人工智能(也即“机器学习”)的过程。举例而言,“符号学派”将所有的信息处理简化为对符号的操纵,由此学习过程被简化(抽象)为基于数据和假设的规则归纳过程。在数据(即历史事实)和已有知识(即预先设定的条件)的基础上,符号学派通过“提出假设-数据验证-进一步提出新假设-归纳新规则”的过程来训练机器的学习能力,并由此实现在新环境下的决策判断。

从对“符号学派”的描述中可以发现,机器学习模型成功的关键不仅是算法,还有数据。数据的缺失和预设条件的不合理将直接影响机器学习的输出(就符号学派而言,即决策规则的归纳)。最明显体现这一问题的例子便是罗素的“归纳主义者火鸡”问题:火鸡在观察10天(数据集不完整)之后得出结论(代表预设条件不合理,超过10个确认数据即接受规则),主人会在每天早上9点给它喂食;但接下来是平安夜的早餐,主人没有喂它而是宰了它。

所有算法类型尽管理念不同,但模型成功的关键都聚焦于“算法”和“数据”。事实上,如果跳出具体学派的思维束缚,每种机器学习算法都可被概括为“表示方法、评估、优化”这三个部分。[13]尽管机器可以不断的自我优化以提升学习能力,且原则上可以学习任何东西,但评估的方法和原则(算法)以及用以评估的数据(数据)都是人为决定的——而这也正是人工智能治理的关键所在。算法与数据不仅是人工智能发展逻辑的基石,其同样是治理的对象和关键。

总而言之,围绕“人工智能是否会取代人类”的争论事实上并无太大意义,更重要的反而是在廓清人工智能的内涵并理解其发展逻辑之后,回答“治理什么”和“如何治理”的问题。就此而言,明确治理对象为算法和数据无疑是重要的一步。但接下来的重要问题仍然在于,人工智能时代的崛起所带来的治理挑战究竟是什么?当前的制度设计是否能够对其做出有效应对?如果答案是否定的,我们又该如何重构治理体系以迎接人工智能时代的崛起?本文余下部分将对此做进一步的阐述。

二、人工智能时代崛起的治理挑战

不同于其他颠覆性技术,人工智能的发展并不局限于某一特定产业,而是能够支撑所有产业变革的通用型技术。也正因为此,其具有广泛的社会溢出效应,在政治、经济、社会等各个领域都会带来深刻变革,并将同时引发治理方面的挑战。具体而言,挑战主要体现在以下三个方面。

首先,治理结构的僵化性,即传统的科层制治理结构可能难以应对人工智能快速发展而形成的开放性和不确定性。之所以需要对人工智能加以监管,原因在于其可能成为公共危险的源头,例如当自动驾驶技术普及之后,一旦出现问题,便可能导致大规模的连续性伤害。但不同机、大型水坝、原子核科技等二十世纪的公共危险源,人工智能的发展具有极强的开放性,任何一个程序员或公司都可以毫无门槛的进行人工智能程序的开发与应用。这一方面是由于互联网时代的到来,使得基于代码的生产门槛被大大降低[14];另一方面,这也是人工智能本身发展规律的需要。正如前文所提到,唯有大规模的数据输入才可能得到较好的机器学习结果,因此将人工智能的平台(也即算法)以开源形式公开出来,以使更多的人在不同场景之下加以利用并由此吸收更多、更完备的数据以完善算法本身,就成为了大多数人工智能公司的必然选择。与此同时,人工智能生产模式的开放性也必然带来发展的不确定性,在缺乏有效约束或引导的情况下,人工智能的发展很可能走向歧途。面对这一新形势,传统的、基于科层制的治理结构显然难以做出有效应对。一方面,政府试图全范围覆盖的事前监管已经成为不可能,开放的人工智能生产网络使得监管机构几乎找不到监管对象;另一方面,由上至下的权威结构既不能传递给生产者,信息不对称问题的加剧还可能导致监管行为走向反面。调整治理结构与治理逻辑,并形成适应具有开放性、不确定性特征的人工智能生产模式,是当前面临的治理挑战之一。

再者,治理方法的滞后性,即长久以来建立在人类行为因果关系基础上的法律规制体系,可能难以适用于以算法、数据为主体的应用环境。人工智能的价值并不在于模仿人类行为,而是其具备自主的学习和决策能力;正因为如此,人工智能技术才不能简单地理解为其创造者(即人)意志的表达。程序员给出的只是学习规则,但真正做出决策的是基于大规模数据训练后的算法本身,而这一结果与程序员的意志并无直接因果关联。事实上也正由于这个特点,AlphaGo才可能连续击败围棋冠军,而其设计者却并非围棋顶尖大师。也正是在这个意义上,我们才回到了福柯所言的“技术的主体性”概念。在他看来,“技术并不仅仅是工具,或者不仅仅是达到目的的手段;相反,其是政治行动者,手段与目的密不可分”。[15]就此而言,长久以来通过探究行为与后果之因果关系来规范人的行为的法律规制体系,便可能遭遇窘境:如果将人工智能所造成的侵权行为归咎于其设计者,无疑不具有说服力;但如果要归咎于人工智能本身,我们又该如何问责一个机器呢?由此,如何应对以算法、数据为核心的技术主体所带来的公共责任分配问题,是当前面临的第二个治理挑战。

最后,治理范围的狭隘性,即对于受人工智能发展冲击而引发的新的社会议题,需要构建新的治理体系和发展新的治理工具。人工智能发展所引发的治理挑战不仅仅体现在现有体系的不适应上,同时还有新议题所面临的治理空白问题。具体而言,这又主要包括以下议题:算法是否能够享有言论自由的宪法保护,数据的权属关系究竟如何界定,如何缓解人工智能所可能加剧的不平等现象,以及如何平衡人工智能的发展与失业问题。在人工智能时代之前,上述问题并不存在,或者说并不突出;但伴随着人工智能的快速发展和应用普及,它们的重要性便日渐显著。以最为人所关注的失业问题为例,就技术可能性来说,人工智能和机器人的广泛应用代替人工劳动,已是一个不可否定的事实了。无论是新闻记者,还是股市分析员,甚至是法律工作者,其都有可能为机器所取代。在一个“充分自动化(Full Automation)”的世界中,如何重新认识劳动与福利保障的关系、重构劳动和福利保障制度,便成为最迫切需要解决的治理挑战之一。[16]

上述三方面共同构成了人工智能时代崛起所带来的治理挑战。面对这些挑战,各国也做出了相应的公共政策选择。本文第三部分将对各国人工智能的治理政策进行对比性分析。在此基础上,第四部分将提出本文的政策建议。

三、各国人工智能治理政策及监管路径综述

人工智能时代的崛起作为一种普遍现象,其所引发的治理挑战是各国面临的共同问题,各国也陆续出台了相关公共政策以试图推动并规范人工智能的快速发展。

美国于2016年同时颁布了《国家人工智能研究与发展战略规划》和《为人工智能的未来做好准备》两个国家级政策框架,前者侧重从技术角度指出美国人工智能战略的目的、愿景和重点方向,而后者则更多从治理角度探讨政府在促进创新、保障公共安全方面所应扮演的角色和作用。就具体的监管政策而言,《为人工智能的未来做好准备》提出了一般性的应对方法,强调基于风险评估和成本-收益考量的原则以决定是否对人工智能技术的研发与应用施以监管负担。[17]日本同样于2016年出台了《第五期(2016~2020年度)科学技术基本计划》,提出了“超智能社会5.0”的概念,强调通过推动数据标准化、建设社会服务平台、协调发展多领域智能系统等各方面工作促进人工智能的发展和应用。[18]

尽管美国和日本的政策着力点不同,但其共有的特点是对人工智能的发展及其所引发的挑战持普遍的包容与开放态度。就当前的政策框架而言,美日两国的政策目标更倾斜于推动技术创新、保持其国家竞争力的优势地位;当涉及对人工智能所可能引发的公共问题施以监管时,其政策选择也更倾向于遵循“无需批准式(permissionless)”的监管逻辑,即强调除非有充分案例证明其危害性,新技术和新商业模式默认为都是被允许的。[19]至于人工智能的发展对个人数据隐私、社会公共安全的潜在威胁,尽管两国的政策框架都有所涉及,却并非其政策重心——相比之下,英国、法国则采取了不同的政策路径。

英国政府2016年了《人工智能:未来决策制定的机遇与影响》,对人工智能的变革性影响以及如何利用人工智能做出了阐述与规划,尤其关注到了人工智能发展所带来的法律和伦理风险。在该报告中,英国政府强调了机器学习与个人数据相结合而对个人自由及隐私等基本权利所带来的影响,明确了对使用人工智能所制定出的决策采用问责的概念和机制,并同时在算法透明度、算法一致性、风险分配等具体政策方面做出了规定。[20]与英国类似,法国在2017年的《人工智能战略》中延续了其在2006年通过的《信息社会法案》的立法精神,同样强调加强对新技术的“共同调控”,以在享有技术发展所带来的福利改进的同时,充分保护个人权利和公共利益。[21]与美日相比,英法的公共政策更偏向于“审慎监管(precautionary)”的政策逻辑,即强调新技术或新的商业模式只有在开发者证明其无害的前提下才被允许使用。[22]

在本文看来,无论是“无需批准式监管”还是“审慎监管”,在应对人工智能时代崛起所带来的治理挑战方面都有其可取之处:前者侧重于推动创新,而后者则因重视安全而更显稳健。但需要指出的是,这两种监管路径的不足却也十分明显。正如前文第二部分所指出,一方面,快速迭代的技术发展与商业模式创新必将引发新的社会议题,无论是算法是否受到言论自由的权利保护还是普遍失业对社会形成的挑战,它们都在客观上要求公共政策做出应对,而非片面的“无需批准式监管”能够处理。更重要的是,“无需批准式监管”的潜在假设是事后监管的有效性;然而,在事实上,正如2010年5月6日美国道琼斯工业指数“瞬间崩盘”事件所揭示的,即使单个电子交易程序合规运行,当各个系统行为聚合在一起时反而却造成了更大的危机。[23]在此种情形下,依赖于合规性判断的“事后监管”基本上难以有效实施。另一方面,人工智能本身的自主性和主体性使得建立在人类行为因果关系基础上的“审慎监管”逻辑存在天然缺陷:既然人类无法预知人工智能系统可能的行为或决策,开发者又如何证明人工智能系统的无害性?

正如本文所反复强调的,人工智能与其他革命性技术的不同之处,正是在于其所带来的社会冲击的综合性和基础性。人工智能并非单个领域、单个产业的技术突破,而是对于社会运行状态的根本性变革;人工智能时代的崛起也并非一夜之功,而是建立在计算机革命、互联网革命直至数字革命基础上的“奇点”变革。因此,面对人工智能时代崛起所带来的治理挑战,我们同样应该制定综合性的公共政策框架,而非仅仅沿袭传统治理逻辑,例如只是针对具体议题在“创新”与“安全”这个二元维度下进行艰难选择。本文在第四部分从承认技术的主体性、重构社会治理制度、推进人工智能全球治理这三方面提出了政策建议,并希望以此推动更深入地围绕人工智能时代公共政策选择的研究与讨论。

四、人工智能时代的公共政策选择

《新一代人工智能发展规划》明确提出了到2030年我国人工智能发展的“三步走”目标,而在每一个阶段,人工智能法律法规、伦理规范和政策体系的逐步建立与完善都是必不可少的重要内容。面对人工智能时代崛起的治理挑战,究竟应该如何重构治理体系、创新治理机制、发展治理工具,是摆在决策者面前的重要难题。本文基于对人工智能基本概念和发展逻辑的梳理分析,结合各国已有政策的对比分析,提出以下三方面的改革思路,以为人工智能时代的公共选择提供参考。

第一,人工智能发展的基石是算法与数据,建立并完善围绕算法和数据的治理体系与治理机制,是人工智能时代公共政策选择的首要命题,也是应对治理挑战、赋予算法和数据以主体性的必然要求。(1)就算法治理而言,涉及的核心议题是算法的制定权及相应的监督程序问题。算法作为人工智能时代的主要规则,究竟谁有权并通过何种程序来加以制定,谁来对其进行监督且又如何监督?长久以来公众针对社交媒体脸书(Facebook)的质疑正体现了这一问题的重要性:公众如何相信脸书向用户自动推荐的新闻内容不会掺杂特殊利益的取向?[24]当越来越多的人依赖定制化的新闻推送时,人工智能甚至会影响到总统选举。也正因为此,包括透明要求、开源要求在内的诸多治理原则,应当被纳入到算法治理相关议题的考虑之中。(2)就数据治理而言,伴随着人工智能越来越多地依赖于大规模数据的收集与利用,个人隐私的保护、数据价值的分配、数据安全等相关议题也必将成为公共政策的焦点。如何平衡不同价值需求、规范数据的分享与应用,也同样成为人工智能时代公共政策选择的另一重要抓手。

第二,创新社会治理制度,进一步完善社会保障体系,在最大程度上缓解人工智能发展所可能带来的不确定性冲击。与历史上的技术革命类似,人工智能的发展同样会导致利益的分化与重构,而如何保证技术革命成本的承受者得到最大限度的弥补并使所有人都享有技术发展的“获得感”,不仅是社会发展公平、正义的必然要求,也是促进技术革命更快完成的催化剂。就此而言,在人工智能相关公共政策的考量中,我们不仅应该关注产业和经济政策,同时也应该关注社会政策,因为只有后者的完善才能够控制工人或企业家所承担的风险,并帮助他们判断是否支持或抵制变革的发生。就具体的政策设计来说,为缓解人工智能所可能带来的失业潮,基本收入制度的普遍建立可能应该被提上讨论议程了。“基本收入”是指政治共同体(如国家)向所有成员不加任何限制条件地支付一定数额的收入,以满足其基本生活的需求。尽管存在“养懒汉”的质疑,但有研究者已指出,自18世纪就开始构想的基本收入制度很有可能反过来促进就业。[25]芬兰政府已经于2017年初开始了相关实验,美国的一些州、瑞士也做出了一定探索。在人工智能时代尚未完全展现其“狰容”之前,创新社会治理机制、完善社会保障体系,可能是平衡技术创新与社会风险的最佳路径。

第三,构建人工智能全球治理机制,以多种形式促进人工智能重大国际共性问题的解决,共同应对开放性人工智能生产模式的全球性挑战。人工智能的发展具有开放性和不确定性的特征,生产门槛的降低使得人工智能技术研发的跨国流动性很强,相关标准的制定、开放平台的搭建、共享合作框架的形成,无不要求构建相应的全球治理机制。另一方面,跨境数据流动在广度和深度上的快速发展成为了人工智能技术进步的直接推动力,但各国数据规制制度的巨大差异在制约跨境数据流动进一步发展的同时,也将影响人工智能时代的全面到来。[26]故此,创新全球治理机制,在承认各国制度差异的前提下寻找合作共享的可能性,便成为人工智能时代公共政策选择的重要考量之一。就具体的机制设计而言,可以在人工智能全球治理机制的构建中引入多利益相关模式;另一方面,为防止巨头垄断的形成,充分发挥主权国家作用的多边主义模式同样不可忽视。作为影响深远的基础性技术变革,互联网全球治理机制的经验和教训值得人工智能发展所借鉴。

上述三方面从整体上对人工智能时代的公共政策框架做出了阐述。与传统政策局限于“创新”与“安全”之间做出二维选择不同,本文以更综合的视角提出了未来公共政策选择的可能路径。就其内在联系来讲,建立并完善围绕算法和数据的治理体系是起点,其将重构人工智能时代的规则与制度;创新社会治理机制并完善社会保障体系是底线,其将缓解人工智能所带来的影响与波动;构建全球治理机制则成为了制度性的基础设施,推动各国在此之上共同走向人工智能时代的“人类命运共同体”。

五、结语

在经历了60余年的发展之后,人工智能终于在互联网、大数据、机器学习等诸多技术取得突破的基础上实现了腾飞。在未来的人类生活中,人工智能也必将扮演越来越重要的角色。对于这样的图景,我们自不必惊慌,但却也不可掉以轻心。对于人工智能的治理,找到正确的方向并采取合理的措施,正是当下所应该重视的政策议题。而本文的主旨也正在于此:打破长久以来人们对于人工智能的“笼统”式担忧,指出人工智能技术发展的技术逻辑及其所引发的治理挑战,并在此基础上提出相应的政策选择。人工智能治理的这三个基本问题,是重构治理体系、创新治理机制、发展治理工具所必须思考的前提。伴随着我国国家层面战略规划的出台,我国人工智能的发展也必将跃上新台阶。在此背景下,深入探讨人工智能治理的相关公共政策议题,对于助推一个人工智能时代的崛起而言,既有其必要性,也有其迫切性。(来源:中国行政管理 文/贾开 蒋余浩 编选:中国电子商务研究中心)

[参考文献]

[1]国务院关于印发新一代人工智能发展规划的通知[EB/OL]. http://gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2]霍金. AI可能成就或者终结人类文明[EB/OL].http://raincent.com/content-10-7672-1.html.

[3] Elon Musk. Artificial Intelligence is Our Biggest Existential Threat. https://theguardian.com/technology/2014/oct/27/elon-musk-artificial-intelligence-ai-biggest-existential-threat.

[4] Microsoft's Bill Gates Insists AI is A Threat. http://bbc.com/news/31047780. 2017-8-14.

[5] [以]赫拉利.人类简史[M].北京:中信出版社,2014.

[6] The President in Conversation With MIT’s Joi Ito and WIRED’s Scott Dadich. https://wired.com/2016/10/president-obama-mit-joi-ito-interview/. 2017-8-14.

[7] Turing,A. M. Computing Machinery and Intelligence. Mind,1950,59(236).

[8] [9][10] McCarthy,J.What is Artificial Intelligence. URL:http://www-formal.stanford.edu/jmc/whatisai/whatisai.html.

[11] [12][13] [美]佩德罗-多明戈斯.终极算法:机器学习和人工智能如何重塑世界[M].黄芳萍译.北京:中信出版社,2016.

[14] Benkler,Y. The Wealth of Networks:How Social Production Transforms Markets and Freedom. Yale University Press,2006.

[15] Foucoult,M. Discipline and Punish. A. Sheridan,Tr.,Paris,FR,Gallimard,1975.

[16] Srnicek,N.,& Williams,A. The Future isn't Working. Juncture,2015,22(3):243-247.

[17] Preparing for the Future of Artificial Intelligence. https://obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf. 2017-8-14.

[18]薛亮.“日本推动实现超智能社会‘社会5.0’”[EB/OL]. http://istis.sh.cn/list/list.aspx?id=10535.

[19] Thierer,A. Permissionless Innovation:The Continuing Case for Comprehensive Technological Freedom. Mercatus Center at George Mason University,2016.

[20] Artificial Intelligence:Opportunities and Implications for the Future of Decision Making.https://gov.uk/government/uploads/system/uploads/attachment_data/file/566075/gs-16-19-artificial-intelligence-ai-report.pdf.

[21]周衍冰.大数据产业在法国的发展及应用[N].学习时报,2014-11-03.

[22] Thierer,A. D.,& Watney,C. J. Comment on the Federal Automated Vehicles Policy,2016.

[23] [美]杰瑞·卡普兰.人工智能时代:人机共生下财富、工作与思维的大未来[M].杭州浙江人民出版社,2016.

[24] Marcel Rosenbach. How Google and Facebook Can Reshape Elections.http://spiegel.de/international/germany/google-and-facebook-could-help-decide-2017-german-election-a-1120156.html.

[25] Van Parijs,P. Basic Income:A Simple and Powerful Idea for the Twenty-first Century. Politics & Society,2004,32(1).

第6篇

Gartner副总裁兼院士级分析师David Cearley表示:“Gartner的2018年十大战略科技发展趋势(top 10 strategic technology trends for 2018)与智能数字格网(Intelligent Digital Mesh)息息相关。智能数字格网是未来数字化业务与生态系统的基础。在制定创新战略时,IT领导者必须考虑这些技术趋势,否则将面临节节败退的风险。”

前三个战略科技发展趋势探讨了人工智能(AI)与机器学习(machine learning)将如何渗透至几乎任意领域,并代表着未来五年内技术提供商的一个主战场。随后的四个趋势集中于混合数字与物理世界,以打造一个沉浸式、数字增强型环境。最后三个趋势则指的是利用不断扩大的人员与商业规模以及设备、内容、服务之间的连接,实现数字化业务成果。

2018年十大战略科技发展趋势具体如下:

人工智能基础(AI Foundation)

至少到2020年之前,创建能够自我学习、调整并有望自主行动的系统都是技术提供商的一个重要战场。直到2025年,利用人工智能助力决策、重塑商业模式与生态系统、重建客户体验的能力都将是数字化计划取得成功的关键推动力。

Cearley先生认为:“人工智能技术正在快速演化,各企业机构必须对技能、流程与工具投入巨资,以便成功利用这些技术构建人工智能增强型系统。投资领域可能包括数据准备、集成、算法、选择训练方法和建模。数据科学家、开发人员与业务流程所有者等多方支持者将需要一起工作。”

智能应用与分析(Intelligent Apps and Analytics)

在今后几年里,几乎任一应用与服务都将采用一定程度的人工智能。其中某些应用将成为真正的智能应用,若无人工智能与机器学习,这些应用程序将无法存在。其他一些则将潜在利用人工智能,从幕后提供智能。智能应用在人类与系统之间搭起了一个全新智能中间层,有望改变工作的本质以及工作场所的结构。

Cearley先生表示:“在探索智能应用时应将其作为增强人类活动的一种方式,而非简单地替代人类。增强分析是一个格外具有战略意义的、逐渐发展的领域。它面向广泛的商业用户、运营工作者和民间数据科学家(citizen data scientist),利用机器学习自动完成数据准备、洞察发现与洞察分享。”

在广大软件与服务市场内,人工智能已成为下一个关键领域,包括企业资源规划(ERP)的各个方面。套装软件与服务提供商应表明将如何通过高级分析、智能流程和先进的用户体验等形式通过人工智能为新版本增加商业价值。

智能物件(Intelligent Things)

智能物件是指摒弃严密的编程模型,转而利用人工智能实现高级行为并更加自然地与周围环境及人类进行互动的实物。人工智能正在大力推动全新智能物件(如:自动驾驶车辆、机器人与无人机)的进步并为许多既有物件(例如与消费者及工业系统相连接的物联网)带来更强功能。

Cearley先生认为:“目前,用于受控环境(例如耕作与采矿)下的自动驾驶汽车(automobile vehicles)是智能物件快速成长的一个领域。到2022年,我们可能将亲眼目睹自动驾驶汽车在有限、可控且明确定义的道路上行驶的实例。不过,驾驶员可能是自动驾驶汽车的普及的一个必要条件,以防发生意外技术故障。至少在未来五年内,我们预测需要驾驶员的半自动汽车将占主导地位。在此期间,制造商将更加严格地测试技术,同时法律法规问题以及文化接受度等非技术性问题也将得到解决。”

数字孪生(Digital Twin)

数字孪生是指以数字化方式再现真实的实体或系统。在今后三至五年内,物联网项目背景下的数字孪生尤其前途光明,并于当前引领着人们对于数字孪生的兴趣。精心设计的资产数字孪生有望极大地改进企业决策。这些数字孪生与其真实的对应物相关联,并用于了解物件或系统的状态、响应变化、改进运营并提升价值。首先,各企业机构将只是实施数字孪生,然后随着时间的推移而不断改进它们,提高其收集数据、反映正确数据、应用正确分析与规则并有效响应商业目标的能力。

Cearley先生表示:“久而久之,我们世界中几乎每一方面的数字化再现都将与其真实对应物动态地联系在一起,此外还将彼此联系并纳入基于人工智能的功能,以实现高级模拟、运行与分析。城市规划者、数字营销人员、医疗保健专业人员以及工业规划者均将受益于这一向综合数字化孪生世界的长期转变。”

从云到边缘(Cloud to the Edge)

边缘计算(Edge computing)描述了一种计算拓扑,在这种拓扑结构中,信息处理、内容收集与交付均在邻近此类信息的源头完成。连接与延迟挑战、带宽限制以及嵌入边缘的更强大功能均支持分布式模式。各企业应着手将边缘设计模式用于基础设施架构之中——对于拥有大量物联网元素的企业尤其如此。

虽然许多人将云与边缘视作竞争方法,但云实际上是一种计算方式,在这种情况下,可弹性扩展的技术功能以服务形式交付,且天生就无需集中模式。

Cearley先生指出:“从互补概念考虑时,云可作为创建服务导向型模式以及集中控制和协作结构的一种技术方式,而边缘则用作交付方式,从而以离散或分布式流程执行云服务的各个环节。”

会话式平台(Conversational Platforms)

在人类与数字化世界互动方面,会话式平台将推动下一个重大模式转变。诠释意图的负担从用户交给了计算机。该平台接收用户的问题或命令,然后通过执行某些功能、展现某些内容或询问更多输入信息来响应。在接下来的几年内,会话界面将成为用户互动的一个首要设计目标,并通过专用硬件、核心操作系统特性、平台及应用来实现。

Cearley先生认为:“在理解语言以及用户基本意图方面,会话式平台已经达到了临界点,但仍有所不足。会话式平台面临的挑战在于用户必须以非常结构化的方式进行沟通,而这通常都是令人失望的体验。会话模型的稳健性以及用于访问、调用与协调第三方服务以交付复杂结果的应用程序接口(API)及事件模型是各类会话式平台之间的主要区别要素。”

沉浸式体验(Immersive Experience)

会话式界面正在改变人们控制数字世界的方式,而虚拟、增强和混合现实(virtual, augmented andmixed reality)则在改变人们观察和与数字世界互动的方式。目前,虚拟现实和增强现实市场尚不成熟,还处于碎片化阶段。不过,人们对该领域的兴趣非常浓厚,因而催生了视频游戏和360度球幕视频等诸多新奇的虚拟现实应用,然而这些高级娱乐应用目前能产生的商业价值微乎其微。为了推动实现真正有形的商业效益,各企业必须审视特定的虚拟现实和增强现实应用的真实场景,以提高员工的工作效率,同时优化设计、培训和可视化过程。

作为一种融合并拓展了虚拟现实和增强现实技术功能的沉浸式体验类型,混合现实应运而生。作为一种特别的沉浸式体验,这种技术十分引人注意,因为它优化了界面以更好匹配人们观察并与世界互动的方式。混合现实跨度极大,包括用于增强或虚拟现实的头盔式显示器以及智能手机、基于平板的增强现实和环境传感器的应用等。混合现实代表了人们观察并与数字世界互动的范围。

区块链(Blockchain)

区块链正在从数字货币基础架构向数字化平台转变。区块链技术与现有的集中式交易和记录机制截然不同,可作为已有企业和初创公司发展颠覆式数字化业务的基础。虽然有关区块链的宣传都集中于金融服务行业,但区块链在其它一些领域也有潜在的应用前景,比如政府部门、医疗保健、制造业、媒体、身份识别、所有权登记服务和供应链等。虽然区块链前景可观且无疑会带来颠覆式影响,但是对区块链的展望胜过区块链的现实,而且许多相关技术在未来两到三年内难以成熟。

事件驱动(Event Driven)

数字化业务的核心围绕以下理念,即:企业总是保持高度敏感,随时准备探索利用全新的数字化业务时刻。业务事件可以是数字表达的任何事物,反映出明显的新状态或状态变化,比如完成订单或飞机着陆等。借助事件(event brokers)、物联网、云计算、区块链、内存数据管理(in-memorydata management)和人工智能,人们可以更迅速地发现业务事件并进行更加详细的分析。不过,如果缺乏文化和领导力变革,技术本身也难以实现事件驱动模式的全部价值。数字化业务促使IT领导者、规划者和架构者从本身需求出发去积极地采用事件思维(event thinking)。

持续自适应风险和信任(Continuous Adaptive Risk and Trust)

第7篇

在这样的大背景下,大数据相关公司像雨后春笋般层出不穷,数据堂(北京)科技股份有限公司(以下简称“数据堂”)就是其中的佼佼者。

“今年上半年,数据堂业绩大幅增长主要得益于我们强大的数据源储备和广泛的商业用户基础,以及商业模式的创新。我们通过多种形式,在多个领域进行业务拓展,引入更多的数据资源,持续优化我们的数据资产,拉动收入增长。” 数据堂CEO齐红威表示。

平台化数据服务模式

作为一家大数据公司,数据的多少和质量是其核心竞争力。数据堂公开表示,它目前已积累约5万组数据,数据量将近1000TB。

将近1000TB的海量数据是数据堂多年积累的产物,数据堂之所以能积累数量如此之大的数据和数据堂的数据众包平台分不开。数据堂采用众包采集的方式产生数据,利用全球40多万兼职人员帮助数据堂采集大规模的线下数据。齐红威表示:“数据资源的多寡是行业壁垒,需要时间积累。我们这几年运用我们独有的众包数据采集方式和与行业企业合作等模式,积累了大量的数据资源,这为我们后续业务发展夯实了根基。”

过去数据堂采用传统数据服务模式(收集、加工、线下销售),以销售为导向进行数据采集制作。而目前数据堂采用的是平台化的数据服务模式,并将其包装成为大数据电商平台――Datamall数据商城,实现了用户线上销售交易、数据定制、数据合作等多种业务模式的整合和打通,极大地提高了数据变现的能力和灵活性。

进一步拓展覆盖领域

随着数据堂近年来的快速发展,数据堂的覆盖领域也从过去的单一的人工智能领域拓展到金融征信、健康医疗、智能交通等行业领域,并全面构建了覆盖整个数据价值链的生态系统。

BAT(百度、腾讯、阿里巴巴)、华为、微软、英特尔等公司先后成为数据堂的合作伙伴。目前,数据堂已经开始布局海外市场,在硅谷设立了子公司,重点服务北美人工智能领域的互联网公司和高科技公司。

以交通类数据为例,数据堂自2014年起就一直在做业务布局。数据堂目前已经涉猎路况交通、信贷、保险、区域经济分析等领域。值得一提的是,国家正在大力促进社会信用提升,个人和企业征信市场的成长空间巨大,未来我国征信市场空间或将达到千亿元规模。

第8篇

 

对于智能汽车的定义,不同的人有自己不同的理解,不过对于智能科技的终极目标——无人驾驶或者自动驾驶,却是大多数人所向往的未来。尤其在谷歌人工智能机器人Alpha Go大胜围棋顶级高手之后,很多人认为我们距离智能汽车的终极目标似乎越来越近,甚至仿佛可以指日可待,事实果真如此吗?本期我们采访了博泰前瞻技术研发经理原树宁博士,目前,由其主导的博泰V2X项目正在稳步推进,在无人驾驶领域已取得了有效的进展。

 

记者:在可见的未来,像AlphaGo那样专门用于下围棋的人工智能(AI),专门应用于自动驾驶的人工智能(AI)会出现吗?

 

原树宁:我的观点是保守的肯定。目前来看,汽车上已经开始在应用的视频分析、自适应巡航、自然语言识别等技术实际上已经利用了人工智能,但是基于通用智能的这种无人驾驶,就是它可以自己去适应任何交通环境的自动驾驶技术,可能还遥遥无期。要大规模普及无人驾驶需要在决策层应用人工智能(AI),目前的视频分析,专业语音识别等技术都是在感知层的应用。人工智能(AI)在无人驾驶中的应用,其核心肯定是人工智能(AI)AI在决策层的作用,比如说车速怎么加?方向朝哪里?如果这个决策本身是人工智能(AI)做出来的,没有人工的干预,这才是真正的无人驾驶,或者说自动驾驶。

 

而且我认为如果无人驾驶要大规模普及,用传统的程序控制方法是很难做到的,它必须使用机器学习,或者人工智能(AI)的方法实现决策。由于交通规则不是绝对的,如果用人工智能(AI)实现决策,那么人工智能(AI)就要适应没有规则的情况,它会遇到很多困难,比如说,有一个人赖在前面不走,或丢一个大东西等情况,因为智能汽车是绝对遵守规则的,如果别人不遵守规则,就可以欺负它。

 

事实上,现有的人工智能基本上都是对特定任务设计的,例如:图像识别、自然语言识别、软件框架设计、扮演游戏对手等非常细分的专业应用。各个应用之间是分割的、不能垮行业使用的。另一方面,人工智能领域中的“通用人工智能(General AI)”,依然是科技界长期奋斗的目标。通用人工智能要能够很快学习新的规则,适应新的事物,能够直接应用在不同的领域,会下棋、也会打桥牌、还认识朋友、会开车。不过如何实现通用人工智能,我们目前在理论上都还没有搞明白。

 

记者:人工智能(AI)在自动驾驶中的作用是什么?

 

原树宁:首先是环境感知。这是自动驾驶的数据基础,提供车辆周边环境的状况。车辆不但需要知道自己所在的位置,还要获取道路属性、周边物体的属性、交通设施的属性。在这个层面上视频分析、雷达成像分析等人工智能手段是完成环境感知的最重要组成部分,这一部分的技术发展已是突飞猛进,例如对车辆、摩托、行人、动物、障碍物、限速牌、红绿灯、车道的识别。好的识别模型和大量的数据训练能够保证很高的识别正确率,但是,机器学习本身,即使在理论上,它都无法保证绝对(100%)的正确。这在自动驾驶中却是不可原谅的缺点,如果环境感知不能确保绝对的正确,那如何保证决策的正确性呢?如何保证行车安全呢?人们会购买发生事故的自动驾驶车辆吗?因此在环境感知层面,人工智能与工程手段将会起到相互补充的作用,实现对环境的正确感知。其中非常有潜力的一项技术就是V2X技术,它会将所有的交通基础设施和每辆车都贴上标签,实时的播发自己的相关信息,从而使得每部汽车都能直接获取周边的情况,再结合其他传感器,实现信息冗余,保证对环境的正确感知。

 

其次是决策协同。决定车辆的行驶速度、方向、线路等根本问题。基于程序控制的车辆完全能够实现自动驾驶。但是,它只能运行在有限的场景之下,极度缺少应对能力,并且消耗大量的程序分析和维护时间(系统越复杂维护成本越高)。基于机器学习的人工智能在决策协同领域有着无可比拟的优势,自我完善,维护成本越来越小,具有较强的适应和应变能力。就好比用编程控制的方式也能让程序下围棋,却永远无法达到AlphaGo的高度。但是,这里也会遇到一些奇奇怪怪的障碍。

 

1)无规则。在现实生活中交通规则不是绝对必需遵守的,而围棋的规则至少在正规比赛中双方都是绝对遵守的。如果李世石偷偷在棋盘上多放一个子,AlphaGo会怎么处理?应该整套模型都必需重构吧?这也是大家调侃谷歌不敢挑战中国麻将的原因。一个随时可以被打破的规则(闯红灯、超速、逆行、横道线抢行等)就是没有规则。这样的模型建立恐怕绝不亚于“通用人工智能”的难度。解决方法就是建立一个必需绝对准守的规则,将那些可能不遵守规则的参与者全部剔除,于是乎就只身下自动驾驶车辆本身了。

 

2)规则重塑。在一个只有自动驾驶车辆的路网上,机器的驾驶行为将会完全不同于人类的驾驶行为。例如,人类在高速上行驶需要保持100米左右的车距,其原因是人类生物能力的限制,例如,高速时视觉的狭窄化、反应时间的限制。此时机器完全不需要顾及人类生物能力的限制,而是根据自身的反应时间、信息处理的范围和能力重新定义交通规则,例如高速公路车速完全可以提升到200km/h,甚至300km/h,车间距离可以缩小到数米甚至完全对接,高速公路的线型(坡度、转弯半径、车道宽度)也可以放松要求。新的规则将保证自动驾驶车辆的安全运行。

 

3)车辆互学习。这个只有在自动驾驶车辆行驶的道路网中进行,车辆的驾驶行为和我们现在人类的驾驶行为将会大相径庭。但是人类的驾驶行为可以作为车辆自己学习驾驶的起点。人类开车时是如何保持车距、如何在拥堵时协作排队、如何变道、转弯、掉头对于AI而言都是难能可贵的经验。以此起点,在既定规则下,向自动驾驶道路网投入已经学会了人类开车方式的车辆,让他们之间相互协作、相互学习,优化自己的驾驶效率。就如同两个AlphaGo对弈,相互学习围棋技艺。

 

最后是控制执行。这是对决策的执行,例如决策需要5秒加速到80Km/h,那么该喷多少汽油,发送机转速要多快等等。这里完全是工程的世界、是精确控制的领域,需要对命令的坚决和精准地执行。这里和人工智能无关。

 

记者:能否为我们描述一下智能汽车的演化过程。

 

原树宁:智能汽车是汽车革命里面最重要的一次革命。一开始的无人驾驶,肯定是在高速或者专有的道路上,然后这些专有的道路,逐渐会开放为半封闭状态,比如在城市的公交专用道里设置无人驾驶专用道,智能汽车在某些地方可以像出租车一样跑,它也可以在无人驾驶专用高速路上行驶,这时它速度就会非常快,相当于结合了高铁和出租车的共同优点。我觉得,无人驾驶首先应该在相对比较封闭,而且交通量不大的地区出现,美国的那些中小城镇是非常合适的实验场所。

 

记者:因为他们地广人稀。

 

原树宁:对,本身他们的交通不那么复杂,不遵守交通规则的人相对也少一点。至于智能汽车的商业模式,我觉得以出租车的形式出现的可能性最大,就是以“共享车”,或者“服务车店”的形式出现的可能性最大。

 

然后可能会在高速公路上实现无人驾驶,并且能够进行几辆车并在一起的行驶,同期可能也会出现高速上的测试,之后,系统会逐渐合并,技术上也会合并,重点解决车辆怎么协作,在低速道路上怎么行驶等问题,最后就会出现跨城市的自动驾驶。第一阶段,比如在美国小镇、出租车式的无人驾驶,我觉得可能在2020年能够实现;第二阶段,在高速道路上,拼车高速行驶的情况在2025年左右,在某种程度上可能会出现。

 

事实上,车本身不能识别人类的世界,所以需要把整个道路系统变成车辆能认识的世界,也就是需要把整个道路数字化,让车能识别出自然就解放了驾驶者,这就是“车车通信系统”和“车路通信系统”。但是,无人驾驶不应该是被动接受周边的信息,如果所有的车辆甚至包括摩托车也安装了这些装置,将车辆和车辆之间实现通讯交互,这个时候整个交通系统就可以完成交流,并形成车和车之间的互动与协作。

 

记者:智能汽车的市场在什么条件下会爆发?

 

原树宁:只有技术发展到一定程度,真正的商业模式才能出来。

 

例如电脑和手机的发展。智能手机能够出现并快速替代传统手机,关键在于两项技术,一是操作系统,二是3G移动网络。个人计算机的普及也一样,Windows操作系统使每一个人都可以使用计算机,而互联网为每个使用计算机的人提供了丰富的内容。

 

智能汽车的大规模爆发,也需要同样的技术条件。其中,操作系统的核心作用是屏蔽硬件的复杂性。由于每个品牌汽车的接口都不一样,应用软件的开发会遇到车企不开放CAN总线接口的问题。如果在车辆CAN总线上加一个中间层,就可以将车辆的各类消息和接口转化为类似计算机C库的标准库。这样,任何程序员都可以方便地对智能汽车进行软件开发,软件开发人才也因此可以在市场上普遍获得。

 

所以说,这样一个操作系统是非常重要的。类似的开发工作,国外的AUTOSAR联盟(即 AUTomotive Open System Architecture,汽车开放系统架构)已经在做,一些企业也可能在秘密研发。可以说,谁能做出这个操作系统,谁就将主导未来的汽车市场。

 

再看网络。谷歌无人驾驶车采用地图加大量传感器的方式,已经做了很多年,为什么至今无法大规模商业化?因为不能出错。计算机和人的认知方式不同,只知道0和1。让一辆无人驾驶的智能汽车在行驶中识别人类世界是非常困难的,即使准确率达到98%,也是不够的。要解决这个问题,就要通过车路通讯,把所有路侧信息全部数字化,包括其他车辆、红绿灯、施工信息等,变成计算机可以了解的东西。这就是V2X,也是智能汽车所需要的网络。只有这个时候,无人驾驶的时代才会真正到来。

 

记者:自动驾驶技术产品化的过程中,最大的难点是什么?在智能汽车的发展中,最有前景的技术又是什么?

 

原树宁:在产品化过程中有两点最重要:一是可靠性,产品绝对不能出问题; 二是适应性,道路环境非常复杂,比如在澳大利亚开车,可能会突然跑出一只袋鼠。最重要的技术就是我刚才谈到的两项,一是与硬件无关的编程技术,放大来说就是整个车载操作系统;二是V2X网络技术。当然,传感器、地图等技术也非常重要,但它们已经很成熟了。

 

记者:在实现更智能的汽车方面,目前你们做了哪些工作?

 

原树宁:博泰V2X技术的诉求正是让所有的道路设施全都变成车辆能懂的语言,然后去完成现在的无人驾驶系统没有办法完成的工作,最终实现普遍的无人驾驶。我们已经完成了V2X box设备在不同场景下的通信性能测试,该设备可随时发送车辆的速度、位置等信息,同时接受其他车辆发送的信息;开发了车辆主动安全仿真系统,实现了车辆间急刹警告、追尾警告、交叉口碰撞警告三大主动安全功能,并进行了多次真实场景道路测试。

 

记者:能否用你观点来定义智能汽车对于交通运输变革的意义?

 

原树宁:智能汽车的突破,类似于内燃机取代马车,是一场真正意义上的革命。第一,它提高了效率,第二,它节约了资本,同时也节约人力,节约了大量的基础设施建设。

 

记者:智能汽车实现了自动驾驶,或者无人驾驶,是不是也使得汽车的驾驶乐趣也消失了?

 

原树宁:肯会有这么一种人,愿意自己开车,就像现在很多人还是愿意骑马一样,那么这些人可以去特定的场所去驾驶汽车,就像现在的人要去马场骑马。

第9篇

2015年12月,微软亚洲研究院首席研究员刘铁岩博士去蒙特利尔参加了NIPS年会(Annual Conference on Neural Information Processing Systems),这是人工智能领域的顶级学术会议。但与会期间,他印象最深的不是同行的专业进展,而是一位科学家告诉台下的与会者,早些年,他的博士生根本找不到工作,今年却被一抢而空。

这也是中国正在发生的故事。从硅谷到北京,人工智能都是热浪滚滚。这个在上世纪50年代和80年代掀起过两次的技术,现在似乎真的到了产业化的临界点。互联网时代的思想家和预言家凯文·凯利宣称,人工智能是下一个20年里颠覆人类社会的技术,它的力量堪比电与互联网。

人工智能(Artificial Intelligence),缩写为AI。它是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。该领域的研究包括机器人(26.660, 0.12, 0.45%)、语音识别、图像识别、自然语言处理和专家系统等。

人工智能快速进入大众视野,源于今年3月谷歌围棋人工智能程序AlphaGo战胜世界冠军李世石。人机围棋对弈只是普及人工智能的一个秀。它的背后是规模千亿级的人工智能产业市场。BBC预测,2020年全球人工智能市场规模将达1190亿元人民币。

目前看,这一数据远比不上2015年中国移动互联网的产业规模。但人工智能的意义不仅于此,人工智能技术的发展,还将带动云服务、大数据分析、移动互联网和物联网产业的升级迭代。它甚至将超越移动互联网,全面改变人类的生活和工作方式。

离人工智能最近的IT互联网公司敏锐嗅到了这一机遇。从2011年开始,包括深度学习算法、计算资源和大数据产业的成熟令人工智能技术实现飞跃,包括微软、IBM、谷歌、Facebook、BAT在内的国内外企业都开始深度布局人工智能,试图把握风口,成为下一个产业变革的巨擘。

已布局人工智能的IT和互联网巨头们,最有资格成为这一轮革命的获益者。但这终究是一个漫长的耐力游戏,除了技术布局,产业布局和战略视野也是决定成败的关键因素,短视者将随时出局。

BAT保守布局

中国的所有行业中,以BAT为代表的互联网行业在人工智能研究和商业化探索方面走得最早,也看得最远。其中,技术起家的百度走在最前端。

2012年10月,百度董事长兼首席执行官李彦宏参加了内部的一个基于深度学习的语音识别产品研究会。当时该产品的主导者余凯回忆,那是李彦宏第一次知道深度学习,他非常吃惊,并给全公司写信,让所有产品经理都要了解人工智能技术的发展。

当年12月,李彦宏开始和余凯讨论成立深度学习研究院的可行性。次年7月,这个研究院成立,李彦宏任院长,余凯为常务副院长。这是中国公司里的第一个人工智能研究院。

李彦宏很快将相关技术投入到搜索的核心业务中。2014年的百度内部统计数据显示,深度学习技术的应用,让百度和竞争对手的Diff(different,内部叫Diff)指标提升了若干倍。

但人工智能的科研,尤其是基础科学研究,是一个冗长寂寞的过程。此后,迫于财务数据和竞争压力,百度的决策者们更加注重眼前的布局和资源。

“到了后期,太长远项目,或是比较创新的项目,百度总部确实不太支持了。百度i站的项目、百度快搜这样的项目没了。”一位不愿具名的前百度人工智能研究岗位人士评价。一位现任百度相关人士对《财经》记者表示,百度前些年确实剔除了不少经过验证没有商业化前景的分支项目,但最近两三年,百度明显加大了在人工智能上的投入,包括无人驾驶汽车等长期项目。

6月8日,在2016百度联盟峰会上,李彦宏将百度无人驾驶汽车称作“一台带轮子的电脑”。他现场播放了百度无人车路测的实况录像,百度无人车已经可以像正常车辆一样加速、并线、超车,他同时表示,三五年之内,无人驾驶一定可以成为现实。

从整体来看,百度仍是BAT三家中首先完成有关人工智能技术体系整合的公司。目前,百度研究院、百度大数据、百度语音和百度图像等技术都已归入人工智能技术体系。李彦宏多次向外界强调,百度未来的发展将严重地依赖人工智能。

IBM研究院一位人工智能专家告诉《财经》记者,百度是被他们列入竞争列表的唯一中国公司。

硅谷尤其关心“百度大脑”的进展。百度大脑是百度在人工智能领域的核心。百度此前的诸多人工智能产品,如无人驾驶、智能搜索等,都是基于百度大脑的能力。

百度高级副总裁、自动驾驶事业部总经理王劲称,百度大脑已具备视、听、说和预测、规划决策以及行动控制的能力。在数据方面,百度有万亿级的网页、移动和行为数据可供分析。在深度学习方面,百度的万亿参数排在世界第一。

2015年,百度的研发投入超过100亿元。占百度2015年总营收663.82亿元的15%。

百度正在计划将百度大脑在金融、汽车、医疗等领域商业化。李彦宏称,人工智能的“井喷式”创新,将推动互联网进入第三幕,并将重构传统产业。比如“人工智能+金融”,可以快速地实现征信升级,实现“秒放”贷款。

阿里巴巴和腾讯的布局则更加克制。或者说,它们更代表中国公司的普遍做法,从业务驱动开始,逐渐加大档位。

阿里从2011年开始布局互联网医疗,投资收购和战略合作的公司数以百计。围绕医院、医保、医药做了大量布局。最新的统计数据显示,全国已经有超过400家大中型医院加入阿里的“未来医院”计划,覆盖全国90%省份。阿里云人工智能首席科学家闵万里博士告诉《财经》记者,阿里在健康医疗领域的布局快慢,取决于阿里在人工智能领域的技术突破。

阿里的设想是,未来,在阿里遍布全国边远山村的医院医疗点里,病患足不出户,只需拍一张CT,通过远程技术来完成专家级的诊疗过程。这种诊疗,依赖的就是基于阿里云的人工智能医疗系统。随着学习数据的不断增加,机器会变得越来越聪明,最终成为一个“永不退休的医学专家”。

多位接受《财经》记者采访的专家评价,阿里这个技术并不复杂,医疗诊断是基于经验的专家型劳动,是机器擅长的经验学习,三年内该技术便可成熟。

闵万里告诉《财经》记者,要实现这个目标,除了技术平台,还需要整个医疗体系的打通,需要政府和社会共同推动设备和资源的开放。一旦打通,聚合在一个人工智能服务平台之上,就将衍生出更多的应用服务场景,从而实现“商业和技术互为驱动”。

阿里是目前中国所有公司里,数据生态最完善、最健全的公司。iPIN创始人兼CEO杨洋认为,阿里的MaxComputer数据通道,是非常健康的数据大动脉,可以将阿里的所有数据资源非常高效地结合在一起。

此外,阿里云也是目前世界上最接近AWS(亚马逊云服务)的云计算平台。数据生态体系是做人工智能的重要基础。因此,在这场有关未来的布局中,阿里云的主导地位清晰。

阿里的人工智能研究分散在其各个业务分支之中,有待整合。闵万里说,阿里希望在算法能力上有所突破,这需要一个集中的技术机构来整合阿里的所有相关技术资源。

腾讯和阿里的情况类似。腾讯在人工智能上的布局,以IM和SNS业务为基础。例如语音识别主要是在微信部门、图片识别主要是在QQ,支付和金融业务方面植入了人脸识别,搜索部门则关注自然语言识别。

其中一些技术已在腾讯内部实现产品化。SNG(社交网络事业群)的优图团队聚焦图象识别领域,推出了黄图识别功能,并为腾讯内部产品如图片优化工具“天天P图”提供技术支持。WXG(微信事业群)则人机互动领域的拓展,也对图像和语音识别进行了原发。WXG推出了智能机器人“小微”,用户可以用自然语言与之沟通,解决此前语音助手智能机械应答的短板。对于未来,工程师希望“小微”成为一种“连接器”——与微信支付串联起来,接入微信公众号以及钱包内的各种生活服务,打造完整的微信内O2O闭环生态体系。

腾讯高级副总裁姚星在接受《财经》记者采访时表示,腾讯越来越重视在人工智能领域的技术开发,这包括两个路径:一是整合腾讯自身的技术资源,形成体系和重点;二是加快对优秀公司的收购和合作步伐。

腾讯参与了多个人工智能项目的早期投资。腾讯投资并购部一直在为公司寻找需要的标的,服务于腾讯的整体战略。腾讯日前与硅谷风投机构Felicis Ventures领头了人工智能创业公司Diffbot 1000万美元的A轮。这家公司通过人工智能技术,让“机器”抓取网页关键内容,并输出软件可以直接识别的结构化数据。

BAT的人工智能技术研发从第一天开始就是商业需求驱动的,他们从业务入手,收购甚至模仿别人的东西,这种做法避免了漫无目的研究和不必要的失败,但也无法保证在下一轮的人工智能平台大战中胜出。

今年,阿里和腾讯均有组建人工智能研究院的想法。姚星对《财经》记者说,很快,腾讯人工智能研究院就会成立。

国际巨头深入无人区

如果说BAT的人工智能布局处于对标和追赶的状态,那么以IBM、微软、谷歌、Facebook为代表的美国巨头公司已经开始深入科技无人区。

这些公司技术和业务各有所长,面向的用户也不同,但它们的目标一致:把人工智能机器做大、做强、再做没。

IBM和微软可能没有谷歌、Facebook看起来那么酷,但在人工智能领域有深厚的技术底蕴,IBM甚至已经开始用人工智能赚钱。

IBM人工智能研究可以追溯到1997年“深蓝”战胜当时的国际象棋世界冠军卡斯帕罗夫。2011年,代表着IBM在认知计算领域最先进技术的Watson在一个电视节目中一战成名,被认为是人工智能历史上的一个里程碑。

今天可以代表IBM在人工智能领域最高技术水平的,是不断进化中的Watson系统,和已经可以量产的人脑模拟芯片SyNAPSE(超大规模神经突触计算机芯片)。

Watson是一台超级计算机,最初由90台IBM的Power 7服务器并行组成。和Google、微软的人工智能相比,它从硬件芯片构架就开始模拟人类神经元,基于IBM的“DeepQA”技术开发。2014年1月初,IBM宣布组建“Watson Group”,旨在进一步开发、商用和增强“Watson”及其他认知技术,此外还投入10亿美元用于其他相关项目。

Watson已经开始为IBM赚钱了。法国农业信贷银行预测,Watson系统创造的收入将在2018年占IBM总收入的12%以上。Watson已经被部署在IBM去年收购的云计算基础设施业务Softlayer上,成为IBM与亚马逊、谷歌、微软等大型科技公司在云计算领域展开竞争的武器。

另一个代表性产品是IBM在2014年的人脑模拟芯片SyNAPSE。该芯片能够模仿人脑的运作模式、低功耗,在认知计算方面要远胜传统计算架构。和其他芯片公司的纸上规划不同,这款芯片已达到量产要求。

IBM将其技术和商业实力总结为“认知计算体系”。IBM大中华区副总裁、战略部总经理郭继军向《财经》记者表示,IBM推动认知计算体系,目标是把IBM在人工智能、大数据、深度学习、模式识别等所有领域里所做的积累应用到各个行业中去,帮助各行各业客户提升效率,解决他们所面临的现实挑战。

微软人工智能技术的研究已超25年。1991年微软成立研究院,最早的五个研究组,研究方向分别是人机交互、自然语言处理和机器学习、语音识别和语音合成、计算机视觉。这些恰恰是今天人工智能的几个最重要的分支。

微软的人工智能研究方向要宽泛很多,微软研究院拥有超过1000位科学家,在包括深度学习的多个领域的技术布局处于世界顶端。

微软最新的深度学习系统在2015年ImageNet计算机视觉识别挑战赛中,将计算机视觉系统错误率降低至3.57%,相比于人眼辨识的5.1%,这是人工智能首次在识别图像的错误率上超越人类水平。这些机器由微软的Azure云服务提供支持。

微软不仅将人工智能技术应用于如Windows、Azure等核心业务中,还构建开放的平台,将多年的技术积累开放给产业界,它的目标是打造一个人工智能生态圈。

它在无人区走得最远,在现实商业世界中隐蔽得最深。

和前辈相比,年轻的谷歌在人工智能领域做的事情更让外界看得懂,也更兴奋。谷歌一方面不知疲倦地做底层人工智能技术的积累,研发更加高级的深度学习算法,增强图形识别和语音识别能力。另一方面亲力亲为布局了包括智能家居、自动驾驶、机器人(2013年收购了8家机器人公司)等领域,前者为后者带来基础技术支撑,后者为前者提供数据和反馈。

值得一提的是,谷歌在无人驾驶汽车领域的技术积累,已经远远超过传统汽车厂商和其他互联网公司。

更加年轻的Facebook,将人工智能视为未来的三大方向之一。Facebook天然拥有全球范围内的海量社交数据,但在基础科学的研究上依然不遗余力。2013年,Facebook在加州成立了Facebook AI Research (FAIR)。卡耐基梅隆大学机器人系博士、Facebook人工智能组研究员田渊栋称,FAIR的研究方向自由宽松,研究所需的计算资源(如GPU)相对丰富,同时也没有近期的产品压力,可以着眼长远做困难和本质的研究。他称,这样的学术氛围在各大公司是极其少见的。

如果说前述几大巨头都是从人工智能技术出发,结合云计算赋予技术更多势能,那么亚马逊的路径正好相反。亚马逊是全球第一大云服务提供商,它的云服务收入超过微软、IBM、谷歌、Salesforce等所有对手的总和。但亚马逊目前的人工智能技术,多数集中在提升购物体验的深度学习领域。

人工智能技术有两大要素:核心技术平台和数据循环。只拥有技术是不够的,需要业务和数据结合,才能打造好的技术。对循环数据的获取,巨头们也都不遗余力。

以最热衷开源的微软为例,去年,微软了“牛津计划”(现更名为“微软认知服务”),这是一个基于微软云平台的智能API(应用程序编程接口),涵盖了五大方向的人工智能技术,包括了计算机视觉、语音、语言、知识、搜索五大类API。去年夏天火爆的How-Old.net,就是借助该平台快速开发出来的一款应用,一共只有20多行代码。

类似的工具包微软还有很多,例如深度学习工具包(CNTK)和微软亚洲研究院主导的微软分布式机器学习工具包(DMTK)等。

这些对于创业公司和中小企业来说相当实用。他们不用从底层技术一点点学,在小集群上或者是云服务上就可以直接调用。

对于巨头来说,算法已经不再是竞争的障碍,数据和用户习惯才是山头。大量的初创企业会采用开源做很多垂直领域的业务,其中包括海量试错和验证,最终也会反馈回开源,而这正是巨头们所期望的。

做B2B生意的IBM对数据的专业度要求更高,无法仅依赖搜索引擎和大量应用的交互来训练Watson系统,因此通过深度合作和并购来获取专业数据。

以医疗领域为例,IBM和多家世界级顶尖医院合作,向医院部署Watson的智能系统,通过分析这些医院的病历、专家的治疗经验、现有的学术研究等,帮助它们制定、观察和调整癌症患者的治疗方案。在这一过程中,Watson也就有了这一领域的数据积累。

2015年4月,IBM收购了Explorys,它是一家可以查看5000万份美国患者病历的分析公司。类似的收购IBM还有不少,并且出手相当大方。

Watson已经可支持针对乳癌、肺癌和结肠直肠癌、皮肤癌等癌症的初期诊断。在皮肤癌领域,在一项对3000幅皮肤镜检查图像的研究中,Watson识别皮肤癌的准确率高达95%以上。而人类识别皮肤癌的准确率只有84%。

国内的一位人工智能业者调侃,国际巨头在人工智能领域真正有价值的是它们的那些你看不见的、没开源的、国际会议上含含糊糊一笔带过的技术。“那些才是可以颠覆未来的弹药。”

填补断层

人工智能的产业结构可以分为三层:应用层、技术层和基础层。应用层聚焦在人工智能和各行业各领域的结合;技术层是算法、模型和技术开发;基础层则是计算能力和数据资源。

BAT擅长第一层。BAT手中,天然握有全球最大的数据资源。但在第二层和第三层严重断层。中国在人工智能领域的科研水平停留在工程数学、物理算法等工程科学的创新层面,基础理论研究领域的人才和资源很少。

多位接受《财经》记者采访的中外业者认为,BAT的优势在于海量数据,和国际巨头的核心差距在技术。

腾讯高级副总裁姚星告诉《财经》记者,今年初,他和腾讯的投资并购部达成了一个共识,开始大量考察美国的机器学习平台类创业公司。一则中国这类技术公司不多;二则收购这种公司可以快速补足腾讯在算法领域的不足。

姚星向《财经》记者分析,同样提供10万个样本给机器,优秀的算法平台可能只需要几个小时,速度慢的可能需要几天时间。

对于海外收购,搜狗公司CEO王小川则更加直白:“国内适合收购的标的公司很少,因为根是断的,(技术和基础研究)源头在国外,要到国外看。”

在快速迭代的互联网世界里,即便是互联网巨头,单打独斗练独门秘籍也会错失良机。最佳方式,就是拥有数据和拥有技术的公司,通过各种结盟方式形成优势互补,快速抢占市场。

2014年11月,蚂蚁金服宣布和旷视科技战略合作,利用后者的人脸识别技术Face++软件去确认开立在线银行账号的用户身份,即“人脸支付”。

Face++在人脸检测的多项指标评测中接连拿下世界第一。2013年,在极难识别的互联网新闻图片上,获得了97.27%的准确率,这个指标高于Facebook团队。三年后,这一准确率已提高至99.5%。

进行面部识别,需要处理大量来自面部的数据信息,包括结构、五官以及肌肉等方面的数据分析。阿里云为这个合作注入自身的数据和分析能力。

“凡是花钱解决的问题都不是问题,阿里可以自己完成这些事情,但时间成本是相当昂贵的。”闵万里对《财经》记者说,“阿里有1000件同级别的事情要做,能做好的只有其中几件,剩下的用投资+合作,这是时间和资本效率最高的做法。”

技术和数据的结盟并不限于BAT,更多的公司希望通过结盟方式获得未来,新的巨头或许从中诞生。

搜狗CEO王小川的思路是社交化,做更多连接,通过建设社群关系,把人大脑里的智慧表达出来,从而解决目前搜索技术存在的内容不够精准和实用性较差的问题。2013年腾讯入股搜狗后,先后向搜狗开放了微信公众号数据和QQ兴趣部落,为搜狗输入数据资源。除此之外,搜狗还在去年11月战略投资知乎1200万美元,全面接入知乎内容。

王小川想让搜狗的人工智能机器不断学习社群数据,他对《财经》记者说,“人工智能下一个五年不在于人工智能本身,而是让机器找到人。”

今天,技术和数据的天然开放性让各公司之间的竞争变得“我中有你、你中有我”,最终的赢家是可以将技术和数据平衡利用,达到平台效益最大化的公司。

微软亚洲研究院常务副院长芮勇认为,横向对比,中国和国际领先公司在核心技术上确实存在差距,国外更加注重基础研究和技术研发,国内企业可以将国外的研发工具化、商业化;从纵向看,中国在人工智能领域的技术积累近几年确实出现了飞跃,无论是最底层的计算机体系架构,还是智能硬件,或是上层软件应用,都有质的进步。

“只要不太急于求成,持之以恒地投入,中国的人工智能产业相当值得期待。”芮勇说。

挤出泡沫

马云在一次内部讲话中强调:“全球都在讲人工智能,到了风口浪尖,在创新面前,没有第二只有第一,创新落伍了,你就输了。”

焦虑的不仅是BAT,华为公司创始人任正非5月30日在全国科技创新大会上发言提到,“未来二三十年人类社会将演变成一个智能社会,其深度和广度我们还想象不到。如果不能坚持创新,迟早会被颠覆。”

开放趋势之下,人工智能也注定不是一场巨头间的战争。

市场调研机构CB Insights的统计数据显示,2014年风险资本对人工智能的投资增长302%,达到3.09亿美元。

中国人工智能领域已有近百家创业公司,65家获得投资,共计29.1亿元人民币,其中旷视科技、优必选、云知声、SenseTime四家公司登上艾瑞独角兽榜单。

更多初创公司只是打上了人工智能的标签。它们本质上是用国际开源的平台,用数据训练一两个模型,甚至照搬国际模型,这其实潜含危险,最大的风险是产品严重同质化,尤其在人脸识别、语音识别等成熟领域,这些公司的产品没有突破性创新,根本没有继续走下去或被收购的价值。

姚星常常为投资人鉴定真伪人工智能公司。他说,辨识伪人工智能公司有两个关键点:一是这家公司所采用的技术是否是最新、最前沿的技术,如果不是,则是用人工智能概念包装的伪人工智能。

其二,这家公司的技术和业务是否具备可扩展性?若否,则是采用部分机器学习算法或浅层人工智能技术的商业公司,而非真正的人工智能公司。

iPIN是一家拥有文本认知智能技术的公司,从去年开始,iPIN收到了不少投资机构的投资意向,该公司创始人兼CEO杨洋告诉《财经》记者,到目前为止,他还没有遇到真正有能力鉴别人工智能技术水平的投资机构。

“这对于做伪人工智能的公司绝对是一个好消息。”杨洋调侃说。

危险在于,就算是一些初创时期确实手握人工智能独特技术和商业模式的公司,也在资本的胁迫下慢慢走形。

在资本的压力之下,一些人工智能创业公司开始过早商业化,研发投入逐步降低,人员结构也发生变化,销售开始主导公司,最终技术公司变成营销公司,失去了被并购的价值。

投资人工智能公司,需要专业技术知识和长线投资眼光。根据Gartner的“智能机器炒作周期图”,由人工智能驱动的应用中,语音识别产业化最高,自动驾驶汽车和智能顾问处于炒作最高点,智能机器人、自然语言处理/生成和虚拟个人助手则处于爬坡期。这些都属于5年-10年内能广泛普及的颠覆性技术。而神经形态硬件(如神经元芯片等)属于10年以后才能普及的技术,但该技术可能还没研发成熟就被淘汰了。