我是h1

 

地址: 深圳湾科技生态园5栋D座1302室
客服电话:
4008400488
邮箱: bd@rainxn.com

墨客星球

友情链接

© 2019 深圳雨本信息技术有限公司 | 粤ICP备17123203号 网站建设:中企动力 深圳

联系我们

最新文章

谷歌遭美司法部反垄断诉讼;美团、飞猪被指数据“杀熟”
谷歌遭美司法部反垄断诉讼;美团、飞猪被指数据“杀熟”
继5G技术后,华为云在欧美或再遭封杀;我国首套矿用高可靠5G专网系统投运
继5G技术后,华为云在欧美或再遭封杀;我国首套矿用高可靠5G专网系统投运
马云称现在是最好的创业时机;苹果暂停收取30%的“苹果税”
马云称现在是最好的创业时机;苹果暂停收取30%的“苹果税”
印度政府宣布禁用118款中国App;台积电之后,美光也将断供华为
印度政府宣布禁用118款中国App;台积电之后,美光也将断供华为
TikTok交易或将推迟至11月份;华为最坏情况或退出手机市场
TikTok交易或将推迟至11月份;华为最坏情况或退出手机市场
字节跳动:正式起诉特朗普政府;华为员工担心裁员!多名高管已离职! 星球日报
字节跳动:正式起诉特朗普政府;华为员工担心裁员!多名高管已离职!

在改变世界的路上,AI必须战胜这两大拦路虎

人工智能
2019年2月17日
浏览量
【摘要】:
AI如何才能落地?


在经历了两次的起伏之后,人工智能终于迎来了第三次浪潮,而这一次,人工智能不仅从学术圈跃入到了大众视野,更重要的是,人工智能浪潮开始席卷教育、安防、娱乐等行业,正在渗透到人们生活的方方面面,“AI+”效应明显。

然而,正如越来越多的人所看见的那样,目前的人工智能其实还远没有达到强人工智能阶段,即使是在弱人工智能领域,其也还远没有达到令人满意的程度。AI在改变世界的宏图中,发挥的作用其实还并不大。

也正因为如此,有研究报告显示,2017年中国AI创业公司获得的累计融资超过500亿元,但2017年中国AI商业落地100强创业公司累计产生的收入却不足100亿元,90%以上的AI企业亏损,绝大多数企业年营业收入不足两亿。另外,18年底,一份名叫“励讯新兴科技执行报告”的文件也显示,他们在对美国政府、医疗、保险、法律、科学/医疗和银行业6个行业的1000名高管进行调查之后,发现88%的高管认为,人工智能(AI)和机器学习(ML)会让他们的企业更具竞争力,受访高管们清楚这些技术的价值,但只有56%的企业使用了机器学习或人工智能,此外,只有18%的受访者计划增加对ML和AI技术的投资。

墨客星球作为一家专注于前沿科技落地的产业媒体,我们一直关注人工智能等技术在产业化落地过程中的最新进展以及遇到的问题,我们希望以媒体的力量助力人工智能的产业落地。通过调研,我们认为,想要改变世界,AI目前至少还面临两大拦路虎——技术以及落地能力。

技术,依然只是小孩子

在各种科幻小说、科幻电影的影响下,人们理想中的人工智能应该能够像人一样思考,能够迅速学习运用新知识,甚至在智能上能够超越人类。但现在的人工智能仅仅只是运算数据大,计算速度快,但这并不是真正的人工智能。

我们不能说人工智能只有达到强人工智能水平才能彻底改变人们生活的方方面面。但不可否认的是目前的人工智能依旧傻到令人想放弃。比如你跟智能音箱聊天,每次都需要先说唤醒词,人与人之间的聊天哪有这么不方便的?人工智能想要真正实用化,依然还有很多技术上的难题需要解决。由于深度学习为目前人工智能领域最流行的技术,我们这里就先来看看深度学习的技术瓶颈。

1、需要海量的标注数据

深度学习利用卷积神经网络(简称CNN)与递归神经网络(简称RNN)等,通过数据训练,并配合反向传播算法实现“学习”。但也正由于是训练出来的,深度学习AI的技术进步往往需要大量数据而且还是标记数据的喂养。

然而,获取大规模数据集往往相当困难。众所周知,由于互联网技术在近几十年的迅速发展,很多IT公司积累了大量数据,这也使得他们成为AI关注的重点。然而,真正拥有海量数据宝库的其实是制造、能源等其他传统行业,这些行业的数据目前很难被人使用。

另外,即使能够收集到这些数据,标记工作也需要巨大的人力投入。

2、可解释性(透明度)不够

基于深度学习的人工智能是训练出来的,而不是编程出来的,因此,虽然其效果往往不错,但我们却也很难解释人工智能作出某项决策的原因。或许你说你不管过程,只关心结果,但监管机构却并这么认为,他们对人工智能模型的可解释性作出了严格规定,另外,你想要给你的客户买这个模型或者决策,他们会不断提问“我为什么要信任你的模型?”模型解释性很重要,这能够加深我们对模型的信心。

之所以可解释性非常重要,主要在于如果没有可解释性我们无法对系统的能力作出一个客观的评价,我们很难找到系统那藏在角落里,没人意识到的不足。

3、学习模型的“通用性”

与人类的学习方式不同,人工智能模型很难将其学习到的经验举一反三。因此,即使在相似度很高的案例中,企业也必须多次投入资源来训练新的模型,而这就意味着新的成本。

4、数据与算法中的“偏见”

如果输入的数据掺杂了人的偏好或者某些数据被忽略、某些数据被偏重,那么就有可能使得算法结果存在“偏见”。

5、成本高昂,无法快速走进大众

如果按照AI产业链来划分的话,目前大部分AI公司的业务涉及到的是上游的任务、模型及算法,但是为了实现方案,这些应用公司还需要操心更深层次的软件实现、系统以及设备硬件的选择。这样一个情况导致的结果就是AI实现的成本高昂,同时一个解决方案无法实现复用,最终导致的是AI技术难以普及。「目前很多公司打造的AI系统或软硬件近似于雕琢工艺品,而不是能够进行量产,复制,和普及的高度鲁棒和易用的工业产品。」邢波教授解释道,他认为如果AI是一个产业的话,那么我们目前还处在AI的前工业化时代。

6、行业缺乏统一标准。

另外也有观点认为,正像安卓和iOS 系统的确立,最终促成了移动应用的爆发,人工智能行业目前也需要一个全新的跨平台的系统。但是行业目前缺乏统一标准,各个公司各自为王的发展。

AI+传统,想说容易不容易

而且,即使是目前的弱人工智能,在具体落地应用时也会面临不少障碍,目前人工智能与行业的结合主要集中在安防、交通、医疗、零售、农业等领域,而接下来,我们则来分析一下AI在具体落地过程中遇到的各种困境:

1、安防:

安防行业是AI技术比较早介入的一个行业。从2015年开始,甚至更早,人工智能尤其是机器视觉便开始了与安防行业结合,并形成了巨大的视频安防产业。

监控, 安全, 监视, 警察, 调查, 高新技术, 研讯, 固定的有形的证明, 监测记录, 相机, 安全服务

图片来源pixabay

据了解,机器视觉与安防监控相结合,其实是目前人工智能技术落地的最重要场景,几乎每一家做机器视觉的企业都在这个领域有所布局。人工智能与安防行业之所以如此契合,原因主要在于以下两点:

1)、从2004年以来的平安城市,天网工程,雪亮工程,到现在,全国各省市乃至乡村,都建起了大规模的视频监控系统。据不完全统计,目前全国仅已建各类监控就已近2亿路。随之而来的是天量级视频文件,但嘈杂信息多,数据利用效率低下,比如单个案件侦破平均要调看3000小时录像,对警力耗费巨大。于此同时,安防初衷其实是事前预防安全隐患的发生,但传统安防仅仅只是用于事后侦查。

2)、而AI在理论上正好可以解决安防领域的上述问题:基于计算机视觉的人脸识别、视频行为分析技术日益成熟,已经可以对人进行初步的识别和追踪,目前,通过AI技术可将人力查阅监控和锁定嫌疑人轨迹的时间由数十天缩短到分秒;而且,通过对监控信息进行实时分析,可将安防管控前移到预警和实时响应阶段。

然而,即使如此,AI在安防领域的落地却并没有人们想象的那般容易。

广东省公安厅科信处副处长冯松青表示,公安是安防厂商最大的“买家”,AI+安防落地难表现在几个方面,一是算法场景运用受限;二是前端布点困难;三是投入成本高;四是深度应用开发不足。

艾瑞咨询在其最新的研究报告中也表示,项目落地的准确性和智能程度仍然不及预期:

“目前AI监控系统误报率一般是根据人流密集的重点场所误报次数和总过人量计算的,这类场景监控设备架设规范,受外界条件影响较小,因此系统运行较为理想,而在实际公安案件的处理和侦查中,往往需要整体进行城市级布控和轨迹分析, 其监控条件与重点场所差距很大,一方面光线、灰尘、雨点等会对采集信息造成干扰,摄像头架设高度也不完全适宜人脸抓拍;另一方面,少量摄像头布点位置不准确、角度偏离,也会产生嘈杂数据形成干扰。”

另外,艾瑞咨询还在报告中指出,“人脸抓拍仍是无配合型采集信息,对人的姿态、发型配饰遮挡、表情等都有要求,行人检测、姿态识别、ReID等行人识别技术面临的遮挡、换装等问题更加复杂且训练数据获取难度较大,这些问题都制约着实际应用中AI视频监控的高度智能化实现。”

除了行业报告,其实也有不少企业站出来,并吐槽AI落地的诸多难点:

比如,七牛云AI实验室联合创始人林亦宁就指出,“我们碰到一些问题,当需要把一些传统的老民警的经验转化成算法模型的时候,客户往往会告诉你说这个数据不能出场。”

2、教育

2017年底,新东方俞敏洪便在一个活动中表示,人工智能与教育结合有三个好处:一个是可以让学生的学习能力大大提高;二个是可以让孩子更加全面地发展,因为学习不再困难,孩子可以将时间用在艺术、动手、体育等方面;三个是让中国教育更加均衡,因为“边远地区有人工智能存在,老师讲课不再是问题,山区孩子和北京、上海孩子有了同样的教育基础,山区孩子未来走出大山、上大学的机会就增加。

AI+教育的必要性与重要性,由此显而易见。

据《2018人工智能产业创新评估白皮书》显示,人工智能技术应用于教育领域,可有效改善教、学、练、作业、测评、管理等多个环节,实现合理配置教育教学内容,科学实施因材施教。

机器人, 人工智能, 女子, 向前, 计算机科学, 电气工程, 技术, 开发人员, 认为, 计算机, 男子

图片来源:pixabay

具体来说,在教学上,基于图像识别技术的智能情绪识别,可以识别追踪全班学生以及老师自身的状态,了解学生学习困难点、兴趣和集中度。了解学生对知识点的掌握程度,以此提高授课效率;而在测评环节,AI还可以做英语语音测评、智能批改作业+习题推荐等。

然而,该报告也指出,人工智能和教育领域的融合程度却是远落后于其他行业。另外也有报告指出,目前AI在教育行业的落地做的比较好的其实只有拍照搜题以及题库类辅助类产品。

AI与教育的结合,最根本的是利用AI模拟老师的教学,因材施教,并不断超过老师的教学水平,而这便是目前AI教育领域比较流行的自适应教育的核心理念。然而想要实现这一目标却并不容易:知识点的精细拆分需要教研的大力投入;数据是机器学习的基础,普通机构难获取大量学生端的数据;即使有了数据,如何对数据进行标注又是一个大问题。

“我的结论是,眼前所谓的AI技术对于教学没什么用。作为一个已经在AI技术花了10个亿的人来说,这句话听起来挺悲哀的。”学霸君创始人张凯磊甚至给出了这么一个令人失望的结论。张凯磊表示,他们在教育AI投了这么多钱,水平仅仅相当于放大镜,远远没到显微镜、核磁共振的水平。

百度七人创始团队之一的雷鸣曾表示,人工智能与教育的结合可以分为五步。第一步是教育零散的辅助工具,第二步是对教学的每一个环节进行系统化辅助,第三步是全方位与老师配合,第四步为智能主导教学,老师成了辅助,最后一步是实现全智能的系统。

而目前AI与教育的结合,更多可能还只是处于第一步阶段。

3、医疗

人工智能医疗同样也是人工智能落地的重要领域。

中国医疗现状是大医院人满为患,基层医院床位闲置,其根本问题在于基层服务能力薄弱,优质医疗资源不流通。试图解决这个问题的传统方法是大医院知名医生去定点基层医院巡诊。然而,这个方法已经被事实证明并不怎么起效。业内人士普遍认识利用人工智能技术为基层医院医生赋予知名医生的诊断能力或许才是正解。

而这也正是目前众多创业公司正在做的事,他们试图收集三甲医院的病历数据,并将之结构化并进行深度学习,以期机器能够学会三甲医院医生的诊病方法。另外,也有创业企业试图对CT等影像进行智能检测和识别,提高识别效率,从而达到提高医生诊断水平的作用。

图片来源:flickr

然而,“智慧医疗看似离我们很近,但在医疗人工智能领域我们还有很长的路要走。”在BT峰会的主题演讲上,中国工程院院士、国家心脑血管病中心主任、中国医学科学院埠外医院院长胡盛寿说。

胡盛寿指出,中国的AI医疗产业雷声大雨点小,产品落地困难,目前尚无一款产品通过审批,AI医疗在信息安全性、算法透明度、数据的真实性和完整性等方面存在“黑洞”。

据了解,AI+医疗同样也是无数据不医疗,然而,想要获取相应的数据可并不容易,以影像数据为例,现阶段,我国的医疗影像仍处于从传统胶片向电子数据过渡的阶段,大量影像资料尚未数字化,且医院之间的数据共享和互通程度较低,获取大规模的数据对业内公司是一个考验。

另外,即使是得到了数据,对数据进行处理也不容易,浪潮集团健康医疗事业部副总经理潘琪表示,由于临床与科研脱节,临床产生的数据不能满足科研需求;而医疗信息系统杂乱分散,数据聚合性差,很难提取;医生数据统计与分析的能力有限,也很难有时间配合。另外,不同医院的电子系统由不同的企业承建,企业之间的系统又存在壁垒,AI企业很难对不同客户医院反馈的数据进行整合研究,这也就限制了AI机器的反馈训练。

而且,对AI进行训练也并没有想象的那么容易。“拿图像、医疗影像识别来说,有做CT的、有做X光的、有做心电的各种各样模态,还有不同的部位、不同的病种。不同的维度乘起来会有巨大的工作量,绝对不是说你做了肺结节就能马上去临床应用帮助医生。”科大讯飞医疗常务副总经理鹿晓亮曾如此说。

最后值得一提的是,医疗数据是历史的记录,通过这些数据训练出来的系统难以演化出未来的产品,当下的AI医疗系统更不具备推理以及应急的能力,再上目前人工智能算法的不可解释性,这又导致了医务人员难以相信AI医疗系统,毕竟医疗是不能容忍出错的。

深睿医疗 CEO 乔昕甚至曾表示:“目前应用人工智能对某些症像的识别取得了进展, 但是此项技术不论在国内还是国外都还没有开始大规模的临床验证,甚至缺乏验证的技术和科学方法。 ”

据悉,就连AI医疗领域的绝对明星IBM Watson也已经遭遇到了滑铁卢。去年11月,坊间传言IBM Watson健康部门将裁员50%-70%,甚至也有传言说,整个健康部门将被关闭,所有员工要么辞职要么转岗。

而早在2017年,著名医疗机构、德克萨斯大学附属癌症中心便已经证实,他们与IBM Watson的合作项目已经暂停,据悉,2013年10月,该中心决定使用 IBM Watson 认知计算系统进行癌症诊疗。德克萨斯大学审计员提交的一份报告严厉地指出,与 IBM Watson的合作花费了MD Anderson 6200多万美元,却仍未达预期目标。

总之,或许真如鹿晓亮认为的那样,“人工智能+医疗”要想成功,企业必须要有耐心,要有板凳愿坐十年冷的韧性。

4、交通

随着我国城市经济水平的迅速提高,交通基础设施建设加快,城市交通需求大幅增加,交通供需矛盾日益突出,交通拥堵、交通污染、交通事故频发、停车难等一系列问题已成为制约城市社会与经济发展的瓶颈,成为当前交通管理部门关注的焦点。也是AI+交通的机会点所在。

“AI traffic”的图片搜索结果

图片来源:Flickr

据了解,目前智慧交通应用主要体现在路况分析(利用大数据分析+机器学习+图像识别等技术,提取影响出行效率的事件,并自动报警)、信号灯时间计算、公交车排班、公交路线定制、车辆及运动轨迹监控、交通罚款以及智慧停车等方面。

然而,AI与交通的结合也存在诸多难题:

智慧交通缺乏顶层设计

目前,我国城市智慧交通迫切需要建立一个系统全面的智慧交通框架体系,基于科学的方法论,从城市交通全局角度,对智慧交通进行战略规划及总体设计,自上而下、由近及远指导城市智慧交通系统的设计、建设和运行管理。

部门间信息共享程度低

交通相关部门及下属单位数量较多,其信息化系统多数由不同的软件公司在不同时期开发,系统独立运行且不能互联互通,存在信息孤岛现象,导致交通数据呈现碎片化分布、信息利用率低且融合程度差,各部门间缺乏有效的信息沟通和共享。

海量交通数据难以得到充分利用

由于各个部门信息系统相互独立,数据标准和格式各不相同,对存在于各个业务系统中的海量数据无法共享运用,导致对交通信息的感知和收集能力有限,数据潜在价值没有得到有效挖掘,数据没有发挥其应有的价值,在交通监控、出行服务、交通指挥、应急处置等功能中不能充分发挥事前预测、事中管理和事后评估的智慧化决策支持的作用。

5、零售

从小作坊到百货商店,零售行业的每一次升级都代表着效率的极大提升。而人工智能技术有望进一步高零售业的效率,这其实包含两方面:一是通过降本增效,提升B端经营质效;二是通过大数据及精准营销,改善C端消费体验。

具体而言,在降本增效方面主要体现在:AI客服替代传统客服,降低人力成本;塑造无人零售盒子等新零售场景;AI赋能店面选址以及货架商品摆放等。

购物, 收据, 业务, 零售, 购物车, 运输, 超市, 食品, 采购, 音乐

图片来源:pixabay

然而,别看目前市面上已经有了各种无人售卖店的案例,但目前人工智能正处在非常前期的商业爆发的时间点上,成熟还需时日。具体而言,AI+零售的落地,存在着以下诸多难题:

数据多样,但连接困难

零售行业的系统化程度发展较快,通过摄像头技术、热感应技术、POS机、在线支付等技术的长期应用,数据获取更容易,因此数据维度更多样,数据积累量更大,且获取数据及时性也更强。但与此同时,零售行业依旧面临着大量数据难以互联互通的问题,上下游公司之间在看不到既得利益时,很难共享数据,这也阻碍了数据被深层次应用的探索。

利润低,一次性成本较高

零售行业注重利润率,而智能改造的成本在短期内其实要高于人力成本,尤其是对于大型连锁便利店而言累计成本则更高,因此,零售商往往犹豫不决,倾向依旧采用人力。

比如,射频识别(RFID)作为构建“物联网”的关键技术近年来受到人们的关注。业内人士介绍:“这个系统基本可以代替人工实现智能盘点货物。但是由于成本过高,许多线下下大型超市都放弃应用。”据称,RFID运用最成熟的是烟草行业,因为烟草行业利润高,用得起。

品类多,效果参差不齐

AI落地零售场景很多,但技术落地效果参差不齐。主要是因为零售业涉及环节和品类很多,品类之间性质差别较大。例如药店场景,对于选购哪一种药品,顾客可能需要和药师或药店售货人员沟通,基于病情、过去的服药情况和个人体质等等信息进行分析,最后做出决策,在这个过程中,成功分析顾客信息以提高零售店的服务质量和推荐药品准确度会较大程度改善顾客的消费体验。相比而言,超市的一瓶水,客单价极低、一个人即可决策,整个过程中对服务的需求几乎为零。

两者都属于零售业,但差异很大。这些性质多样化的商品,在实际分析过程中如何处理,也是一个需要解决的问题。

6、农业

随着城市化以及人工老龄化,历史悠久的农业正面临劳动力不足的巨大问题,因此,于农业而言,AI的加入能够帮助其解决劳动力短缺、工作效率低等问题。

因此,AI与农业的结合,主要可以分为两大方向,一是AI+农机,二是利用AI识别技术检测病虫害。

Drone, Precision Agriculture, Crops, Spray, Fumigation

图片来源:maxpixel

AI监测病虫害主要指利用机器学习、计算机视觉等技术,采用特定的计算机算法和模型,对农业病虫害发生的光谱或图像信号进行挖掘,获得有效的数据特征,实现对病虫害情况的实时识别和鉴定的过程。

据悉,以往,病虫害的检测需要人工巡视,而且一旦发现不及时,就容易导致农作物大片死亡。因此,通过AI图像识别技术进行病虫害的监测,有望节省了大量人力成本,并提高农作物产量。

不过,AI病虫害识别虽然用的都是已经比较成熟的技术,但实际落地时可能并没有这么简单,首先,农业领域涉及不可知因素太多,如地理位置、气候水土、病虫害、生物多样性等,因此,在应用推广过程中,其中某个因素的改变很可能就将在特定环境中已经测试成功的算法变成无效算法,进而影响检测效率。

其次,对于一些个体小、生境隐蔽的害虫而言,比如烟粉虱成虫体长不到2毫米,且活动能力强,利用AI对其进行检测,难度非常大。

最后,用于AI识别的图像数据也必须符合事先设定的标准,否则,识别准确率会大大降低。

而在AI+农机方面,比较有代表性的其实就是农业植保无人机了。

有报道称,一架载重10公斤的植保无人机,作业面积为8-12亩,每日作业面积可高达200-300亩。若是人为喷洒,人均速度最快1亩/小时,一台植保无人机的工作量相当于数十个人。无人机的效率远远高于人工效率。

而实际上,无人机其实也是AI+农机领域普及度最高的,但即使是植保无人机,截至去年6月,其普及率不足10%。究其原因,包括飞手短缺、缺乏行业标准以致于植保效果难以有效评估等等。

显然,AI与农业的结合,依然路长且艰。

最后的话

“最后,值得一提的是,技术的落地往往并不是仅仅靠一个技术或者一个公司就能做好的,技术想要改变世界,往往需要一个大的生态的齐心协力,共同推进。比如,做智能交通,或许就需要与智能医疗、智能零售相结合,然而,目前行业内的这种生态建设做得也还不够,从而导致了技术落地的缓慢。”雨本智库发起人杜玉杰先生如此说。