人工智能熱潮應該降降溫了

陳經

人工智能應用到產業中，需要關鍵指標突破瓶頸，很可能也需要將成本做到極低。

繼2016年AlphaGo戰勝李世石之后，2017年AlphaGo的棋力繼續提升，戰勝了排名世界第一的柯潔。這對圍棋界意義很大，棋手們對AlphaGo-Ke能讓三子勝AlphaGo-Lee感到無比震驚，下棋的想象力完全打開。但是對外界而言，主要的觀念沖擊在2016年已經完成。

2017年8月Deepmind公布了在星際爭霸項目上的進展，在這個“非完全信息”即時策略游戲上，AI用自主學習方法取得的成果意外的小，能力遠遠不如開發商暴雪最弱的內置AI。某種程度上，這預示著人工智能產業的發展并不會一帆風順，會面對艱巨的挑戰，目前火爆的人工智能可能迎來一定程度的降溫。

有所突破但不成熟

人工智能是IT業的子行業。就IT對各行業的改造來說，目前人工智能起的作用不能算大。如移動支付大發展，主要還是支付寶、微信的IT架構作用大，二維碼識別環節只是一個小功能，相關技術很早就有了。

人工智能在產業發展中起主導作用的例子也有，如車牌識別。對車輛信息的管理，核心數據是車牌。基于圖像去識別車牌，識別率從2000年的90%進步到2010年前后的95%，目前已經達到99%以上（相當于錯誤率減少到之前的幾十分之一）。識別率的不斷進步終于突破瓶頸，產生了巨大的產業效應。由于機器的識別率超過了人（一般人眼識別會犯錯），像停車場出入口這樣的應用環境，用機器代替人，不僅更為經濟，效率也更高。如將車牌與支付寶建立聯結，可以直接扣費，出入自動統計。即使攝像頭識別車牌不是100%完美，但是對產業來說已經足夠了。在極少數機器識別不了或者識別錯誤的情況下，停車場可能會承受一定的損失，但它所帶來的效率提升與費用節省卻很大。

基于圖像的車牌識別率取得突破，另一個重大影響是，以人工智能為基礎的軟件方案戰勝了以RFID（射頻芯片）為基礎的硬件方案。RFID可以記下車輛的信息，之前人們認為硬件讀取比圖像車牌識別可靠，更有前景，但卻在實際應用中發現，RFID讀取會有信息干擾，也有角度問題，讀取設備成本也高，應用起來比一體化機攝像頭識別要麻煩得多。這個意義并不小，說明物聯網的發展方向應該更多依靠人工智能技術。

像車牌識別這樣比較成熟、正確率已突破瓶頸的人工智能技術，目前還不太多。指紋識別是另一個例子，成為手機應用中的基礎技術之一。二維碼識別的應用也日益廣泛，但它主要是在更多行業中應用推廣，識別技術本身不需要太大突破。而以科大訊飛為代表的語音識別技術也在不斷進步，近幾年迎來爆發式成長，但其識別仍有很大的進步空間，因為還和自然語言理解有關。人臉識別技術同樣飛速發展，其在極多人臉照片中找到目標的能力遠超人類，但是對抓拍角度存在一些限制。可以看出，一旦人工智能正確率突破瓶頸（如超過人類），就可能迎來應用的爆發。

總體來說，能成為行業基礎的人工智能技術還不多。人工智能領域很多，如機器人、自然語言理解、專家系統、機器視覺、模式識別、博弈論等。目前主要是圖像識別取得的突破比較大，AlphaGo取得突破也主要靠將圍棋盤理解成圖像輸入。

高標準、低成本的產業要求

人工智能應用到行業中，每個行業都會有不同的要求。有的行業發生錯誤可以接受，如認錯幾個車牌少收點錢問題不大，主要的作業流程跑通就可以了。但是有的行業流程就要求絕對正確，如集裝箱管理，如果自動處理發生集裝箱丟失，損失巨大不可接受，在應用人工智能技術時需要加上很多流程輔助。因此，像自動駕駛這樣的人工智能開發問題就很復雜，正常情況的開發容易做，但主要的困難是異常情況的處理，這會非常麻煩。自動駕駛的應用可能會比預期的慢，甚至成為開發大坑。

人工智能與產業結合的另一個問題是成本，產業界對人工智能技術的要求與預期是極低的成本。人工智能技術得到了空前的重視，投資很多，國家甚至將人工智能放入中小學課程。但要想在產業界成規模應用，成本必須做到很低。這個低可能超過一般人的想象，人工智能軟件本身甚至不要錢，靠硬件賺錢。例如人臉識別應用，創業公司很多，估值一般不低。但是人臉識別的基礎是攝像頭抓拍，如果不能生產攝像頭，在成本上就已經落后很多了。攝像頭廠家將人臉識別研發成本平攤進機器生產里，軟件就可以白送了，這對人臉識別創業公司壓力極大。

人工智能產業的發展并非破壞式創新，不太可能是新企業橫空出世掃平舊企業的模式。社會生產與經濟運行各環節已經存在眾多行業公司，這些行業公司如果能主動引入人工智能技術，結合自身的流程理解與成本優勢，將會有不錯的發展空間。行業公司如果忽視人工智能技術的發展固步自封，可能會被其他主動進步的公司消滅。而人工智能創業公司不應該閉門造車，不能忽視成本問題，應該主動與行業公司聯合，找到人工智能技術與生產成本結合的發展模式。

現階段的人工智能技術，還只能與社會生產緊密結合，不宜過分夸張能力。“非完全信息博弈”“通用人工智能”等較為學術化的人工智能研究肯定會繼續進行，但離產業化還較為遙遠。目前的社會生產中，已經有大量可以與現行人工智能技術結合的行業與領域。這些應用型的研發需要的不一定是多高的人工智能研發能力，而是要對細分行業的深入理解，對流程進行重整，正確使用人工智能技術幫助提升效率。

在這個過程中，人們可能會對人工智能的能力期望過高產生誤解，甚至認識到人工智能的能力缺限后感到失望，人工智能熱潮降溫。但是經過磨合之后，越來越多的行業會找到人工智能正確的應用方法，未來值得期待。endprint