近日，博鰲亞洲論壇國際科技與創(chuàng )新論壇首屆大會(huì )在澳門(mén)隆重舉行，中國國家主席習近平發(fā)來(lái)賀信，國務(wù)院副總理韓正發(fā)表主旨演講。論壇理事長(cháng)潘基文、大會(huì )主席何厚鏵、論壇副理事長(cháng)及中方首席代表周小川、論壇理事菲律賓前總統阿羅約、澳門(mén)特別行政區行政長(cháng)官賀一誠、香港特別行政區行政長(cháng)官林鄭月娥分別發(fā)表致辭。論壇秘書(shū)長(cháng)李保東主持開(kāi)幕式。本屆大會(huì )以“創(chuàng )新賦能可持續發(fā)展”為主題，匯聚了來(lái)自25個(gè)國家將近千名政要、行政長(cháng)官、商界領(lǐng)袖、學(xué)術(shù)專(zhuān)家，圍繞科技創(chuàng )新促進(jìn)世界經(jīng)濟復蘇和全球可持續發(fā)展等焦點(diǎn)話(huà)題進(jìn)行了探討。

其中，“創(chuàng )新動(dòng)力——人工智能，擁抱未來(lái)”分論壇邀請了歐洲科學(xué)院外籍院士陳俊龍、中國工程院院士戴瓊海、加拿大科學(xué)院院士張大鵬、IEEE Life Fellow Imre J. Rudas、第四范式副總裁、主任科學(xué)家涂威威等學(xué)術(shù)代表就人工智能技術(shù)趨勢進(jìn)行了分享。其中，涂威威以“Towards AI for Everyone”為題，介紹了當下AI的思考與發(fā)展。

以下為演講實(shí)錄：

AI發(fā)展三部曲

AI是一個(gè)非常年輕的學(xué)科，根據南京大學(xué)周志華教授的總結，自1956年被提出至今，共經(jīng)歷了3個(gè)階段：推理期、知識期、學(xué)習期。人工智能的研究學(xué)者希望讓機器自己有思考的能力，使機器更聰明，能夠做更多需要人類(lèi)智慧才能做的事情。當時(shí)大家普遍認為數學(xué)家是最聰明的人，數學(xué)家最強的是推理能力。于是，當時(shí)人們覺(jué)得要實(shí)現AI需要具備數學(xué)家的推理能力，“自動(dòng)定理證明”是當時(shí)最經(jīng)典的工作之一。但人們很快發(fā)現只是數學(xué)定理的推理，并不能解決很多實(shí)際的問(wèn)題，比如前面張院士提到的中醫望聞問(wèn)切，以及當我們想預測病人疾病未來(lái)的走勢時(shí)，自動(dòng)的幾何定理證明系統并不能回答疾病相關(guān)的問(wèn)題。

于是，人們意識到AI光有推理是不夠的，還缺乏相應的知識，需要通過(guò)知識去總結并指導未來(lái)的生產(chǎn)。隨后，AI進(jìn)入了知識期，期間非常經(jīng)典的工作叫“專(zhuān)家系統”，總結人類(lèi)專(zhuān)家的經(jīng)驗并固化。但是人類(lèi)專(zhuān)家的經(jīng)驗總結起來(lái)非常復雜，比如老中醫很難準確地說(shuō)出自己的判定邏輯。這個(gè)方向曾經(jīng)引爆了人工智能的一次短暫的高潮，然而很快隨著(zhù)許多應用落地的失敗，AI進(jìn)入了寒冬。

而將AI帶出寒冬的是機器學(xué)習技術(shù)。經(jīng)過(guò)多年發(fā)展，AI來(lái)到了學(xué)習期，從知識工程過(guò)渡到機器學(xué)習，不再依賴(lài)于人類(lèi)專(zhuān)家總結經(jīng)驗規律，而是讓機器從數據中直接學(xué)習，從數據中總結規律。機器學(xué)習的經(jīng)典定義，是計算機程序利用經(jīng)驗來(lái)改善系統性能，而這里的經(jīng)驗往往是指數據。目前，機器學(xué)習在我們熟知的AlphaGo、互聯(lián)網(wǎng)巨頭們的搜索與推薦系統、在線(xiàn)廣告系統、金融市場(chǎng)分析、計算機視覺(jué)、語(yǔ)言學(xué)、生物信息學(xué)等諸多領(lǐng)域都取得了很大的成功。

機器學(xué)習因何讓AI走向成功？

因此，我們需要思考：AI為何在機器學(xué)習時(shí)代成功了？其原因在于機器總結的業(yè)務(wù)規則要遠超人類(lèi)專(zhuān)家，人類(lèi)總結成百上千條已是極限，但機器可以基于海量數據不知疲倦地總結并發(fā)現數十億條規則。正因如此，我們的高維機器學(xué)習應用到互聯(lián)網(wǎng)營(yíng)銷(xiāo)、點(diǎn)擊率預測、糖尿病預警、金融反欺詐等眾多行業(yè)場(chǎng)景中，取得了比專(zhuān)家更好的業(yè)務(wù)效果。

造成上述的原因在于人類(lèi)受限于大腦的生理構造，計算以及存儲能力受限。諾貝爾獎、圖靈獎獲得者Herbert A.Simon就因提出“有限理性”理論獲得諾貝爾獎。簡(jiǎn)單來(lái)說(shuō)，就是人在做決策的時(shí)候，由于多方面因素的限制，只是追求當下滿(mǎn)意的決策而非最優(yōu)決策。此外，人的思維是過(guò)度泛化的，盡可能把問(wèn)題想的簡(jiǎn)單，便于思考和處理，但現實(shí)問(wèn)題往往是很復雜的。

機器的優(yōu)勢在于可以更好的解決問(wèn)題的復雜性，全面分析問(wèn)題，并實(shí)時(shí)響應，提供極致更優(yōu)解，且相比于人類(lèi)經(jīng)驗的難以復制，機器的這種能力有非常強的可復制性。

AI全面賦能企業(yè)決策

機器這樣的能力如何更好地為企業(yè)所用？事實(shí)上，Herbert A. Simon也曾說(shuō)企業(yè)最核心的問(wèn)題是決策，西方軍事學(xué)家John Boyd認為決策的過(guò)程是由“觀(guān)察、判斷、決策、行動(dòng)”四步驟組成的相互關(guān)聯(lián)、相互重疊的循環(huán)周期，也就是所謂的OODA循環(huán)。

首先需要通過(guò)數據觀(guān)察現在業(yè)務(wù)的狀況，其次對業(yè)務(wù)進(jìn)行更深入地分析并對業(yè)務(wù)發(fā)展進(jìn)行準確預判，再為各類(lèi)業(yè)務(wù)問(wèn)題尋求能夠實(shí)現其價(jià)值最大化的更優(yōu)決策，最后按照決策結果采取相應行動(dòng)，最終完成整體的管理行為。

AI在其中每一環(huán)都可以賦能。在觀(guān)察階段，AI可以實(shí)現文本、語(yǔ)音、圖像等全場(chǎng)景、多模態(tài)數據的“觀(guān)察”，不知疲倦的協(xié)助決策者處理企業(yè)業(yè)務(wù)有關(guān)的海量數據，提取對決策有價(jià)值的關(guān)鍵信息；在判斷階段，機器可以幫助企業(yè)利用數據，從業(yè)務(wù)中總結出足夠多的規律，構建更復雜的業(yè)務(wù)規則，幫企業(yè)更好地認識業(yè)務(wù)發(fā)展，同時(shí)因為決策會(huì )影響未來(lái)，AI也能夠幫助企業(yè)對未來(lái)有更加精準的預判；在決策階段，機器可以進(jìn)一步發(fā)揮優(yōu)勢，憑借強大的計算能力進(jìn)行全局精準決策優(yōu)化，最終為行動(dòng)提供指導。

AI走向普及 技術(shù)創(chuàng )新仍是關(guān)鍵http://m.haipeigood.com/product/aios.html

AI不應該只是巨頭們的搖錢(qián)樹(shù)和競爭利器，AI作為先進(jìn)的生產(chǎn)力，應該為更多的企業(yè)與人所用，為社會(huì )創(chuàng )造更大的價(jià)值。然而，在A(yíng)I規?；涞氐倪^(guò)程中，企業(yè)又不得不面臨認知、數據、人才、工具、技術(shù)、規模等落地門(mén)檻。例如在數據方面，除了面對數據多樣性，還要面對數據大規模增長(cháng)、數據不一致、數據有效性差、數據分布漂移等問(wèn)題，因此需要在針對AI的數據治理工具、弱監督學(xué)習、數據增強、主動(dòng)學(xué)習等方面發(fā)力，解決數據的“壁壘”。

在人才方面，目前，頂尖的機器學(xué)習專(zhuān)家團隊參與了包括定義問(wèn)題、收集數據、數據預處理、特征工程、選擇或設計模型架構、調整模型超參數、性能評估等機器學(xué)習的所有階段，這也說(shuō)明了機器學(xué)習技術(shù)本身有著(zhù)極高的技術(shù)門(mén)檻，AI人才匱乏、專(zhuān)家經(jīng)驗難以復制等諸多因素阻礙了AI在各領(lǐng)域落地。

為了推動(dòng)機器學(xué)習技術(shù)在更廣泛的場(chǎng)景應用，AutoML（自動(dòng)機器學(xué)習）成為了學(xué)術(shù)界和工業(yè)界的研究重點(diǎn)。其目的是將機器學(xué)習過(guò)程自動(dòng)化，以低門(mén)檻的形式實(shí)現AI構建和應用，解決AI落地對高水平人才的依賴(lài)問(wèn)題。目前，AutoML已可實(shí)現感知類(lèi)、預測類(lèi)、決策類(lèi)等不同場(chǎng)景的應用開(kāi)發(fā)，并在第四范式的眾多客戶(hù)中取得了不錯的落地效果。

當然，機器學(xué)習也有一定的局限性。機器學(xué)習有一個(gè)假設叫“獨立同分布”，它使得機器學(xué)習應用的場(chǎng)景都是受限的，只能在一個(gè)封閉的領(lǐng)域去使用。要解決這些問(wèn)題，我們需要應對適應性的挑戰，通過(guò)強化學(xué)習、遷移學(xué)習等技術(shù)，解決數據分布變化、環(huán)境動(dòng)態(tài)交互、新任務(wù)目標、數據概念變化等問(wèn)題。此外，還需要可解釋機器學(xué)習、差分隱私、聯(lián)邦學(xué)習、多方安全計算等技術(shù)解決信任、隱私保護和公平性挑戰。

機器學(xué)習應用落地還有一點(diǎn)不可忽視，就是算力。如今超高維、多樣化的數據、多樣性需求、甚至是不同的模型都對計算效率提出了更高的要求。為了順應AI時(shí)代的計算模式，需要將算法與底層硬件的深度融合，從計算、存儲、網(wǎng)絡(luò )、調度等方面進(jìn)行軟硬一體化設計；還需要大規模分布式機器學(xué)習計算框架、專(zhuān)用AI芯片充分發(fā)揮算法的優(yōu)勢，進(jìn)一步提升AI的計算效能。