為什麼AI很火,落地卻很難
2021-07-26 11:40
來源: 科技日報

為什麼AI很火,落地卻很難

人工智能朗讀:

過去10年間,在5G、大數據、雲計算等新興技術的賦能下,人工智能(AI)加速發展。但AI技術“落地難”的問題也隨之而來。日前《深圳經濟特區人工智能產業促進條例(草案)》首次披露並提請審議,將探索建立與人工智能產業發展相適應的產品准入制度,並支持低風險人工智能產品和服務先行先試。這也是全國人工智能領域的首部地方性法規。

AI產品落地難並非個案。如何讓AI產品順利落地,打通創新“最後一公里”,已成為人工智能應用階段急需解決的問題。

要落地首先要有好數據

AI既能提高勞動效率,又能解放勞動力,但在各行業的實際應用中,進展卻相對較緩慢,這是為什麼呢?

“AI落地是一個知易行難的過程。數據是制約AI成功落地的一大因素。因為AI依賴數據訓練基礎算法。獲得有意義的高質量數據,對於AI落地成功至關重要。如果缺少統一、標準化、高質量的數據,AI應用可能就是無米之炊、無源之水。”遠望智庫人工智能事業部部長、圖靈機器人首席戰略官譚茗洲在接受科技日報記者採訪時表示。

有專家指出,數據有“罪”——“自由散慢”。“自由”是指當你靠一些服務器收集數據時,會發現很多數據有問題,根本無法使用。比如英國調查機構發現,80%的人都出生於1911年11月11日,之所以有這種情況,是因為有些被調查者不願回答一些隱私問題,在需要輸入出生日期時他們想輸入00,但系統不允許輸入00,於是大家就都輸入11,所以80%的人生日都是隨意填寫的。“散”是指數據散落在各處。“慢”則是指數據的更新速度慢。

再比如在製造行業,“該行業產生了大量的數據,數據質量和數據管理問題非常重要。”譚茗洲指出,但是製造業的數據可能是有偏差的、過時的,甚至是充滿錯誤的。尤其是在生產車間這種繁重的製造環境中,極端、惡劣的操作條件下收集的數據。

此外,數據的風險和合規因素也不容忽視。“AI讓企業開始習慣於大量依賴機器幫忙做決策。在這個過程中會帶來隱私保護、AI可信度、倫理和社會的問題等,這些都是AI在落地過程中需要解決的。”譚茗洲強調,規模化也是一大難題。大多數企業的AI創新都是點狀的、實驗性質的、局部的創新,缺少規模化、商業化、運行態的佈局。

降低成本是實現商業化的關鍵

業內普遍認為,任何新技術想要在行業中實現規模應用,都需要為企業降低成本、增加效益,並能為企業尋找創新的機會。以目前的AI技術水平而言,很多時候還只能在產業的某一個環節、某一個步驟實現“降本、增效、創新”,只有在極少數的情況下,AI技術才可能完全替代人類。

“目前AI在產業中的應用場景主要分為三大類,即智能感知、智能交互和智能決策。在這三類場景中,AI要真正落地,就需要降低算力成本,提高算法和框架的性能。只有這樣,AI落地時才不會因為成本過高而失去商業價值,進而實現商業化、規模化。”譚茗洲説。

譚茗洲指出,應用場景、資源與基礎設施、算法和模型、智能設備、數據構成了AI技術落地的五大要素。如何將這五大要素在落地場景中實現協調,是AI技術在產業界落地的另一個關鍵點。在實現智能感知、智能決策、智能交互的時候,往往任何一個要素的變化都會導致其他要素的變化。比如算法模型發生變化,設備資源調度就要跟着改變。結果就是,真正落地實施的時候,算法專家、設備專家、資源專家,以及應用開發的合作伙伴都需要在場。這最終導致AI落地的成本太高,無法真正在產業應用中大規模鋪開。

如何才可能讓整個AI落地的成本快速降到有商業價值的水平?“需要讓這些要素並行發展,不用在任何時候都要顧及所有要素。也就是説,算法專家不用關心應用是什麼情況,設備供應商也不用關心算法問題,把這五個要素進行解耦,讓一個要素相對其他幾個要素變得更加透明。從思路上看,這有點像PC操作系統,把鼠標、鍵盤等所有設備之間的複雜度都通過一個標準化的協議屏蔽掉,讓它們之間能夠互相解耦,各自專注自己擅長的方向,以降低各個方面的成本。只有這樣AI才能真正規模化,實現商業上的成功。”譚茗洲説。

儲備懂AI思維及語言的人才

什麼樣的應用才是真正的AI應用?“未來還是要結合場景和用户體驗去重新設計,用AI本身的方式思考,才會產生真正的AI應用。”雲知聲董事長兼CTO梁家恩認為,未來5年會有真正的AI應用出現,AI的能力也會發揮到極致。到時候,AI作為一項“背後的技術”已經普及而且消費者將會對其毫無感知——因為技術應用的最高境界是技術變得無感。

人工智能專家丁磊在其新作《AI思維》中強調,AI不只是一個技術、工具,更是一種思維方式,它能夠幫助我們有效分析大量的數據,並從中得出預測,甚至幫助我們做出決策。那麼,在AI落地過程中,儲備真正懂得AI思維、AI語言的人才,就顯得尤為重要。

實際上,在大部分的企業場景下,都是工程師、科學家講一套語言,而業務負責人講另外一套語言,相互之間沒有一個很好地交流通道。這種狀態進一步導致了AI的落地難。

譚茗洲説,有經驗的人工智能專業人員很難聘請,這對於所有行業的企業來説都是個難題。實施AI項目通常需要建立一個由數據科學家、ML工程師、軟件架構師、BI分析師和中小企業相關人員組成的跨學科團隊。並且AI落地過程中關鍵需要加大對企業老闆或者業務負責人,甚至包括部分一線業務負責人在AI思維上的提升和教育。當這些人真正地理解AI數據思維的閉環邏輯時,再進行AI落地就會順利很多。

建設高端人才隊伍,開設人工智能專業的高校無疑是“衝鋒軍”。如今,一些高校開始注重培養學生跨學科意識,結合自身特色專業,制定有關“人工智能+”的培養計劃。

譚茗洲表示,AI教育從本質上來説,不是知識層面的教育,而是思維能力、思維方式的教育。應該從小抓起,幫助廣大青少年樹立AI意識,不斷提升他們的科學素養,並激發其對人工智能的興趣與熱愛。目前中小學開展的人工智能相關課程,偏向於基礎性編程教育,通過模塊化操作,實現一些智能功能,例如讓機器人踢足球、行走等,這樣可以幫助青少年培養機器學習的思維,讓中小學生對人工智能建立初級認知。

[編輯:蔡凱伊]