行进中的人工智能的“麻袋”与“书”

AI热潮不减。过去一周，“双马对话”拉开世界人工智能大会的讨论热潮，同一时间， 百度在北京举办“百度云智峰会”喊出“AI工业化”的口号。京东云发布智能城市战略。仅一个周末，由陌陌推出的AI换脸APP，一夜“ZAO”热……

放眼国内，AI技术正展现大变革潜力，AI赛道也日益拥挤。站在今天回看，2017年或许是中国人工智能发展的一个重要节点。从那一年开始，人工智能风起云涌。一夜之间，仿佛所有的公司都变成了人工智能公司，资本、人才向人工智能领域快速涌入。“人工智能”成为科技界、学界、企业界最热门、最受追捧的词汇之一。而彼时，科技巨头Google、IBM等对人工智能的研究已逾十年，近几年部分研究成果已经进入商业应用。

从这些维度来看，人工智能可谓已经迎来一个非常好的时代，但是热闹背后一些问题也浮现出来。在释放巨大应用价值和商业价值的同时，人工智能的推广使用也产生了一些“副作用”。个人隐私信息被非法采集、利用大数据实施精准诈骗等，已开始露出苗头；“人工智能可能拉大数字鸿沟、取代工作岗位”的猜测，也引发了一些担忧。

人工智能需要“交通法规”

回应社会上对人工智能的种种担忧，又为这一技术保留了足够的创新空间。前不久，国家新一代人工智能治理专业委员会发布了《新一代人工智能治理原则——发展负责任的人工智能》，明确了人工智能治理的框架和行动指南。

这意味着，正在快车道上飞奔的中国人工智能多了一部“交通法规”。 作为一项影响深远的颠覆性技术，人工智能技术可能带来的“副作用”不可小觑。特别是在人工智能进入实用的新阶段，鼓励创新和规范应用必须双管齐下。我国已是人工智能发展大国，尽早立下“包容共享、敏捷治理”等规矩，将为人工智能的健康发展保驾护航。

消除偏见，打造负责任的人工智能

在探讨人工智能可能带来的偏见和歧视问题时，微软的研究团队，正在从称为“单词嵌入”的自然语言处理工具做起，试图解决文本搜索中的性别偏见的问题。

所谓单词嵌入，是一种用来将单词转换为向量数字的算法，它能够以来自新闻数据或者网页数据的海量文本数据为依据，为每个单词赋予一个对应的向量数字。通过在向量坐标系中，比对常见词汇与“他”、“她”这两个性别代词之间的关联度，研究人员发现了一些明显的特征，例如“sassy(刁蛮)”、“knitting(编织)”这样的词更靠近女性，而“hero(英雄)”、“genius(天才)”更靠近男性。

算法之所以会为这些词汇赋予性别特征，原因在于训练算法用的基准数据集——通常是来自新闻和网页的数据——本身就存在着由语言习惯造成的“性别偏见”，算法也自然“继承”了人类对这些词汇理解的性别差异。其结果就是，当微软用试验算法，根据梅林达·盖茨的 linkedIn 信息推测其职业时，得到了“教师”的判断，但只要将人称代词换成“他”，盖茨夫人的职业就会变为“律师”。为了解决这个问题，微软的研究员提出了一个简单易行的方案：在单词嵌入中，删除区分“他”和“她”的判断维度，从基准数据集中消除偏见。

AI芯片喧嚣背后市场痛点犹存

AI芯片已成为中外科技企业竞争的焦点之一，以至于清华大学微电子所所长魏少军用“无产业不AI，无应用不AI，无芯片不AI”这样的话语描述当下的人工智能热潮。

“我们离人工智能还有多远？目前很多企业所做的只是增强智能而不是真正的人工智能，离真正的人工智能还差得很远”。魏少军表示，人工智能网络能够崛起取决于三个因素，算法、数据和算力。当前，AI芯片面临两个现实问题：其一，算法仍在不断演进，新算法层出不穷，每隔几个月算法就发生新的变化；其二，一种算法对应一种应用，没有统一的算法，而让芯片处理不同的算法十分困难。

在魏少军看来，AI芯片应该具备的要素包括可编程性、架构的动态可变性、高效的架构变换能力、高计算效率、高能耗效率、低成本等。按照这些要求，目前业界流行的一些做法均不是理想的架构。过去几年，AI芯片领域一个重要变化就是架构的变化。人工智能芯片不在于追求算力，而在于架构创新。业界也需要找到一种针对人工智能计算的全新计算引擎。

云从科技副总裁张立认为，传统芯片企业通常更关注是如何把芯片做成通用化，以支持各种不同应用场景。但这样的通用化，在AI场景落地时会遇到问题，比如公司对AI芯片考虑较多的是单位功耗，而芯片企业对功耗要求可能不是首要优先级。公司在将AI场景落地的过程中，发现通用芯片完全满足不了需求。这给从事AI解决方案和核心算法的企业带来了难题——公司的算法是统一的，但需要在不同的场景适配不同的芯片和模组。

“目前，AI芯片发展还处在婴儿期”。张立表示，现在企业使用的很多AI芯片因为工艺要求较高，很难在大陆流片，都是在台积电进行流片。同时，也正因这工艺复杂度较高，导致芯片价格较高，使得下游很多使用其模组的产品无法量产。

AI+教育的变革与反思

日前，某人脸识别系统在课堂上的应用在笔者朋友圈引起热议。图中显示，两名在教室中的女生身边，显示出了相应的课堂行为数据，比如趴桌子、玩手机、睡觉、听讲、阅读、举手等等。业内某名嘴犀利点评：非常反感这种应用，且毫无意义！教育，跟养猪的区别还是蛮大的！

行进中的AI的“麻袋”与“书”

联合国教科文组织在2019年3月份发布过《教育中的人工智能：可持续发展的挑战和机遇》报告，比较系统综合了各国人工智能和教育相结合的做法。报告的愿景是促进人工智能教育可持续发展，但更重要的目标是怎么样体现教育个性化、包容化、公平性，驱动教育管理步入全新的轨道，以及帮助学生为“就业革命”做好准备。

上海市人工智能学会理事长、同济大学企业数字化技术教育部工程中心主任、同济大学教授张浩就曾指出，数据驱动的智能教育主要考虑几个因素：一方面是个性化“教”，作为教师，应该体现教学中的个性化。过去老师都是猜，现在可以通过数据辅助。另一方面是个性化的“学”，以前的学生总是听，现在可以通过个性化数据辅助，可以学得更有序，从此建立个性化学习模式。目前，大数据主要还是推动个性化教育”。

未来学校的功能是转变的，教育的内容是转变的，教育的环境也是转变的。教育是永恒的话题，AI结合教育刚刚开始。《中国教育现代化2035》中提到“智能”为先驱，以人才培养为核心，有四大方面的考量：提升校园智能化、新型教学模式、教育服务新业态、推进教学治理方式变革。人脸识别在课堂上的应用，相信只是AI落地教育领域的最初尝试，经过不断的试错、调整，最终真正地辅助教育的目的。

人工智能要做高产值关键要以人为本

人工智能要做高产值不是什么难事，关键是要以人为本。”上海人工智能安全专委会主任、中科院院士、计算机软件专家何积丰表示：“上海人工智能的发展取得了很大的进步，政府投入了大量的资源，给予了高度重视，但是在全面性方面仍然有待完善。

何积丰院士所说的全面性，是指要关注科研创新体制改革，以及关注新技术带来的新挑战，包括人工智能的安全性、人工智能的人才培养、核心基础研究的投入以及相应的配套设施的建设。

以安全为例，何积丰院士援引数据称，上海人工智能三年的产值规模要达到500亿人民币，五年产值规模要达到1000亿人民币。“要做高产值很容易，理论上一部分信息通信技术(ICT)行业的产值也可以算到人工智能领域。但要真正打造人工智能高地，让人工智能服务于我们的社会经济，还有很多工作要做。”何积丰院士表示。

他强调，人工智能要解决的是基础的算法问题，因此数学基础研究很重要。他认为，由于中国基础研究长时间地被边缘化，要鼓动基础研究人员参与其中需要更大的努力。此外，何积丰院士还强调应让人工智能技术与5G技术充分结合，尽快建设完善各类网联基础设施，让城市完成智慧协同，实现精细化的治理。

无数据，不AI

2018年，全球人工智能市场突破2700亿元，其中中国超过360亿元，相比2015年的203亿元复合增长率为21%。飞速上扬的曲线背后是科技发展的日新月异，于互联网下半场，AI已经成为很多公司、企业面向未来的武器和底气。

与之对应的是另外一组数字，据We Are Social公司统计，全球独立移动设备用户渗透率超过了总人口的65％，活跃互联网用户突破了40亿人，接入互联网的活跃移动设备超过了50亿台。根据IDC预测，2020年，全球将总共拥有35ZB的数据量。

这是一组每天都处于千万亿次增长的数据曲线。

人工智能，算法是发动机，数据是燃料。对于大部分公司的AI业务来说，获取海量而优质的标注数据是进行人工智能的先决条件。算法模型是计算机基于大规模的训练数据集，归纳出的识别逻辑，以实现精准的物体和场景识别。可以说，实现机器精准识别的重要一步，就是获取海量而优质的标注数据。

但在现阶段工业界的AI应用研发，标数据是一定跳不过去的，可能10年之内都要依赖于标数据。”一位业内人士表示。

就当下而言，从最基本的构建模式来看，数据是人工智能的原料；但如果将数据与人工智能技术的整体发展相比，如今数据的采集和标注方式却是后者发展的“木桶短板”。

这门生意正在进步。从粗放型到如今的精细化运作，数据的生意模式正在不断升级。身处这个赛道的玩家们，则是给它做了最佳注脚。可以预测，“无数据，不AI”将会成为常态。

结语

经历了这个夏天，AI热度有增无减。但是相比最初由产业界、投资界所推动的热潮，现在学界和基础研究领域也在逐渐产生一些革命性变革，人才缺口问题也越来越受到重视，有望从根源上得到解决。

用一麻袋的钱买书，书看完了，卖了书却发现钱不够买麻袋。生活中很多事情往往会落入这个套路。

无意于用这个逻辑来暗讽AI创业的某些乱象。只是希望热潮退却时，不只是烧掉了投资人的钱，还有许多落在实处的有意义的应用。

退一万步说，读书也好，投资也好，最重要的意义不在于是否能够回收麻袋成本，而是在这个过程中明白，自己是否真的需要麻袋，以及在这个过程中，那些无法用金钱来衡量的收获。