二十一世纪计算 | 人工智能如何在行业中落地？_技术分享网

原标题：二十一世纪计算 | 人工智能如何在行业中落地？

编者按：在第二十届“二十一世纪的计算”大会上，微软亚洲研究院副院长周明主持了一场题为“人工智能的行业实践”的圆桌讨论，4位微软亚洲研究院的院友（科大讯飞副总裁李世鹏、字节跳动副总裁马维英、旷视首席科学家孙剑、清华大学教授徐迎庆）参与了讨论，大家就人工智能发展过程中的技术问题，对人们生活的影响，以及未来的发展方向等问题分享了自己的看法。

“人工智能的行业实践”圆桌讨论视频

主持人：未来人们获取信息的方式会出现什么变化？信息流和搜索引擎之间是什么样的关系？未来信息获取的发展趋势是什么？

马维英：从目前整个市场上的应用来看，连接人和信息主要有四个方式，第一是在PC互联网时代，信息大部分在网站或网页上，搜索引擎帮助人连接信息；后来到移动互联网时代，内容更多地出现在平台上，推荐引擎能更好地了解用户的使用行为，提供个性化的推荐，推荐引擎连接了人和信息；发展到今天，我们可以看到越来越多的私人助理,如Siri、Cortana、Google Assistant等，它们已经逐渐成为了新的连接人和信息的方式；第四个管道是社交网络或社区。这四种方式今天都有机会重新再用AI来定义。

大家看到目前这些进展，一定有机会重新再把这些问题好好思考一下，如何用最新的技术，更大的数据，做出最好的表达方式。另外，我觉得多模态在未来也是一个机会。在今日头条的内容平台上，我们发现有文字、新闻、图片、视频、直播、问答、AR、VR，全媒体、全信息彼此都在关联，所有信号都是连接在一起的，而在传统AI领域，各个部分是相互独立的，但其实大家可以利用一些新的思路把不同数据之间做逆向学习、对偶学习、迁移学习或是多模态的集合学习。任何技术进步都会回到刚刚提到的四个应用里面，AI一定有机会再发展出下一代的形式。

主持人：在选择视觉落地的场景时，哪些场景是最有道理的？怎样找到一个特别好的切入点，在激烈竞争的环境中胜出？

孙剑：其实CV（Computer Vision，计算机视觉）有个很有意思的特性，它其实是解决图像，特别是摄像头拍摄的图像问题的。我们周围的摄像头特别多，例如室内摄像头、室外摄像头、手机摄像头、机器人摄像头、医疗摄像头、车载摄像头等，它的输入形态特别丰富，输出也就有很多，并不是你要把这个图翻译成一个句子，而是你要检测识别哪个物体，知道它在做什么，知道他是谁。目前的现状是国内外CV公司都特别多，但由于对应的场景很多，每个公司能够聚焦做的事情不会特别多，各个公司有各自擅长的不同方面，经过几年的发展，逐渐会有一个分化的趋势。

另外，从大的场景来说，数字化程度越成熟，数据越多的场景或行业，会越容易落地。比如我们最早选择的都是联网的金融行业，后来又做了在中国很早就建设了的安防行业，通过IPC的形式，一根网线就给摄像头提供电，并把所有摄像头都连在一起，这些数据都已经数字化了，而且数据非常多，做起来会比较容易。但有些行业落地就比较困难，比如无人车领域，它的周期会很长，医疗方面缺乏高质量且大规模的数据。这就要求我们在选择的时候，要做出理性的判断。

主持人：如何把不完全成熟的技术巧妙地应用在一个应用场景里，既能让用户满意又能创造一定的效益？

李世鹏：在AI时代，大家对AI的期待值过高，认为AI可以做所有事情，甚至可以取代人。尽管目前在很多领域AI已经取得了不错的成绩，而且能帮助人做很多事情，但是AI远远没有达到成熟水平。在这种不成熟的情况下，人跟机器之间的交互、相处以及合作的形式就显得特别重要，机器的智能和人的智能是一定要结合在一起的。

有很多原因可以说明人工智能需要人的智能介入的必要性。首先，至少在现今，人工智能的主流结构还需要标注的数据，而标注的数据本身就需要人的智能在里面；其次，我们要考虑在机器不工作的时候，人应该如何切入的问题。比如自动驾驶，如果人用辅助驾驶模式太习惯了，一旦有突发状况，人根本没有应对的准备。这就涉及到人机配合，机器在帮助人提高效率的情况下，人也不能完全依赖于机器。

另外，人与机器之间要和谐工作，机器智能和人的智能相互配合才能把人的体验做到更好。以医院使用AI读片为例，机器读完之后医生还需要再看一遍，纠正机器的错误，AI看起来提高效率但实际在降低效率。这就涉及到新的设计，比如在AI读片过程中清楚地区分需要人再进一步看的关键领域，以及很大程度上不需要再看的领域，以此实现真正提高效率的目的。我认为这些实际问题是将来所有人工智能产业都会关注的问题。

主持人：人机交互与终身学习领域目前的焦点和发展趋势是什么？

徐迎庆：2002年，我在微软亚洲研究院的时候发表过一篇40毫秒可以从高兴、正常、愤怒、害怕四种情感里判断出上一句话各种情感所占的百分比的论文，当时也许因为没有这方面的需求，大家并没有什么反应，然而随着时间的推移，现在越来越多人开始关注和思考这个问题。那个项目我当时请了电影学院教电影台词的老师作为顾问，仅仅是“你好”这两个字，那个老师随随便便就可以用140多种情感来表达，让我感受到了语言的魅力。现如今，市场上有很多具有对话功能的智能音箱，其实在人和人的实际交流中，人交流的声音情感是非常丰富的，可能性也非常多，同样的意思用不同的语音语调说出来是完全不一样的，系统需要给出不一样的反馈，但是目前我还没有看到某个音箱具有这样的功能。

我们目前也在关注多模态的用户体验交互，比如把嗅觉和情感的声音理解和识别放到一个驾驶环境里，可以分辨出满身酒气的潜在危险驾驶者，这在一定程度上能减轻酒驾带来的交通隐患，保护公众的安全。我想，在这个领域还有很多跟人工智能有关的。就拿语音这样一个简单的事来说，有时候人会掩饰自己的情感，但如果在实验环节用红外探测仪识别面部的时候，人是无法掩饰的，因为面部的温度可能有所变化。根据这个再结合传统影像数据，也许可以引出一套与传统不一样的数据集，这套数据集可能就会对未来某一类识别有帮助。这些都是我们正在探索的。