可能对大部分人来说,对人工智能的印象,还停留在2016年 AlphaGo 以4:1击败李世石九段的那场“世纪对决”。那之前人工智能出现最多的地方还是在好莱坞的大片中,无数专家学者认为,这次事件标志着人类已经站在了人工智能时代的开端。 5年过去,曾经炫酷的、击败了人类的AI走入现实、走入商业世界的过程中却并不那么顺利。由于AI技术太新太难太复杂的特性,对于技术并不擅长的传统企业而言,AI落地正面临着门槛高、基础设施要求高、成本高等一系列难题,可如果不在传统的行业企业中落地,它的价值又难以全面兑现。 究其原因,过去十数年国内IT技术的发展,很大程度都可以参考西方国家经验并快速落地。但与“IOE”时代截然不同,人工智能在国内外均处于起步阶段,中国已无可以效仿的落地范本。 换句话说,国内AI从业者要去开辟的,是一片前无古人的天地。 深坑 人工智能在疫情期间集中落地,自动测温、疫情跟踪、物资调度、线上问诊等功能的实践,是人工智能公司完成的一场阶段性小考。众多AI解决方案的应用,给我国防疫效率带来了深远的影响。 另一方面,互联网企业在不同领域的种种尝试,例如抖音和今日头条的推荐分发算法、安全认证领域的人脸识别、微信上的语音转录功能等等。这些互联网行业的AI应用,不仅给我们的生活带来了实实在在的变化,也帮助企业实现了业绩与效益的增长。 从这些角度来讲,中国人工智能在应用过程中取得的成绩,无疑称得上是优等生。 但当我们将视角深入到更多传统企业中去,则会发现,当人工智能走出实验室,走进生产车间等实际场景的过程中,依然面临着巨大挑战。某制造业的老员工断言:这就是个没有底的“深坑”。 永辉超市旗下的彩食鲜CTO乔新亮曾感慨:
类似的提问不是第一次也不是最后一次。根据埃森哲《中国企业人工智能应用之道》面对全球企业高管的调研显示:高达79%的中国企业高管认为,他们必须借助人工智能来实现业务增长目标——但其中,有52%的中国企业高管人员坦言,人工智能试点容易,但当设法将人工智能推广至全企业时,难度较大。 首当其冲的是数据。人工智能对效率的提升,需要深度、全维度的数据作为分析原料,但与互联网天生根植于数据不同,我国人力资源充裕,过去很多传统行业的数字化意愿并不强烈。到了人工智能时代,企业的数据基础不扎实,也就难以承载起上层的智能化转型。 其次是企业部署算力设备的成本。随着场景、数据量的增多,算力需求呈现指数级增长,而无论是算力设备的购置费用还是技术人员对算法优化的时间投入,都是一笔不小的开支。 此外,AI的介入,需要将过去依靠人决策的生产工作流程打破,并结合AI决策重新构建场景。在这个过程中,找到适合AI的、能够带来业绩提升的落地场景,并以此构建新的工作模式,往往意味着专业人员数月的时间投入。 更不必提,在落地过程中,组织上下员工观念仍然需要时间来转变,最后“钱没少花,但还是人来干活,干完活用机器记录一下”的案例比比皆是。 因此,我们不难发现,人工智能在互联网领域的攻城掠地有多顺利,在实体经济中的落地就有多困难。 而无论如何,盈利、资源利用率最大化、满足客户需求,才是每一家企业的终极目标。这正是“业务一线的AI”与“实验室里的AI”的本质区别:实验室中,专家学者的目标是攻克技术难点,提出新的技术路线;而业务一线中的AI,则是要通过提高效率降低成本,实现企业经营上的增长。 从更加宏观的层面来看,这是喜忧参半的一体两面,喜的是中国已经开始摆脱模仿,树立自己的智能化标杆;忧的是,我国庞大的人口基数与过去数十年的高速发展,造成了各产业对劳动力不同程度的依赖,数字化基础较差,智能转型过程中不可避免面临着技术、认知上的落差。 变局 从技术层面来讲,在AI真正落地的时候,多数情况下只是软件服务型的产品。从硬件的搭建到与场景的融合,都需要企业自己去花费时间与成本。但在很多企业的想象中,这应该是一套现成的产品,插电接网就可以提升工作效率,或者用句传统的IT术语来表达,就是“开箱即用”。 这其实是一种惯性的思维,即一项新兴技术最终总会通过某个具体的产品呈现。比如我们说移动互联网想到的就是手机、说到航天想到的就是火箭。 然而我们也知道,自AlphaGo “出道”算起,人工智能技术落地的尝试也才走过5年时间。AI概念一度繁荣,又一度沉寂。现如今在各个行业的应用落地才刚刚开始,不同技术之间相互融合还需时日。 从另一个角度来说,结合企业实际痛点,将技术封装为一个完整的产品,无疑比单纯“卖算法、卖服务”更加有利于人工智能的落地与推广。 比如国内AI公司第四范式就推出了软硬一体化产品。在硬件方面,通过利用异构计算的技术,将CPU、GPU、FPGA等芯片相配合,达到更好的运算效果和更灵活的算法与算力匹配。而软件方面,人工智能操作系统的加入,使得整个机器的整体运算效率以及算力调度能力更强。 第四范式系统架构科学家卢冕解释说:
“由于一体系统追求稳定、高效、兼容,比如英特尔的CPU,借助它的多核优势,我们把这个软件的可扩展性做得更好。而傲腾持久内存容量更大的特性,也让一台机器可以撑起更多的任务,例如在10TB数据量的事中实时决策场景中,在应用基于傲腾持久内存优化的开源机器学习数据库OpenMLDB后,算力消耗由25台下降至8台。另一方面,英特尔提供了FPGA这种专用的加速硬件,我们在这种硬件上也做了一些模型训练方面的加速工作。”卢冕说。 硬件上的稳定运行得益于其搭载了一套完整英特尔产品。这种具备计算、存储、网络全方位硬件支持,并将软件、系统级优化能力融于一体的底层基础设施方案,给AI系统带来了更加全面的场景、功能支持,更大程度地保证了整个系统没有短板。反映在实际应用中,则是更高的算力输出表现、更低的数据访问时延、更短的故障恢复时间等等,还有整个应用系统总体拥有成本,也就是TCO的下降。 人工智能从方案设计到落地的全生命周期中,需要的能力非常多。合作越多、生态越丰富,AI产业的推广与建设就更加顺畅。像是第四范式就选择以开源的方式,将机器学习数据库OpenMLDB提供给社区,让更多开发者能以便捷、低门槛的方式去落地AI,企业也能够更好的完成规模化。 这些尝试并不一定能解决所有的问题,事实上,人工智能作为一种技术综合体,在不同的场景中,有着不同的组合形式。但也正因其复杂性,通过更多人的参与,将孤立的技术与解决方案连接成片,最终组成坚固的技术生态,将为AI的落地带来更多可能性。 爆发前夜 当互联网还是小众玩物的时候,不会有人想到未来在它上面将会构建起何等庞大的世界,如今的AI亦如是。 而当互联网行业经历过了高速增长,如今开始面临人口红利逐渐见顶之后的放缓时,AI被视为下一个推动企业与国家经济增长的重要手段。而如今,AI领域博眼球的报道也在减少,取而代之的是潜移默化中,那些对我们生活的改变正在一步一步落地。 某种角度来说,目前AI技术正处于普及爆发的前夜。 不过需要注意的是,虽然国内科技企业在人工智能的发展过程中取得了不小的成绩,但AI的基础设施建设仍然任重而道远。相比互联网的平地起高楼,传统产业自有其根基深埋于土壤,因此改变更难;可一旦完成转型,其创造的价值与影响将是一个不可估量的天文数字。 我们正在进入一个泛智能的时代,在这个关键时刻,每一项技术的突破、每一个解决方案的变化,都会变得格外重要。不同技术相互融合、赋能之中的复杂性,单凭这里的一篇文章是无法详尽解释的。 也正因此,为了让企业更好地理解AI落地过程中的种种困难与解决方案,虎嗅联合英特尔特邀第四范式打造了人工智能“从入门到精通”的观察式直播“至强非凡现场”。通过深入第四范式,进行一线探访,我们将在节目中见到AI落地的更多可能性,在直播过程中深度讨论,并感知那些人工智能行业的现实和趋势。 随着中间应用层解决方案的完备、“新基建”上层建筑的重视,孕育于万千产业智慧转型中的智慧经济,也正逐渐清晰起来。而在不久的将来,一个新的、属于智能经济的时代也正在徐徐拉开帷幕。 对中国人工智能产业的从业者来说,越早意识到这一点,将越早为行业发展带来飞跃。 来源: 百度 虎嗅APP https://baijiahao.baidu.com/s?id=1706432992073480338&wfr=spider&for=pc |