人工智能技術研究及未來智能化信息服務體系的思考

王志宏，楊震

?

人工智能技術研究及未來智能化信息服務體系的思考

王志宏，楊震

（中國電信股份有限公司上海研究院，上海 200122）

人工智能、認知計算、決策支持技術的概念及研究已經跨出實驗室，進入真正的實用階段，其現實價值超過了技術研究者最初的認識，其本質是對信息、數據進行加工生產的技術，而這種生產加工不但可以給人們提供更加便捷的生活，還將對未來人們的生產、生活方式產生根本性的影響，對未來國家經濟生活的運行方式、未來社會的組織結構產生深遠的影響。首先介紹了人工智能技術的基本概念，然后研究了人工智能技術對未來經濟生活的重要意義，人工智能技術開發、積累、復用、平臺化的特征及其所面臨的問題，最后初步分析了運營商接應人工智能技術研究及應用策略的思考。

人工智能；自然語言處理技術；大數據；運營商

1 引言

生產資料占有及財富分配方式一直是社會矛盾產生的主要原因。農業社會圍繞土地、工業社會圍繞各類礦產資源進行生產，在滿足人類物質需求的同時，也構建了相應的以“物質資源”為勞動對象的經濟運行架構。隨著人們對客觀世界運行規律認識的提高及生產工具、生產力水平的發展，目前只需少數人勞動就能生產滿足全體人類生存所需的物質資料。因此工業社會后期，在傳統第一、第二產業基礎上，第三產業蓬勃發展。從科技進步的角度，技術的發展使第一、第二產業效率更高，能生產更多、更便宜的基礎物質產品，而第三產業應用最新研發的技術，圍繞這些基礎物質產品進行再生產，使其具備“新的”價值。

進入信息化社會之后，越來越多的針對信息進行加工及勞動的成果附加到有形的物質產品上，社會的勞動方式及財富分配方式也隨著各行各業信息化水平的提高而改變。從對社會進步的推動效果來看，信息技術與能源一樣，是未來社會發展的核心基石，是重構第一、第二、第三產業的核心要素。現今，以人工智能為核心的信息技術發展將對所有行業起到顛覆性的影響，并將重新定義生產資料、生產關系的推動性技術。可以說人工智能是未來信息社會的核心推動技術因素，將對未來的勞動方式、財富分配方式、社會功能職能劃分，形成新型經濟架構并起到重要的影響。

但是目前需要真正應用人工智能技術的一線勞動者對人工智能技術的理解存在一定誤解，他們對人工智能在實際應用中的技術架構認識也存在不足。本文首先分析了人工智能、認知計算、決策支持的技術特點，然后從生產工具及生產資料的角度分析其對社會結構及發展的重要意義，提出了未來社會財富分配“技術角色”的概念，最后分析了人工智能技術發展所需的物質基礎以及人工智能成功應用需具備的前提條件和面臨的挑戰等。

2 人工智能技術、認知計算技術、決策支持技術分析

2.1 人工智能技術

人工智能是計算機學科的一個重要分支，其核心目的是使用機器模擬人的思維過程，進而代替人完成相應的工作。“人工智能”一詞出現于1956年，由美國幾位數學、信息科學、計算機科學、神經學、心理學方面的科學家提出。1969年，國際人工智能聯合會議的召開標志著人工智能得到了國際的認可。實際應用中，人工智能指機器可以感知環境的變化（文字、聲音、圖像及可定義的符號為輸入），系統根據設定的規則執行目標任務[1-5]。

人工智能作為研究機器智能和智能機器的一門綜合學科，涉及信息科學、心理學、認知科學、思維科學、系統科學和生物科學等學科，目前已在知識處理、模式識別、機器學習、自然語言處理、博弈論、自動定理證明、自動程序設計、專家系統、知識庫、智能機器人等多個領域取得實用的成果。但人工智能并沒有被廣泛認可的統一定義，美國MIT（麻省理工學院）的Winston教授認為“人工智能就是研究如何使計算機去做過去只有人才能做的智能的工作”，美國斯坦福大學的Nilson教授認為“人工智能是關于知識的學科，是怎樣表示知識、獲得知識并使用知識的學科”。根據這兩個定義與其他關于人工智能的定義，可以將人工智能概括為研究人類智能活動的規律，通過計算機技術進行模擬，構造具有一定智能行為（類似人的行為，或實現人們的期望目標）的人工系統。這個系統可以代替人進行工作，并獲得設計者、使用者期望的結果。伴隨人工智能技術的發展，經常被學術界關注的另兩個概念是模式識別和機器學習。歷史上各類技術的發展從未像人工智能技術這樣具備普遍適用的特征。

人工智能技術最新研發領域是各國政府倡導的“腦計劃”，主要研究內容之一是通過對人類大腦構造及機理的分析，期望獲得在人工智能領域的計算機模擬，實現使機器代替人類從事大部分工作的想法，提高社會整體的勞動生產效率、生產水平，節約社會資源消耗，解決現今社會面臨的各類問題。

2.2 認知計算技術

認知計算是人工智能面向具體解決問題的表達，本質上是期望通過人工智能、模式識別、機器學習等技術實現機器對現實世界各類數據及現象之間內在關系的理解，進一步開發出各類工具及系統，實現生產力提高、環境保護及社會治理的目的。“認知”源于心理學概念，是人類認識客觀世界、獲得知識的過程，包括知覺、記憶、學習、言語、思維和問題解決等[6-9]。

認知計算技術是人工智能技術的再發展，其通過進行數據本質含義的理解，進而解決數據價值的發現問題；其外在表現是人工智能，使用機器實踐人類已經對世界的認識成果，代替人類重復定義好的工作。目前，認知計算有兩個主要任務：一是研究并通過計算機模擬人類對客觀世界的認識；二是以對信息、數據認知及價值發現為主要目標。相比人工智能技術，認知計算的研究更深入、應用更具體。“更深入”指其研究的不只是對人類大腦行為的模擬，還更加聚焦對客觀世界運行規律、客觀世界產生數據內在規律及外在表現的認識及實現方式；“更具體”指在其所應用的業務領域表現形態更加直接，可以為企業領導者提供直接的決策建議。

目前，認知計算的領先者是IBM公司，以沃森系統為核心進行推進。沃森的目的是應用人工智能及自然語言處理技術，實現對現實世界各類信息“內在規律性知識”的理解、獲得、表示及應用。從另一個角度看，IBM希望通過認知計算識別現實世界中各類數據的語義表達，實現基于語義的上下文理解、交互、應用。例如，認知計算可以基于實時高效的流數據處理技術，融合天氣、地圖、路網、交通等信息，利用認知建模、知識學習及人機對話等管理方法，為汽車、保險、交通運輸領域的行業提供智能的“車聯網”服務解決方案。實例化是利用車載電子監測設備和智能手機來采集車輛出行、車況和駕駛數據，再融合天氣、路況等其他相關數據，生成駕駛風險提醒和避險建議，為車主和保險公司提供參考。

未來基于各行各業數據整合、關聯信息基礎之上的價值發現，將超出單一信息來源或信息的價值，而這需要認知計算技術。認知計算的目的是構建一個以“語義理解、認知實現”為核心的數據處理架構，發現各行各業數據的內在價值；進一步地，這個數據處理架構可以進行數據抽象，在此基礎上進行相關數據的關聯分析及認知，即實現現實世界各類相關實體內在關系的分析和判斷，實現基于數據融合的世界內在規律的認知；最后把認知結果轉化為可輸出的、滿足現實世界各行各業需求的有形產品。

綜上，對未來認知計算技術的研究應該在3個方面：一是對客觀世界產生數據的理解能力，認知計算系統應該具備對隱藏在各類數據、現象背后客觀世界內在規律、相互聯系及表現形式的理解能力；二是洞察與發現，認知計算的終極目標是從各類看似不相關、不同來源的數據中發現其內在關聯及規律，形成“知識”，使認知計算系統具備類似人腦的認識客觀世界的能力，幫助人類發現新問題、開發數據新價值；三是決策支持能力，幫助各類人員基于其所能掌握及接觸的信息，定量或定性地進行分析，為制定合理的決策提供支持。這中間又涉及運籌學、統計學、數據可視化、高性能計算、系統理論、行為科學等研究領域[10]。

2.3 決策支持技術

如果說人工智能技術是通過計算機模擬人腦的活動，是機器代替人類活動，認知計算是通過對客觀世界及目前可以觀測、測量的各類信息、數據內在含義的認知并有效地表達；那么，決策支持技術就是人類對客觀世界的有效反饋或控制的指令，可以認為是認知計算的最終目標。

決策支持是信息社會的主要活動，從個人某件商品的購買，到企業生產計劃的制定等，無一不包含著決策。在信息領域決策的表現為決策支持系統（decision support system，DSS），其概念由Scot于20世紀70年代初首先提出，它同時具備管理信息系統的數據處理及相應模型的數值計算功能。決策的過程如下：決策目標的理解及定義，決策所需數據的獲得、整理，決策模型的選擇及相應的計算過程。決策支持系統基本組成部分有人機接口（對話系統）、方法庫、知識庫、數據庫和模型庫。傳統的決策支持系統分為智能決策支持系統（IDSS）、分布式決策支持系統（DDSS）、群/組織決策支持系統（GDSS/ ODSS）等[11-13]。

人工智能、認知計算的研究提供了超出以往的決策支持能力。首先，先進系統的決策支持能力可以同時滿足決策者主觀有意識認知的多個目標及深層次目標。人類在一個有限的時間范圍內，接收及處理信息的能力有限，決策支持系統能夠同時處理大量信息，并針對多個“目標的集合”進行綜合決策。其次，可整合傳統看似不相關的數據，發現數據的深層價值，實現復雜的任務。以Google的自動駕駛實現為例，其整合了Google街景數據來實現自動駕駛，Google汽車使用視頻攝像頭、雷達傳感器以及激光測距器來了解周圍的交通狀況，并通過一個詳盡的地圖（來源于Google街景數據），對前方的道路進行導航。這個系統的特點是整合了傳統意義上無關的數據（街景數據），通過對數據的認知（街景數據輔助定位），實現了新的目標（自動駕駛）。最后，對垂直領域的數據積累、認知基礎上的各類業務進行決策應用，如應用人工智能技術可以實現各類網絡的故障診斷[14-17]。

3 人工智能技術在未來經濟生活中的重要作用

3.1 人工智能對未來社會的影響

（1）以數據為核心的生產資料的極大豐富

超越物質束縛的數據化生產資料的極大豐富。人工智能時代是數據為主要生產資料的時代，傳統的人們被物質化生產資料束縛的情況將得到極大的改善，社會或將演進到接近擺脫物質類型生產資料束縛的階段。這必將解決目前以消耗物質資源為主的經濟增長方式的缺陷，進而解決目前的社會問題、環境問題、經濟問題等各類問題。在這個時代，物質回歸滿足人們的基本生活需要，數據價值的發現以各種形式附著在物質產品中，進一步地，純數字化的產品、半成品以及類似現在機器部件的數據部件也將出現。

（2）個體從終身的消費者轉變為終身的勞動者

以數據為主要生產資料的時代，人們可以成為終身的勞動者。勞動的方式將以智力活動為主，社會上將出現一種“數據認知觀點”使“智力勞動”轉變為實際生產活動平臺。這個平臺將適合各種背景的生產者，生產者表達其數據認知，不同的認知由平臺匯聚，再由特定的部門加工，轉化為各具特色的個性化產品，使基于“智力勞動的產品”獲得極大的豐富。另一方面，人工智能技術的應用從技術層面解決人口紅利消失的問題，人們可以終身進行“智力勞動”、貢獻生產所需的“數據及認知”。

（3）產品全生命周期的概念延伸：消費過程即生產過程

任何組織、個人，其消費過程即生產過程，如消費過程產生的數據，轉化為生產過程的數據。產品的生命周期將延長，其使用過程產生的數據又是其下一代產品進行設計和生產的基礎，并反作用于下一輪的生產。人們終身可以成為數據生產資料的提供者，任何的活動、衣食住行、醫療記錄等都可以產生數據，而這些數據結合特定的物質產品、場景，又是生產（優化）新物質產品的基礎資料。

（4）對勞動者極大尊重，技術價值得到極大認可

歷史上的技術時代，如電氣時代，由于承載技術實現的基礎是物質，故而社會經濟結構的構成擺脫不了一些基礎社會資源掌控者的影響，如金融寡頭依靠金融資本攫取超額利潤，行業巨頭利用行業資源的壟斷限制競爭對手的發展；而在人工智能時代，基礎的生產資料是數據，數據的貢獻者是社會的各個成員，因而對人、組織、機構的評價是數據貢獻、數據認知、數據轉化成產品的能力，這必將出現以對技術的掌握及運用能力為主的一種社會價值衡量標準，進而勞動者的勞動（技術掌握及運用水平）將獲得極大尊重。

3.2 以數據為勞動對象構建新的生產關系

物質基礎是社會的架構及發展的基石，對物質占有及分配的矛盾，客觀上是歷史上國家間、階級間沖突導致的，其最激烈的表現形式是戰爭。戰爭給人類社會帶來無盡的傷害，但從經濟和科技的發展角度看，戰爭也創造了經濟、科技需求，有效地調整了經濟結構并促進了生產力的發展。但圍繞物質資料進行生產及分配的經濟運行模式，不可避免地使優勢集團形成財富的壟斷，再次造成財富（物質）分配的不公，由此產生一個新的循環。

由于人類文明的進步，同時熱核武器等毀滅武器的發展，阻止了大規模戰爭的出現。通過戰爭調整社會經濟結構的作用越來越弱，取而代之的是通過金融手段調整社會國家間、階級間分配財富的問題，經濟危機是一種極端的表現形式。但由于強勢財團的存在，金融工具被壟斷集團所控制，沒有有效發揮其應有的作用，因此從20世紀80年代起，各類形式的經濟危機越來越頻繁，影響也越來越廣泛。

隨著信息化社會的深入發展，構建針對信息進行處理和生產的物質基礎已經完善，信息社會的內涵實質是針對信息、數據的加工和生產。而這種生產的目的是使人類對客觀世界的認識成果附著在有形的物質產品上，在提升產品內在價值的同時，又極大地節約了社會資源。而這正是新生產關系形成的關鍵，其優點介紹如下。

?? 圍繞信息和數據生產形成新的生產關系，是構建新的經濟結構的有效手段，克服了傳統圍繞物質進行生產和分配的生產關系缺陷，使針對物質資料壟斷的影響力降到歷史上的最低點。

?? 圍繞數據進行的勞動，使勞動成果附著在傳統的物質產品上，使其具備新的特性，表現在滿足用戶的“個性化”需求，產品更加符合使用者或購買者的個性化需求及使用習慣、偏好，符合購買者使用習慣“用的最優”。

?? 按需生產，節約社會物質資源，產品與需求對應“量的最優”：生產滿足定量人群產品的社會整體物質消耗最小，生產過程中制造成品的物料、能源消耗最小，環境危害最小。

?? 社會全體成員都可以參與生產。未來圍繞數據構建的網絡及平臺使各行業數據具備開放和融合的特性，人類基于數據各階層都能從事生產，如數據標注、智能或認知模型。

各行業都可以通過對本行業相關信息、數據的認知及生產過程，實現本行業所特有的“信息、數據、智能”應用。未來人工智能技術、認知計算技術就是以數據為核心的新型生產關系的核心技術環節，而其歸根到底就是針對各類現實的需求進行快速、有效、科學的決策。生產力的三要素包括勞動力、勞動工具、勞動對象，在這種新型生產關系下，勞動工具是計算機、信息通信網絡，勞動對象是數據。而這種生產關系的推廣及普及，必將影響到組織、社會架構的演進及發展。

3.3 未來經濟生活中“技術角色”概念的提出

歷史上技術在人類經濟生活中，是依托物質而存在的；但在信息和數據為勞動對象的新型生產關系下，技術的地位大大提高，其根本原因是人類智力活動是這種生產關系的基本“元素”，是最充分體現智力活動的勞動，因此這種生產關系下對勞動者勞動價值的認可程度將超出以往。未來在社會生產環節中對技術價值的認識、再定義、價值認可，將會賦予技術決定性的財富分配屬性。對技術的占有（通過專利等知識產權的認定），會形成未來解決社會經濟分配矛盾和新的財富分配手段及機制，進一步為解決人類歷史上國家、經濟體內部財富分配問題、經濟危機等社會問題提供新的思路。

信息社會的重要特征是生產資料、對象的根本轉變，即依靠人類的智力活動，依靠計算機，通過對大規模信息、數據的處理來實現社會生產活動并最終獲得經濟成果。以這種生產方式為基礎的財富分配方式，越來越依賴社會各分工角色在技術研究及應用體系中的定位。因此筆者試著給出了未來社會經濟生活中技術重要性的分析及定義：以技術環節的占有及關鍵核心技術掌握、運用的程度，影響資源分配的經濟運行機制，而這可以稱為“技術角色”。

目前所見，未來“技術角色”涉及的重要技術有生物技術、材料技術、能源技術及信息數據技術，其中，信息數據技術不但自身有嚴密的科學體系，同時也是生物技術等發展研究的關鍵支撐技術。信息數據技術的核心是人工智能技術、認知計算技術，其研究發展不但可以改變傳統各個行業服務的提供方式，還可以創造出新的服務模式，形成新的經濟單元及財富分配方式，更重要的是，人工智能技術、認知計算技術也是生物技術、材料技術、能源技術等行業發展的基礎驅動技術之一，即通過大量觀測數據的分析和認知，發現生物等科技的新方向及數據內容中的新規律，進而形成該技術領域的發現和突破。

4 大規模應用人工智能的條件已經具備

世界經濟已由“圍繞有形的物質資源進行生產”階段，演進到“圍繞無形的數據資源進行更高級別的生產”階段，因而以數據資源價值發現為核心，即采用人工智能技術、認知計算技術、決策支持技術的大規模商業開發及應用的條件已經具備。

4.1 基礎計算資源已經具備

計算機運算能力的提升，是以信息、數據作為生產對象實施人工智能的前提條件之一。現在不論是個人電腦、智能手機、商用服務器，還是超級計算機，其計算能力都大幅度提升。2016年6月，在世界超級計算機最新一期排行中，排名第一的中國“神威太湖之光”每秒運算達3萬多億次，整個系統峰值性能為12.5億億次/s，持續性能為9.3億億次/s，相當于200多萬臺個人電腦的運算能力。“神威太湖之光”使用的是國產芯片，約4.1萬個，占40個機柜；每個芯片上有260個處理核心，而世界上第一臺計算機“ENIAC”的運算能力為5 000次/s[18]。

未來的計算可能無處不在，如最新興起的邊緣計算、霧計算等，但基于基礎計算資源，面向各種數據認知、應用場景研究及根據需求的計算任務分配技術還不完備，即基于任務和數據的認知技術及其與計算資源分配將是未來研究的一個重點。

4.2 基礎數據資源基本具備

人工智能的本質是對信息的“擬人化”處理，即機器像人一樣感知及處理數據。目前可計算的數據基礎已具備：首先，隨著信息技術的發展，人類歷史上積累的信息基本已經完成了電子化，即可“計算化”的轉變；其次，目前互聯網上的公開數據增量每年以ZB級增長；第三，各類組織、個人都在產生大量的電子數據，這些數據都可以作為實現各類人工智能所需的基礎輸入數據源。

另一方面，用于腦科學研究、分析、模擬的數據越來越多，科學家從各個方面獲得對人腦運行機理進行分析的數據，例如神經電活動觀測方法，或釋放的化學物質變化等，并針對性地開發了用于觀測這些數據的工具。基于對大腦在特定輸入信號刺激情況下的反應及神經傳導的觀察，人們將逐步揭示大腦的工作原理，進一步通過計算機模擬大腦的工作機制，實現新的人工智能技術應用[19]。

但應用人工智能技術的數據資源目前還面臨兩方面的問題：數據資源孤島狀態還比較明顯，受限于安全及商業模式，掌握在各組織機構的數據資源開放還需推進；數據的標注及理解問題，能被人工智能技術應用的數據目前還需要經過人工標注，這需要大量的人工及經費支持。雖然“谷歌大腦”號稱具備一定的自學習能力，但目前其要克服的技術難題還比較多。

4.3 資本的介入將使人工智能技術的研發及應用進程加快

觀察近20年先進技術從研發到應用的進程，可以發現，資本在新技術市場化的過程中起著至關重要的作用，單純的技術研發在受到資本關注后，會產生超出以往的進展，例如蘋果的Siri、谷歌的自動駕駛及AlphaGo，都是一開始由小團隊進行研發，被大公司關注、收購并注入新資源后，取得了突破性的進展。隨著社會資本的關注，筆者觀察到越來越多的人工智能技術應用以超出以往的增長速度在市場上出現。美國風險投資公司CB Insights發布人工智能產業2016年第一季度報告及多個人工智能產業報告，2016年第一季度投資交易額達到了6.02億美元。最新數據顯示，截至2016年6月15日，已有超過200家人工智能初創公司總共獲得了近15億美元的融資，國內以人工智能為產品應用的初創公司也已有數百家[20]。

4.4 國家戰略層面的推動作用

世界各主要國家及經濟體，在人工智能技術的研發上加緊布局。國家層面美國、歐盟、日本都有人類大腦研究及在此基礎上的人工智能技術研發國家計劃。國內相關領域國家引領更加具體，2015年11月，習近平總書記“致2015世界機器人大會賀信”中說到，隨著信息化、工業化不斷融合，以機器人科技為代表的智能產業蓬勃興起，成為現時代科技創新的一個重要標志。中國將機器人和智能制造納入了國家科技創新的優先重點領域。2015年6月，李克強總理主持國務院常務會議，會議通過《“互聯網+”行動指導意見》，明確了推進“互聯網+人工智能”，作為若干能形成新產業模式的重點領域發展目標任務，并確定了相關支持措施。這是“人工智能”從國家層面第一次被明確為“形成新產業模式的重點領域”。

2016年5月，國家發展和改革委員會、科技部、工業和信息化部、中共中央網絡安全和信息化領導小組辦公室及中華人民共和國互聯網信息辦公室發展和改革委員會網站發布了《“互聯網+”人工智能三年行動實施方案》。方案指出，到2018年，一是打造人工智能基礎資源與創新平臺，人工智能產業體系、創新服務體系、標準化體系基本建立，基礎核心技術有所突破，總體技術和產業發展與國際同步，應用及系統級技術局部領先，重點工程包括核心技術研發與產業化工程、基礎資源公共服務平臺工程；二是推進重點領域智能產品創新，重點工程包括智能家居示范工程、智能汽車研發與產業化工程、智能無人系統應用工程、智能安防推廣工程；三是提升終端產品智能化水平，重點工程包括智能終端應用能力提升工程、智能可穿戴設備發展工程、智能機器人研發與應用工程[21]。

5 人工智能技術應用的特征分析[22-31]

5.1 平臺化特征

對人工智能、認知計算的研究，已有60多年的歷史，科研工作者從各個角度開發出能模擬人類工作的系統或機器。隨著互聯網、物聯網的發展，人工智能應用的領域越來越廣泛，人工智能的平臺化特征越來越明顯。這從Google自動駕駛技術的研發就可以看出端倪，Google自動駕駛技術的實現方式其實是Google搜索引擎平臺大規模數據處理在特定領域的實際應用，其重要的技術環節是在后臺整合了大量駕駛數據、道路數據（來自Google街景），實現了針對特定駕駛任務的數據及相關決策支持。IBM的沃森系統更具備平臺特征，IBM通過開放API獲取更多不同行業的數據，以進行行業自學習能力的培養，之后通過其認知計算架構整合各行業數據，為特定應用提供更加準確的認知服務。只有平臺化，才能整合各類來源的數據，提供超出單一數據來源的、更加有效的人工智能、認知計算服務。

為了實現以數據為核心的生產資料和面向人工智能的社會化生產工具的形成，必須要構建一個既具備開放，又能客觀評價生產者價值的平臺，這個平臺必須滿足有利數據開放及共享、面向數據認知及表達、方便智力活動生產三大主要條件。

5.2 積累及復用特征、運營特征

人工智能技術區別于傳統的技術產品，其具備自身的特點，不可能通過購買、消化、吸收、再創新應用的技術路線來獲得。人工智能技術的一大特點是技術積累（即技術可復用性的逐步積累及優化），與人類大腦學習一樣，是一個逐步學習及完善的過程。有效的人工智能技術應用需要經過長期的學習和積累，改進應用模型、優化學習算法。例如，語音識別技術的應用，要達到一定識別的準確性，需要的訓練語料多達數千到數十萬小時。Google、百度的搜索引擎可以看成人工智能技術在搜索引擎領域的應用實例，其現在的形態是經過十幾年發展而成的，這也是近些年后來者雖然投入巨大，但始終在搜索引擎領域無法超越他們的原因，后來者已經沒有了類似Google等成長的環境、進行積累的時間、與使用者相互適應共同成長過程中的學習數據。

Google、百度、IBM之所以大力發展人工智能技術，本質是其初步形成了人工智能技術學習、復用的架構，而這個復用架構包含數據處理、面向應用的特征提取及標注、根據應用目標動態選取不同的應用模型、根據不同的應用模型使特征數值化，之后選取合適的算法進行計算，根據反饋對計算過程的不斷優化等。在該領域進行投入的公司還有蘋果（Siri）、亞馬遜（Alexa）、微軟（Cortana）、科大訊飛等，所有這些公司基本都面向一個開放的、可復用的人工智能學習架構進行投入和研發，逐步把研發成果應用到各個細分領域，再由細分領域的應用經驗反過來迭代優化這個整體的開發架構，逐步前行。

6 應用人工智能技術面臨的挑戰

從生產資料（勞動工具、勞動對象）的角度看，勞動對象是數據，勞動工具是各種體系架構的計算機、處理器。其中，勞動對象（大量數據）的規模化獲得、根據處理任務及模型的標準化標注是目前亟待解決的問題，因此需要一個能充分協作的工作平臺，可以把數據、智力勞動任務進行有效分解及應用集成，既能使勞動者公平地獲得勞動資料，又能相對客觀地評價勞動者的勞動成果。總的來看，未來各行業大規模應用人工智能技術需要在以下幾個方面進行新一輪的技術變革及工作準備。

6.1 數據開放應用架構及資源庫

對于人工智能應用的基礎（數據資源），未來要解決的問題如下：一是數據開放架構，即如何能在安全的前提條件下獲得工作所需的數據；二是數據標注架構，如何理解數據是人工智能技術應用最基礎的問題，針對同一個對象的描述數據，不同行業或應用的認知不同，因此需要一個方便進行數據標注，使數據具備不同應用所對應基礎語義的數據標注及處理架構；三是基礎元數據庫，數據開放的主要目的之一是獲得其他領域的數據為本領域的應用服務，實現數據融合，而實現數據融合的基礎是有一個針對相同實體在不同領域進行描述的元數據庫，人工智能算法可以通過這個元數據庫的調用，實現對其他領域的數據標注及理解應用。

6.2 模型、算法加載及實現架構

人工智能技術狹義上是模擬人腦的思維過程，使機器像人類一樣工作；而廣義上是通過機器來重復人類對社會、自然界運行內在規律的認識結果，并開發出相應的工具。這種認識的機器實現就是各類模型、算法的實現。因此，為了實現人工智能在各行業的快速應用，使各階層勞動者都參與到人工智能技術的應用開發中來，需要一種方便各類模型、算法進行實現及加載的技術架構，這個架構的核心是方便各行各業在一個統一的框架下實例化行業的數據認知（模型）、算法實現、共享其實現方法等，該架構向下方便調用各類數據，向上方便把智力活動的模型、算法開放給各類應用。

6.3 組織架構及勞動者

為了適應以人工智能為核心的新型生產關系，需要從事這類活動的企業具備一個面向數據認知、人工智能技術應用實現的組織架構，在這個組織架構內，給從事人工智能勞動的不同角色群體賦予相適應的資源，滿足不同的人工智能活動的目標任務。而勞動者需具備面向信息進行工作和生產的基本技能，如數據語義標注技能、任務表達及分解技能、模型、算法實現、智能系統評價及反饋技能等。

6.4 應用及評價

應用指具體各個行業進行人工智能、數據認知、決策支持的產品開發及能力嵌入。評價首先要解決的是如何評價人工智能技術的應用效果，其次要解決公正及可量化問題，從而衡量從事相關新型勞動的組織及個人的勞動價值，并進行相應的資源分配。評價是決定整個人工智能技術應用成敗的關鍵因素。

事實上，目前人工智能技術應用存在的難點都與應用及評價相關。首先是一個企業、行業如何引入人工智能技術，圍繞其產生的數據資源進行生產；其次是如何客觀、公正地評價這個生產的經濟效益，只有應用新技術的經濟效益能公正評價并被各方認可的前提下，才能為這個新型的生產關系投入相應的資金及人力資源。

6.5 其他因素

與人工智能成功應用有關的因素還包括知識產權、隱私、社會倫理等，限于篇幅，本文不做展開分析。

7 對運營商的思考

長久以來運營商在信息服務中一直占據核心地位，但隨著移動互聯網的發展，運營商管道化趨勢明顯，其根本原因是信息服務的重心由“及時獲得信息”轉變為“對決策的支持”，即如何判斷及提供“有用的”信息，進一步是這些信息的提供方式如何。這是擺在運營商面前的問題，即如何整合互聯網、移動互聯網、物聯網上的信息，根據用戶業務需求按需提供。雖然“管道”是整個信息服務中必不可少的一環，但其價值含量隨著通信技術的發展逐步降低，隨著4G的普及和5G技術的研發儲備，信息提供得越及時，單純作為“通道”價值就會越讓位于提供“有用信息”的價值。這給運營商在未來的信息服務體系帶來了挑戰：從單純的傳遞信息到參與“決策”的轉變，如何參與構建社會化（面向社會所有成員、行業開放）的人工智能應用的信息傳遞及交付通道及平臺，形成新型的信息處理及分發架構。雖然目前運營商在這部分的工作與互聯網公司相比已大為落后，但從國家戰略、安全、人工智能應用的通用性、社會價值分配的公平性角度講，由運營商發展并運營相關平臺才最符合社會資源及相應價值分配的公平性需求。

8 結束語

經濟生活中一直存在著技術驅動和業務驅動的爭論，從財富分配的角度，是需求和供給的爭執，而現今國家供給側改革核心之一，是依靠技術進步重塑經濟生活中的各個單元、改善價值分配環節、凸顯勞動創造價值的理念。人工智能及其相關技術的發展及應用為：第一，為各行業的轉型提供新的思路；第二，可能改變未來社會人們參與勞動、評價勞動貢獻程度的方式，實現人們從終身消費者向終身生產者的轉變，進而使勞動成為生活的第一需要，勞動將是其對自身價值、社會認知的終身追求及實現方式；第三，以此為基礎或前提條件的社會組織架構的適應性轉變、優化，實現一個社會分工更合理的組織形態。

未來人工智能的研發重點將由專用型人工智能逐漸過渡到通用型人工智能領域，而這需要一個服務于各類垂直人工智能應用的平臺，在這個平臺上各種背景的人都可以從事適合自己需求及特征的生產勞動。人工智能應用的平臺化、積累及復用的特征，將對未來企業由產品、服務、組織架構產生深遠的影響，未來社會將演進到以人們認識社會、認知自身、對物質的需求回歸基本生活需要的形式，而勞動的目的是實現或驗證人們對客觀世界的看法，實現自身認知價值，進而為解決目前經濟、環境、自然資源等各類問題提供新的思路。

[1] 戴汝為. 社會智能科學的形成和發展[J]. 上海理工大學學報, 2011, 33(1): 1-7.

DAI R W. Formation and development of social intelligence science[J]. University of Shanghai for Science and Technology, 2011, 33(1): 1-7.

[2] 韋樂平. SDN的戰略性思考[J]. 電信科學, 2015, 31(1): 7-12.

WEI L P. Strategic thinking on SDN[J]. Telecommunications Science, 2015, 31(1): 7-12.

[3] 孫茂松, 劉挺, 姬東鴻, 等. 語言計算的重要國際前沿[J]. 中文信息學報, 2014, 28(1): 1-8.

SUN M S, LIU T, JI D H, et al. Frontiers of language computing[J]. Journal of Chinese Information Processing, 2014, 28(1): 1-8.

[4] 王飛躍. 基于社會計算和平行系統的動態網民群體研究[J]. 上海理工大學學報, 2011, 33(1): 8-17.

WANG F Y. Study on cyber-enabled social movement organizations based on social computing and parallel systems[J]. University of Shanghai for Science and Technology, 2011, 33(1): 8-17.

[5] 鄒蕾, 張先鋒. 人工智能及其發展應用[J]. 信息網絡安全, 2012(2): 11-13.

ZOU L, ZHANG X F. Application and development of the artificial intelligence[J]. Netinfo Security, 2012(2): 11-13.

[6] 王志良, 鄭思儀, 王先梅, 等. 心理認知計算的研究現狀及發展趨勢[J]. 模式識別與人工智能, 2011, 24(2): 215-225.

WANG Z L, ZHEN S Y, WANG X M, et al. Research and development of cognitive computing in mind[J]. Pattern Recognition and Artificial Intelligence, 2011, 24(2): 215-225.

[7] 董超, 畢曉君. 認知計算的發展綜述[J]. 電子世界, 2014(15): 200.

DONG C, BI X J. The overview of cognitive computing development[J]. Electronics World, 2014(15): 200.

[8] 徐峰, 冷伏海. 認知計算及其對情報科學的影響[J]. 情報雜志, 2009, 28(6): 20-23.

XU F, LENG F H, Cognitive computation and its impact on information science [J]. Journal of Intelligence, 2009, 28(6): 20-23.

[9] 楊震, 楊寧, 徐敏捷. 面向物聯網應用的人工智能相關技術研究[J]. 電信技術, 2016, 8(5): 16-19.

YANG Z, YANG N, XU M J. The study on the application of artificial intelligence in the Internet of things[J]. Telecommunications Technology, 2016, 8(5): 16-19.

[10] 許兆新, 周雙娥, 郝燕玲. 決策支持系統相關技術綜述[J]. 計算機應用研究, 2001, 18(2): 35-39.

XUN Z X, ZHOU S E, HAO Y L. A survey to relational technologies of decision support system[J]. Application Research of Computers, 2001, 18(2): 35-39.

[11] 劉博元, 范文慧, 肖田元. 決策支持系統研究現狀分析[J]. 系統仿真學報, 2011(S1): 241-244.

LIU B Y, FAN W H, XIAO T Y, Development of decision support system[J]. Journal of System Simulation, 2011(S1): 241-244.

[12] 陳曦, 王執銓. 決策支持系統理論與方法研究綜述[J]. 控制與決策, 2006, 21(9): 961-968.

CHEN X, WANG Z Q. Overview of theory and methods of decision support systems[J]. Control and Decision, 2006, 21(9): 961-968.

[13] 陳凱, 朱鈺. 機器學習及其相關算法綜述[J]. 統計與信息論壇, 2007, 22(5): 105-112.

CHEN K, ZHU Y. A summary of machine learning and related algorithms[J]. Statistics & Information Forum, 2007, 22(5): 105-112.

[14] 楊良土, 鐘延炯. 動態系統故障診斷的新方法——專家系統[J].信息與控制, 1988, 17(3): 24-29.

YANG L S, ZHONG Y J. A new method for fault diagnosis in dynamic systems——expert system[J]. Information and Control, 1988, 17(3): 24-29.

[15] 劉培奇, 李增智, 趙銀亮. 擴展產生式規則的網絡故障診斷專家系統[J]. 西安交通大學學報, 2004, 38(8): 783-786.

LIU P Q, LI Z Z, ZHAO Y L. Network fault diagnosis expert system based on extended production rules[J]. Journal of Xi’an Jiaotong University, 2004, 38(8): 783-786.

[16] 劉觀良, 趙萬能, 仝麥智. 基于人工智能的網絡故障診斷研究綜述[J]. 電腦編程技巧與維護, 2013(10): 101-102.

LIU G L, ZHAO W N, TONG M Z. Overview of network fault diagnosis research based on artificial intelligence[J]. Computer Programming Skills & Maintenance, 2013(10): 101-102.

[17] 蘇利敏, 侯朝楨, 戴忠健. 一種集成的智能網絡故障管理結構[J]. 計算機工程與應用, 2002, 38(6): 8-9.

SU L M, HOU C Z, DAI Z J. A synthetic intelligent framework to network fault management[J]. Computer Engineering and Applications, 2002, 38(6): 8-9.

[18] 柴逸扉.“神威?太湖之光”神在何處？[N]. 人民日報海外版, 2016-06-28.

CAI Y F. What are the advantages of “Shenwei light of Taihu”[N]. People’s Daily Overseas Edition, 2016-06-28.

[19] 蒲慕明, 徐波, 譚鐵牛. 腦科學與類腦研究概述[J]. 中國科學院院刊, 2016, 31(7): 725-736.

PU M M, XU B, TAN T N. Brain science and brain-inspired intelligence technology-an overview[J]. Bulletin of Chinese Academy of Sciences, 2016, 31(7): 725-736.

[20] 人工智能初創企業迎投資熱潮[EB/OL]. (2016-07-25) [2017-03-31].http://news.xinhuanet.com/local/2016-07/25/c_ 129174469.htm.

The investment boom to the start-up enterprise of artificial intelligence[EB/OL]. (2016-07-25)[2017-03-31]. http://news. xinhuanet.com/local/2016-07/25/c_129174469.htm.

[21] 關于印發《“互聯網+”人工智能三年行動實施方案》的通知[EB/OL]. (2016-05-18)[2017-03-31]. http://www.sdpc.gov.cn/ zcfb/zcfbtz/201605/t20160523_804293.html.

The information for the document of “Internet plus” artificial intelligence three years implementation plan [EB/OL]. (2016-05-18) [2017-03-31]. http://www.sdpc.gov.cn/zcfb/zcfbtz/ 201605/t20160523_804293.html.

[22] 陶九陽, 吳琳, 胡曉峰. AlphaGo技術原理分析及人工智能軍事應用展望[J]. 指揮與控制學報, 2016, 2(2): 114-120.

TAO J Y, WU L, HU X F. Principle analysis on AlphaGo and perspective in milltary application of artificial intelligence[J]. Journal of Command and Control, 2016, 2(2): 114-120.

[23] 楊震. 自動駕駛技術進展與運營商未來信息服務架構演進[J]. 電信科學, 2016, 32(8): 16-20.

YANG Z. Progress of automatic drive technology and the future information service architecture evolution of telecom operators[J]. Telecommunications Science, 2016, 32(8): 16-20.

[24] 國務院.“十三五”國家科技創新規劃[EB/OL]. (2016-07-28) [2017-03-31]. http://www.most.gov.cn/mostinfo/xinxifenlei/ gjkjgh/201608/t20160810_127174.htm.

The State Council. The “Thirteen Five Year” national science and technology innovation planning[EB/OL]. (2016-07-28) [2017-03-31].http://www.most.gov.cn/mostinfo/xinxifenlei/gjkjgh/ 201608/t20160810_127174.htm.

[25] DIETTERICH T G. Machine learning research: four current directions[J]. Ai Magazine, 1997, 18(4): 97-136.

[26] SILVER D, HUANG A. Mastering the game of go with deep neural networks and tree search[J]. Nature, 2016(529): 484-489.

[27] WANG F Y, ZHANG J J, ZHENG X, et al. Where does AlphaGo go: from church-turing thesis to AlphaGo thesis and beyond[J]. IEEE/CAA Journal of Automatica Sinica, 2016, 3(2): 113-120.

[28] 趙云山, 劉煥煥. 大數據技術在電力行業的應用研究[J]. 電信科學, 2014, 30(1): 57-62.

ZHAO Y S, LIU H H. Research on application of big data technique in electricity power industry[J]. Telecommunications Science, 2014, 30(1): 57-62.

[29] 曹旭, 曹瑞彤. 基于大數據分析的網絡異常檢測方法[J]. 電信科學, 2014, 30(6): 152-156.

CAO X, CAO R T. Network anomaly prediction method based on big data[J]. Telecommunications Science, 2014, 30(6): 152-156.

[30] 陳山枝. 發展5G的分析與建議[J]. 電信科學, 2016, 32(7): 1-10.

CHEN S Z. Analysis and suggestion of future 5G directions[J]. Telecommunications Science, 2016, 32(7): 1-10.

[31] 吳軍. 大數據和機器智能對未來社會的影響[J]. 電信科學, 2015, 31(2): 7-16.

WU J. Big data, machine intelligence and their impacts to the future world [J]. Telecommunications Science, 2015, 31(2): 7-16.

Research on artificial intelligence technology and the future intelligent information service architecture

WANG Zhihong, YANG Zhen

Shanghai Research Institute of China Telecom Co., Ltd., Shanghai 200122, China

The concept and research of artificial intelligence, cognitive computing, decision support have been taken out of the laboratory and into the real practical stage. Its practical value has exceeded the initial understanding of technical researchers, and its essence is the technology of how to process information and data. It will give people better life and have great effect on the architecture of future society and organization. Firstly, the basic concept of artificial intelligence technology was introduced. And then the artificial intelligence technology for the future economic life of the important significance,artificial intelligence technology development, accumulation, reuse, platform characteristics and the problems they faced were studied. Finally, the operators’ research and application strategy of artificial intelligence technology were analyzed.

artificial intelligence, natural language processing technology, big data, operator

TP18

A

10.11959/j.issn.1000?0801.2017134

2017?03?31；

2017?05?10

王志宏（1962?），男，博士，中國電信股份有限公司上海研究院副院長，主要研究方向為人工智能、物聯網技術。

楊震（1972?），男，博士，中國電信股份有限公司上海研究院物聯網部智能產品室主任，主要研究方向為人工智能、自然語言處理、搜索引擎、物聯網技術。