“智能+”風光背后存軟肋

鄧大洪

“發展智能產業，拓展智能生活”，運用新技術、新業態、新模式，大力改造提升傳統產業，這是我國的發展目標和方向。由此可見，“智能+”將成為傳統企業轉型升級的有效途徑。從中國目前各行業與人們生活的智能化水平來看，“智能+”將在推動各行業智能化升級的同時進一步拓展人們的智能生活。但是，在智能制造風光無限的同時，其隱含的風險及發展短板也正在悄悄顯現出來。

基礎弱、防護弱是軟肋

許多業內人士認為，在看到我國人工智能產業長足進步的同時，我國人工智能產業暴露出的問題也應當引起關注，需解決“應用強、基礎弱”“功能強、防護弱”等問題。據第二屆世界智能大會上發布的《新一代人工智能科技驅動的智能產業發展》報告顯示，截至2017年6月，中國累計獲得1.57萬項人工智能領域的專利，居世界第二。報告同時顯示，我國77.7%的智能企業分布在應用層，基礎層和技術層企業的占比相對偏低。

首先，人工智能技術仍處于初級階段，在高端人才培養方面上仍處于劣勢。華為云BU副總裁陳崇軍認為，人的智能包括識別、理解、推理和判斷，人工智能目前只是在某些識別領域具備了人的能力，適合于具體的特定場景，特別是語音識別、圖像識別、翻譯等方面。相比人而言，它確實處于初級階段，只能在已知環境，目標明確、行動可預測的環境下才能使用。

美國辛辛那提大學教授李杰認為，當前全世界在人工智能領域都存在人才缺少的情況，美國保守估計缺少20萬相關人才，而中國的缺口或達100萬。由于合格的A1人才培養所需時間要高于一般IT人才，缺口很難在短期內得到有效填補。阿里巴巴董事局主席馬云也表示，邁向人工智能時代，專業人才是中國和世界共同欠缺的，中國的人才培養方式亟待轉變。

其次，底層技術革新恐被“甩在后面”，“缺芯少魂”極易被“卡脖子”。

科技部副部長徐南平也表示，我國人工智能的基礎研究比較薄弱，在基礎理論、核心算法以及關鍵設備高端芯片重大產品與集成，技術材料、元器件、元件等方面有較大差距。

用友軟件股份有限公司董事長王文京也認為，近年來，我國人工智能產業在應用層面發展得比較快，產業在企業數量和整體規模上和最發達國家雖有一定差距，但更重要的差距在最底層的理論和技術方面。

《新一代人工智能發展白皮書（2017）》認為，國外企業正憑借領先的技術優勢展開全產業鏈布局。目前，基礎層產業的核心技術大部分仍掌握在國外企業手中，為我國企業自主開展研發帶來了不利的壁壘封鎖。當前，國內企業及科研機構進一步加強了對傳感器、底層芯片及算法等基礎層技術的研發力度，以寒武紀、深鑒科技、云知聲為代表的一批國內初創企業在智能芯片和算法模型方面已推動展開相關研發工作，已取得了一定技術積累。

而在人工智能芯片由非定制化向定制化方向發展的過程中，我國仍有被“甩在后面”的風險。曙光信息產業有限公司總裁歷軍稱，我國似乎在一些人工智能的算法方面不是很落后，但人工智能技術的基礎是一套先進的面向未來的計算系統，面向未來，中國的人工智能技術的發展基礎、硬件、芯片以及它的編程環境可能會再次出現需要更多依賴國際企業的情況。

中國工程院院士倪光南認為，核心技術是我國最大的“命門”。從短期來看能夠從市場上買到一些硬件設備，但是這有可能成為被人“卡脖子”的軟肋。大量智能設備生產出來以后，必須要重視其生產研發的安全性。

紫光集團有限公司董事長兼首席執行官趙偉國說，即使是在智能世界，產業也是脆弱的，“中國要在基礎科技領域建立起強大的產業基礎。”

再次、“萬物皆可互聯”會帶來網絡安全方面的風險。“智能制造領域已經成為黑客攻擊的重點目標。”360集團董事長兼CEO周鴻祎介紹說，在去年5月發生的wannacry勒索病毒事件中，150多個國家受到了影響。我國也有大量企業中招，占全國被攻擊企業總數的17.3%。

周鴻祎認為，未來人工智能還會用于許多無人值守系統，像無人值守的汽車、高鐵、無人機等。這些無人值守系統都有安全漏洞的風險，一旦被網絡劫持，將會帶來嚴重的安全問題。此外，人工智能所依賴的傳感器、訓練數據和開源軟件等都可能存在安全隱患，值得業界警惕。

發展三大難題待破解

微軟亞洲研究院院長芮勇認為，理論鴻溝很難逾越是人工智能發展面臨的第一大難題。他指出目前人工智能在學習上遵循的理論依然是上個世紀80年代提出的，人們并沒有從本質上理解人類的學習原理，從監督式學習到無監督式學習的方法還在探索中。如果將人工智能比作建造太空火箭，那么計算能力和數據是燃料，理論就是發動機。如果你有許多燃料但卻只擁有小功率發動機，那么你的火箭大概無法飛離地面；而如果你擁有大功率發動機但卻只有一點點燃料，那么你的火箭即使飛上天也無法進入軌道。

目前的人工智能技術多數都要依靠形態匹配，在監督式學習狀態下輸入訓練數據，每組訓練數據都會有一個明確的標識或結果。人們可以將預測結果與訓練數據的實際結果進行比較，不斷調整預測模型，直到模型的預測結果達到一個預期的準確率。

而在無監督式學習狀態下，計算機無需人類的幫助便可像人類一樣自己學習知識。計算機并不會被告知怎么做，而是采用一定的激勵制度來訓練機器人培養出正確的分類習慣。無監督學習方式是機器人工智能發展的關鍵技能之一，“目前正朝著良性的趨勢發展，但還遠未達到我們希望的狀態。”芮勇表示。

海云數據的首席數據科學家趙丹認為知識表達問題是人工智能面臨的第二大難題。許多輸入的數據其實都經過了人腦的抽象處理，但大家是看不到的，就好比你看到地面上的竹子每一根都是獨立的，但它的地下莖聯系卻是非常緊密的。若要完成形式化知識結構的搭建，是需要很多知識的，而機器沒有人腦中的背景知識，所以數據中蘊含的信息是不完整的，繼也計算不出正確的結果。

如果將這些信息補足，是有可能用機器處理的。但同時要看到的是這些信息很難補足，這一方面是因為很多人腦中的知識難以形式化；另一方面，補什么補多少才能達到特定的效果也是很難衡量的。并且人腦輸出的信息帶寬太小，很難通過一個人來補足機器中沒有的知識，而多人協同又存在知識相互不兼容的問題。所以說知識太多，知識難以形式化、人腦輸出太慢成為了知識表達層面的障礙。

趙丹表示，目前大公司基本上通過知識圖譜來解決知識表達的問題，但這不是根本的解決方法。知識圖譜雖然能在小的特定領域解決一部分數據稀疏問題，但圖譜本身也有稀疏的問題，并且依賴于人工構建，其規模較為有限。遷移學習也能夠發揮出一定作用，但目前還沒有把這些解決技術整合起來，形成一個完整的智能體系的理論架構。

同時趙丹還認為，深度學習的研究從一定程度上已經到達瓶頸期，現在到了需要將深度學習現有的成果轉化成產品的時候了，比如Deepmind前段時間發布的唇語識別成果，再往前比如AlphaGo的博弈策略學習。“而形成產品是件很難的事情，像大家熟知的人臉識別技術，雖然已有不少創業公司做了好幾年，但現在仍然沒有生產出成熟的產品來。工程上的坑不比研究上的少，如若跨不過去就沒有辦法做出好的產品。”

在科學理論上的進步很多是偶然事件，說不準下次會是什么時候。深度學習的成果轉換期，到下次深度學習的進步期之間，其實還是會有可能出現寒潮。

資本化是人工智能發展面臨的第三大難題。由于人工智能是巨頭公司的天下，所以被并購成為了許多初創公司的宿命。當前，谷歌、IBM、雅虎、英特爾、蘋果、Salesforce以及國內的百度、阿里等互聯網科技巨頭公司布局勢頭兇猛，引發了一場全球范圍內的人工智能投資收購熱潮。根據風投數據公司CB Insights的統計數據顯示，自2011年起，拿到融資的人工智能創業公司里面有近一半（140家）都被收購了，其中僅2016年就有40家。其主力買主是谷歌、Twitter、IBM、雅虎、英特爾和蘋果，而谷歌則以11次收購的成績位列榜首。

然而，一些巨頭公司在并購人工智能初創公司的時候卻面臨著重重考驗。專注于大數據人工智能領域投資并購的前海梧桐并購母基金總經理馬春峰道出了自己的看法：

首先，目前國內人工智能企業估值偏高，僅有兩三人的早期初創公司有時開價竟達1～2億元，較成熟公司的估值甚至比上市公司還要高。這種高估值企業有時甚至連產業投資者難以接受，結果導致某些上市公司和產業基金紛紛出海，布局硅谷、以色列等海外市場。

不過，上市公司或產業基金布局海外市場都需要考慮落地問題，這時候溝通成本、管理成本、人員適應本地化成本便會增加。因此，如何降低成本成為布局海外市場的一大難題。

其次，上市公司在投資初創企業時多對其業績有要求，這就使得它們在投資并購時傾向于選擇較為成熟的AI公司。然而，目前國內人工智能領域的創業公司在整體效果上并沒有達到上市公司的期望值，許多初創公司的成熟度與上市公司自身業務發展的匹配度也不夠高。

所以，現在多數上市公司采取的方式是先在體外投資孵化，待孵化的公司成熟到一定程度時再“裝進”上市公司內部。