數據智能化、網絡協同化與人工智能運用

榮蓉

（山東工藝美術學院公共課教學部，山東 濟南 250300）

0 引言

在網絡時代背景下，大數據技術與人工智能得到普遍應用，使人類思維模式、工作方法發生較大改變。企業在大數據思維的引導下，對投資經營數據進行智能化分析，運用網絡技術、人工智能進行數據采集和加工，企業之間、企業與消費者之間借助網絡渠道交流互動，再依靠網絡協調開展產銷活動，由此形成網絡、大數據與人工智能相互融合的局面，為數字經濟時代打下堅實基礎。在十九大會議召開后，人工智能與實體經濟的深度融合被提上日程，力求開發出面向云邊協同的新型人工智能項目，將電力、通信、醫學等多個行業協同起來，共同促進行業智能化發展。

1 經濟學視角下企業經營決策數據智能化分析

1.1 智能化基礎

數據智能化的基礎在于企業信息采集、加工整理與處理的能力，可針對單一企業進行分析，也可立足于整個行業進行考察。對企業決策產生影響的關鍵因素在于產供銷信息，有直接型也有間接型，有顯性的也有隱性的，均潛藏在大數據中。對此，學術界將大數據特征總結為多維度、數量龐大、完整性三點。事實上，企業經濟效益受社會信息獲得的影響，通過大數據采集、整理加工與處理等方式，篩選出有價值信息，為產供銷提供更多助力，與傳統模式相比效果十分顯著。大數據采集需要借助網絡、社交媒體、傳感器等渠道進行收集，在區塊鏈、物聯網等人工智能技術的支持下進行加工整理，企業在先進技術支持下明確投資額度、產值、產品類型等，引導企業決策數據朝著智能化方向發展[1]。

1.2 智能化熱點

在企業運營過程中，數據智能化對其產生的影響不容小覷，主要可產生兩大熱點問題，分別是經營決策效用函數問題與決策獲取信息的范圍問題。對于前者來說，有很多經濟學家從多個角度進行分析，但對后者的關注度相對較低。學者們傾向于在不完全信息的情況下研究，這是由于人類難以獲取全部信息，但在數據智能化背景下，掌握智能數據的高層次企業對中低層企業具有引領作用，可促進整個行業信息采集、整理和處理能力的提升。在后續發展中，如若企業普遍能夠采集與自身相關的產供銷數據，并可利用新科技進行數據加工處理后，將準確全面的數據應用到經營決策中，那將會改變社會信息采集的基礎模式。此時，學者便可在完全信息的情況下進行研究。

1.3 廠商理論建構

在數字經濟背景下，該項建構應立足于數據智能化，從以下方面著手研究。一是針對大數據內涵與外延進行界定，明確企業決策信息在大數據中的獲取方式；二是掌握新科技發展水平與企業采集信息間的關系，并闡釋重塑經濟學的假設基礎；三是針對企業采集、加工與處理數據進行理論分析，梳理數據智能化的經營決策流程與原理；四是描述人工智能與大數據間的匹配過程，證明新科技對企業決策發揮的決定作用。通過上述內容進行分析論證，使企業投資和生產依據得以明確，并在此基礎上選出提供的產品與服務。

2 大數據廠商競爭路徑過程分析

根據經濟學經典理論可知，市場競爭在一定程度上對超市場力量產生抑制，只有在特定條件下才會出現壟斷情況。但是，因上述特定條件都要進行學術處理，經濟學對帶有這一判斷的競爭與壟斷情況創建理論分析模型，以市場機制為中心進行研究。在大數據時代背景下，在網絡協同化影響下廠商會產生較強的超市場能力，主要體現在數據、網絡與人工智能間的相互結合上，由此引發協同效應。在整個市場體系中，大數據產品與服務供需情況逐漸發生改變，應逐漸擺脫市場機制的引導，在此類問題研究中，應將廠商競爭路徑過程作為著眼點進行分析。

2.1 大數據搜集、整合與分類

為了檢驗廠商競爭路徑是否有效，可根據投資效用函數是否達到最大進行判斷，這也是效用檢測的最佳有段。在網絡誕生之前，因廠商無法利用市場信息采集與自身經營相關的全部信息，更無法做出準確的投資預判，因此效用函數最大化只是一種憧憬。在競爭路徑選擇時，企業應明確自身的投資產品、投資額度、生產量、生產方式等信息，但要想取得更高的競爭效益，便要求企業利用科技進行數據處理。在進入網絡時代后，大數據信息包括數據化和非數據化兩種，蘊含豐富的企業投資經營所需信息，企業只有掌握最新的科技，才能在海量數據中將最具價值的信息提取出來。在大數據、互聯網的融合發展下，廠商競爭渠道拓寬，逐漸延伸到云計算、人工智能等領域中，在新科技支持下獲取更大的發展。

在現代化市場中，新科技主要由“互聯網+”廠商來操控，也就是網絡公司。根據網絡公司所掌握的科技層次，可將其劃分為初級、中級、高級等多個層次。通常情況下，新科技最基礎的配置是企業創建云平臺，或者對公共云平臺的充分利用。究其原因，企業若想達到效用最大化目標，需要采集與自身經營相關產品，明確服務供求數量和數據結構，此類數據量十分龐大。在排除未來變化的前提下，其蘊含著歷史數據和現有數據，如若單純從數據采集與存儲方面來看，企業必須要創建云平臺進行數據整合與分析。與此同時，網絡和云平臺間的聯系日益進步，廠商投資的主要目的是借助網絡采集有價值的信息，實現經營效益最大化。如若“互聯網+廠商”無法借助云平臺進行數據存儲與分類，單純借助網絡進行投資運營，則競爭路徑將很難獲得高層次網絡公司的支持。對此，傳統行業廠商在朝著互聯網行業轉變時，應將互聯網與云平臺結合起來，充分發揮信息采集、存儲、整合與分類等功能；再將機器學習、云計算等技術應用到經營投資中，充分發揮數據加工處理效能，從而靈活運用新科技駕馭大數據，使競爭能力得到顯著提升，順利實現企業轉型發展[2]。

2.2 利用云計算進行數據加工處理

根據廠商云計算能力，可對企業類型進行判斷，即“互聯網+”企業或者高科技網絡公司。網絡技術、人工智能逐漸普及，但只有很少的企業擁有云計算能力，大部分企業都需要依靠這一小部分群體的云計算來解決問題。在云計算處理中，涉及歷史、現在和未來三種類型數據，根據云計算能力水平可衡量廠商的層次等級，初級廠商只具備數據化信息的處理能力，無法對非數據化信息進行處理；中級廠商能夠對數據與非數據化信息進行處理；高級廠商在前者的基礎上，還可能處理未來數據。可見，企業為了獲得更高的投資競爭函數，應對產品與服務的供求數量進行云計算。為了提高云計算實力，不但要增加軟硬件的投資，還應重視新科技的研發。事實上，中小型廠商在資金方面普遍存在缺口，對技術研發起到制約作用，因此技術研發的重任通常會落在大型企業的肩上。但是，即便大型企業的資金實力較強，但也未必能夠研發出高層次的云計算技術，技術層級受網絡、數據與人工智能融合情況的影響，還由模型創建和參數設計而決定。主要因企業利用云計算加工和處理數據與是否能從大數據中采集準確信息性質不同。企業只有熟練運用人工智能進行數據匹配，才可獲取真實全面的數據信息，對產品類型與供求情況進行確定，從而處于有利的競爭位置。可見，在數據時代背景下，企業競爭路徑選擇與云計算、智能技術的應用息息相關[3]。

2.3 運用機器學習與人工智能匹配大數據

人工智能的主要實現方式在于機器學習，通過與云平臺、網絡相融合，匹配相應的數據信息，在云計算基礎上進行機器學習，利用不同的技術層次匹配相應的大數據。在智能社會背景下，企業可通過創建模型與編制程序，利用計算機服務器進行學習，由此確定投資額度、投資產品類型、生產量以及生產方式等內容。因機器學習的科技水平較高，中小型廠商無法把握該項技術，有時即便是大廠商，其技術研發能力也不達標，對機器學習能力產生不良影響。機器學習主要面向數字化、非數字化等內容，先對目標數據進行識別、加工和整理后，利用云計算進行優化，最終獲取產品供求關系與數量構成等信息，在市場競爭中取得更多優勢。在歷史、現在和未來數據中，非數據化信息占比較大，如語音、圖文、指紋等等，可以用人工智能進行識別的數據信息，這對機器學習、數據匹配具有較大影響。可見，所有數據挖掘、智能化手段都并非獨立場景，而是多種智能技術相結合的產物。站在全社會角度上看，如若新科技能夠提供超過人類已知的數據量，則未來發展中，掌握頂級科技的企業便可能通過采集海量數據獲得更加權證的信息，甚至會無限接近精準信息。這便要開始思考另外一個問題，如若日后新科技得到充分利用，使全部企業都能利用網絡協同化開展經營活動，則彼此間的競爭路徑便會呈現同質化特點。這里提及的新科技充分利用是指大數據、互聯網、人工智能間的高度融合，使新技術走到盡頭，值得繼續商榷。但不可否認的是，隨著新科技的發展與逐漸普及，企業競爭路徑的確會開始趨同，但這種特點并不排除不同企業因新科技差異使競爭實力不同的情況產生[4]。

3 基于云邊協同的人工智能研發與產業化應用研究

3.1 研究內容

云邊協同是人工智能在不同行業普及應用的前提所在，在云邊協同基礎上研發新的人工智能項目模型，創建一條完善的人工智能產業鏈，實現多個行業、不同企業的個性化生產與服務，為智慧城市創建提供大力支持。在該項目研發中，將大數據挖掘技術、現有人工智能技術、云邊協同理論等融入其中，主要研究內容是對三大構成模塊的深層探究、智能集成落地總平臺開發，即富媒體采集技術研究、通信加密傳輸研究、高可用智能微服務研究。

3.2 創新點

通過云端智能計算，實現深度學習模型技術訓練、邊緣應用等目標。該項目的創新之處體現在以下方面。

一是率先在回歸鄰域重構法的基礎上提出信號增強技術，達到數據動態采集和重建的目標。在該算法基礎上，與人工智能技術相結合，形成信息采集模塊，使整體框架更加完善。該項技術是在NRM技術基礎上建成，并創建出邊緣端采集設備的超分辨率模塊，使以往采集設備分辨率不足、信息識別精度低等不足得到充分彌補。同時，充分發揮該算法在時間、計算能力等方面的優點，使邊緣采集設備得到就地分析，面向模糊圖像進行高分辨率的重構，有助于冗余數據傳輸量的降低，實時性提升。

二是在云重心理論基礎上，通過分布數據評估面向海量數據進行挖掘與對接，在全局場景下對深度模型參數進行估計，是將以往模糊集理論與概率論融合起來，經過綜合分析后使定性值、定量值得到有機轉換。在云邊協同處理框架下，為了達成深度學習優化目標，創建了反竊電稽查監控系統，針對采集的用戶用電信息進行綜合分析，在保障數據準確的基礎上提高魯棒性，使遷移和泛化能力得到全面提升。

三是在邊緣計算基礎上開展云邊協同。改變以往在熵通道基礎上建模的方式，彌補了邊緣端計算資源的缺口，能夠靈活部署數據安全傳輸通道，降低資源消耗，使數據處理效率得到顯著提升，信息安全得到切實保障。在量子加密傳輸系統應用中，面向不同業務創建了加密傳輸通道，使云邊端的信息傳遞更加安全和可靠，與以往相比，傳輸效率也得到顯著提升。

四是創造性地在深度卷積神經網絡基礎上，提出魯棒識別技術，可在復雜環境下對人與物進行智能識別，使以往物體識別受環境因素影響的弊端得以消除。依靠采集模塊進行數據收集，采用HDFS文件系統存儲海量信息，創建所需的訓練集，并利用深度卷積神經網優化模型，實現智能識別。同時，還可在對抗網絡識別模式基礎上，針對復雜環境下采集到的人、物信息進行深入識別，合成相應的信息數據，使識別精度得到顯著提升。

3.3 研究成果

該項目研發了人工智能平臺，將其當作底層AI模型投入使用，還將不同行業應用場景的關鍵技術融入其中，對具有代表性的場景、業務、技術需求進行分析，面向電力領域進行人工智能研究、面向醫療領域進行圖像分割識別系統分析，還重點研究了大數據深度學習反竊電稽查系統，開發出智慧遙感系統與裝置，在云邊協同基礎上使人工智能應用平臺得以創建，整體框架更加完善，內容和性能得到進一步豐富[5-6]。

4 結論

綜上所述，在數字經濟時代背景下，越來越多的企業開始使用人工智能技術，且新科技層次也逐漸提升，網絡協同效用越發普遍。對此，經濟學應重視總供給與需求間的均衡關系，根據數據智能化水平的普遍提升，使產品與服務供給端被擴大，導致全社會網絡協同化水平逐漸提升，效用函數不斷接近最大化。同時，再將云邊協同理論等融入其中，通過將邊緣端與云端相結合，在云邊協同數據智能識別與處理的同時，還可對海量信息進行深入挖掘與評估。可見，在互聯網、大數據與人工智能的融合之下，可為后續數字經濟的發展打下堅實基礎，協同效應覆蓋面擴張使數字經濟實現健康可持續發展。