數據驅動的人工智能——產業智能三角模型

人工智能自 1956 年在達特茅斯夏季人工智能研究會議上第一次被提出以來，已經走過了 60 年的發展歷程。這其中，經歷了 20 世紀 50—60 年代以及 80 年代的人工智能浪潮期，也經歷過 70—80 年代以及 90 年代兩次沉寂期。隨著近年來數據爆發式增長、計算能力大幅提升以及深度學習算法的發展和成熟，我們已經迎來了人工智能概念出現以來的第三次浪潮。此次我們有幸與美國羅格斯-新澤西州立大學終身正教授、百度商業智能實驗室主任熊輝教授交流，圍繞第三次人工智能的特征及未來趨勢進行了深入探討。

熊輝教授認為，與前兩次相比，第三次人工智能浪潮有著明顯的不同——這一次是數據驅動的人工智能。隨著信息網絡和智能設備的普及，數據收集的精準度和覆蓋度全面提高，使得數據質量得到大幅提升。一些原來無從獲知的數據，例如農村地區的數據收集隨著智能手機的普及變得可行。借助于細顆粒度的數據，機器學習算法也得以快速發展，并在計算機視覺、語音識別、自然語言處理等一系列領域中取得了突破性進展，達到產業級應用的要求。熊輝教授舉例：「比如人臉識別，其實目前主流的算法模型在以前就存在，現在算法精度的提升是由于對數據標注質量的全面提高，使得人臉識別算法模型的訓練水平也在提高，從而促使人臉識別的精度可以達到應用級水平。」同時，人臉識別技術水平的提升又促進了新的應用場景產生，比如銀行、機場、酒店都開始應用人臉識別技術，這些新的應用場景又能產生新的數據，進一步拓展了數據的獲取渠道，形成數據、技術、場景三者之間的正反饋循環（見圖 1）。正是通過這個產業智能三角模型的不斷迭代，此次數據驅動的人工智能才得以高速發展。

?

產業智能三角應用

產業智能三角模型可以解釋本次人工智能浪潮的基本邏輯，人工智能在不同行業的落地都經歷了數據、技術、場景的正向循環并漸次推進的過程，最終演化出眾多產業級應用。

產業智能三角模型的邏輯可以解釋人工智能在企業戰略決策管理中的應用。通過數據驅動的人工智能將支持企業基于更復雜的信息做出決策，改變企業對人、組織、文化的管理方式。之前企業的人力資源管理大多數情況都是基于經驗的主觀判斷，人工智能技術已經滲透到企業管理中的人力資源管理甚至戰略決策等方面，幫助企業管理和決策更加客觀、全面并具有前瞻性。智能化的人才管理涉及到員工包括「錄用」、「離職」、「升/降職」、「轉崗」的所有環節，其中所有的過程都可以通過數據分析的方法優化。在招聘環節，通過數據分析和 AI 算法選擇與公司匹配的人才。以前「錄用」基本上都是靠人主觀篩選簡歷、安排面試，現在可以通過算法自動篩選簡歷并通過推薦系統進行崗位智能匹配和推薦，從而提升企業招聘環節的準確度和效率。而同時，在企業應用智能化招聘的過程中也會產生新的數據和標注，從而進一步提升智能人才管理效率，實現產業智能三角模型的正反饋，不斷推進企業人力資源管理的智能化發展。具有數百個部門、數萬人的大公司在管理上往往頭緒眾多，在業務管理的決策層面，數據驅動的 AI 算法能夠像雷達一樣量化分析出業務團隊的穩定性、健康程度、創新活力、積極性以及團隊文化是否與企業文化契合，通過智能化系統可以更好的掌握業務部門的健康指數。甚至在文化建設層面，比如創新文化的建設，同樣可以通過對于團隊溝通情況、對于權威的態度等相關數據輔助分析。在戰略方面，比如，由于通常行業的產生或者變遷都是從人才市場開始，通過監測發現市場上對某一類型人才需求大幅度上升的趨勢，可以輔助公司進行內部戰略決策。

在醫療、金融和零售等領域中，產業智能化演進也遵循著同樣的路徑。在智能醫療方面，病例數據的信息化使得越來越多的智能診斷技術能夠被應用到問診環節，減輕醫生的壓力；未來可穿戴設備的普及能夠使人們隨時隨地了解自己的健康情況;?同時，借助于大量的身體檢測數據，健康管理技術也將不斷進步，以幫助人們有效地實現疾病預防、規避重大疾病風險。此外，隨著 5G 和物聯網時代來臨，醫療將變得個性化、精準化。由于傳感器技術的發展，未來像血液、體液等檢測將成為一種在家即可完成的高頻檢測。高頻精準化的數據使得疾病能夠更及時地被發現。一些目前人們認為的重大疾病由于能夠在更早期被發現而變得可治愈。而伴隨著智能醫療的普及，也會產生越來越多的數據，從而實現數據、技術、場景的迭代，進一步提升整個系統的協同作用和精度；智能金融方面，豐富的用戶數據使金融機構能夠更加全面地了解自己的每一位顧客，而通過履約記錄、社交行為、行為偏好、身份信息和設備安全等多方面行為「弱特征」幫助金融機構實現用戶風險評估，替代原本人工審核的繁瑣流程，這一方面可以有效降低人工成本，另一方面也提升了風控過程的效率和精度。而隨著金融機構對智能風控應用的深入也將產生更加多元、精準的數據，從而形成積極的正反饋模式；在零售領域中，越來越多智能設備的應用讓消費者線下數據的獲取成為可能，商家可以對消費者的需求有更加全面的了解，從而可以推出個性化的服務和產品滿足不同消費者的需求。而隨著傳感器和 3D 打印技術的發展，未來消費者甚至可以通過傳感器上傳測量數據，生產商則利用 3D 打印技術便能夠高效、低成本的產出完全符合消費者需求的產品，最終借助智能物流系統實現快速投遞。而消費者對于產品和服務的反饋也可以進一步豐富消費者的畫像，推動算法和商業模式的迭代。因此，這一波人工智能浪潮所激發的不是簡單的技術進步，而是生產力、生產資料和生產關系的全面提升。這其中，數據是生產資料，技術是生產力，而新的生產資料和生產力的結合將產生新的應用場景，也會產生新的生產關系，這也是為什么說 AI 技術將使整個商業社會以及各行各業產生重構。

美國人工智能發展啟示

熊教授認為，目前美國在此次人工智能浪潮中的許多模式值得我們借鑒，尤其在金融和醫療領域。從金融的角度來看，在二級市場方面，美國市場中的交易主體主要是專業的金融機構，而中國二級市場中的主要交易主體是散戶。美國借助于金融機構專業的信息搜集能力和數據分析技術使得 AI 技術廣泛的應用到金融環境當中，無論是做交易策略、交易平臺還是后臺風控處理，形成了全面的解決方案。未來，隨著中國金融市場的不斷規范化以及數據規模的增長，金融機構在二級市場中將扮演越來越重要的角色，智能金融將實現快速發展。

在醫療領域，由于美國醫療信息化已經發展的較為成熟，一方面，在診療數據方面，美國很早就實現了數字化、信息化，為智能診療提供了很好的發展基礎。另一方面，在制藥領域，由于美國有著豐富的經驗和數據儲備，因此，AI 技術已經應用到制藥領域，進行藥品的設計、研制，未來有望完成產業智能化的迭代，實現智能醫療的迅速發展。

中國人工智能發展優勢

同時，中國在人工智能方面也有著自己的優勢，尤其在商業以及商業模式創新方面，中國有著更好的發展機會。由于我們有著巨大的客戶群體，任何一個產品都有機會獲得百萬甚至千萬級別的用戶體量，從而產生大量的用戶數據，為 AI 技術的發展提供良好的基礎。此外，由于美國在許多場景中已經形成成熟的市場，改變人們的行為習慣將會是一個漫長且困難的過程。比如美國移動支付就不如在中國發展的順利，因為人們已經習慣了用相對便利的信用卡支付，很難再去接受新的支付模式。因此，中國在許多方面有自己的后發優勢，可以通過場景的創新，發展出更多新的產業和商業模式，積累更多的用戶和數據，從而為技術和場景的迭代、發展提供良好的條件。

未來發展趨勢

打破數據孤島，實現數據共享

目前，信息化和互聯網化的進展極大的豐富了數據收集的渠道，但是現在各個行業、企業間的數據是分裂的狀態，形成了一個個數據孤島，造成了數據價值的極大浪費。未來人工智能發展的下一階段可能會完成各個行業、企業間的數據孤島聯通，實現數據的共享，從而最大程度發揮人工智能技術的價值。實際上，目前產業界已經在嘗試通過加密運算的技術方式實現數據共享，比如做加密的加減乘除浮點運算，在加密的數據上做客戶分析、市場分析等等。同時，監管方面也需要考慮數據的共享完善政策、法規建設，在實現數據的共享的同時保證數據隱私。

精度不斷提升，深度結合場景

隨著這一輪人工智能浪潮的不斷推進，數據分析技術也在不斷突破創新，深度學習、基于圖的神經網絡算法等極大地提升了信息預測的精度。但是，未來技術的發展仍舊需要注重算法復雜度和泛化性的平衡，算法精度的提升還不夠，還要對所解決的商業問題本身做出清楚的定義，將算法與場景深度結合才能真正實現技術價值，因此，有時可能簡單的算法反而加有效。同時，也應當清楚的是，沒有一種算法是萬能藥，任何一種算法必須落入垂直領域的應用場景中，通過數據、技術、場景的模式不斷的迭代，才能完成產業智能化的改造。

場景不斷豐富，推動產業重構

未來隨著人工智能在各個垂直領域的應用，許多行業將被改變，而精準化、個性化也將是眾多行業主要的發展趨勢。比如制造業，發生巨大變化的首先是供應鏈系統，從采購到生產制造，到最后的銷售環節，整個供應鏈系統都會被重構，對原材料的使用會更加的精細化。未來隨著整個供應鏈數據化、信息化，原材料加工、制造的環節都會變得更加高效，產出也將更加精準，甚至可以實現針對單個用戶粒度的精細化、定制化生產，實現 C to M 的產業鏈重構。?