人机融合加速度，AI 未来 3-5 年什么样？

从 AI 热潮到冷思考

当前这一波人工智能热潮，从 2016 年发端后就一直持续到了现在，且更多的是由技术驱动。这主要得益于深度学习、海量数据、AI 芯片等一系列技术的发展，人工智能受到了热捧，甚至许多企业不用人工智能就会感到焦虑，觉得自己要被时代抛弃了。

但最近也出现了越来越多的冷思考，甚至负面声音。许多人感觉 AI 商业模式不清晰、变现困难、实际应用效果不理想，就感觉又要进入 AI 寒冬了。甚至有人听到 L5 级的自动驾驶很难做，就觉得自动驾驶不可能实现了。

刘译璟认为，这些过度乐观或悲观的情绪，实际上来源于对技术本质的不理解，以及对时代脉搏的把握不准。

客观地讲，人工智能在互联网上取得了巨大的商业成功，当然，更准确一点是在消费互联网的应用场景下取得了巨大的成功。从亚马逊到淘宝、从 Google 到百度、从 FaceBook 到腾讯，乃至微博、头条、抖音等，所有这些 C 端应用背后都有大数据和 AI 技术的支撑，这些技术能让企业理解消费者、吸引消费者、引导消费者，最后产生巨大的收入，而且这些技术的运用已经形成了套路。

AI 未来：应用驱动变革

目前，任何一个具备业务和流量基础的 C 端应用，都可以通过这种套路把雪球滚的更大，获得更多的收益。可以讲，这完全符合应用驱动的发展模式。

不夸张地讲，消费互联网所有的场景都已经在大数据和 AI 的覆盖之内，已经没有新的场景再去磨练这套技术了。

而 AI 新的战场，就在产业互联网、在传统行业，这是一块没有套路，甚至没有路的处女地。

并且，产业互联网是无界智能的互联网，是技术、数据和场景无界融合的产物。但这个融合过程不是一蹴而就的，一定是螺旋式上升，不断促进的过程，而这种上升的最有力推动，一定是应用场景。所以，未来的人工智能，一定是由应用驱动变革和落地的。

刘译璟判断，未来的智能应用会越来越贴近行业，越来越复杂，这就要求 AI 技术和数据也同步发展，这种发展会体现在三个方面：理论和技术，计算能力和数据。

在理论和技术方面，会形成集中式建模（云端）+微建模（终端）、历史+现场建模等多种形态；现存的多种技术也会进行融合，例如深度强化学习、深度迁移学习等，结合在一定程度上可以解决数据缺失和冷启动问题；同时新技术会出现进展，如脑科学、材料、（自我）意识等方面。

在量子计算方面，如果 AI 改变的是计算的终极目标，颠覆了经典计算的工作方式；那么量子计算则是改变了计算的原理，颠覆了经典计算的来源，成为 AI 的“兄弟技术”。量子计算，是人工智能的下一个期待。

在数据方面，人工智能的进一步发展一定会依赖于各行各业知识图谱的构建，因为业务中的历史经验和知识、常识是万分宝贵的，在知识工程再次兴起中，也势必会经历从行业标准的慢慢建立到逐渐推广过程。一旦数据有了标准，知识工程的开展将简单许多，人工智能的应用也将更加深入。

当然，我们不能只看远期，还要脚踏实地，找到当下的技术和产品方向，才能让企业活到未来。

人机融合加速度

未来，人工智能 3-5 年的发展会是什么样呢？

刘译璟认为，AI 应用会越来越聚焦行业，越来越贴近现实世界，聚焦在技术与现实紧密结合的互联网场景，譬如自动驾驶、家居等等，这些行业的特点是核心业务借助互联网开展，具备相当的信息化和数据基础。

而在这些场景中，基础的需求是让人和系统更加自然交互，包括系统理解人的需求，以及系统以人容易理解的方式完成工作。

在理论和技术、算力和数据几个方面在行业的渗透中，在未来 3-5 年，知识工程和语义分析会变的越来越重要。

2018 年以来，自然语言处理和知识图谱越来越热，甚至有超过计算机语音、视觉和深度学习的趋势，就印证这一判断。

这些技术会以多种形态应用到业务场景中，总的目标就是让人和机器更好的协作，推动决策智能。

首先是自然交互式分析。一般情况下，我们分析数据时候主要使用 SQL（结构化查询语言）这一接口。无论是做用户洞察还是企业经营分析，经典的做法都是先做 ETL，然后进行数仓建模，再把各种维度指标组合形成报表工分析决策使用。

这个过程是非常专业的，特别是 ETL 和建模阶段，业务人员很难参与。

我们要探索的问题是，在数据智能时代，能不能不经过这些过程，让业务人员以自然语言的方式直接分析数据？简单来说，就是在有若干数据库、数据表的情况下，能不能让业务人员直接对这些数据发问，系统直接地给出分析结果？

这不是我们的想象，Garnter 已经把这种技术列入到了 BI 领域的突破性创新中。基于这种技术，用户只需要说出自己期望分析的问题，系统会自动识别话语中的分析意图，识别出涉及到的数据为度和指标，提取数据进行计算，最后再以合适的形式展现出来。

其次是大规模行业知识图谱的构建。一个良好的知识图谱可以化解冷启动问题。百分点现在正在利用海量互联网开放数据，构建一个个行业的商情知识图谱，用于帮助企业了解行业、用户、产品和自身情况。

这是个巨大的工程，涉及到业务理解和技术手段。在这里，我们利用人机结合的方式，基于业务人员预定义的行业标签体系，以启发式的方式从互联网数据中抽取实体和关系，而不需要针对每一个数据源去编写代码；其次，利用深度迁移学习技术，极大的降低了标注数据的需求，让知识图谱的构建效率提升了 5 倍。

简单来讲，人工智能接下来的重点，是要更好的支持认知智能，并推动决策智能的落地。

人机融合的未来社会，就是通过认知智能技术，让人和机器共享知识、自然交互、无间协作，进而帮助人在业务开展过程中及时把握业务态势，快速生成应对方案，并且做到自主的反馈和持续优化。