清華智能技術與系統國家重點實驗室教授、中國人工智能產業創新聯盟專家委主任 鄧志東
財經網訊 “我們做的智能制造，包括新零售、新制造都是在虛擬的信息空間和實體空間或者物理空間這兩個空間里面進行，一部分是虛的，一部分是實的，這兩部分都需要人工智能的賦能，就可以實現智能化、提高生產的效率，同時帶來產品品質的提升。”1月12日，清華智能技術與系統國家重點實驗室教授、中國人工智能產業創新聯盟專家委主任鄧志東在“2019中國制造論壇：全球產業鏈重構下的制造業挑戰”上如此表示。
鄧志東認為，人工智能真正有產業價值的地方，實際上是在大數據驅動或者大計算能力支撐的深度學習方法，這個領域目前在感知智能上取得了很大突破，所以人工智能的供應鏈價值或者產業鏈價值主要是在這個方面體現。
不過鄧志東表示目前大家還不要對人工智能寄予太大的期望，現在的人工智能是弱人工智能，是整個人工智能發展過程中一個非常初步的階段，雖然確實是能夠帶來產業價值，但對于人類智能來說還非常初步。
在談到人工智能怎么落地應用的問題上，鄧志東認為，首先在感知層次上，人工智能是不可替代的，比如在進行語音識別、計算機視覺、外觀檢查時，很多數據輸入后其成果確實能夠達到熟練人力的水平，能夠做到自動化的處理，而不需要人工去做這個事情。其次在大數據洪流方面，這種數據人是處理不了的，必須要用實現用機器來做自動化處理，這樣才能提高生產效率。
以下為發言實錄：
大家好，非常榮幸跟大家分享關于人工智能，我是來自于清華大學人工智能計算研究院的鄧志東，我想主要是跟大家分享三個觀點，第一個觀點就是新一代人工智能怎么理解它？還有它目前的主要進展是什么？第二個新一代人工智能它能夠為產業的發展，尤其是為佛山市的制造業發展帶來哪些價值。第三個人工智能怎么落地利用，為佛山市的制造業，從制造大市邁向制造強市作出貢獻，我主要是分享三個觀點。
第一個怎么去理解新一代人工智能，我覺得這很關鍵，因為現在我看大家都說人工智能，我們知道人工智能其實是有定義的，我們實際上是模擬、衍生和擴展人類智能行為的一種理論、方法、技術、系統這么一個綜合性的學科，人工智能主要包括感知智能還有認知智能，感知智能簡單說就是不需要思考的，一秒鐘能夠做出反應，對人類的直覺行為，模擬直覺的，比如視覺、聽覺、嗅覺、味覺不需要思考，一秒鐘就能夠作出反應，這叫感知智能。另外一個叫認知智能，現在我們的記憶、推理、決策、思維、意識等等，這個叫認知智能。新一代人工智能的進展主要包括三句話，大數據驅動的感知智能取得了突破性進展，從2012年以來，短短的六年時間掀起了新一輪的產業高潮，因為人工智能前面也有高潮，但是前面高潮都沒有產業鏈進入，它能力是非常有限的，其次是真正有能力，但是這個能是有限的，它是有很多缺點的，跟人類比較起來。第二句話就是以阿爾法狗為代表性的，我們叫深度強化學習，在動態博弈類的決策問題上取得了超過人類水平的進展，但是這是在決策上面，這屬于認知智能的范疇，這在工業化的應酬上其實很少，不要指望他在工業上馬上能夠應用。第三個就是我們叫深層次對抗神經網絡，能夠通過對抗的方式生成超逼真度、超真是感的數據上面，最近這兩年也是取得了非常重要的進展，我們主要是為新一代人工智能，這三個其實概括起來對工業、產業、產品開發和產業發展，其實最重要的，或者我們說真正產業感興趣的就是大數據的人工智能，能夠帶來感知能力的提升。人工智能真正有產業價值，實際上是大數據驅動的，大數據或者大計算能力的支撐下面深度學習方法，取得了很大的突破，在感知智能上取得了很大突破，所以它的供應鏈價值或者產業鏈價值主要是在這個方面體現。
第二個我們說它能夠做什么？尤其是能夠給產業帶來什么東西？其實前面這個定義也看得出來，它主要是能夠給我們帶來這種直覺能力，或者通過學習的方法能夠處理，能力自動從大數據里面提取出它這種特征，它真正的價值在這塊，多重特征，底層特征、中層特征、高層特征、局部特征、全局特征，其實它真正的產業價值或者它真正的知識價值主要在這方面。我們主要也是運用這方面的價值，所以它的產業價值就是能夠帶來感知能力，視覺、聽覺還有直覺能力，包括我們的文本分類能力，簡單說就是計算機視覺、語音識別、文本分類，包括機器翻譯這樣的東西，端到端的，通過學習的，不是以前通過人為設計特征的這種方式的一個變化或者一種能力，它的能夠帶來這樣的方式，這是它最大的能力。但是它需要大數據，需要大計算能力，不能有小樣本的舉一反三的能力，識別結果是不可檢視的，不能從認知理解上去對識別理解給予它可解釋性，也沒有魯班性，也沒有記憶能力，甚至連常識處理不了，沒有記憶能力，什么能力都沒有，所以不要對人工智能寄予很大的期望，現在人工智能是一個弱人工智能，是整個人工智能發展過程中一個非常初步的，但是確實是能夠帶來產業價值的東西，相對于人類智能來說是非常初步的。大家可能對它寄予很大的期望。
第三個問題就是怎么落地，可能很多人認為，大家都在喊人工智能，真正具體做起來都知道，人工智能落地是如此地困難，就是因為我們現在對人工智能沒有深刻或者本質的理解，所以現在人工智能能夠做的事情是非常有限的。現在人工智能主要包括四個維度，第一個維度我們叫大數據，第二個叫計算能力，第三個叫算法，第四個應用場景，其實最關鍵現在主要是應用場景，要選擇一個特別細分的垂直應用領域，這個領域就是要特別具體的問題，我們不去談人工智能做應用的時候，做產業化開發的時候，不要談那些高大上的東西，不要對它賦予很大的期望，認為它是一個靈丹妙藥，找一個高人來，馬上就可以把這個人工智能遍地開花，這是不可能的，人工智能要做的事情就做很細微的事情，做一個點點滴滴的事情，非常小的，因為人工智能可以有兩句話，現在所謂人工智能就是人工+智能，有多少人工就有多少智能，實際上它是把人工通過以標簽的形式轉移給機器，然后賦予它智能的，所以有多少人工就有多少智能。有多高水平的人工就有多高水平的智能，比如你要做標簽，做醫療，比如說你做CT，甚至看早期肺癌，這種標簽不是給普通人做，需要國際頂尖醫生來做標簽，這樣他得到的水平就是國際頂級醫生的水平，否則就是一個普通醫生的水平。怎么在制造業里面落地呢？其實就是要選定一個特定的問題，非常具體的問題，這個問題有什么條件呢？就是它信息化技術比較好，它做數字化、網絡化，能夠源源不斷產生大數據，然后對數據進行采集、積累，做清洗、標簽，控制它的標簽，對標簽進行審核，要做數據，基本上是80%以上，人力或精力要投入到特定問題、細分問題上做標簽。舉個例子，剛剛沈總說的，零部件的外觀質量的檢查，以前都是靠人，比如說看陶瓷產品是成品還是廢品，看外觀能看出來它的瑕疵是什么，現在人工智能這上面，這就是一個視覺，以前靠高技能的工人看，現在人工智能就在這上面有能力，因為它就是能夠做計算機視覺的，如果我們建立起大數據，建立一支團隊就做這么一個細分的問題，然后我們建一支團隊大量投入進去，做數據積累、數據標簽，建立高質量的數據，這是很笨的方法，就是靠這種笨方法，深根場景和數據，打磨人工智能產品，實際上是這么做的事情，不是一個高大上，一個萬能的方法，一來了之后，一撒到下面，所有都成功了，這個根本沒有，這是在認知水平的智能才可能成功，現在這上面沒有什么突破了，主要是在感知智能上面才有這樣的突破，所以這個時候只能用笨的方法，選中一個笨的問題，建立一個團隊，很多錢投進去，而且這里面還有一個問題，越做到后面的時候，越做越難，因為它的數據到后面，比如說正確率是99.99%，我們有5個9，增加到7個9，這么一點點的提高需要的數據是指數增長的，我們把它叫做長尾效應，其實做到后面是特別難的，即使這么難，投入這么大的精力做數據，結果最后你發現有什么問題呢？還是做不到人的水平，我們是跟人比，比如說我們現在做人工智能，不管是產品也好，還是流程也好，還是他的服務體驗也好，就是要做人類水平，我們現在看到很多新聞報道，里面都說超過人很多，比如人臉識別超過人很多，這是一個完備數據節，這是作為學術研究的，真正到人工智能落地的時候，是一個開放環境，是沒有完備大數據的，這個數據是永遠沒有鏡頭，而且數據越做到后面越困難，因為它有長尾效應。在這種情況下還不一定能做到人的水平，這是現在算法的缺陷。在這種前提條件下，我們做數據工程，做大數據，包括尤其做大數據的標簽，做高質量的大數據，去賦予它人的智能，把它轉移過去，讓它具有人的水平，在視聽覺這種感知能力上接近人的水平，它就有產業價值。在感知層次上，其實有些方面它是不可替代的，你看到視覺能力、聽覺能力、語音識別、計算機視覺、外觀檢查，很多數據進去以后，它確實能夠達到熟練師傅的水平，師傅看到這個是成品還是廢品，他也能夠看到是廢品還是成品，就是到機器換人，他可以做到自動化的處理，不需要人去做這個事情，可以把人替換下去。還有一部分是大數據洪流，不斷涌現大數據，特別大的數據，這個數據人是處理不了的，必須要用實現用機器來做自動化，必須要用人工智能賦能，用這種方法做數據的自動化或者是知識的數據化，必須要這么干才行。這是數據流，比如說大數據、數據洪流的自動化的處理。
從數據流怎么去提取信息流，現在提取它的語義流，它有語義信息來提取出來，這都需要人工來做。另外從產線的角度，比如說我們單批生產設備，要機器人化，這樣可以做成自動化，可以代替人，提高效率或質量，還有整個產線，整個車間的生產設備本身的自動化，也靠人工智能來實現，所以人工智能不管是從信息空間還是從物理空間，我們把它叫做信息物理空間（CTS），實際上我們做的智能制造，包括做新零售、新制造都是在CTS，一部分是虛擬的信息空間，一部分是實體空間或者物理空間，這兩個空間里面進行，一部分是網絡的，比如說互聯網，一部分是實體的，比如說生產設備或者是實體店或者實體的分銷商，一部分是虛的，一部分是實的，這兩部分都需要人工智能的賦能，就可以實現智能化，提高生產的效率，同時帶來生產產品品質的提升。謝謝！
