理解万岁为何成了人工智能行业的小目标

　　我们看了不少企业的案例和宣传文章，感觉现在AI确实能把人脸、车牌甚至各种交通工具都准确地识别出来，但是我也在疑惑，如果只是识别得更准，但是不能切实解决目前这种交通拥堵的现象，意义在哪里？这是今年初懂懂笔记在广州参加某智能交通论坛，与一位城市规划设计院的专家交流时对方提出的疑问。而他的一些问题至今都让懂懂笔记记忆犹新，AI如何把视觉识别和信息采集做到有效整合，再产生结果最后形成反馈并去执行，这之间的逻辑是什么？如何能形成闭环？
　　实际上，过去这一年多来类似的问题我们时有听闻。语音识别、视觉识别、传感器的信息采集目前在很多行业都已经开始探索和应用，而且识别正确率、信息采集能力也越来越高。但总会有不少行业相关人士提出疑问，这些信息的获取如何真正落地应用场景，解决自身遇到的管理（经营）难题？
　　打通认知智能和感知智能
　　或许，这正是AI从感知智能到认知智能发展过程中，面临的巨大挑战。与此同时，如何打通认知到感知智能的孤岛，让AI从能看、能听，到能够理解、思考和正向反馈，形成完整的逻辑闭环链，也孕育着巨大的价值和机遇。
　　AI落地，赋能场景，确实不是一蹴而就。人工智能的发展已经从运算智能、感知智能（视觉、听觉、触觉的感知），逐步走向认知智能的阶段。而真正做到能理解会思考，仍是包括谷歌、亚马逊、微软以及BAT在内的产业界正在思考的问题。
　　认知是实现人工智能分析、判断、预测能力的最为重要的环节，只有通过把信息转化成知识结构、知识系统才能实现这些功能，从而实现从感知型的AI到认知型的AI的飞跃。在辞去谷歌云AI负责人职务之前，李飞飞曾多次提到未来自己对于认知技术的关注。
　　微软全球执行副总裁沈向洋也指出，认知和感知是人工智能的重要研究方向，他同时强调拥有大量数据积累和分析需求的行业更适合通过人工智能技术实现转型。
　　但是，产业界也在思考如何让认知智能在实际落地过程中更加有效，更能实现真正意义上的理解和思考。沈向洋对此提到过几个问题和挑战：人工智能技术对大数据和大计算的依赖较大；人工智能领域过于重视数据，而且重视的是数据的表象。AI技术是在用复杂解释复杂，为了拟合数据结果而做出更加复杂的模型。在自然科学领域，应当是通过复杂现象抽象出简单的本质。因此，从这个角度而言，人工智能技术仍有待探索和发展。而对于深度学习在工业领域的局限和挑战，明略数据创始人吴明辉也提出了独特的观点，深度学习确实解决了很多的图象处理、声音识别、自然语言处理等很多工作。但是他认为，深度学习的局限在与其背后的算法主要是基于统计学，没有因果关系，只有相关关系。
　　明略数据创始人吴明辉表示：符号主义学派对应的算法更趋向严密的逻辑关系。
　　在吴明辉看来，目前在人工智能重要的三个学派，即符号主义学派、联结主义学派、行为主义学派都有各自的优势和局限。相对于联结主义学派倡导的深度学习而言，符号主义学派对应的算法更趋向严密的逻辑关系，是基于知识所建立的系统，它是可解释的，有因果关系的。我们希望把学习能力赋予计算机，从而形成知识系统，再加上深度学习能力产生的学习系统，将两者有机结合，最终打通感知和认知智能，建立了一个完整的人工智能系统。
　　的确，面对从认知智能迈向感知智能，产业界的众多参与者都有自己独特的思考路径，而吴明辉提出的符号主义和深度学习有效结合，能否更适合目前AI应用落地、赋能场景的目标，也成为国内AI技术领域一个值得关注的话题。
　　明略数据建立了感知智能和认知智能打通的方法论和工具体系，所以我们有理由推断未来人工智能会在认知智能技术上有很长足的进步。在吴明辉看来，所谓长足进步要建立在知其因果的基础上，他举了两个例子：在制造业，设备运转过程中如果一个零部件出现故障，这个时候要搞清楚哪一个零部件出现了故障导致系统故障，你的目的不仅仅是维修时只换个部件，而是要搞清楚具体的故障原因，所以需要有因果关系；在医疗诊断时，不仅需要开出诊断结果更需要知道病因，也是需要知晓因果关系。真正完整的人工智能一定是需要把因果关系和相关关系打通，需要的是把感知智能和认知智能打通的一个完整的系统。
　　那么，这种打通是否能够成为解决行业痛点的最优解？
　　理解行业痛点后的水到渠成
　　明略数据日前发布的行业AI大脑明智系统2。0，就提出在新系统中汇聚各类数据，进入符号化的过程，通过数据的充分融合和碰撞挖掘，从而实现面向行业业务构建行业AI大脑。吴明辉显然是要以符号的力量完成对于行业数据中知识的抽取、融合、推理、和沉淀等过程，打通感知智能。这一点，似乎不是另辟蹊径，更像是一种水到渠成。
　　正如前文所述，懂懂笔记接触到的城市规划、离散制造、能源化工等领域的相关人士，提出的疑问大多集中在各种语音、视觉识别技术如何能够融入到他们所处行业的管理与效能的提升上。或者可以说，如今各行各业都在倡导使用人工智能，但是很多人工智能的技术在不少传统行业中并没有得到很好的发展。
　　吴明辉认为，这其中的原因是很多专业技术企业都只聚焦在其中某一个技术的细节上，而没有人真正把完整的人工智能全部组建起来，面向一个行业做整合服务。今天我们就是要做整合服务，我们在自己面向的行业把感知技术、认知技术跟其它所有的组件一起链接到一起全新的系统中。基于大数据治理工作，在上面又打造了一套完整的人工智能闭环。
　　或许，能够建立其完整的AI闭环，源自于明略数据对于服务行业的多年积累，尤其是对行业用户需求的深度把握。从吴明辉的介绍中，可以看到明略数据过去四年一直在协助公共安全、金融监管、工业界打造大数据平台，从而建立了大数据知识图谱系统。而通过明略数据的SCOPA知识图谱分析平台，以及其自主研发的混合型知识存储数据库，有效帮助行业用户建立起分析和决策的能力。
　　从相关公开数据中可以看到，明略数据在安防领域独有的公安知识图谱，目前已汇集30多个大类公安数据来源中的6529张表和1538亿条数据，沉淀了80以上不同种类公安数据的处理经验。目前基于明略数据公安知识图谱的明智系统现在已经部署到50多个省、市、区县级公安厅局，吴明辉强调，运用这一规模庞大的公安知识图谱，公安部门实现了人、事、地、物、组织、虚拟身份的关联。通过把感知和认知系统打通，我们可以帮助公安部门真正解决全数据类型的情报研判工作，就像福尔摩斯一样，运用非常简单的线索把全部信息关联出来，提高预警研判的准度和精度。
　　升级的明智系统2。0通过汇聚各类行业数据，完成符号化的过程，实现了数据的充分融合和碰撞挖掘，从而有效地面向行业业务构建行业AI大脑。
　　而在金融行业，明略数据也完成了全国首个银行业全行级知识图谱数据库。例如帮助国内某大型股份制银行基于其十年来的全量数据，建立了企业、个人、机构、账户、交易和行为数据总规模达十亿点、百亿边的知识图谱平台。另外一个例子是在城市轨道交通领域，上海地铁车辆分公司通过明略数据的人工智能系统建立了国内首个车辆全生命周期数据管理平台，通过这一平台轨交运营企业可以有效提升工作效率，降低了安全风险和运营成本。
　　实际上，对于金融企业、传统制造业而言，能效的提升是重中之重。简单来说，产品良率、能耗成本、人员成本等方面哪怕千分之一的变化，就关乎到每年数千万元的收益或者损失。
　　以懂懂笔记曾经做放过的多家钢铁制造企业为例，一家大型钢铁制造企业引进一条生产线的投入可能就是上百亿元，而近两年基于环保压力，钢铁行业效益骤降是明显的事实。而在炼钢环节，能耗成本几乎就占到70到80。一位高工在交流中就曾表示，如果通过各种sensor采集的信息和AI的算法，能降低钢铁料的消耗，或者是在冷轧的厚度、精度控制上，在现有基础上提升千分之一，这些节省下来的成本对于企业而言就会是上千万元的净利润。
　　他所提到数据信息采集，可能就是这是一个炼钢炉或者钢包里面布置的传感器，也可能是钢铁生产线上数千个数据信息采集源。每一天，这些参数都在一定频率下监测着整个设备的生产状况，而工程师们也期待能把这些存在DCS（集散控制系统）里的数据拿出来，而且是要将所有数据融合在一起，站在一个更高的维度审视运维和制造工艺，通过提升效率真正的达到降本提效。
　　而这种来自用户的需求，或许正是吴明辉所强调的通过符号的力量赋能行业，通过行业人工智能大脑以不断发现最优解为第一性原理，以计算代价最小、计算结果最准确为核心目标，提升这些企业在AI时代的核心竞争力。
　　【结束语】
　　符号不仅可以打通人和人之间的关系，未来还可以打通人和计算机、人和AI之间的关系，我们的目标是通过符号连接人和计算机，连接人和AI，未来一起创造一个人机同行的美好世界。
　　对于吴明辉所强调的人机同行，可以看成是明略数据在感知智能落地应用场景方面的一个长远目标。而要真正实现人机同行，不仅需要从技术层面打通认知智能与感知智能之间的隔阂，更需要从传统行业的视角去理解他们转型和进化的逻辑，站在企业的角度去完成这种融合。这种形态下的行业人工智能大脑，更能提现AI的真正意义和精髓。
　　，