我国人工智能产业市场现状及发展前景

    声明:本文为火石创造原创文章,欢迎个人转发分享,网站、公众号等转载需经授权。
    新冠疫情的暴发打乱了经济生活节奏,人工智能凭借独特优势站上了抗疫的浪尖。无感通行、疫情问询机器人、AI测温、防疫指挥平台以及人类生活中的闲聊机器人等,都帮助我们的生产生活变得更加便捷有趣,这些也只是AI产业的一个个小小缩影。
    回顾计算机技术发展的历史,我们发现,计算机、机器人等人类手中昔日的工具,某种程度上正在成为具有一定自主性的能动体,逐步代替人类进行任务执行与决策。然而,由于技术与业务要求之间的鸿沟,使得人工智能在产业落地过程中面临一系列的挑战与机遇。
    本文将从人工智能产业应用、产业地域分布、挑战与应对、伦理、未来发展思考以及展望等角度进行行业分析。 
    01产业应用篇
    2016年,以AlphaGo为标志,人类失守了围棋这一被视为最后智力堡垒的棋类游戏,人工智能开始逐步升温,成为政府、产业界、科研机构以及消费市场竞相追逐的对象。
    人工智能的基础理论虽由来已久,但现阶段推动新一代人工智能快速发展并逐步落地产业应用的关键要素可归结为计算能力的提升、数据爆发式增长、机器学习算法的进步以及投资力度的加大四个方面。
    
    图1:人工智能产业图谱来源:根据公开资料整理
    人工智能产业链包括3个部分:基础层、技术层和应用层。
    基础层:该层主要为人工智能基础技术提供计算能力支持,包括AI芯片、AI平台以及AI框架,典型的大型互联网公司和行业领头公司主要有谷歌、亚马逊、英特尔、IBM、百度、华为等。
    技术层:该层主要是基于基础层设施进行开发后的通用性人工智能技术,是以认知与感知计算技术为代表的通用技术。其中,感知部分包括计算机视觉、语音识别和自然语言处理等,认知部分以知识图谱为主要代表。
    应用层:该层以垂直行业的AI应用型公司为主,结合各行业应用,将人工智能通用技术封装成为落地的产品,包含具体应用场景的端到端式解决方案以及软硬一体化的产品。近年来,随着通用技术越来越成熟,大量技术层级的企业逐步转向应用层级,行业应用价值愈加凸显。
    02地域分布篇
    从地域角度看,人工智能企业多分布于京津冀、长三角以及珠三角地区,大致占比44．8%、28．7%、16．9%,代表城市有:北京市、上海市、浙江省、广东省、安徽省、江苏省、四川省等。
    
    图2:我国人工智能企业都市圈大致分布来源:世界智能大会
    03挑战与应对篇
    在产业落地过程中,人工智能技术与企业需求之间的鸿沟不容忽视。企业用户的核心目标是利用人工智能技术实现业务增长,而人工智能技术本身无法直接解决业务需求,需要根据具体的业务场景和目标,形成可规模化落地的产品和服务。在这个过程中,人工智能在数据、算法、业务场景理解、服务方式、投入产出比等方面都面临一系列挑战。
    1．数据AI领域,数据是基础要素。与数据相关的流程主要包括:数据获取、数据治理以及数据标注。具体数据层面的挑战见下图。
    
    图3:AI数据层面的挑战来源:中国人工智能行业报告
    2．算法模型可解释性所谓“可解释性”指的是向技术使用者等解释人工智能模型做出的每一个决策背后的逻辑。从传统模型到新型算法,AI的复杂性逐步递增,促使人工智能算法的决策机制越发难以被人类理解与描述。很多人将大部分基于深度学习的算法想象成是一个“黑盒子”,也就是说认为模型不具备可解释性。相比较“黑盒子”而言,可解释性的AI对于深度神经网络的透明性有所增加,有助于向用户提供判断依据等信息,增强用户对人工智能的信任与安全感,同时也为事后监管、责任归属等环节提供有力依据。
    3．业务场景的理解随着人工智能的行业化发展,待解决的业务问题从通用型场景向特定型场景过渡,单点问题向业务整个流程演进,从感知化到认知化的发展,业务场景的壁垒与复杂度越来越高。在这样的背景下,仅仅依靠算法技术的积累,难以满足对场景的理解要求。所以,AI算法需要经验与业务规则的结合。这种情况下,知识图谱技术成为关键所在。
    通过知识图谱,可以更好地理解业务。通过建立统一的图谱来实现知识的融合,进一步加快推进人工智能的落地。
    4．服务方式对于企业业务人员的根本需求,标准化的人工智能技术输出或者API调用的服务方式是不够的。厂商需要根据具体场景,在技术基础上提供定制化的解决方案,并封装为应用到业务系统中的产品,即“AI+产品”。另外,厂商需要提供持续性的业务运行服务,才可让AI产品真正发挥价值,以保证达到最终业务效果,即“AI+服务”。
    5．投入产出比对于企业来说,在业务中落地AI技术应用,至少包括两个层面的成本:(1)芯片、算法平台等智能化产品;(2)引进算法工程师等人工智能方面人才。
    目前,一些数据平台、机器学习平台的涌现,提高了人工智能建模的自动化程度,同时也降低了整个业务流程对算法工程师的依赖,AI应用的总成本有待降低。此外,未来算法的进步可降低硬件标准,也可促使成本的节省。
    04AI伦理篇
    人工智能伦理是一个跨学科的问题,需要通过跨学科的路径和方法来解决。因此,跨学科的参与、对话和交流在未来应对人工智能伦理问题是极为必要的。
    此外,正如人类通过学习、社会交往等学习道德、法律、伦理等规范和价值,机器伦理也希望达成同样的效果。通过伦理标准的设定、执行、检测检验等,旨在希望以事前的方式让智能机器的自主决策行为尊重人类社会的各种规范和价值,并最大化人类整体的利益。
    考虑到对于人类的行为,仅有人类的道德、法律来自律是远远不够的,还需要一套外在的监督和制裁体系。将伦理嵌入人工智能系统并不能满足要求,还需要政府监管机构、社会公众等的共同参与,以事中或者事后的方式对人工智能系统的行为进行监督、审查和反馈,共同实现人工智能伦理,确保社会公平正义。
    因此,人工智能伦理的实现,是一项全方位的治理工程,需要AI研发人员、政府、企业、社会各界以及用户共同参与,发挥各自不同的作用和角色,确保人工智能系统以尊重、维持人类社会既有伦理、法律等规范和价值的方式运作,带来最大化效益和好处的同时,也能够维护整个社会以及每一个个体的自由和尊严。
    05思考篇
    1．对于加速我国人工智能产业生态化发展,加快关键环节布局是关键(1) 核心平台方面:AI开源软硬件、公共服务以及基础数据与安全检测等平台的建设;(2) 能力创新方面:核心理论算法攻关、关键共性技术突破、AI专用芯片的设计研发、前沿技术的布局;(3) 产业应用推广:各领域不断深入研究、探索更多产业领域。
    2．对于确保我国人工智能产业健康快速发展,加快完善基础环境是重点(1) 人才方面:加强人才引进与培育政策,培养符合产业需求型人才,保障我国技术的原创性以及突破能力;(2) 资本方面:加大前沿研究、关键技术攻关、成果转移转化、平台建设以及创新应用的支持,优化创新型企业融资环境;(3) 监管方面:制定相关法律法规、伦理建设以及社会性问题的研究,加强伦理道德框架和监管体系建设,保障人工智能产业的健康和谐发展。
    06展望篇
    当前,国家战略的前瞻性引领、产学研用的协作创新、需求方面的大力牵引、生态系统的高度开放、政府的强力支持共同推动着我国人工智能产业协同创新机制的发展,加快我国智能经济发展的黄金时期。
    展望未来,基础设施的升级、从感知智能到行动智能技术的演进、应用场景产业智能化的发展,是值得关注的几大方向。
    (1) 我国已进入5G商用时代,作为具备高带宽、低时延、广连接性的新一代通信技术,5G正在成为产业变革与万物互联的新基础;
    (2) 考虑到能力范围、时间效率、成本等因素,单纯依靠机器完全代替人去解决问题并不现实,将人与机器作为整体去部署人机协同模式才是主流。所以,以人为主,由人来判断场景的需求和机器的能力,是未来实现机器自主判断场景、资源调度,并与人类协同发展的重中之重。
    (3) 随着企业数字化以及产业数据基础设施的完善,产业互联网打通了产业链各环节的数据路线,以此为基础,人工智能应用将从企业内部智能化延伸到产业智能化,逐步实现从采购到制造到流通等环节的智能合作机制,提升产业整体的效率,实现产业互联网价值最大化,引导未来更多行业走向产业智能、互联发展。 
    参考文献
    [1]　《全球人工智能产业地图发布》中国信息通信研究院．
    [2]　《中国新一代人工智能科技产业发展报告》刘刚．2019．5．
    [3]　《人工智能》腾讯研究院、中国信通院互联网法律研究中心、腾讯AI Lab、腾讯开放平台．