https://www.toutiao.com/a6649263189580071432/

 

2019-01-22 18:17:08

自有了人类以来，一共有26种通用目的技术（GPT）。最早的通用目的技术可以回归到1000多年前发明的轮子，近期的通用目的技术是电脑、互联网，21世纪之后又发明了商业虚拟化和纳米技术。现在，AI是人类诞生以来的第26种通用目的技术。

 

（图片来源于华为技术有限公司董事、战略Marketing总裁徐文伟演讲PPT）

如果把18世纪发明蒸汽机称作是蒸汽机1.0时代的话，1.0时代是把人类的体力超越了体能的边界。AI就相当于蒸汽机2.0时代，它帮助人类超越了智力的边界。在未来20年内，虽然机器不大可能展现出与人类相当或者超过人类可广泛应用的智能，但预计机器将在越来越多的任务中继续达到并超越人类的表现。

AI从芯片、硬件、框架、算力之争，转为更重视技术落地，更兼顾垂直行业的商业应用。例如语音助理不仅存在于智能手机及音箱之中，更能锁定于商家客服B2B市场；自动驾驶业务已在美国率先开启了商业化服务；AI医生不需要真人医生参与，机器可以直接下诊断。

 

 

（图灵奖获得者，万维网（www）之父—TimBerners Lee）

2019年AI发展趋势--更像人、更懂人，也更挑战人性

1. 强化和改良AI学习能力，特别是好奇心驱动AI学习，而非单纯依靠过去的环境予以奖励。

强化学习是机器学习的一个重要分支，有4个主要元素：智能体、环境状态、行动、奖励函数，智能体做出行动后，环境状态回反馈给智能体正面奖励或负面惩罚，智能体必须争取环境给他更高的分值。也就是说智能体与环境交互，尝试后得到奖励或惩罚，通过不断循环的过程达到学习效果。

强化学习AI在棋牌比赛、电竞这些有明确规则的领域可以表现的很出色，但是在真实世界未见得有明确得奖惩机制。为解决此类问题，以好奇心驱动AI强化学习应运而生。让智能体为自己创造奖励，建立基于"情景记忆"的模型，把智能体从环境中获得的观察结果储存在情景记忆中，当智能体找到还没在记忆中出现的观察，一样可以获得奖励，激励智能体继续探索环境，这种好奇心的奖励会跟实际任务机制结合，此法扩展了强化学习可以解决问题的范围。

可以预见在2019年，会有更多诱发好奇心，与环境互动的解决方案将被提出，进一步解决目前常见的AI延迟反馈、稀疏奖励的难题。

2. AI分身，通过行为克隆、模仿学习等技术，结合个人的音调、动作、习惯、喜好等数据，训练出近似自己的AI分身或替身。

在科幻电影中常见的复制人场景，从现实角度来看打造一个跟自己完全一样的实体分身还很遥远，但利用AI建构一个虚拟分身，可能就会近的多。目前市场已有利用人的说话口气、声音创造出的"语音分身"；通过人脸关键点检测、人像特征提取并重新构建的面部AI分身；将图像、语音、情感咨询等多模态内容联合的模拟真人AI分身。

AI分身潜在市场颇为庞大，除了现有的游戏、影视娱乐领域，更有可能延伸至感情陪伴，过时亲人继续"存在"，以及更多现在没有应用过的场景。剔除道德上的争议，在技术上一定会走向这个方向。

3. 情感计算，人类与计算机的交互，AI辨识出用户情绪，并予以反应。

相对于自动驾驶、人脸识别这些领域，情感计算相对小众，但自今年起，它将成为重要的趋势。主要在于情感计算是非常复杂的议题，横跨众多专业领域，包括AI、认知科学、心理学、社会学等，因此难度极高。而AI课题在目前日渐成熟的基础上，想要有更大的突破就要直面探索深层议题-情感计算。

华为在AI领域的布局

华为在AI领域的布局分为端、边、云三方面。华为从麒麟970就开始嵌入了AI芯片，麒麟980更强大，所以在智能手机里面，华为麒麟980是智能社会的Worker。在AI领域里面，去年11月发布了Ascend310和鲲鹏910，全系列布局云端和边缘计算的AI芯片。华为刚刚发布的鲲鹏920是在云端的CPU。从手机芯片到边缘AI计算芯片，再到云端的计算。

 

华为的价值主张是一个平台，包括云。连接实际上也是一个平台，未来的智能社会没有连接哪来的数据，所以要把众多的传感器连接起来，连接+平台+AI+生态。华为的愿景与使命，就是和大家一起合作，把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界。

 

华为技术有限公司董事、战略Marketing总裁徐文伟提出了AI当前的几个问题：问题一是算力太贵，用不起，看起来很美，用起来太贵。问题二是没有好的数据，也就没有好的AI，所以数据要进行处理，要保证数据的质量，正所谓"没有人工就没有智能"。为什么现在AI的专家这么贵，AI工程师也找不到，因为AI还是个专家的活，没有平民化。所以说，所有的数据都要做标注，没有人工就没有智能，这和我们想象的人工智能是不一样的，是真正的"人工——智能"。问题三是训练太慢。训练要几天甚至几个月，却只能表演几分钟、几秒钟，训练的时间很长。问题四是应用太浅。AI一定是有模型的，好不容易调试出来一个模型，在某种特定场景下测试或者考试水平很高是学霸，而真正实际应用场景的情况下效果却并没有这么好，精确度、准确度会大大下降，甚至下降10%-15%。所以考场上的学霸，到了工作场所尤其是应用场景却变成了学渣，AI的应用没有想象的那么好。