浮出霧海的真實：從ET大腦到產業AI金融
如何讓浮在實驗室與測試數據中的AI技術，走到現實世界和我們的生活當中，顯然已經足夠急迫了。
最近我們一直在探討這樣一個問題：為什么AI飛速發展，普通人還是覺得距離AI非常遙遠？
實際上，推而廣之這可能不單單是媒體和技術愛好者的疑問。上升到更大的國家與社會經濟層面，對真實可用、能快速見到實效的AI需求已經十分迫切。
從“新一代人工智能”政策出臺，到國家AI創新開放平臺公布首批名單，再到近期工信部發布三年規劃，可以看到政策層面一直在將AI向實用化、產業化、融合化方向推進。換言之，如何讓浮在實驗室與測試數據中的AI技術，走到現實世界和我們的生活當中，顯然已經足夠急迫了。
今天很多媒體都報道了，在剛剛結束的2017云棲大會·北京峰會上，阿里云發布了堪稱迄今為止最全面的阿里AI版圖。
但在阿里復雜的AI業務、產品和合作生態背后，也許我們能夠發現一個關鍵詞：產業AI。
產業AI到底和其他AI有什么不同？讓阿里舉重兵投入的道理何在？在一片技術喧囂和話語迷霧里，AI走進我們的生活時究竟會是什么樣子？
今天我們或許可以從一些小故事里，來回答這些問題。
什么才是產業AI？
開始故事之前，我們要先回答這樣一個問題，雖然這個問題看起來像….廢話….但是沒辦法，真相往往跟我們的想象或多或少有點不同。
顧名思義，產業AI當然是在具體的一個個產業里發揮作用的AI技術和產品咯。也就是我們經常說的AI賦能傳統行業。但有點不同的是，我們在討論AI賦能行業，或者所謂“AI+”的時候，往往設想的是以AI為主體，來實現某個領域的固有功能。比如一些AI+教育平臺，就是用AI的語音交互和NLP能力，來實現遠程教育功能。
在這種情況下，我們思考的是用AI替代，而不是用AI結合。它能改善一些情況，卻無法真正提高這個產業本身的效率，降低原始成本，更不能融合在整個產業線之中。
所以真正的產業AI，必須是能夠與傳統產業無縫結合，推助這個產業核心部類向前發展的。這也是阿里云從ET大腦到產業AI布局的根本訴求。尤其需要注意的是，深度的產業AI必然指向復雜的行業限制和真實需求，往往比簡單的AI替代論復雜很多。
比如說想讓AI來計算機場的停機坪使用情況，提高停機坪的使用效率。聽起來蠻簡單的一件事，但是一名真正的機場調度員，卻需要考慮航班號、機型、國際國內分類、近機位優先原則、機上狀況、航空公司情況、機場建設狀況、流量狀況、延誤航班對下序航班的影響、天氣狀況等等十幾個因素才能決定飛機停泊的機位。假如AI系統只算了其中一兩個，漏算了某些因素，豈不是耽誤了大事？
所以說，產業的需求往往比我們一般想象中復雜太多，綜合來看，AI想解決產業問題，必須具備四個方面的基礎能力：
1.多維感知能力：真實世界中，數據和信息常常是從幾個方向混雜過來。假如AI只能聽、只能看，或者只能連接數據庫，那么它就會變成盲人摸象型AI。只能用來炫耀某種能力，卻無法真正投入使用。
2.全局洞察模式：能感知之外還要能分析和歸納，就像上面說的運算停機坪。AI必須綜合各方面信息和實時變化的數據流，隨時做出統領全局的最優解。這就是我們所說人類的大局觀。沒有大局觀的人不能勝任管理，沒有大局觀的AI也是一樣。
3.人機協同體驗：想做產業AI，必須承認的一點是今天的AI絕不可能，也不希望徹底取代人類。必須是人機協同的工作模式，但是人機如何協同，如何在縮減人的工作時間，提高人的工作效率之外，不會浪費大量學習成本和適應成本，也是關鍵問題。
4.持續進化能力：日新月異的工作，必須讓人不斷去適應和學習新的工作方式，對于AI也是一樣，如果產業AI不能進化，那么工作需求一旦變更AI就變成廢鐵一塊，那確實不要也罷。
為了解決這四個很讓人撓頭的問題，阿里云的解決方案是構建了目前為止世界上最大的綜合智能體：ET大腦。
在阿里強大的計算能力、數據優勢加持下，ET大腦可以適應各個行業的感知、洞察、進化需要，滿足不同的智能運算需求。
這背后隱藏著這樣一個現狀：必須有算力、數據、算法三者的有效結合，才能有AI在復雜場景里展開與原始產業體系合作的可能性，才能達成所謂的場景。阿里云能最快布局產業AI，可能原因也在于此。
但是這可能還不夠，產業AI之路，絕不是單純的技術能力可以搞定的。
到底該如何打造產業AI？
如果你身處一個比較傳統的行業，不妨想想，假如為你安排一位超級智能的AI助手，你的第一反應是什么？
很興奮？那么第二反應呢？大概是感覺學起來很麻煩，不知道到底好用不好用，擔心成本和收益不相符，等等等等。
這是沒有辦法的，人在面對新事物時的先驗反射永遠都是排斥和懷疑。尤其是AI這種先天具有科幻色彩的技術與產品。所以說，實驗室和PPT上的AI是相對容易的，但產業AI卻要更復雜。其復雜程度很多時候不在于單純的技術挑戰，而在于需要復雜且長期的企業合作、談判溝通和對細節的苛求。總之，都是苦差事和累差事。
這幾天與阿里云的專家們溝通，聽了不少故事。從這些故事中，可以把阿里打造產業AI的秘密歸納為三個方面：
一、深入場景的具體需求當中。很多AI技術走進現實時，往往會太重AI太輕現實，這樣做的直接結果是完全低估了產業化進程的難度。
比如阿里云在打造ET工業大腦的時候，面對的都是已經二三十年的老機器。這些機器怎么AI？怎么能夠不給企業成本壓力，如何讓老工廠的工人懂得使用？可能都是科學家一般不會思考的問題，卻真實阻擋了工廠的AI化。而阿里云的解決方案蠻簡單粗暴的：直接派工程師在車間蹲守，一臺臺機器去琢磨和收集數據，貌似這在科技企業中是第一份。據說第一個試點企業最開始也是拒絕嘗試工業大腦的，于是阿里云決定免費安裝。結果很快給企業節省了幾千萬的成本，然后企業主動要求付費……可以想見，不深入場景和產業的AI是很難真正進駐產業化的，而這對AI企業的團隊和執行力要求其實遠超想象。
二、以行業從業者為核心思考問題。我們時長忽視的一個問題，是AI技術有時候并不能討人喜歡。看似有道理的技術解決方案，在真實產業場景里其實是無效的。
比如阿里云的AI語音解決方案與法院場景的合作。一般我們理解法院使用語音交互，無非就是對庭審進行記錄，代替書記員的工作。但事實上卻不是這么回事，直接將庭審對話轉換成文字，夾雜了大量的口語內容，根本是無效記錄，反而加大了書記員工作的難度。阿里云智能語音提供的解決方案，是通過AI智能理解文本、抽取邏輯將庭審記錄簡化，這才能真正幫到書記員。
所以說，真正的產業AI必須以從業者為核心去思考問題，這需要對產業深度的理解，以及關鍵領域的產業深度合作。比如剛剛發布的最新ET航空大腦。這個“新大腦”將在首都機場開工。為首都機場300個停機位，每天迎來送往1700架次航班提供智能決策和運算。上文已經說過了這個運算的難度，但ET航空大腦50秒時間就可以排完整個任務，并且全程可視化，受到工作人員的監督和調整。
三、運用一切辦法解決問題。最后一種產業化中必須面對的問題，是真實問題往往比實驗與測試中復雜很多。必須要突破技術領域的限制，也不能等待技術成熟，而是選擇運用一切辦法解決問題。比如阿里云即將在上海推出的首個AI地鐵售票機，就可以讓用戶用語音交互的方式買地鐵票。但在地鐵這么嘈雜的環境里，語音識別實在過于復雜。阿里云最終的解決方案，是加強收音陣列硬件的同時，用機器視覺技術識別人臉和嘴唇，讓售票機聽到兼看到買票者，才能最終解決問題。
這三條途徑，歸根結底是巨大的產業合作任務和工程化工作量。在具備技術基礎的同時，還要求執行企業有強大的溝通能力、工程化能力和個案攻堅能力。
這是一條不好走的路，但是總歸要有人走。
一個發現：產業化路途中的AI新戰場
通過ET大腦的中樞系統匯聚點，以及背后算力、算法、數據上的積累，阿里迄今為止發布了城市、工業、零售、金融、汽車、家庭等六個場景的“產業AI”方案。這些能力、產品和解決方案，會阿里云為出口進入于各行各業。
從ET大腦的原點到今天的生態版圖，阿里的“現實主義AI”，也在AI場景爭奪戰中保持了自己很多層面的優勢。比如：
1.全面的場景，持續進化能力與良性合作習慣。從工業、交通，到環境、航空，ET大腦的布局逐漸向全景化、垂直化雙向發展。帶來的結果很可能是覆蓋了經濟民生關鍵感知端口的AI系統，可以運用這些場景能力通向整體進化。而良好的產業合作步伐，則給升級能力帶來了進一步出口。場景、技術和合作，正在形成阿里AI的遞增三角關系。
2.可復制，甚至生態復制的AI解決方案。從航空大腦的案例中不難看出，ET大腦的解決方案和能力基礎是具備高度復制化的。當一個領域需要復雜的運算，多種感知數據的結合，并且人工效率始終很低，那么就可以自發引入ET大腦。這種領域在生活中相當多見。當ET大腦的產業AI解決方案復制到某個量級時，生態性、泛在化的產業AI自發衍生或許將會出現。
3.關鍵領域的直接價值。工業、醫療到交通航空，阿里的產業AI系統在不斷提高覆蓋面的同時，更為各個關鍵領域帶來了直接的效率提升和成本縮減。由高速的產業合作效率與直觀的價值體現，阿里AI會在同類企業的競爭中獲得先發優勢。
當產業AI在國家和社會需求的推動下，必然成為下一幕競爭焦點的時候，依靠這些領域的優勢，阿里AI也許會在新戰場有所收獲。
當然，最重要的是，讓AI能用，有用，普通人樂于去用，是這個技術不會變成另一個泡沫的根本保障。
來源|腦極體
1.TMT觀察網遵循行業規范，任何轉載的稿件都會明確標注作者和來源；
2.TMT觀察網的原創文章，請轉載時務必注明文章作者和"來源：TMT觀察網"，不尊重原創的行為TMT觀察網或將追究責任；
3.作者投稿可能會經TMT觀察網編輯修改或補充。
