第四範式亮相博鳌亞洲論壇國際科技與創新論壇 AI走向普及仍需技術創新

　　近日，博鳌亞洲論壇國際科技與創新論壇首屆大會在澳門隆重舉行。論壇秘書長李保東主持開幕式。本屆大會以“創新賦能可持續發展”為主題，彙聚了來自25個國家将近千名政要、行政長官、商界、學術專家，圍繞科技創新促進世界經濟複蘇和全球可持續發展等焦點話題進行了探讨。

　　其中，“創新動力——人工智能，擁抱未來”分論壇邀請了歐洲科學院外籍院士陳俊龍、中國工程院院士戴瓊海、加拿大科學院院士張大鵬、IEEE Life Fellow Imre J. Rudas、第四範式副總裁、主任科學家塗威威等學術代表就人工智能技術趨勢進行了分享。其中，塗威威以“Towards AI for Everyone”為題，介紹了當下AI的思考與發展。

　　以下為演講實錄：

　　AI發展三部曲

　　AI是一個非常年輕的學科，根據南京大學周志華教授的總結，自1956年被提出至今，共經曆了3個階段：推理期、知識期、學習期。人工智能的研究學者希望讓機器自己有思考的能力，使機器更聰明，能夠做更多需要人類智慧才能做的事情。當時大家普遍認為數學家是最聰明的人，數學家最強的是推理能力。于是，當時人們覺得要實現AI需要具備數學家的推理能力，“自動定理證明”是當時最經典的工作之一。但人們很快發現隻是數學定理的推理，并不能解決很多實際的問題，比如前面張院士提到的中醫望聞問切，以及當我們想預測病人疾病未來的走勢時，自動的幾何定理證明系統并不能回答疾病相關的問題。

　　于是，人們意識到AI光有推理是不夠的，還缺乏相應的知識，需要通過知識去總結并指導未來的生産。随後，AI進入了知識期，期間非常經典的工作叫“專家系統”，總結人類專家的經驗并固化。但是人類專家的經驗總結起來非常複雜，比如老中醫很難準确地說出自己的判定邏輯。這個方向曾經引爆了人工智能的一次短暫的高潮，然而很快随着許多應用落地的失敗，AI進入了寒冬。

　　而将AI帶出寒冬的是機器學習技術。經過多年發展，AI來到了學習期，從知識工程過渡到機器學習，不再依賴于人類專家總結經驗規律，而是讓機器從數據中直接學習，從數據中總結規律。機器學習的經典定義，是計算機程序利用經驗來改善系統性能，而這裡的經驗往往是指數據。目前，機器學習在我們熟知的AlphaGo、互聯網巨頭們的搜索與推薦系統、在線廣告系統、金融市場分析、計算機視覺、語言學、生物信息學等諸多領域都取得了很大的成功。

　　機器學習因何讓AI走向成功？

　　因此，我們需要思考：AI為何在機器學習時代成功了?其原因在于機器總結的業務規則要遠超人類專家，人類總結成百上千條已是極限，但機器可以基于海量數據不知疲倦地總結并發現數十億條規則。正因如此，我們的高維機器學習應用到互聯網營銷、點擊率預測、糖尿病預警、金融反欺詐等衆多行業場景中，取得了比專家更好的業務效果。

　　造成上述的原因在于人類受限于大腦的生理構造，計算以及存儲能力受限。諾貝爾獎、圖靈獎獲得者Herbert A.Simon就因提出“有限理性”理論獲得諾貝爾獎。簡單來說，就是人在做決策的時候，由于多方面因素的限制，隻是追求當下滿意的決策而非決策。此外，人的思維是過度泛化的，盡可能把問題想的簡單，便于思考和處理，但現實問題往往是很複雜的。

　　機器的優勢在于可以更好的解決問題的複雜性，全面分析問題，并實時響應，提供更優解，且相比于人類經驗的難以複制，機器的這種能力有非常強的可複制性。

　　AI全面賦能企業決策

　　機器這樣的能力如何更好地為企業所用?事實上，Herbert A. Simon也曾說企業最核心的問題是決策，西方軍事學家John Boyd認為決策的過程是由“觀察、判斷、決策、行動”四步驟組成的相互關聯、相互重疊的循環周期，也就是所謂的OODA循環。

　　首先需要通過數據觀察現在業務的狀況，其次對業務進行更深入地分析并對業務發展進行準确預判，再為各類業務問題尋求能夠實現其價值化的更優決策，最後按照決策結果采取相應行動，最終完成整體的管理行為。

　　AI在其中每一環都可以賦能。在觀察階段，AI可以實現文本、語音、圖像等全場景、多模态數據的“觀察”，不知疲倦的協助決策者處理企業業務有關的海量數據，提取對決策有價值的關鍵信息;在判斷階段，機器可以幫助企業利用數據，從業務中總結出足夠多的規律，構建更複雜的業務規則，幫企業更好地認識業務發展，同時因為決策會影響未來，AI也能夠幫助企業對未來有更加精準的預判;在決策階段，機器可以進一步發揮優勢，憑借強大的計算能力進行全局精準決策優化，最終為行動提供指導。

　　AI走向普及 技術創新仍是關鍵

　　AI不應該隻是巨頭們的搖錢樹和競争利器，AI作為先進的生産力，應該為更多的企業與人所用，為社會創造更大的價值。然而，在AI規模化落地的過程中，企業又不得不面臨認知、數據、人才、工具、技術、規模等落地門檻。例如在數據方面，除了面對數據多樣性，還要面對數據大規模增長、數據不一緻、數據有效性差、數據分布漂移等問題，因此需要在針對AI的數據治理工具、弱監督學習、數據增強、主動學習等方面發力，解決數據的“壁壘”。

　　在人才方面，目前，的機器學習專家團隊參與了包括定義問題、收集數據、數據預處理、特征工程、選擇或設計模型架構、調整模型超參數、性能評估等機器學習的所有階段，這也說明了機器學習技術本身有着極高的技術門檻，AI人才匮乏、專家經驗難以複制等諸多因素阻礙了AI在各領域落地。

　　為了推動機器學習技術在更廣泛的場景應用，AutoML(自動機器學習)成為了學術界和工業界的研究重點。其目的是将機器學習過程自動化，以低門檻的形式實現AI構建和應用，解決AI落地對高水平人才的依賴問題。目前，AutoML已可實現感知類、預測類、決策類等不同場景的應用開發，并在第四範式的衆多客戶中取得了不錯的落地效果。當然，機器學習也有一定的局限性。機器學習有一個假設叫“獨立同分布”，它使得機器學習應用的場景都是受限的，隻能在一個封閉的領域去使用。要解決這些問題，我們需要應對适應性的挑戰，通過強化學習、遷移學習等技術，解決數據分布變化、環境動态交互、新任務目标、數據概念變化等問題。此外，還需要可解釋機器學習、差分隐私、聯邦學習、多方安全計算等技術解決信任、隐私保護和公平性挑戰。

　　機器學習應用落地還有一點不可忽視，就是算力。如今超高維、多樣化的數據、多樣性需求、甚至是不同的模型都對計算效率提出了更高的要求。為了順應AI時代的計算模式，需要将算法與底層硬件的深度融合，從計算、存儲、網絡、調度等方面進行軟硬一體化設計;還需要大規模分布式機器學習計算框架、專用AI芯片充分發揮算法的優勢，進一步提升AI的計算效能。