中经视野首页研究报告中经榜

进击的速溶咖啡:中国AI开始工业化

2021-05-06 05:20

文 / 钛媒体APP   编辑 / 庄梅

字号

  5-1.jpg

       从2017年AI利用围棋大规模出圈开始,我们经历了几个阶段的变化:

  第一阶段,全社会一起讨论AI有什么用

  第二阶段,相关产学政治各方讨论,AI应如何使用

  第三阶段,负责出钱和收钱的双方努力讨论,AI如何便宜?

  随着产业化的推进,公众范围对AI的讨论也变窄了。现在,关于市场号码的AI惊险标题几乎看不见,业界惊讶的基础算法也很少突破。也许有人认为人工智能泡沫正在破裂,人工智能要来了。但是,在大众狂欢消失的馀地,商用AI在中国市场迅速兴起。到了2021年,大多数云计算和人工智能供应商似乎没有时间继续讨论人工智能的应用场景和可行性,而是专注于另一个关键词:成本。

  随着AI开始成为企业服务的一种,配置成本过高成为业界最显着的问题,在中国AI产业尤为明显。与其他企业IT技术不同,AI作为灵活多变的软件形态,需要长期投入和专业人才。这使AI在大型科技公司和平台型企业具有非常灵活的投资曲线,可以战略投入,灵活多变地解决各种问题。但是,对于传统企业、中小企业、信息化基础不足的企业来说,应用AI理论上可以解决非常重要的问题,但是直接、可操作、成本可控的执行方案不足。

5-2.jpg

  回到云计算和AI服务提供商方面,企业销售AI理论的潜力很大。然而,现实是每个客户都需要定制和解决大量的需求。他们通常需要投资许多行业专家、算法结构师和硬件和硬件工程师来解决一些小问题。这样做的成果相当大,但实际上只有案例性质,没有普及的可能性。

  另一方面,疫情导致美国AI行业创新缓慢,头部公司算法突破不理想。同时,欧美AItoB市场净利润高,客户数字化能力强。谷歌云、微软云的崛起与AI有关,但适应的是大规模、分散的企业软件市场。相反,中国市场的AI目标用户多为政治企业、实体经济企业,需要一对一的AI能力和行业化的AI解决方案。

  在这种情况下,将AI技术推向高工业化、标准化,突然成为中国科技界的独立任务。2019年谷歌等头部AI公司开始推进机械学习简化的相关技术,但其目标不是今天中国云计算和AI厂商面向的大规模AI配置和工业级AI场景,而是集中在所谓的AI民主化上。

  不夸张地说,低成本的AI工业化已经成为目前中国AI产业的主线任务,但相关分析不充分。本文希望讨论中国I工业化课程的一些产品逻辑、代表案例、商业模型。由于每个制造商的命名计划和产品标准不统一,为了避免误解,选择具体的制造商和技术名称。但是,将相关技术逻辑带入一些大工厂,不难发现焦点不低。

  看过东野圭吾《神探伽利略》系列的朋友,可能对主角汤川学喜欢速溶咖啡的印象很深。看似廉价、低端的速溶咖啡,其实它凝聚了20世纪初人类科学和工业能力的精髓。速溶咖啡的出现,咖啡可以大规模生产、运输、贮藏。

5-3.jpg

  如果深入学习是人类发现咖啡这种饮料的话,中国人工智能正在努力完成的是制作进攻的速溶咖啡。

  在真正的咖啡时代,后者可能会开放。

    行业知识图谱

  对大多数企业用户来说,人工智能提供机器视觉和NLP系统下的几种固定能力。根据这些能力,企业定制变体的复杂性很高。但是,AI技术容易适应企业和行业的特殊需求。那是知识图像。

  知识图像的技术逻辑是人为关联一些知识,在调用a知识时驱动b知识,达到接近智能的效果。这不是多么新颖的技术,在机器学习诞生之前,知识图像已经广泛应用于许多领域。今天搜索引擎和电器产品的相关推荐功能,大部分是通过知识图像完成的。

5-4.jpg

  在AI to B的应用中,巨大的问题是企业在特定的行业。不同行业的知识和经验决定了应用AI的需求不同,成本也不同。例如,安全场景所需的AI识别与质量检验场景大不相同。

  因此,新的AI产品服务模式是技术供应商上升到行业信息化供应商,积极构建符合具体行业需求的知识图像产品。例如,工业知识图像可能包括筛选、质量检查、产品流程等各个方面,工业识别解决方案相结合,AI不仅可以完成单点任务,还可以根据行业知识图像完成一定程度的复杂需求,如知识推理、知识预测等。

  类似的行业知识图像具有广泛的应用可能性,在工业、能源等重视经验的场景、金融、物流等重视数据关系的领域。此外,行业知识图像还可以帮助人工智能输入难以启用的行业,如油气勘探、生物医药等。最重要的是,云计算厂商提供有效的行业知识图像服务,可以免除订单,适应企业知识、经验,降低人工费。

  但是,业界知识图像的问题是业界知识是非常抽象、难以标准化的地图。每个行业有多少知识可以取得公约数也是个问题。因此,市场上销售的类似服务大致集中在金融、能源、工业质量检查等几个基础板块上,难以细分为更具体、大众的行业。并且行业知识图像大大改变了云计算、AI供应商的作用,从算法等基础能力供应商变成了行业咨询、行业数字化解决方案供应商,对商业模式和行业认可也提出了挑战。

  目前,适合机器视觉、NLP等基础能力的行业知识图像仍然是中国AI界独特的产业板块。能走多远,也许是下一个AI产业非常重要的发展指示物。

  自动机器学习

  苏大强知道手磨咖啡很好吃,但是大家磨咖啡显然不现实。也确认了速溶咖啡的价值。

  这就像人工智能很好,但每个企业都以高价雇用算法建筑师,花费大量时间进行数据调整、分类和提取是不现实的。为了解决这个问题,谷歌在2018年发表了AutoML,也就是自动机械学习的工具。这种工具的基本逻辑是,尽量让普通开发者,即使是不会写代码的AI应用者,也可以按照要求上传照片,生成固定的AI模型。这些模式虽然简单,但胜于零门槛,成本低。众所周知的类似应用程序可能是为了给明星换脸而出现的deepfake。这个东西被世界性的集体封杀时,也许侧面证明了自动机械学习的威力。

5-5.jpg

  随着产业的发展,自动机械学习也不仅仅是简单的视频处理。特别是随着大工厂的投入,今天中国AI产业的自动机械学习平台和工具,能力的多样性和工业化远远超过了谷歌等美国公司。从广义上看,从数据处理到数据特征提取,再到数据调整和训练,几乎所有的AI程序今天都可以找到自动化或半自动化的方法。国内一些相关厂商也推出了自动机械学习平台的升级版,提高了复杂模型的开发效率,帮助了行业化的AI落地。

  在产业方面,自动机械学习的最突出的价值是人工智能不足,信息化基础不足,无法进行定制服务的微型领域。例如,农业、医疗甚至校园场景。即使缺乏AI能力和编程能力的个人开发者,也可以通过自动机械学习平台立即完成简单的AI模型开发,在手机、照相机等设备上完成配置。例如,在一个案例中,农村扶贫干部可以通过类似的平台快速开发识别住宅、果树、农作物的软件,加强扶贫工作的标准化,提高工作效率。

  自动机器学习类软件既然瞄准的是低门槛,那么问题也随之产生。这种平台的自动化能力,使得它经常很难处理复杂的数据或完成算法创新。而且一旦给平台增强了更多的技术能力,就很容易变得更加专业复杂,不适合缺乏技术能力的企业和开发者。这些平衡点很难把握。

  不管怎样,近两年来,我们看到越来越多的工业AI项目开始建立在自动机器学习平台的基础上,AI开发的时间成本和人力成本也在迅速下降。

  这些真正面向解放生产力的升级构成了中国人工智能的最佳风景。

  大规模预训练模型

  说到工业AI,不得不提AI应用的另外两个核心问题:数据量和训练计算能力。

  AI应用于工业、能源、金融、医疗等行业,其需求特点是参数精度高,对培训数据的需求大。但是问题也来了,一个传统的企业去哪里做这么多的数据,又去哪里做长时间的计算能力,需要复杂的调参优化模型培训?

  面对这个问题,业界也有办法。平台提供平台提供预培训模式,但是企业买回来进行二次加工,从而产生自己想要的AI能力。这个逻辑很好理解,有点像买熟食回家再做一次。家人还是会夸你技术好。谁在乎前98%的步骤是在餐厅完成的?

  在AI领域,这种半成品再加工的逻辑被称为转移学习。在大数据集训练的预训练模型中完成小数据的转移,最终根据企业用户的时间、人工费,保证了模型的精度和使用效果。

  大规模预训练模型的逻辑很早就被提出来了,但近两年来,人工智能产业不断受到重视,形成了解决人工智能产业化的核心思路之一。一般来说,云计算企业会提供NLP、机器视觉等主要类别的人工智能预训练模型,或者重要行业和重要工作场景中的预训练模型,供企业下载部署。一方面可以带动企业使用云,另一方面可以衍生出更多的智能解决方案服务。

5-6.jpg

  预训模型这一领域的竞争主要集中在两个方向,一是有效数据的参数规模和收敛精度,从而决定模型在一般赛道上的能力指数;二是预训模型的行业细分,从而决定与行业、任务场景的适应范围。

  最典型的预训练模型应用场景应该是工业检验、质量检验等领域。这些领域的大部分数据精度要求都是一样的,就是识别能力的准确性。这个可以在云计算厂商进行大数据预训练。厂商可以回到工厂进行迁移训练来识别划痕或污垢。

  最后说一下问题,预培训模型目前更多的是云计算厂商提供的附加产品,没有基础AI算法那么稳定的市场空间。它的前景有待检验。此外,预培训模型虽然受到企业用户的欢迎,但商业模式还有待探索,给供应商带来的实际价值并不清楚。

  结束语

  当中国人工智能到达2021年时,工业级和工业级已经成为三个不离口的关键词。然而,真正具有工业特征的人工智能实际上就像齿轮、轴承和钢筋一样,是标准化、规模化和低成本的产物,而不是一种美丽的智能魔法。

  中国人工智能开始大面积接受工业化、流程化和标准化,这可能构成一个交叉点。这条赛道上的人工智能不太受资本关注。理论上更接近企业信息技术,而不是传统意义上的人工智能生态,至少没有极端的客户,也不够酷。

5-7.jpg

  然而,这条路非常重要,或者可以说是全球人工智能产业的拐点。尤其重要的是,中国人工智能的前景不能一直受到美国人工智能上限的限制。行业知识图和自动机器学习实际上起源于美国,但在应用、平台和标准化方面,美国人工智能并不像中国行业那样简单强大。

  至少在今天,沉默的人工智能工业化是一条孤独的道路。

  前方什么都没有,也因此给人安慰。

本文来源本站,转载请注明来源!文章仅代表作者观点,不代表中经视野立场!(图片来源互联网,版权归原作者所有)
广告、内容合作请点这里:

相关推荐

评论(0)

我要跟帖
已输入0
发表
新评论

207764

阅读

65

文章

热门文章

关于中经商业评论

微信扫一扫