清华智能技术与系统国家重点实验室教授、中国人工智能产业创新联盟专家委主任 邓志东
财经网讯 “我们做的智能制造，包括新零售、新制造都是在虚拟的信息空间和实体空间或者物理空间这两个空间里面进行，一部分是虚的，一部分是实的，这两部分都需要人工智能的赋能，就可以实现智能化、提高生产的效率，同时带来产品品质的提升。”1月12日，清华智能技术与系统国家重点实验室教授、中国人工智能产业创新联盟专家委主任邓志东在“2019中国制造论坛：全球产业链重构下的制造业挑战”上如此表示。
邓志东认为，人工智能真正有产业价值的地方，实际上是在大数据驱动或者大计算能力支撑的深度学习方法，这个领域目前在感知智能上取得了很大突破，所以人工智能的供应链价值或者产业链价值主要是在这个方面体现。
不过邓志东表示目前大家还不要对人工智能寄予太大的期望，现在的人工智能是弱人工智能，是整个人工智能发展过程中一个非常初步的阶段，虽然确实是能够带来产业价值，但对于人类智能来说还非常初步。
在谈到人工智能怎么落地应用的问题上，邓志东认为，首先在感知层次上，人工智能是不可替代的，比如在进行语音识别、计算机视觉、外观检查时，很多数据输入后其成果确实能够达到熟练人力的水平，能够做到自动化的处理，而不需要人工去做这个事情。其次在大数据洪流方面，这种数据人是处理不了的，必须要用实现用机器来做自动化处理，这样才能提高生产效率。
以下为发言实录：
大家好，非常荣幸跟大家分享关于人工智能，我是来自于清华大学人工智能计算研究院的邓志东，我想主要是跟大家分享三个观点，第一个观点就是新一代人工智能怎么理解它？还有它目前的主要进展是什么？第二个新一代人工智能它能够为产业的发展，尤其是为佛山市的制造业发展带来哪些价值。第三个人工智能怎么落地利用，为佛山市的制造业，从制造大市迈向制造强市作出贡献，我主要是分享三个观点。
第一个怎么去理解新一代人工智能，我觉得这很关键，因为现在我看大家都说人工智能，我们知道人工智能其实是有定义的，我们实际上是模拟、衍生和扩展人类智能行为的一种理论、方法、技术、系统这么一个综合性的学科，人工智能主要包括感知智能还有认知智能，感知智能简单说就是不需要思考的，一秒钟能够做出反应，对人类的直觉行为，模拟直觉的，比如视觉、听觉、嗅觉、味觉不需要思考，一秒钟就能够作出反应，这叫感知智能。另外一个叫认知智能，现在我们的记忆、推理、决策、思维、意识等等，这个叫认知智能。新一代人工智能的进展主要包括三句话，大数据驱动的感知智能取得了突破性进展，从2012年以来，短短的六年时间掀起了新一轮的产业高潮，因为人工智能前面也有高潮，但是前面高潮都没有产业链进入，它能力是非常有限的，其次是真正有能力，但是这个能是有限的，它是有很多缺点的，跟人类比较起来。第二句话就是以阿尔法狗为代表性的，我们叫深度强化学习，在动态博弈类的决策问题上取得了超过人类水平的进展，但是这是在决策上面，这属于认知智能的范畴，这在工业化的应酬上其实很少，不要指望他在工业上马上能够应用。第三个就是我们叫深层次对抗神经网络，能够通过对抗的方式生成超逼真度、超真是感的数据上面，最近这两年也是取得了非常重要的进展，我们主要是为新一代人工智能，这三个其实概括起来对工业、产业、产品开发和产业发展，其实最重要的，或者我们说真正产业感兴趣的就是大数据的人工智能，能够带来感知能力的提升。人工智能真正有产业价值，实际上是大数据驱动的，大数据或者大计算能力的支撑下面深度学习方法，取得了很大的突破，在感知智能上取得了很大突破，所以它的供应链价值或者产业链价值主要是在这个方面体现。
第二个我们说它能够做什么？尤其是能够给产业带来什么东西？其实前面这个定义也看得出来，它主要是能够给我们带来这种直觉能力，或者通过学习的方法能够处理，能力自动从大数据里面提取出它这种特征，它真正的价值在这块，多重特征，底层特征、中层特征、高层特征、局部特征、全局特征，其实它真正的产业价值或者它真正的知识价值主要在这方面。我们主要也是运用这方面的价值，所以它的产业价值就是能够带来感知能力，视觉、听觉还有直觉能力，包括我们的文本分类能力，简单说就是计算机视觉、语音识别、文本分类，包括机器翻译这样的东西，端到端的，通过学习的，不是以前通过人为设计特征的这种方式的一个变化或者一种能力，它的能够带来这样的方式，这是它最大的能力。但是它需要大数据，需要大计算能力，不能有小样本的举一反三的能力，识别结果是不可检视的，不能从认知理解上去对识别理解给予它可解释性，也没有鲁班性，也没有记忆能力，甚至连常识处理不了，没有记忆能力，什么能力都没有，所以不要对人工智能寄予很大的期望，现在人工智能是一个弱人工智能，是整个人工智能发展过程中一个非常初步的，但是确实是能够带来产业价值的东西，相对于人类智能来说是非常初步的。大家可能对它寄予很大的期望。
第三个问题就是怎么落地，可能很多人认为，大家都在喊人工智能，真正具体做起来都知道，人工智能落地是如此地困难，就是因为我们现在对人工智能没有深刻或者本质的理解，所以现在人工智能能够做的事情是非常有限的。现在人工智能主要包括四个维度，第一个维度我们叫大数据，第二个叫计算能力，第三个叫算法，第四个应用场景，其实最关键现在主要是应用场景，要选择一个特别细分的垂直应用领域，这个领域就是要特别具体的问题，我们不去谈人工智能做应用的时候，做产业化开发的时候，不要谈那些高大上的东西，不要对它赋予很大的期望，认为它是一个灵丹妙药，找一个高人来，马上就可以把这个人工智能遍地开花，这是不可能的，人工智能要做的事情就做很细微的事情，做一个点点滴滴的事情，非常小的，因为人工智能可以有两句话，现在所谓人工智能就是人工+智能，有多少人工就有多少智能，实际上它是把人工通过以标签的形式转移给机器，然后赋予它智能的，所以有多少人工就有多少智能。有多高水平的人工就有多高水平的智能，比如你要做标签，做医疗，比如说你做CT，甚至看早期肺癌，这种标签不是给普通人做，需要国际顶尖医生来做标签，这样他得到的水平就是国际顶级医生的水平，否则就是一个普通医生的水平。怎么在制造业里面落地呢？其实就是要选定一个特定的问题，非常具体的问题，这个问题有什么条件呢？就是它信息化技术比较好，它做数字化、网络化，能够源源不断产生大数据，然后对数据进行采集、积累，做清洗、标签，控制它的标签，对标签进行审核，要做数据，基本上是80%以上，人力或精力要投入到特定问题、细分问题上做标签。举个例子，刚刚沈总说的，零部件的外观质量的检查，以前都是靠人，比如说看陶瓷产品是成品还是废品，看外观能看出来它的瑕疵是什么，现在人工智能这上面，这就是一个视觉，以前靠高技能的工人看，现在人工智能就在这上面有能力，因为它就是能够做计算机视觉的，如果我们建立起大数据，建立一支团队就做这么一个细分的问题，然后我们建一支团队大量投入进去，做数据积累、数据标签，建立高质量的数据，这是很笨的方法，就是靠这种笨方法，深根场景和数据，打磨人工智能产品，实际上是这么做的事情，不是一个高大上，一个万能的方法，一来了之后，一撒到下面，所有都成功了，这个根本没有，这是在认知水平的智能才可能成功，现在这上面没有什么突破了，主要是在感知智能上面才有这样的突破，所以这个时候只能用笨的方法，选中一个笨的问题，建立一个团队，很多钱投进去，而且这里面还有一个问题，越做到后面的时候，越做越难，因为它的数据到后面，比如说正确率是99.99%，我们有5个9，增加到7个9，这么一点点的提高需要的数据是指数增长的，我们把它叫做长尾效应，其实做到后面是特别难的，即使这么难，投入这么大的精力做数据，结果最后你发现有什么问题呢？还是做不到人的水平，我们是跟人比，比如说我们现在做人工智能，不管是产品也好，还是流程也好，还是他的服务体验也好，就是要做人类水平，我们现在看到很多新闻报道，里面都说超过人很多，比如人脸识别超过人很多，这是一个完备数据节，这是作为学术研究的，真正到人工智能落地的时候，是一个开放环境，是没有完备大数据的，这个数据是永远没有镜头，而且数据越做到后面越困难，因为它有长尾效应。在这种情况下还不一定能做到人的水平，这是现在算法的缺陷。在这种前提条件下，我们做数据工程，做大数据，包括尤其做大数据的标签，做高质量的大数据，去赋予它人的智能，把它转移过去，让它具有人的水平，在视听觉这种感知能力上接近人的水平，它就有产业价值。在感知层次上，其实有些方面它是不可替代的，你看到视觉能力、听觉能力、语音识别、计算机视觉、外观检查，很多数据进去以后，它确实能够达到熟练师傅的水平，师傅看到这个是成品还是废品，他也能够看到是废品还是成品，就是到机器换人，他可以做到自动化的处理，不需要人去做这个事情，可以把人替换下去。还有一部分是大数据洪流，不断涌现大数据，特别大的数据，这个数据人是处理不了的，必须要用实现用机器来做自动化，必须要用人工智能赋能，用这种方法做数据的自动化或者是知识的数据化，必须要这么干才行。这是数据流，比如说大数据、数据洪流的自动化的处理。
从数据流怎么去提取信息流，现在提取它的语义流，它有语义信息来提取出来，这都需要人工来做。另外从产线的角度，比如说我们单批生产设备，要机器人化，这样可以做成自动化，可以代替人，提高效率或质量，还有整个产线，整个车间的生产设备本身的自动化，也靠人工智能来实现，所以人工智能不管是从信息空间还是从物理空间，我们把它叫做信息物理空间（CTS），实际上我们做的智能制造，包括做新零售、新制造都是在CTS，一部分是虚拟的信息空间，一部分是实体空间或者物理空间，这两个空间里面进行，一部分是网络的，比如说互联网，一部分是实体的，比如说生产设备或者是实体店或者实体的分销商，一部分是虚的，一部分是实的，这两部分都需要人工智能的赋能，就可以实现智能化，提高生产的效率，同时带来生产产品品质的提升。谢谢！
