年終盤點：這一年，人工智慧在爭議中前行
本報記者 崔 爽
2018年，人工智慧告別喧鬧，投融資市場漸趨冷靜，底層技術研發持續推進，從衣食住行到教育醫療，人工智慧全方位改變著生活的樣貌。
近日，由斯坦福大學主導、來自MIT、OpenAI、哈佛、麥肯錫等機構的多位專家教授聯合發佈的人工智慧指數年度報告出爐，報告顯示，在人工智慧這一領域，美國依然是當仁不讓的王者，但中國的AI技術，無論在學術界還是産業界，都正以極快的速度向前追趕。報告中有幾個驚人的數字：與2000年相比，2016年中國人工智慧學者發表的論文被引用的次數提高了44%。清華大學去年學習人工智慧和機器學習方向的學生數量是2010年的16倍。
更前沿的技術突破、更廣泛的應用場景、更充足的人才準備，當熱潮漸漸褪去，這個被押注了未來的行業，依然承載著人們對明日世界最廣闊的想像。
發力底層技術 讓機器更聰明
讓機器能夠像人一樣思考、感受和認識世界，是人工智慧科學家們孜孜以求的終極目標。為了實現這個目標，他們提出各種技術方案對機器進行訓練，這種底層技術的進步也是人工智慧技術進步的基礎。
今年4月，阿里巴巴人機自然交互實驗室聯合達摩院機器智慧技術實驗室和浙江大學推出的人工智慧Aliwood，在研發過程中引入了“情感計算”能力，給視頻所配的音樂建立起了情感模型。
情感計算是為了讓機器“具備人的感情”，它指的是關於情感、情感産生以及影響情感方面的計算。MIT媒體實驗室數據顯示，在識別表情方面，電腦已經可以超越人類，對於真笑和苦笑的實驗中，機器學習的成功率是92%，大幅優於人類。不過雖然情感計算已經深入生活，而要讓機器人更加懂你卻並非易事，還需要人機交互、心理學、認知學等多學科領域共同努力。
類腦智慧以計算建模為手段，受腦結構與機制、認知行為機制啟發，企圖通過軟硬體協同實現機器智慧。簡單説，科學家希望機器能像人類感知和探索世界。類腦智慧系統在資訊處理機制上“類腦”，認知行為和智慧水準上“類人”，目標是使機器實現人類具有的多種認知能力及其協同機制，最終達到或超越人類智慧水準。目前，類腦計算研究還處在前期探索階段，清華大學類腦計算研究中心已研發出具有自主智慧財産權的類腦計算晶片、軟體工具鏈；中科院自動化研究所開發出了類腦認知引擎平臺，具備哺乳動物腦模擬的能力，並在智慧機器人上取得了多感覺融合、類腦學習與決策等多種應用，以及全球首個以類腦方式通過鏡像測試的機器人等。 大家都在期待，未來的類腦智慧研究會在哪個領域産生突破。
繼續完善標準 掌舵産業發展
隨著商湯科技正式被依託建設智慧視覺國家新一代人工智慧開放創新平臺，這一人工智慧國家隊正式集合五名成員：依託百度公司建設自動駕駛國家人工智慧開放創新平臺，依託阿裏雲公司建設城市大腦國家人工智慧開放創新平臺，依託騰訊公司建設醫療影像國家人工智慧開放創新平臺，依託科大訊飛公司建設智慧語音國家人工智慧開放創新平臺，以及最新加入的商湯科技。這一系列人工智慧開放平臺可以降低相關小企業入局的技術門檻、集結優秀的技術力量共同開發、優化人工智慧行業生態。
標準化工作是人工智慧發展的基礎和前提。一旦缺失標準，人工智慧的研發和應用將變得混亂。我國雖然在某些領域已具備一定的標準化基礎，但標準化程度不足，分散的標準化工作不足以支撐起整個人工智慧領域的發展。
今年初，在國家人工智慧標準化總體組、專家諮詢組成立大會上，《人工智慧標準化白皮書(2018版)》(以下簡稱《白皮書》)出爐。在中粵金橋投資合作人、品優網創始人羅浩元看來，包括基礎標準、平臺/支撐標準、關鍵技術標準、産品及服務標準、應用標準、安全/倫理標準六個部分是《白皮書》的關鍵內容，基本串起了人工智慧産業的整個鏈條。
隨著人工智慧的深入發展，標準化工作將越發龐雜，不僅標準化的對象將越來越複雜，而且以往標準化工作從未出現過的交叉、融合等也給人工智慧標準化帶來巨大挑戰。目前，人工智慧標準化體系建設相對滯後的影響已經顯現。比如目前最熱的智慧家電産品，每個産品都有自己的APP，協議不相容，跨品牌間互聯互通困難。明確規範、可執行的國家標準、行業標準，可以為我國人工智慧的持續健康發展掌舵。
深入普通生活 解決廣泛需求
“母豬杜洛克C7259號，沒有懷孕，請在12小時內再次安排配種！”很快，這樣的提醒就會出現在國內一些豬場的工作人員電腦上。最近，阿裏雲披露的一份資料顯示，其工程師正在同養豬科學家合作研發能判斷母豬是否懷孕的演算法，以提升豬場産仔量。除了監測母豬是否懷孕，AI還可以服務於農業智慧生産系統、檢測農作物病蟲害、作用於農産品無損檢測等，在農業領域大展拳腳。
聽來有些不可思議，但人工智慧技術帶來的改變，確實發生在各個意想不到的領域。比如英國拉伕堡大學的研究人員和切爾西足球俱樂部聯合開發了一套AI教練和球探系統，系統可以通過收集、分析球員近幾個賽季的數據建模並科學訓練球員，比如根據球員的特點制定賽前戰術、賽後對技戰術進行復盤等。人工智慧HR也已經出現，並在求職中發揮作用。
AI已經讓一些技術邊緣人群享受到技術進步帶來的福利，這種福利“看得見、摸得著”。比如專為盲人研發的人工智慧輔助視覺系統Seeing AI，這套由可穿戴眼鏡和智慧APP組成的系統，能基於微軟智慧雲上的視覺識別和自然語言處理技術，識別出攝像頭拍攝到的場景，如“一個穿紅衣服的女孩正在踢球”“一個男孩正在練習滑板”。Seeing AI的目標是幫助全球2.85億視力受損人群實現無障礙的生活。
技術必須考慮並解決廣泛的需求，包括老年人、殘疾人、機會匱乏的人等。人工智慧和公益的“跨界合作”正在激發更多有益於社會的創新，讓更廣泛的人群因技術的進步而受益。
人工智慧+醫療 或成最佳落地領域
今年，騰訊推出了將人工智慧技術運用到醫學領域的産品“騰訊覓影”，據介紹，截至7月，“騰訊覓影”已累計輔助醫生閱讀醫學影像超1億張，服務90余萬患者，提示風險病變13萬例。
投資熱度高漲、新産品層出不窮，AI在醫療領域的應用已經成為其最亮眼的應用之一。普華永道去年10月發佈的全球AI報告分析了各個主要行業受人工智慧技術發展的影響，認為影響最大的是醫療健康和生物制藥産業。從最開始為患者回答問題、初步分診、提供就診流程等資訊的“曉醫”，到以456分的成績通過了臨床執業醫師考試的科大訊飛“智醫助理”機器人，再到“火眼金睛”的肺部結節等圖像識別系統的應用，AI為傳統醫療帶來巨大的想像空間。
特別是AI在新藥研發中發揮的價值，讓這個耗資巨大又常常收效甚微的行業看到了希望。目前，全球有近100家初創企業已在探索用於研發新藥的人工智慧方法。可以預見，人工智慧技術對傳統技術的改進以及由其引發産生的新型藥物研發技術，將極大縮短新藥研發週期、降低研發成本，顯著提高藥物研發的成功率。
不過業內專家也紛紛表示，我們距離真正的“人工智慧+醫療”距離顯然還很遠，甚至AI診療究竟會不會成真，都需要打一個問號。要跨越的障礙很多，如醫療資訊提取，醫療數據等。
不過能為患者提供初步的診療意見、為醫生提供科學的決策建議、站上手術臺實施複雜的外科手術……人工智慧在醫療領域的紮實推進，已經開啟重構醫療體系的嘗試。
論文數量大漲 研發能力攀升
在論文方面，中國人工智慧科學家已經成為這項智力産出的主力。根據人工智慧指數年度報告，從2007年到2017年，中國的年發表AI論文數增長了150%。基於經同行評議論文數據庫Scopus的數據，2018年發佈AI論文最多的地區是歐洲(28%)、中國(25%)和美國(17%)。從市場表現看，以BAT為代表的中國公司的研發能力上升得非常快。
從智慧財産權角度來看，國內人工智慧專利的申請數量也令人欣喜。據《2018人工智慧行業創新情報白皮書》統計，目前全球人工智慧專利申請集中在中國、美國、日本三國，其專利申請量分別為：99264件、48870件、31158件。中國申請的人工智慧專利數量穩居第一。
YC中國CEO陸奇曾表示，中國AI所具有的優勢是人才眾多、市場發展快、友好和有利的政策環境，結構性優勢尤其突出。13.8億總人口、11億部智慧手機、2億輛汽車、200多家汽車整車廠商所帶來的海量數據為AI創新發展提供了決定性支撐，“儘管從高端技術和人才角度來看，美國仍然領先，但是中美的距離越來越短。”
過去十幾年，中國網際網路的創新集中于模式創新，但在這一輪人工智慧的競賽中，底層技術的創新越來越引人矚目，也誕生了一批前景無限的技術型創業公司，如地平線、商湯、曠視等，成為行業領頭羊。
但在繁榮背後，我國人工智慧産業還存在重應用技術、輕基礎理論，底層技術積累薄弱；商業化應用路徑尚不明確，商業落地痛點突出，近期實際商業價值變現難度較大；從基礎層、技術層到應用層人才嚴重不足等問題，要想行穩步遠，還需迎頭追趕。
PK內容升級 人機大戰不斷上演
AI的橫空出世離不開圍棋大戰，這種人與機器的鏖戰既吸引眼球，讓AI熱度高漲，又以最通俗的方式科普了人工智慧技術的現狀和應用。今年，人機大戰依然令人樂此不疲，人與機器孰強孰弱的問題總能瞬間點燃輿論，似乎誓要在每個領域分出高下。
寫作大概是人類最自負的“山頭”，不過AI也沒打算放過，寫詩有微軟“小冰”，寫文案也有了“莎士比亞”。這個專為寫商品文案而生的AI一秒鐘可以作出千條文案，號稱讓編輯下崗。這套系統基於平臺自身在商品標簽和搜索數據庫層面積累的大數據，從句子層面做結構解析、訓練模型和語言生成，從而能夠一秒鐘生成千條文案，系統還能根據用戶對文本的選擇實現機器演算法的優化。但網站編輯別慌，目前的人工智慧協作還非常初級，既需要人工干預，也受到特定場景的局限。
另一場引發討論的人機大戰來自遊戲領域，馬斯克創立的人工智慧非營利組織OpenAI宣佈，由5個神經網路組成的OpenAI Five，已經能夠組成5v5團隊在經典戰鬥競技類遊戲《刀塔2》中擊敗人類業餘玩家隊伍。這次事件更是被比爾·蓋茨稱為“里程碑”，因為OpenAI Five展現出了類似於人的長期規劃和團隊協作能力，也展現了極高的智慧決策能力。
遊戲AI涉及推理和決策等認知智慧，這也是研究者熱衷於這項研究的原因。不過相關研究者也表示，真正的認知智慧還有很多問題沒有解決，比如推理過程的表示、決策優化演算法，以及如何讓AI使用更少的計算量做到更好的推理、讓AI消化吸收學習的速度更快等。因此，這階段人類著實無需擔心機器的威脅。在認知智慧上，AI還有相當長的路要走。
重視倫理爭議 行業規範待定
伴隨人工智慧的高歌猛進，相關的“噪音”也越來越多，比如數據隱私、AI偏見、AI造反……相關話題引發了數次討論甚至恐慌，人們開始疑問：AI是不是太強了？它會失控嗎？
麻省理工學院媒體實驗室曾出品一個名叫諾曼的“暗黑版AI”，它會以負面想法來理解它看到的圖片。團隊希望通過諾曼的表現提醒世人：用來教導或訓練機器學習演算法的數據，會對AI的行為造成顯著影響。
但其實，當人們談論人工智慧演算法存在偏差和不公平時，罪魁禍首往往不是演算法本身，而是帶有偏差、偏見的數據。
偏見、刻板印象、歧視這些人類社會的痼疾，已經深入社會肌理。在這樣的語境中産生的數據，攜帶著大量複雜、難以界定、泥沙俱下的觀點。如果研究者沒有意識到或著手處理這一問題，機器學習的偏見幾乎無解。真正的“公正演算法”或許是不存在的。但通過正確地校準標簽、數據的均衡和可靠等，機器出現偏見、謬誤甚至失控的可能會相應減少。此外，研究者也應該著手建立一種預防的機制，從道德的約束、技術標準的角度對人工智慧進行價值觀的干預。
還有一個重要的憂慮來自隱私，相對於AI的偏見或失控，人類對隱私的擔憂要真實可感地多，畢竟，我們每天的吃住行都已經充分數字化，與之相伴的隱私暴露風險也指數級上升。
目前，國內從消費電子領域到安保、數字金融等領域都在逐步引入人臉識別， 特別是隨著“刷臉支付”的普及，用戶的姓名、性別、年齡、職業等身份資訊，甚至用戶在不同情境狀態下的情緒等資訊都被機器收集。這些資訊如果得不到妥善保管而被洩露，用戶個人資訊就處在“裸奔”狀態。保護公民個人資訊的安全，需要管理者、相關行業企業、公民個人的協同努力。目前在人臉識別技術領域，我國尚無相應的安全監管機制，應及早籌謀，完善法律法規、提升應用程度及存儲設備的安全程度、強化網路安全和資訊保護意識、規範行業資訊收集標準等。
