美國當地時間 4 月 3 日，聯合國人居署與騰訊在紐約聯合國總部共同舉辦主題研討會，探討地球所面臨的最基礎的挑戰，以及如何利用人工智慧（AI）等新興技術提供解決方案，創新高效地實現可持續發展目標。聯合國人居署執行主任、聯合國副秘書長 Maimunah Mohd Sharif 、聯合國人居署助理秘書長 Victor Kisob ，以及多位國家大使、新興科技企業代表、可持續發展研究專家參加研討。
聯合國人居署執行主任 Maimunah Mohd Sharif 表示：“世界五分之一的人口正居住在嚴重缺水地區，而未來城市對於食物 、能源、水這些基礎資源的需求更是前所未有的，我們需要鼓勵科技創新來解決未來城市所面臨的挑戰。聯合國人居署希望把國家和城市的管理者、國際組織、科技企業等不同領域的夥伴聯合起來，讓創新的想法成為現實，共同為城市的可持續發展提供可行的解決方案，實現真正的城市變革。”
騰訊首席探索官網大為先生在活動現場發表演講
作為研討會聯合發起人，騰訊首席探索官 David Wallerstein （網大為）在2018年騰訊WE大會上就曾率先提出，騰訊將打造“會救命的AI”並利用AI技術解決地球級挑戰。“科技的發展必須用於解決地球所面臨的最大挑戰。我把它稱之為 FEW（Food, Energy, Water），也就是食物、能源和水資源。這些問題是人類未來需要面對的最重要、最基礎的問題。”
在研討會上，來自亞洲、北美、歐洲的科技初創企業代表介紹瞭如何利用新技術，為地球級挑戰提供分析和決策支援。其中騰訊領投的以色列科技公司 Phytech ，開發出一種針對農作物的物聯網技術，透過在農作物周邊安裝感測器，記錄農作物生長資料和氣候、土壤等環境資料，並在雲端進行彙總分析，從而為種植戶提供可操作建議。資料顯示，該系統平均節約 20% 的水資源，提高 20% 的生產率。目前，以色列已有約60%的番茄種植戶和 40% 的玉米種植戶開始使用這一系統。
在此次研討會聚焦的 FEW 領域，騰訊 AI 已經展開在農業方面的探索。2018年，騰訊 AI Lab 參加由荷蘭瓦赫寧根大學（WUR）主辦的國際人工智慧溫室種植大賽，獲 “AI策略” 單項第一、總分第二的成績。比賽中騰訊 AI 專家建立了一套模擬氣候環境和作物生長的模擬器，開創性搭建出農業人工智慧系統，將農業專家的知識和經驗自然地嵌入模擬器中。這個首創性的農業AI系統提高了農產品的產量和自然資源利用率，同時大幅降低了感測器成本，展現出“AI+農業”的應用潛力。未來騰訊還將在農業、能源等領域持續進行技術探索。
聯合國活動期間，騰訊研究院組織了全球首屆「AI for FEW」國際研討會。騰訊公司副總裁姚星、中國人民大學國家發展與戰略研究院副院長許勤華、北京師範大學環境學院副院長張力小、亞洲開發銀行高階能源政策諮詢專家楊玉峰、密歇根大學自然資源與環境學院副教授徐明、大自然保護協會亞太區首席代表張醒生、等多位學術界和產業界的代表齊聚一堂，共同深入探討人工智慧時代，應該如何應對以FEW為代表的地球級挑戰。
負責管理騰訊的AI Lab、優圖、Roboitics X 等多個前沿實驗室的姚星先生做了主題為“How AI Thinks for Our Planet（人工智慧為地球思考）”的演講，對 AI for FEW（用於食物、能源和水系統的人工智慧）的思考，解釋了目前 FEW 領域的 AI 探索及技術所面臨的挑戰，及如何利用人工智慧為地球謀福利的構想和呼籲。
騰訊公司副總裁姚星在「AI for FEW」國際研討會發言
讓人工智慧為地球思考
How AI Thinks for Our Planet
以下內容整理自姚星先生現場演講，有刪節。
45 億年前，地球在原始太陽系中凝聚成形，之後還可能經歷過一次行星“大碰撞”並由此形成了月球。生命很幸運，因為地球的尺寸和位置，及富含的各種自然資源讓其成為了生命的搖籃，並最終演化出了能夠感知、理解、歸納和推斷這個世界的我們——人類。
相比於 45 億年的漫長地球歷史，現代人類所存在的數十萬年時間不過須臾之間。在這麼短的時間裡，人類卻創造了許多這個星球上前所未有的事物——文字、複雜工具以及抽象概念。它們幫助我們發明了一項又一項技術，也同時在這過程中改變了我們的生活方式。比如生火技術讓人類吃上了熟食並能幫助人類度過寒冷的冬天，讓人類開始真正有別於野獸；蒸汽機讓人類第一次獲得了穩定可靠的能量供應，並由此引爆了至今仍在持續的技術大爆炸；計算機則將人類從繁雜瑣碎的計算和資訊處理任務中解放了出來，讓人類開始有能力規劃、組織和完成更加複雜的任務，比如登上月球。現在，我們希望能夠藉助人工智慧技術讓我們的工具具備認知能力，幫人類完成更加高階更人類專屬的任務，比如理解世界和制定決策。
我們為什麼需要機器具備理解和決策的能力？因為人腦雖然很強大，但卻並不是為處理大量複雜的資訊而設計的，同時我們又生活在一個極其複雜且越來越複雜的世界裡——網際網路上每天都會增加巨量資料、全球化將全人類的活動密切地關聯在了一起、國家競爭、人口增長、環境汙染、貧富差距加大……現今人類面臨的很多問題單純依靠人腦是不可能得到解決的。
地球資源分配就是這樣一個問題，不僅需要全人類共同努力，也必須藉助機器智慧的幫助。在各種型別的資源中，食物、能源和水問題是人類所面臨的最為迫切的問題，因為這些資源是人類健康存活下去的基礎。遺憾的是，也許是因為人類文明發展對資源的需求超過了人類有效利用地球資源的能力，現在還有很多人在食物、能源和水這些基本生活需求上無法得到保障。
聯合國預計 2050 年地球人口總數將達到 98 億，如何有效地利用地球有限的資源將會成為一個越來越重要和迫切的問題，甚至事關人類文明的未來命運。遺憾的是，未來並非一片光明。據聯合國糧食及農業組織統計，自 2014 年以來，全球營養不良的人數每年都在增長，2017 年已達到 8.2 億；世界上有近半數人生活在可用水短缺的地區；而現今的主要能源也可能無法平穩維持到下個世紀。
可以說，日益嚴重的食物、能源和水問題是當前人類整體所面臨的最重要的全球性難題。這個難題非常複雜，涉及到各個地區的自然資源、經濟狀況、社會結構以及地緣政治和全球產業鏈分佈等方方面面的問題。共同努力，藉助新技術來解決這些問題是我們的必由選擇。
我們相信人工智慧能夠幫助我們找到合適的解決方案，我們也已經開始讓人工智慧為地球思考。這正是「AI for FEW」（用於食物、能源和水的人工智慧）想要實現的目標。在食物方面，人工智慧可以分析與環境溫度、降雨量、土壤鹽分、營養、病蟲害、商品價格等相關的資料，從而幫助提升農作物的產量以及幫助農業從業者合理規劃農作物生產種植。在能源方面，人工智慧可以用於預測能源需求、幫助排程能源供應、協調清潔能源生產等。在水資源方面，人工智慧可以幫助最佳化生產和家庭用水、預測水資源供應以及監控水質等。
人工智慧在FEW領域頗具潛力
我們為何對人工智慧寄予厚望？因為人工智慧已經取得的成績讓我們看到了其在解決食物、能源和水問題上的潛力。
比如近些年突破不斷的在模擬環境中進行強化學習的方法。這種方法是透過建立一個虛擬環境來模仿我們想要解決的問題。在這個環境中，智慧體可以根據設定的獎勵不斷自我提升，最後找到可能人類專家也無法想到的解決方案。之前被認為人工智慧難以應對的圍棋問題就依靠這種方式得到了解決。圍棋具有非常高的數學複雜度，其有 10^170 種可能性，甚至遠遠超過可觀察宇宙的原子總數（10^80）。所以這個問題無法透過人工編寫規則的系統進行解決，也難以使用大資料監督式學習模型來處理。而強化學習方法則讓模型透過大規模自我對弈實現了超越頂級職業棋手的表現。
據瞭解，使用強化學習方法的 AlphaGo Zero 可以完全透過自我模擬進行訓練——在 9 個小時內可以模擬 4400 萬場對局，這一數量甚至遠遠超過人類歷史上圍棋對局的累積總數。
不僅如此，這樣的人工智慧模型還能發現新的策略。實際上，包括世界冠軍柯潔在內的頂級棋手也開始研究和採納 AlphaGo 所展現出的策略。這表明我們可以藉助人工智慧找到我們自己並不知道的解決方案。
這樣的成果讓我們看到了希望，即藉助這樣的技術來尋找幫助我們解決食物、能源和水等各種現實問題的方法。比如開發了圍棋人工智慧 AlphaGo 的 DeepMind 就成功應用了機器學習演算法來最佳化能源供給，將谷歌資料中心的冷卻耗電量降低了 40%。
騰訊 AI Lab 也在探索這樣的可能性，即透過建立虛擬環境讓智慧體自己發現最好的解決方案。遊戲是我們現階段重要的技術探索平臺。我們分別針對圍棋和《王者榮耀》遊戲開發了“絕藝”和“絕悟”兩套智慧策略系統。王者榮耀是一款 5V5 多人線上戰鬥競技場遊戲，複雜度能達到10^20000種可能性，且還具備不完整資訊以及多玩家合作等複雜性（更接近現實問題）。去年，“絕悟”擊敗包括前職業玩家的遊戲戰隊。
我們為什麼要研究讓人工智慧玩遊戲？因為遊戲能夠幫助我們驗證技術的有效性，我們再將這樣的技術“遷移”到現實問題中。實際上，我們已經在探索這樣的可能性了。
我們研究了使用模擬環境以及強化學習方法訓練模型控制機器臂操作物體的問題。這個問題目前而言仍具有很高的挑戰性，但我們已經能夠在我們的模擬環境中訓練抓取等能力，並將這些能力複製到現實世界中。
人工智慧從虛擬到現實的三大挑戰
真正的現實問題總是複雜得多。
首先，在現實環境中，目標或獎勵往往是不確定的或不是單一的。比如，對於無人駕駛汽車而言，目標至少包括將乘客送抵目的地、保證乘客安全舒適、遵守交通規則等等。
其次，我們還面臨著獎勵延遲的問題，也就是說我們的行動所帶來的影響可能需要很長時間才會顯現，這會使得我們難以找到最佳策略。比如，改變作物的生長環境對產量會有什麼影響？
另外，我們構建的模擬環境往往並不準確，而是對現實環境的抽象和簡化；而且現實世界中可能還存在某些影響我們行為後果的外部或未知因素，但模擬環境卻可能無法體現這些因素。這個時候，我們就需要人工智慧具備歸納總結其所遇到的新情況的能力。例如，如何讓在 19×19 棋盤上訓練的人工智慧也有能力在 21×21 的棋盤上下圍棋？目前而言，這種看似微小的變化需要模型透過新的模擬才能找到適應這種新環境的策略，將人工智慧功能從一種情境轉移到另一種情境仍然有如跨越天淵。
儘管存在這些難題，我們依然在將人工智慧應用於食物、能源和水問題方面取得了一些可喜成績。
騰訊初步試水「AI+農業」
騰訊 AI Lab 與荷蘭瓦赫寧恩大學合作探索了基於人工智慧決策在真實世界的溫室中種植黃瓜的任務。選擇溫室作為研究環境的原因是溫室相對而言是能得到良好控制的環境，不會有室外農業環境中風、雨、溫度、溼度和陽光等高度可變的因素，獎勵的設計也較為簡單。使用更簡單的真實環境進行研究能夠幫助我們今後研究更加複雜的真實環境問題。
在這個種植黃瓜的實驗中，我們構建了一個農業人工智慧系統，讓其根據熱量、通風和二氧化碳水平等因素來最佳化種植策略，比如溫室溫度、種植密度、灌溉施肥。我們首先在模擬環境中進行了數百萬次模擬來探索不同的策略，就像我們的遊戲和機器人模擬一樣。最後的實際種植結果表明，我們的人工智慧所達到的種植水平相當於具有十年種植經驗的人類種植者。
值得一提的是，經過一定調整，這樣的系統也能自動適應新的溫室種植環境，能夠很方便地實現大規模標準化生產，從而極大地降低相關農業生產的成本和人力需求。未來我們將繼續與瓦赫寧恩大學合作探索“AI for Food”的應用，希望將越來越強大的人工智慧應用於更多食物生產種植場景，實現用更少資源生產更多優質食物的目標。
實際上，人工智慧在食物或農業方面的應用不僅限於最佳化種植和生產，進而提升作物產量；人工智慧還可以在作物種植和收穫前後的流程中發揮重要作用。在種植之前，人工智慧模型可以透過大資料分析和預測市場需求，從而指導作物種植品種選擇，避免產銷脫節，造成經濟損失和農產品浪費。另外，雲端計算、大資料分析和機器學習等技術，還可以幫助篩選和改良農作物基因，達到提升口味、增強抗蟲性、增加產量的目的。
在農作物收穫階段，計算機視覺技術可以高效地進行農產品售前品質檢測和分類等工作。我們還可以用大資料分析市場行情，可幫助農產品電商運營，引導企業制定更靈活準確的銷售策略。另外，透過人工智慧遺傳演算法和多目標路徑最佳化數學模型，可對物流配送路徑進行智慧最佳化，完善生鮮農產品供應鏈。
AI+能源/水源的多樣化應用
能源問題同樣也是一個非常複雜的問題。以電網供能問題為例，由於現今非常常見的供需失衡問題，大量電能都被白白浪費了。比如每年夏季的豐水期，四川生產的水電會有大量富餘，這些電力中很大一部分都被白白浪費掉了。能源企業和公共事業單位多年來已經設計出了很多不同的方案，力圖實現供需平衡，避免無價值的生產，但效果並不非常顯著。
人工智慧強大的模式分析和預測能力有望幫助解決這一問題。人工智慧可以分析往年同期的用電情況以及用電量隨氣溫、溼度、節假日等因素的變化，進而幫助調整電力生產策略，實現生產資源的最佳化配置。對於使用煤炭、生物質或其它消耗型燃料的電力生產單位而言，這樣的技術尤其具有價值——不僅能幫助節省成本，還能有效地降低環境汙染。
另外，隨著清潔能源的發展，基於需求資料規劃電力生產甚至將變得更加重要。比如在風電資源豐富的地區可能並不存在足夠的電力需求，而建設長距離供電基礎設施可能又並不划算——成本高且長距離輸電會存在大量電力損耗，而且電力基礎設施建設還可能破壞環境，從而與清潔能源的目標背道而馳。
人工智慧除了在電力生產端極具價值，對使用電力的“耗電大戶”也極具經濟效益。前面提到的 DeepMind 的資料中心電能最佳化方案就是這方面的一個重要探索。對於谷歌和騰訊這樣的擁有大量資料中心的企業而言，節能不僅是為了改善成本效益，也是大型企業所應該自覺承擔的社會責任。比如 DeepMind 在藉助人工智慧幫助谷歌節省了大量電費之後，也已經開始計劃將人工智慧用於平衡英國電力供應。
我們騰訊在“AI+能源”方面也有一些探索，比如我們曾研究計算機視覺與無人機相結合的電網智慧巡檢方案，即使用無人機透過影像識別技術自動定位關鍵元件，對裝置缺陷進行識別標註，從而能在電網故障出現之前就解決它們。該方法比傳統人工排查效率高三倍。
人工智慧在水資源最佳化方面也有重要的應用潛力。據美國水工程協會（AWWA）統計，2011 年到 2015 之間，美國投入了 1.7 萬億美元來修理和擴建飲用水基礎設施，其中超過一半都用在了替換到達了使用時限的給水管道上。藉助人工智慧技術以及監控水質和水壓資料的感測器，我們可以分析預測最佳的管道替換時機——如果替換太早，會浪費很多材料；如果替換太晚，管道可能就損壞了，從而浪費大量水資源。
此外，隨著氣候變化加劇，科學家預期乾旱等極端天氣事件會更加頻繁，透過氣象資料分析提前預測乾旱事件並做好水資源儲備等應對措施有助於將災害損失控制在合理範圍內。
整體而言，目前的人工智慧技術還不能真正徹底地解決食物、能源和水等現實世界問題，但我們將繼續前行，不懈追求。我們相信人工智慧會在這些地球級的挑戰上發揮作用，並最終將我們的世界變得更加美好，這也正是我們騰訊 AI Lab 所追求的目標——Make AI Everywhere。我們也呼籲社會與更多同行關注並行動起來，讓科技去解決真正的“大問題”。