AI究竟走到哪一步了?

lumin1020發表於2022-11-08

  過去幾十年,AI的發展經歷了數次起落,就像雲霄飛車。最近一次,AlphaGo將人們對AI的期望無限提高,但當時有限的應用場景又將AI的處境拉回現實。彼時,AI雖然很牛,但和每個人的生產生活似乎關係不大。現在,情況不同了。

  衡量一項新技術的發展階段,業內有不少著名的標尺,比如Gartner技術成熟度曲線。Gartner將每一項技術的生命週期分為5大階段:技術萌芽期、期望膨脹期、泡沫破裂低谷期、穩步爬升復甦期、生產成熟期。從曲線看,每一項新技術從實驗室走向商業成熟都要爬兩次坡。

  

  根據Gartner2022 年度人工智慧技術成熟度曲線,智慧應用(AI applications)已經翻過了第一座大山,進入到穩步爬升期,距離生產成熟期只有2-5年的時間視窗。

  這與不少行業人士的感受相符,AI應用的發展一日千里,不僅加速滲透進各行各業,還進入了很多傳統行業的核心生產系統。為什麼短短几年內,AI應用的發展就產生了這種質變?

  上天下井,飛越天塹

  實現AI的大規模商業落地一直是產業界的一大難題。那麼,AI為什麼很難應用到很多傳統行業當中?

  以一個非常傳統的行業——煤礦為例,其包括採、掘、機、運、通、洗選等8大場景,共1000多個細分場景。當前礦山行業的AI應用開發,普遍基於傳統“手工作坊式”的小模型,即針對不同場景開發不同的AI應用。場景變化後,模型不一定能夠很好地適配,甚至需要重新開發。而且,很多場景屬於長尾場景,異常樣本量小,傳統開發模式往往面臨“無米之炊”的窘境。

  這形成了AI深入各行各業的一道天塹:在需求側,真實世界中有海量的行業場景需要AI賦能、降本、增效;而在供給側, 傳統的AI模型開發方式,在成本和效率方面遭遇了雙重瓶頸。傳統的“一個場景一個模型”的小作坊模式,需要針對每個場景獨立地完成模型選擇、資料處理、模型最佳化、模型迭代等一系列開發環節,導致週期長、成本高、效率低。

  面對這道天塹,業內一些初步的探索已經在路上。比如,近兩三年來,透過預訓練大模型降低AI應用的門檻和邊際成本,實現模型的規模化複用,已經成為產業界的共識。大模型僅需要一次預訓練+下游任務微調,即可提高模型的行業適應性,同時縮短了模型開發週期,實現“以一敵萬”。

  

  比如,針對煤礦行業場景眾多又分散的痛點,華為雲人工智慧領域研發團隊開發了盤古礦山大模型,對海量無標註的礦山場景資料進行無監督自主學習,分析不同場景背後的規律與特徵。只需要一個AI模型,就可以覆蓋整個礦區的1000多個細分場景。

  在主運場景中,基於盤古礦山大模型的AI主運智慧監測系統能夠精準識別大塊煤、錨杆等異常情況,異物識別準確率達98%。過去,礦山主要採用人工巡檢,效率低且無法及時發現潛在事故風險。盤古礦山大模型實現了全時段巡檢,避免因漏檢造成的安全事故,縮短停機時間,同時提升井下巡檢人員的工作效率。

  在掘進場景中,基於盤古礦山大模型的掘進作業序列智慧監測,動作規範識別準確率超過95%,大幅降低作業流程中人為因素的不確定性,全流程保障井下作業安全規範。目前盤古礦山大模型已經在全國超過4000個井工礦中得到了規模化應用。

  除了深入礦井,大模型也能幫助人類進一步瞭解變幻莫測的天空。天氣預報本質是對於海量氣象資料的收集、分析與趨勢預判。更加精準的天氣預報,將減少極端天氣帶來巨大的生命和財產損失。華為雲推出的盤古氣象大模型,能夠秒級預測未來 7 天全球天氣情況,相比傳統方式速度提升 1000 倍、精度提升 20%。在臺風預測方面,今年 8 月盤古氣象大模型預測颱風“馬鞍”的軌跡和登陸時間,準確率達 90%,遠超行業以前的水平。

  基於盤古氣象大模型,華為云為印尼打造了“國家海洋人工智慧平臺”,預測海洋災害,保障航行安全。盤古氣象大模型還可以為農業、航空、航天等領域提供AI氣象分析能力。比如預測雨季的持續時間,為農業播種提供參考;幫助航空航天專案進行防災減災等。

  

  AI根技術的突破

  其實,預訓練大模型只是AI新技術的冰山一角。

  近幾年,很多人透過馬斯克瞭解到第一性原理的概念。第一性原理最早由古希臘哲學家亞里斯多德提出,它是指“每個系統中存在一個最基本的命題,它不能被違背或刪除。” 第一性原理可以理解為建築的地基或樹木的根系,是問題的核心本質。在AI產業界,第一性原理就是AI根技術。AI能夠加速進入千行百業,其中一個重要原因就是AI根技術的突破。

  在AI業內,一些領軍企業已經在向AI根技術發起衝鋒。比如,華為雲將大模型、知識計算、AI求解器作為AI的三大根技術,並大力投入研發,嘗試從本質問題出發,找到本質解。

  預訓練大模型,解決AI的規模化複製難題。預訓練大模型是在大量影像、文字等資料的基礎上,利用無監督或者自監督學習方法將資料中蘊含的知識提取出來,儲存在具有大量引數的神經網路模型中。遇到特定任務時,只要呼叫一個通用的流程,就能夠將這些知識釋放出來,並且與行業經驗結合,解決實際問題。

  近幾年,國內外科技巨頭紛紛加入練大模型的行列,各種型別的大模型層出不窮。但是,預訓練大模型距離規模化的商業應用,還有很長的路要走。在利用大模型推動AI規模化應用方面,華為雲的思路值得借鑑。自2021年4月正式釋出以來,華為雲盤古大模型經歷了L0、L1、L2三大階段的迭代:

  L0是指使用了海量開放資料訓練而成的基礎大模型,具備基本的物體識別、語義理解等能力。目前,華為雲已推出五大水平領域的通用大模型:NLP(中文語言)大模型、CV(視覺)大模型、科學計算大模型、多模態大模型和Graph(圖網路)大模型。

  L1是指結合了行業Know-How與領域資料進行訓練的行業大模型。這些大模型解決特定行業的應用難題,是行業AI落地的基礎設施,如盤古氣象大模型、盤古礦山大模型、盤古電力大模型、盤古藥物分子大模型等。

  L2是在行業大模型基礎之上針對行業具體任務訓練的模型,便於行業ISV等客戶快速使用。比如,基於盤古電力大模型,華為雲針對無人機電力巡檢細分場景推出盤古電力巡檢大模型,解決了無人機智慧巡檢系統(缺陷檢測)中的小樣本學習、主動學習、增量學習等問題。

  華為雲AI研發團隊認為,大模型將成為未來AI 計算的“作業系統”,向下管理AI 硬體,向上支撐AI 演算法,使得AI 開發更加規範化、可複製。在2022年全聯接大會上,華為雲還攜手夥伴釋出了《預訓練大模型白皮書》,將大模型研發和落地的經驗向全行業分享。

  

  知識計算,解決行業專家不懂AI、AI系統難以與行業知識結合的難題。不同的行業、領域都有自己數十年甚至上百年的專業知識積累,包括生產系統中的機理模型、行業技術文獻、專家的寶貴經驗等等。知識計算就是把各種形態的知識,透過一系列AI技術進行抽取、表達後協同大量資料進行計算,進而產生更為精準的模型,並再次賦能給機器和人的一種全新方法。

  在華為雲釋出了業界首個全生命週期知識計算解決方案之後,2022年5月,華為雲攜手中國人工智慧產業發展聯盟和中國信通院,釋出《知識計算白皮書》。華為雲知識計算解決方案透過將知識加入到行業問題建模和求解的計算過程中,讓模型具備更好的可解釋性,使得 AI 與行業得以深度結合,真正融入進業務流程,解決核心業務問題,催生體驗變革、效率提升以及模式創新,加速 AI 應用行業落地。

  AI求解器,解決企業最佳化決策問題。求解器能夠將現實世界的海量全域性因素以及人的經驗轉化成數學模型,計算出最優解。傳統求解器應用難度大,企業的應用率並不高。為了降低求解器的使用門檻,華為雲推出業界首個將AI和數學規劃結合的商用AI求解器——天籌AI求解器。

  在各行各業需要全域性統籌最佳化的領域,天籌AI求解器已經大顯身手。比如,幫助深圳國際機場最佳化航班排程,每年讓260萬旅客不再坐擺渡車;幫助華為供應鏈實現超大規模的多工廠生產排程,讓供應能力最大化,將庫存齊套率提升37%,每年節省巨大資金。

  在2022華為全聯接大會上,華為雲全新推出天籌AI求解器智慧建模工具,將建模和模型維護過程智慧化,簡化了開發人員的建模工作,大幅壓縮原本需要數月的建模時間,將求解建模速度提高30倍。值得一提的是,天籌AI求解器智慧建模工具應用了NLP技術,以及業界首創的低程式碼+視覺化編排建模技術,實現業務需求一鍵轉化為執行程式碼,開發人員無需受困於程式設計環境與建模語法,還可以高效複用模型庫中覆蓋10多個領域、30多個細分場景的經驗模型。

  

  沒有AI賦能不了的行業

  知名商業顧問劉潤在2022年度演講中提到一個成本價值模型的概念。他指出,任何商業創新都是一邊把價值右移,解決更貴的問題;同時把成本左移,創造性降低成本。

  AI的發展也是同理。三大根技術透過技術創新,不斷降低AI使用的成本,降低各行業使用AI的門檻;同時將技術創新與商業創新結合,讓AI到更廣闊的千行百業解決更廣泛的問題,創造更核心的價值。AI進入千行百業的過程,就是不斷迭代成本和價值模型的過程。這也是Gartner技術成熟度曲線中, AI應用下一階段走向生產成熟期的關鍵。

  很多人都會好奇,未來,AI還能應用到哪些行業,哪些場景?在三大根技術的不斷髮展的背景下,可以說,AI的應用場景遠超今天人們的想象。

  在醫療行業,大規模基因組計劃被譽為生命科學的“登月計劃”,是發現藥物新靶點的重要途徑。華為雲AI基因平臺(AI for Healthcare)支援大規模、全生命週期的基因組計劃,將為疾病預防、診斷治療、藥物研發提供AI技術支撐。透過獨有的 AutoGenome演算法,華為雲AI基因平臺能夠對基因組資料進行自動 AI 建模、分析和解譯,構建疾病與基因之間的深層次圖譜關係,加速藥物靶點發現。

  目前,華為雲AI基因平臺助力國外的“百萬人基因組計劃”,實現單日分析資料超過 1PB,相比傳統 HPC 方案提速 10 倍以上,成本降低 40%。

  

  在交通運輸行業,船舶在港時間是指船舶抵達港口待泊錨地到靠泊完成裝卸作業離開泊位之間的總時長,它已經成為衡量國際港口核心競爭力的標準。在吞吐量為2,000萬箱的天津港,港口排程需要考慮千萬甚至億級的變數和約束條件。如果靠人工做計劃的傳統方式,需要24小時,而且無法應對突發變化並做到全域性最優。

  基於華為雲天籌AI求解器,天津港透過港口智慧計劃,將作業計劃耗時從24小時縮短到10分鐘,將船舶在港的時間節省了7%。同時,由於碼頭裝卸效率提升,一個吞吐量300萬標箱的碼頭,每年可增收2900萬。

  儘管未來很難預測,但AI穿越技術週期的步伐永不止步,直至某一天AI將無處不在,成為智慧社會無感知的基礎設施。加速千行百業智慧化,AI已經跨出一大步。但就整個旅程來看,一切才剛剛開始。


來自 “ https://baijiahao.baidu.com/s?id=17488262031500909 ”, 原文作者:智慧進化論;原文連結:https://baijiahao.baidu.com/s?id=1748826203150090983&wfr=spider&for=pc,如有侵權,請聯絡管理員刪除。

相關文章