洞悉2020年AI產業新趨勢，青年科學家們如是說

日前，麻省理工科技評論中國、DeepTech 聯合 COLMO AI 科技家電舉行的一場線上 TR35 青年科學家分享會圓滿落幕，已累計吸引超過 10 萬線上點播。

這次分享會主要圍繞 “ AI 重構未來 ” 的主題展開，針對新基建浪潮、市場環境變化、AI 晶片、機器人、AI 技術產業趨勢等時下熱點，邀請了來自投資機構、學術界、產業界的多方專家精英進行了專業分享和討論。

本次活動的嘉賓陣容包括韓國成均館大學教授、美的集團洗衣機事業部研究院院長高弘錫，上海交通大學研究員、博士生導師、非夕機器人首席 AI 科學家盧策吾，快手 AI 平臺部、Ytech 西雅圖人工智慧實驗室、FeDA 商業化智慧實驗室負責人劉霽，賽靈思人工智慧業務高階總監、前深鑑科技聯合創始人兼 CEO 姚頌， 瑞萊智慧創始人兼 CEO 田天，真格基金投資總監尹樂等。

嘉賓在觀念的交流與碰撞之間，為我們展現了 AI 領域最新的技術走向和市場趨勢解讀。

智慧家電正在告別 “ 偽 ” 智慧

美的集團洗衣機事業部研究院院長高弘錫表示，近年來，隨著智慧家居、智慧生活概念的火熱，很多廠家都開始跟風把物聯網、語音互動等技術跟家電產品進行簡單結合，這給消費者造成了不少認知上的偏差，很多產品並沒有從實用和體驗層面出發給使用者生活帶來切實有效的改變。

真正的智慧家電還是應該從產品最本質的核心使用功能出發，基於 AI、IoT、大資料等最新的技術，在最能改善使用者使用體驗的環節進行精細化研究和系統性提升。

圖｜美的集團洗衣機事業部研究院院長高弘錫（來源：COLMO）

現在，全自動洗衣機幾乎已成為家庭標配，但很多最基本的問題一直沒有被很好解決。例如，一堆衣物是否可以混合在一起清洗 ？這些衣物是什麼材質應該選擇什麼洗滌模式 ？洗這些衣物需要匹配怎樣的洗滌液的和用水量 ？使用者通常的做法是把一堆衣服一股腦塞進洗衣機滾筒裡，選擇一個標準模式，洗成什麼樣算什麼樣，這種情況不僅廢水廢電，衣物也得不到最佳的洗滌效果。

COLMO 智慧洗衣機針對這些使用者痛點，研發了專門的多神經網路模型、柔性物體型別識別技術、基於影像語義分割的多模型融合的衣物重量和顏色識別技術，以及基於大資料的動態引數自適應匹配技術。

圖｜洗衣機智慧系統（來源：COLMO）

使用者無須在衣物中新增額外的標籤，也不需要分開逐件投入，洗衣機就可以準確地將滾筒內的衣物和背景分離進行有效識別，在 1 秒內可識別得出衣物重量、數量、型別、材質等資訊，在衣物混合洗的情況下，目前視覺識別技術準確率也能達到 85% 以上。

此外，雲端系統利用深度神經網路演算法對影像進行分析，可識別出洗衣機內部衣物量的多少及當前桶內衣物是否需要護色，把分析結果反饋給洗衣機做出智慧匹配決策，對於每次都不相同的洗衣場景，COLMO 洗衣機可基於已積累的使用者體驗資料和實驗室專業資料自適應調整洗滌引數，同時輔以洗衣機的水流和洗滌節拍控制技術，實現精細化洗滌。

因為這些技術創新，COLMO 洗衣機有幸成為了首個獲得吳文俊獎的白色家電品牌，經第三方評測比較，充分利用AI技術的智慧洗衣機，在用水、用電、耗時等方面實現大幅的改進，不僅可以普惠消費者，更能實現節能環保的社會價值。

機器人的 “ 通用智慧本體 ” 研究更進一步

上海交通大學研究員、博士生導師、非夕機器人首席 AI 科學家盧策吾介紹了智慧機器人行業的“通用智慧本體”研究，該專案研究論文被 Nature 機器智慧子刊錄用，也在中國工程院院刊上進行了發表。

在當下的機器人技術環境下，每一個任務都要單獨去設計一套軟硬體系統，而反觀人類，人是一個通用的智慧本體，可以把一項技能以非常低成本的方式，在各種活動和任務中去遷移執行；另一方面，機器人在未來會去執行各種各樣無窮盡的任務，如果每一個任務執行方式都需要單獨的定製開發，整體成本是巨大的，且機器人執行任務的變化空間較大，有沒有一個統一的模型或架構能夠在機器人中通用？這便是通用智慧本體的研究重點。

圖｜機器人的關鍵動作任務分解（來源：盧策吾）

通用智慧本體應具備怎樣的特性？盧策吾認為主要有三點：1、可遷移性。在執行大多數任務時，無需更換本體，使用者只需提供簡單的任務描述，無需重新設計底層通用硬體，協議和作業系統；2、可擴充套件性。和通用計算機的模組（CPU，RAM）一樣，各個基本模組相對獨立，且可升級；3、可群智性。面向群體智慧，知識可增長，經驗可共享。

在這樣的思路基礎上，盧策吾把通用智慧本體研究分為 5 個模組：感知模組、知識引擎、任務編譯器、決策處理器、執行模組等，並可以把操作任務解析（parsing）為一系列 “ 元操作 ”，即不能再分割的基本操作，比如抓取、插、拔、推等。

圖｜通用智慧本體的核心模組（來源：盧策吾）

由此，可以將機器人的一個任務分解成連續的元操作流，很多元操作其實有較強的共性，比如插入電源插頭跟在工廠裡插入一個零件的力學模式和視覺模式是很相似的，所以機器人動作有能遷移的可能性，又比如讓機器人擰開一個藥瓶和擰開一個水瓶，機器人動作的執行流程和邏輯都很接近。

所以，機器人在行為理解上的一系列工作可分為幾大步驟，例如影像影片主結構提取、異常事件檢測、行為視覺關係提取、動作分類等。

在機器人行業，AI 技術的應用也有很大的侷限性，比如依賴深度學習，演算法面對沒有見過或者訓練過的資料它就難以識別進行下一步的操作。例如，我們想要告訴機器人這是一把剪刀，只能透過大量的圖片資料訓練告訴它長成這個樣子的物品就是剪刀，這仍是一個模式識別的弊端，機器人並沒有真正理解剪刀的概念和互動操作方式。

盧策吾認為，基於有泛化能力的元操作集合，透過與物體互動操作，智慧體對物理世界（ 特別是操作物件 ）會產生更加深刻的理解，而以元操作為基本單位建立統一協議，能為實現本體之間經驗共享的群體智慧打下基礎，未來有望在工業、餐飲、醫療、家用等諸多機器人領域應用。

AI 中臺正在成為企業驅動器

來自快手 AI 平臺部、Ytech 西雅圖人工智慧實驗室、FeDA 商業化智慧實驗室的負責人劉霽講述了 “ AI中臺 ” 在快手公司內部的實踐。

中臺的本質就類似是一個公司內部的共享經濟，公有的部分透過中臺的開發來完成，其餘多條的業務線共享中臺的能力。讓開發產品的人員只需要關心產品相關的演算法設計，或者模型設計，而不太需要去關心資料是怎麼儲存的，資料特徵怎麼提取以及在什麼地方訓練等問題，這些問題都可以透過AI中臺來進行開發管理。

圖｜資料中臺和 AI 中臺的架構設計（來源：劉霽）

具體而言，中臺在企業內部可以分為兩類，資料中臺和 AI 中臺。從另外一個維度講，中臺可以共享三方面的內部能力，包括資料、計算資源、軟體服務的共享，這不僅可以打通公司內部的資料壁壘，也能夠提高各項資源和開發成果的利用率。

圖｜AI 中臺的具體功能模組（來源：劉霽）

目前在快手內部，AI 中臺就類似於是一個一站式的 SaaS 平臺，主要包含三個層次：首先是硬體基石，目前公司管理著成千上萬的 GPU/CPU/FPGA 計算資源，如何高效利用排程這些資源為業務提供服務是很有必要的；其次是軟體工具，比如深度學習的通用訓練和推理、AutoML、通訊庫、模型壓縮等功能；最後一層是平臺服務，提供通用化或定製化的業務服務，比如快手軟體背後定製化的海外異地推薦系統，讓模型大小從 TB 降到了 GB，頻寬需求減少了一個量級。

AI 中臺的設定提升了快手內部的商業效率，讓快手的技術水平在業內保持著領先。

國產 AI 晶片的難點仍在於打造完整產品鏈

賽靈思人工智慧業務高階總監、前深鑑科技聯合創始人兼 CEO 姚頌現場針對 AI 晶片賽道分享了自己的一些觀點和看法。

AI 覆蓋廣泛的各類演算法，所以 AI 晶片的定義也十分寬泛，能夠支援一定 AI 演算法計算的晶片就可以稱為是一顆 AI 晶片。AI 晶片可主要劃分為 4 個象限：推理、訓練、雲端、終端。

從晶片設計的角度來講，AI 晶片並沒有那麼難，因為它只針對特定的神經網路和演算法，相比通用型的 GPU 與 CPU 晶片設計難度要小很多 ，但 AI 晶片的難點在於打造完整的產品鏈。

圖｜AI 晶片的類別（來源：姚頌）

AI 晶片企業怎樣建立起一個壁壘形成自己的技術優勢 ？這其實是一個非常龐雜的技術堆疊問題，在應用層下面需要有一些演算法庫，有軟體、編譯器、作業系統等，然後晶片的指令集設計，IP和微架構的設計，再到晶片的實現和整個系統的設計。

跟 CPU 晶片不同，由於其通用性和多年生態開發，設計時無需考慮上層軟體與應用，也無需考慮系統設計，但是對於現在 AI 晶片則截然不同，因為它的應用場景非常廣泛，也需要支援機器學習、深度學習或支援某些神經網路，所以一定得跟上層的軟體跟上層的演算法打通。

因此，對於 AI 晶片企業來說，系統層面的複雜度是非常高的，必須要知道應用場景是怎樣的，才能夠去把晶片定義好，做出來之後才能真正用起來，需要對上游和下游都非常瞭解。

AI 晶片的成功遠遠不止是晶片本身設計那麼簡單，以 Nvidia 的 GPU 為例，基於 CUDA 生態打造的無數軟體與演算法庫才是其成功的關鍵，背後是一整套非常龐雜的軟體體系，而且資源非常豐富，這是 Nvidia 真正壯大起來的護城河。

圖｜晶片研發成功的關鍵環節（來源：姚頌）

AI 晶片要經過讓客戶能用、好用、愛用、離不開幾個階段，更多還是要靠基於晶片的軟體生態，AI 晶片企業不僅要實現晶片的效能提升，而且要解決晶片能夠非常便捷的讓使用者使用起來的問題。從大的行業來看，AI 晶片只是安防、自動駕駛、智慧終端產品系統中的一個組成部分，用於終端推理的 AI 晶片必須更多地去結合應用場景。

現在對於 AI 晶片行業來說正處於一個新的拐點，前些年整個行業稍微有些下滑，晶片這個行業的迭代週期跟網際網路行業差異很大，它可能需要幾千萬美金的前期投資，兩年左右才能有一個迭代週期，因此需要企業更有耐心地打磨技術做長線發展規劃，AI 晶片在趨勢上仍是一個非常有影響力、市場空間非常大的產業。

AI 產業走向深水區，安全可控不容忽視

瑞萊智慧創始人兼 CEO 田天針對 AI 技術大範圍應用潮流下的 “ 安全可控 ” 問題進行了分析探討。

人工智慧已經成為了新一代產業變革的核心驅動力，近些年來，隨著深度學習的不斷成熟，AI 在包括自動駕駛、醫療診斷、以及人臉識別等各個領域越發普及，不過相關的安全性、可靠性問題也頻頻發生。

比如基於深度學習對抗樣本的漏洞，新增少量噪聲，識別模型就會出現極大偏差；自動駕駛車輛在道路上識別出錯造成人員傷亡；AI 換臉的技術濫用、利用AI技術合成虛假影片、虛假音訊的案例以及侵犯使用者資料隱私的問題，這都促使世界各國已經開始推出關於人工智慧治理，以及人工智慧合理發展的系列法規以及規劃。

圖｜常見的 AI 安全風險問題（來源：田天）

目前已經普遍使用的一些人工智慧系統，包括搜尋引擎、推薦系統、資料探勘系統、語音識別、影片分析等等，有一個共同的缺口就是使用者實際上對於安全性沒有極高的要求。但在我們推動人工智慧進行深度應用時，特別是與金融、醫療、交通等領域相結合的情況下，人工智慧演算法我們是不能容忍它出現任何嚴重錯誤的，稍有差錯就有可能導致非常惡劣的後果。

因此，瑞萊智慧目前在打造 RealSafe 人工智慧安全平臺，致力於從模型安全檢測、防禦解決方案、對抗樣本體驗等方面提升 AI 應用的安全可控性。人工智慧行業大部分從業者都在圍繞資料、演算法、算力等領域進行提升，但實際上隨著人工智慧大範圍的應用，它的安全性應該是很核心的一部分。

圖｜圓桌討論，由左至右分別為尹樂、姚頌、田天（來源：DeepTech）

真格基金投資總監尹樂在最後的圓桌環節與姚頌、田天兩位嘉賓針對“新基建”背景下的人工智慧產業趨勢進行了討論。

姚頌認為，新基建是整個國家高新技術產業發展的推進器，整個人工智慧產業肯定也會從中受益，具體到細分領域，他比較看好智慧交通新一輪的發展，包括自動駕駛、輔助駕駛、智慧車聯網、車路協同等都會得到顯著進步，還有晶片領域，如果國內企業能拿出足夠好的產品，晶片的國產替代可能接下來會掀起一波熱潮。

此外，田天補充說，新基建其實是對舊基建的一種升級，並不是全新的領域，在這樣的政策推動下，工業網際網路程式勢必也會進一步加速，而整個 AI 市場早期的試水和管制相對比較粗放，行業對於 AI 安全性和可靠性的研究今後必定會越來越迫切。

也許強人工智慧時代何時來臨的節點我們難以預測，但我們可以看到的是，隨著 AI 在各行各業的深入應用，我們對於 AI 技術的探索正在不斷創新中日漸走上新的臺階。

【一刻talks】AI重構未來，探索科技進化論 -TR35 青年科學家分享會 m.yiketalks.com