IBM：傳統(tǒng)企業(yè)如何快速應(yīng)用AI技術(shù)

隨著人工智能（AI）相關(guān)技術(shù)不斷加強和深入，智能語音助手、智能音箱，甚至掃地機器人這類簡單的消費類AI產(chǎn)品已經(jīng)逐漸融入到我們的生活。與以消費者為主導(dǎo)的市場不同，醫(yī)療、工業(yè)等以企業(yè)為主導(dǎo)的市場發(fā)展AI面臨著更多難題。近日，《電子產(chǎn)品世界》編輯在“AI時代的移動技術(shù)革新”大會上采訪了IBM全球技術(shù)研究院院士林詠華女士，就AI在醫(yī)療、工業(yè)等企業(yè)為主導(dǎo)的市場推廣及應(yīng)用中存在的問題及相關(guān)突破點作了深入的探討。

消費市場與企業(yè)市場需求決定者不同

我們現(xiàn)在接觸的大部分比較成熟的AI產(chǎn)品都是消費類產(chǎn)品，而以消費者為主導(dǎo)的市場，需求實際上是由互聯(lián)網(wǎng)公司決定的，互聯(lián)網(wǎng)公司在AI上考慮創(chuàng)新的時候，更多的是要考慮消費者需要有什么樣AI的能力，而在推出相關(guān)產(chǎn)品后，消費者則會去學(xué)習(xí)怎樣使用。相較而言，企業(yè)市場的需求是由企業(yè)來定的，因此，怎樣把AI技術(shù)應(yīng)用到不同的企業(yè)中則是IBM等直接面對企業(yè)客戶的公司所面臨的挑戰(zhàn)。

企業(yè)市場AI創(chuàng)新面臨的三大問題

當(dāng)下想要用AI來提升企業(yè)業(yè)務(wù)價值主要面臨人才、數(shù)據(jù)和經(jīng)濟(jì)性三方面問題。

人才問題

像BAT等互聯(lián)網(wǎng)企業(yè)已有自己的AI團(tuán)隊，相較而言，今天很多工業(yè)界在生產(chǎn)制造、能源、交通等領(lǐng)域的企業(yè)，他們有專注自己業(yè)務(wù)的人才，但是并沒有AI方面人才。

數(shù)據(jù)問題

AI之所以在最近幾年發(fā)展得很火，深度學(xué)習(xí)在其中起到的作用是不可忽視的。2012年深度學(xué)習(xí)開始進(jìn)入AI的算法領(lǐng)域，而深度學(xué)習(xí)的應(yīng)用需要海量數(shù)據(jù)，像谷歌、Facebook、BAT等互聯(lián)網(wǎng)公司，正因為手中有大量的互聯(lián)網(wǎng)上的數(shù)據(jù)，因而得以在AI方面有相對較快的發(fā)展。但是這些數(shù)據(jù)與企業(yè)今天要解決問題的數(shù)據(jù)是完全不同的，包括醫(yī)療、生產(chǎn)制造等領(lǐng)域中的數(shù)據(jù)對于企業(yè)來說都是小數(shù)據(jù)級，不是海量數(shù)據(jù)。

經(jīng)濟(jì)性問題

對于企業(yè)而言，經(jīng)濟(jì)性問題也是必須考慮的。如果要擁有AI的能力意味著把成本提高十倍，企業(yè)自然是很難接受的。而這其中需要考慮的不僅是算法上的創(chuàng)新，而且要通盤考慮系統(tǒng)的優(yōu)化、系統(tǒng)的創(chuàng)新，如何使在加入AI能力的同時，成本可以沒有太大的浮動。

IBM的破局之力

人才問題

提供配備AI能力的硬件平臺需要有深度學(xué)習(xí)的開發(fā)團(tuán)隊，而提供公有云的模式又只能提供一些固定的模型，這些固定的模型提供的API內(nèi)容與今天很多企業(yè)數(shù)據(jù)不相關(guān)，難以匹配企業(yè)實際需求。

針對此，IBM開拓出第三種業(yè)務(wù)能力——構(gòu)建一個“AI大腦”，這個大腦既可以部署在企業(yè)內(nèi)部，也可以部署在云端，同時，它面對的開發(fā)者并不是需要具備豐富深度學(xué)習(xí)開發(fā)經(jīng)驗的開發(fā)者，而是企業(yè)中大量的應(yīng)用開發(fā)者，以此來解決企業(yè)人才問題。

應(yīng)用開發(fā)者可以利用“AI大腦”，不需要做任何深度學(xué)習(xí)的開發(fā)，就可以在上面用機器針對企業(yè)的數(shù)據(jù)去訓(xùn)練應(yīng)用到企業(yè)里的數(shù)據(jù)模型，并且通過“AI大腦”可以自動的提供很好的、很高的精度，這是我們希望能夠達(dá)到的，林詠華女士介紹道。

IBM推“AI大腦”其實是事后的人才培育，事前的方法是要加大深度學(xué)習(xí)的教育，尤其是在本科領(lǐng)域?，F(xiàn)在很多高校的電氣、能源等學(xué)科，應(yīng)該將深度學(xué)習(xí)作為其必修的基礎(chǔ)學(xué)科來教學(xué)。從而使得這批人才在走上工作崗位時，至少懂得怎樣應(yīng)用深度學(xué)習(xí)，從而可以更好地結(jié)合到產(chǎn)業(yè)中。

數(shù)據(jù)問題

在企業(yè)市場中，很多時候相對較少的不正常的數(shù)據(jù)更有價值。以醫(yī)療圖片為例，針對某一疾病，一萬個病人中有九千九百多個病人的數(shù)據(jù)是正常數(shù)據(jù)，相對于這些正常數(shù)據(jù)，那一小部分不正常的數(shù)據(jù)更為關(guān)鍵。無論是在醫(yī)療，還是智能制造，這樣的不正常的數(shù)據(jù)會更少。

針對此，IBM新推出計算機視覺領(lǐng)域的Power AI Vision平臺，該平臺在解決“小數(shù)據(jù)”問題上有以下兩種不同的方法：

數(shù)據(jù)增強，即通過正常數(shù)據(jù)模擬故障數(shù)據(jù)來訓(xùn)練數(shù)據(jù)集。某些特殊數(shù)據(jù)需要在特定條件下才能采集到，Power AI Vision平臺中有加噪、旋轉(zhuǎn)、對稱等模擬選項，從而滿足未來遇到不同非正常場景。例如自動駕駛做模擬測試時，無法測得惡劣天氣下的行駛數(shù)據(jù)，這就可以通過加噪來模擬惡劣環(huán)境測試拿到數(shù)據(jù)；醫(yī)療方面，很多時候會檢測細(xì)胞，其實細(xì)胞可以是多方位不同角度，因此數(shù)據(jù)增強可以做隨機旋轉(zhuǎn)；攝像頭在拍攝公路上汽車時可能無法看到各個方位，由于車是對稱的，可以通過鏡像功能拿到完整汽車行駛數(shù)據(jù)。因而數(shù)據(jù)增強可以提供倍增的不同情況的數(shù)據(jù)。

遷移學(xué)習(xí)。遷移學(xué)習(xí)的前提是企業(yè)已經(jīng)有一個較好的基礎(chǔ)模型，將這個基礎(chǔ)模型放到遷移學(xué)習(xí)框架中，輸入的數(shù)據(jù)可以是少量的數(shù)據(jù)，輸出的會是很好的結(jié)構(gòu)。而企業(yè)可以通過網(wǎng)上公開數(shù)據(jù)集訓(xùn)練的數(shù)據(jù)或是其他企業(yè)已經(jīng)訓(xùn)練好的數(shù)據(jù)模型經(jīng)測試沒問題后，拿來作為企業(yè)的基礎(chǔ)模型。

AI產(chǎn)業(yè)鏈上下游配合

AI整個產(chǎn)業(yè)鏈大致分成三部分：1.下游硬件廠商；2.中游的AI芯片軟件及平臺廠商，需要調(diào)用下面的硬件，然后賣給上游；3.上游是行業(yè)企業(yè)，需要為AI技術(shù)付費，也是用AI產(chǎn)品去賺錢的企業(yè)。

如果對產(chǎn)品的性能或復(fù)雜性要求不高，現(xiàn)在的整個產(chǎn)業(yè)鏈還是可以實現(xiàn)的，例如一些玩具類AI產(chǎn)品。但是如果對性能和復(fù)雜性要求較高的話，就需要整個產(chǎn)業(yè)鏈的深度融合和各方面大規(guī)模的優(yōu)化。例如GPU是否是最好的硬件，我們用一個經(jīng)典的算法做一個模型的話，英偉達(dá)最新的V100 GPU也只能同時支持四路視頻的實時性，這導(dǎo)致分?jǐn)偟矫恳粋€攝像頭上的成本達(dá)一兩千美元，而每個攝像頭的成本也就是一兩百美元，如果考慮大規(guī)模應(yīng)用的話，這樣的方案則無法實施。

另外，如果上游市場不能達(dá)到足夠大，下游廠商是無法為這一領(lǐng)域進(jìn)行相關(guān)定制化配置的。例如，現(xiàn)在有很多為自動駕駛提供的專用芯片，這是因為現(xiàn)在自動駕駛領(lǐng)域已經(jīng)足夠大。國內(nèi)很多中小企業(yè)很難出現(xiàn)單個中小企業(yè)就有下游公司幫助定制這樣的硬件，這時候就要去看是否有多個中小企業(yè)有這樣的需求，從而驅(qū)動下游企業(yè)做集中定制化，這也同時要求下游廠商對市場有比較深入的了解。

初創(chuàng)公司如何進(jìn)入AI市場

AI要想大規(guī)模應(yīng)用，就要求其有高可靠性，同時能力要比人強。大公司會兼顧不同的產(chǎn)品方向和領(lǐng)域，卻很難在每一個領(lǐng)域達(dá)到100%的精準(zhǔn)，這就為初創(chuàng)公司留出了機遇，而這些機遇又可以分為技術(shù)創(chuàng)新和技術(shù)配套兩類：

在技術(shù)創(chuàng)新方面，初創(chuàng)公司要進(jìn)入AI市場，需要考量兩方面因素：一旦做了會有比較大的市場價值，而且這個領(lǐng)域不是已經(jīng)被做熟的市場。例如現(xiàn)在在Face++出來之后，仍然有人在進(jìn)入人臉識別的市場，初創(chuàng)公司選擇這樣的領(lǐng)域，好處是市場需求已經(jīng)被拉動起來，但是也很難在其中取得一席之地。

在技術(shù)配套方面，AI在不同的行業(yè)相關(guān)配套算法及方案需要做很多配套的技術(shù)，初創(chuàng)公司也可以選準(zhǔn)一個方向，成為這其中的專才。

AI領(lǐng)域難以實現(xiàn)數(shù)據(jù)共享

目前來看，企業(yè)做AI的話，數(shù)據(jù)本身就是區(qū)別于競爭對手的壁壘?，F(xiàn)在互聯(lián)網(wǎng)上有很多的公開數(shù)據(jù)集，例如用來做圖片分類、自然語言處理、計算機視覺，但是這些數(shù)據(jù)集并非來源于企業(yè)，而是來源于網(wǎng)絡(luò)。企業(yè)中的實際數(shù)據(jù)與這些數(shù)據(jù)集是完全不同的。如果你有高價值的數(shù)據(jù)，而別人沒有的話，這就意味著你在AI領(lǐng)域比競爭對手要走得更快。對于想要做AI的企業(yè)，實際上是不愿意將數(shù)據(jù)共享的，因為一旦共享，這樣的優(yōu)勢就不再存在，除非你能夠保證一定比同領(lǐng)域企業(yè)能夠在技術(shù)上領(lǐng)先一到兩年，否則就是在培育你的競爭對手。

以生產(chǎn)制造為例，有些企業(yè)希望用AI做質(zhì)檢，用AI提高產(chǎn)品的良品率，如果將瑕疵數(shù)據(jù)進(jìn)行分類公開，競爭對手也會利用這些數(shù)據(jù)，無形中就無法形成領(lǐng)先的市場地位。

深度學(xué)習(xí)并非萬能

如今，很多人已經(jīng)意識到深度學(xué)習(xí)要學(xué)一個簡單的東西仍然需要海量數(shù)據(jù)，效率太低。深度學(xué)習(xí)不是萬能的，不是最好或最適合的，之后一定會有更好的技術(shù)，但是現(xiàn)在還遠(yuǎn)未到新技術(shù)聚合出來的時間。