0
| 本文作者： 陳伊莉 | 2018-06-06 14:05 |
人工智能正在變得無處不在。從圖像處理、語音、視頻領域，到傳統的制造業、通訊業、醫療、金融、自動駕駛行業都在大力地追求人工智能。
“當前中國企業的成本在急劇上升，包括人力、廠房等，運營成本的上升必然要求企業找到新的技術來提高生產效率、產品質量，同時降低成本。比如隨著未來機器取代人力，人力成本將得到有效控制。”而這種商業需求也是驅動人工智能發展的一大動力。
在近日昆山召開的2018杜克國際論壇上，昆山杜克大學和美國杜克大學電子與計算機工程學教授、IEEE會士李昕博士在一場對話中談到此番觀點。
李昕博士畢業于美國卡內基梅隆大學，他曾短暫創業，在公司被收購后回到卡內基梅隆大學任教了十年。2017年初正式加入杜克大學和昆山杜克大學。
據雷鋒網AI金融評論了解，李昕博士早先的工作主要是將數據分析應用在制造業，比如虛擬測試、產線優化等。而隨著各行業積極擁抱AI，他的研究方向已經擴展到許多新興商業領域，包括通訊、自動駕駛、商業決策、醫療保健等。
同時，AI應用的過程并非一條坦途，李昕博士指出，當前面臨著復合型人才缺失的挑戰。
“現階段很難找到跨行業AI人才。這就要求人工智能的專家和行業的專家必須有一個非常親密的對話，但是這個對話很艱難。因為行業壁壘的存在。兩個不同的行業在對話，行業術語以及工作習慣都不同。”
雷鋒網還與李昕博士就AI應用現狀與未來進行了更深入的探討：
雷鋒網：傳統行業企業，比如制造業，如今大都也在提互聯網、AI轉型，您覺得可能會遭遇什么技術難題？
李昕：首先會遭遇一個“先有雞還是先有蛋”的技術困境。發展人工智能首先需要有很多的數據，但另一方面，在拿到數據之前，你不知道數據的質量，所以很難估計這些數據的價值。采集數據的代價與應用數據的價值很難比較。
不過現在大公司大部分都是選擇走下去的，要么是出于占據空白市場，要么是出于狙擊對手進行的戰略投資，即便不能立刻帶來直接的利益。但這對于很多小公司來說就很困難。
第二，行業特別缺乏AI人才。據我了解，大部分AI相關專業的畢業生都去美國五大科技巨頭FAAMG.，在中國就是BAT，很少會去傳統行業公司。我一個朋友在美國很大的汽車制造廠負責自動駕駛項目，但他在美國找不到計算機視覺這些方向的人才，最后只能選擇到其他國家招收了一些博士生。
總之，優秀人才非常稀缺，如何吸收優秀的人才是一個很大的問題。甚至包括學校所在的學術界也有同樣的問題。很多AI方向的教授都去到工業界。因為公司意味著更好的計算平臺，科研條件比學校更優越，同時也包括很好的薪資待遇。
雷鋒網：您提到復合型人才很稀缺，而您的研究結合了不少領域，能否談談您是怎么做的？
李昕：現在通行的做法是這樣的——讓行業內的專家重新學習人工智能知識，同時讓AI專家學習行業知識。不過在實際場景中，我們發現AI專家往往不太愿意學習行業知識。比如說，我們發現汽車行業中的工程師會學習機器學習課程，自我充電。但是我們很少看到BAT或者Facebook的員工去深入學習汽車制造。所以行業壁壘不是一個雙向壁壘，更多的是一個單向壁壘。
雷鋒網：那么中小制造業企業目前的狀況如何，技術發展必須要依靠大公司嗎？
李昕：中小制造業企業做人工智能、大數據很難，還是要通過大公司來做。大公司的核心競爭體現在大規模生產。其實這個行業的競爭是非常不公平的。大公司體量大，成本可以降低，能做小公司干不了的事情。所以一旦行業成熟以后，小公司很難生存。
雷鋒網：現在AI這賽道上，核心技術似乎都被BAT大公司掌握，這是一個值得擔心的事情嗎？
李昕：BAT的AI是通用的AI，并已經取得絕對領導地位，但是行業AI就不一定了。現在我們確實也看到BAT進入到行業內，但總的來說他們對行業內是持觀望狀態。一方面就是因為市場還不夠清晰，存在商業化的顧慮。另一方面，客戶比如大制造商企業都想自己做，并不想把數據分享出去。
雷鋒網：最近看到一則未經官方證實的消息，美國一家AI醫療的大公司最近準備裁撤大量員工。真假暫且不論，但這是否又再一次反映了AI商業化難題？
李昕：我們可以具體分析下醫療健康在美國發展AI落地難的原因：
第一，美國的數據非常有限。關于癌癥數據，我曾記得一個未經驗證的調查說，“美國大醫院一年病人的數量，可能跟中國三甲醫院一天的數量相當”。還要注意的是，醫療數據量不能看絕對數據量，在看病這件事情上，數據量比較豐富，癌癥分為早期、中期、晚期。還有年齡、性別、地域等差異。
第二，數據管控非常嚴。很多數據在美國不能用，因為法律保護隱私。
第三，美國醫療管控嚴格。如果要做醫療產品，必須要經過FDA審核，需要花費不少時間。審核通過后，還有一個很大的問題是關于保險公司，是否將新藥或者設備納入保險項目，不然病人可能并不會選擇。總之，這幾步是一個非常漫長的過程，可能需要十幾二十年。
雷鋒網：相較而言，中國AI醫療進程的限制是否更少一些？
李昕：一些問題在中國可以有比較好解決的方案，比如數據量本身，中國的數據量很大，能夠滿足研究需求。不過在管控問題上，中國目前也是非常的規范化，所以周期也很會長。
所以一般的策略是作為醫療輔助設備，而不是全方位利用AI代替人類。在自動駕駛領域也是，商用的大多是“輔助駕駛系統”，輔助系統所承擔的責任更小，審批也會簡化。
雷鋒網：最近我們聽到業內聲音重提基礎科學研究，包括基礎學科、操作系統、芯片等。對此，您觀察到的現狀是怎樣的？
李昕：對于學術界來說，基礎研究分為基礎設施（infrastructure）和基礎科學研究。芯片、OS應該是基礎設施。當然我覺得基礎設施研究非常重要，是一切AI應用的基石。
不過我認為，不管是做基礎研究或者應用研究，有一點很重要——我們不能一直追趕別人，追趕別人是追不上的。一是會追趕得很累，二是即便追上了，但是也吃不下已經被瓜分完畢的市場。所以我們需要做的是，創新、占領空白市場，比如AI就是一個很好的機會。
雷鋒網：這種思路落到芯片行業，應該怎么做呢？
李昕：傳統芯片行業我覺得很難追。但是現在新興的AI芯片領域會是一個比較好的機會。大家基本站在同一起跑線。實際上中國已經出現幾家不錯的公司。
雷鋒網：在人工智能解放生產力的同時，社會上還有一種蔓延的擔憂是失業。
李昕：任何一種技術翻新，必然會使得生產力結構發生很大的變化，會使一些工種需求減少，甚至完全消失。但是同時又會創造新的工種和工作機會。
計算機就是一個很好的例子。計算機出現后，打字員就消失了，但是需要程序員。所以這意味著社會對勞動力的需求是不會減少的，只是工作的性質和種類有所變化。
而對于個人而言，要求人必須有自我學習、轉型的能力。知識變化很快，比如人工智能這個方向，再過五年知識可能就不一樣了。等一個本科生畢業的時候，可能他大一學的東西已經過時了。所以更重要的擁有自我學習的能力，如此才能在職場上處于不敗之地。
雷鋒網：最后一個問題，在市場競爭的環境下，如何把握技術的邊界？因為最近我們常看到互聯網公司的“作惡論”，或許是與KPI掛鉤，百度的醫療競價、滴滴順風車、攜程搭售等行為，大數據殺熟；或許是其他更高的目的，Google用ai提高軍事無人機的精準打擊度，韓國科學技術員與軍工企業聯合研發基于AI的自主武器也受到了50多位學者的公開抵制。
李昕：我覺得AI技術的發展必須有相應的法制給予管束。任何的技術，如果沒有合理的約束都有可能成為人類的威脅。相反，如果合理利用，技術就可以為人類造福。歷史上有很多類似的例子。AI也不例外。而AI的法制推進需要站在全球高度。個人覺得，首先需要一些非盈利組織或者國家去推動，最后應該會形成一個國際組織共同監管。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
