2020年09月10日 | 身处AI 3.0阶段，人工智能何时能摆脱人类？

3.0 阶段体现在应用主导个性化和 AI 解决方案的敏捷交付。

2020 年 9 月 5 日，由雷锋网& AI 掘金志主办的「第三届中国人工智能安防峰会」在杭州正式召开。

本届峰会以「洗牌结束，格局重构」为主题，会上代表未来新十年的 15 家企业，为现场 1000 余位听众和线上几十万观众，分享迎接安防新十年的经营理念与技术应用方法论。

峰会之上，大华股份先进技术研究院院长殷俊带来了题为「AI 行业应用，产业升级」的精彩演讲。

殷俊认为，AI 经历了理论研究的 1.0、智能落地的 2.0，目前处于行业智能的 3.0 阶段。

AI 1.0 时期是“两耳不闻窗外事，一心只读圣贤书”，计算力不够，数据有限，算法不成熟；

2.0 阶段是“纸上得来终觉浅，绝知此事要躬行”，算法、算力有了突破，成熟的算法寻找落地场景；

3.0 阶段是“忽如一夜春风来，千树万树梨花开”，行业最需要的不仅是一套算法、一套系统，而是企业解决客户痛点和需求的能力。

在行业智能背景下，人工智能需要具备的基础能力包括：一是 AI 技术泛化、快速迁移新应用的能力；二是应用牵引，快速适配新需求的能力。

殷俊认为在 3.0 阶段是应用主导个性化和 AI 解决方案的敏捷交付。

在这个过程中，首先要构建人工智能解决方案的端到端体系化能力，大华已经在四个方向做了重点布局：系统架构、数据智能、智能工程化、智能技术。

除了构建以上核心能力，大华还开放全栈能力，赋能行业生态，并在实战中持续积累人工智能核心技术，针对全场景理解、小规模数据、泛化能力、多任务学习和 AutoML 的人工智能五大技术挑战，开展实践探索，并已取得出色的实战应用成果。

最后，殷俊强调，AI 目前还是依赖人工为主，大华希望未来在行业共同努力下，能够真正转向 AI 的自我智能，推动行业智慧化落地。

以下是殷俊现场演讲全文，雷锋网 AI 掘金志作了不改变原意的整理与编辑：

殷俊：大家好！感谢雷锋网的邀请，在座的有很多都是老朋友了，非常开心每年都能够和大家聚一次。

过去三年时间，我们一直在讨论人工智能到底是什么？

如今，AI 已经可以赋能各行各业，包括在很多碎片化场景中，也可以看到 AI 的身影了。今天我想跟大家分享的话题是：“AI 行业应用，产业升级”。

过去两年，数字经济这个词特别火热，安防也被称之为数字安防，数字安防实际上经历了很多次的更新与迭代。

从最早的数字化、网络化到今天的智慧化，AI 的到来使得智慧化转型成为可能，在践行的过程中，我们首先需要思考：AI 如何才能实现商业化，毕竟技术不可能一直投入，得不到产出。

2018 年，在雷锋网组织的第一届人工智能安防峰会上，我们探讨了 AI 如何去推动行业变革。

2019 年，在雷锋网组织的第二届人工智能安防峰会上，我们谈到了如何去提升场景化的应用体验。

今年，我们将谈谈 AI 如何真正持续落地，产生商业价值，以实现智慧化转型。

首先我们认为，AI 已从 1.0 阶段发展到了今天的 3.0 阶段。

什么叫 AI 1.0 阶段？这个阶段大家都在研究各式各样的算法，我们可以形象地称之为“闭门思过”。

为什么会这样？因为那时候计算力不够、信任度不够、算法不成熟，数据也很稀缺，所以也可以总结为：两耳不闻窗外事，一心只读圣贤书。

AI 2.0 阶段，算力得到了一定的突破，算法也可以阶段性落地，譬如之前的车牌、人脸等识别，可以用 AI 进行部分功能替代，这个阶段我们总结为：纸上得来终觉浅，绝知此事要躬行。

今天到了 AI 3.0 阶段，我们要谈的不是做出一套非常厉害的算法、也不是做出一套非常厉害的系统，而是需要弄清楚客户究竟需要什么功能？而我们能够提供什么样的能力？

这个时候就会发现，真正的 3.0 阶段可以称之为：忽如一夜春风来，千树万树梨花开，也就是真正到了万紫千红绽放所有的行业生态的阶段。

面对这个阶段，大量行业应用驱动人工智能需求的快速加载，为匹配智慧化的服务要求，两大能力最为关键。

第一，AI 技术要能够泛化。不同行业会有很大的差异，但基础的 AI 能力能够快速迁移到新应用，比如大华以前做车牌识别做交通管控的应用，在民生服务领域，大华将这个技术快速迁移，应用到智慧停车场及绿色停车位等领域。

第二，面向一个新型、突发性的应用需求，能够有快速适配的能力。正是因为具备这样的能力，在今年疫情之初，大华在短短的 7 天时间实现研发并量产超高精度的测温系统。

基去这个两个点，以人工智能为工具，可以为包括政府端、企业端、To C 端提供各类各样的智慧化服务。

另外，AI 3.0 阶段还应该是应用主导个性化 AI 解决方案的敏捷交付。

在这个过程中大华认为，首先要构建人工智能解决方案端到端的体系化能力，重点构建系统架构、数据智能、智能工程化、智能技术四大基础能力，保证我们做实智慧化的应用服务。

同时，不仅仅要聚焦人工智能本身，更重要的是通过物联网与人工智能的融合，积极、高效响应各行业的应用需求。

幸运的是，身处 AI 3.0 阶段，大华已经锻造了三种能力：

第一，我们有一套完整的技术体系架构，基于丰富的硬件与软件资源，大华已实现了以业务导向的快速定制体系，解决了 AI 加载、算力与资源调配、安全等实际问题，从而保证技术快速落地，实现高质量、高可靠性、弹性的稳定交付。

第二，我们有一套完整的数据智能闭环，在数据智能上，除了解决智能化本身的问题，还需要建立数据从“数据获取、数据治理、数据管理到数据分析”的完整的数据链路闭环。大华利用长期积累的大量行业经验、实践经验、数据经验，建立了一整套从感知到智能到数据环境的数据智能的闭环。

第三，我们有一套完整的工程体系，大华已建立面向人工智能快速部署的完整工程体系，加快从技术到产品到商业落地的转化效率。此外，在整体系统运行上，大华在端、边、云的数据统一、系统调度和数据链路做了大量的工作，实现真正的端、边、云数据协同，从而保证系统最优地运行效率和用户体验。

基于刚才所提的架构体系，我举一个例子。

比如我们基于自身的感知能力做生态环保，可以真正面向客户的作业管控需求，形成一个完整闭环；同时我们还会根据业务的不同实现快速加载，完成服务端可弹性的兼容，如标尺、污染物、水表、卡尺等方面的应用，以及未来在生态环保方面其他更多的业务应用需求，都可基于我们弹性的技术架构做到快速扩充。同时在中间能力方面，包括基础设施、IoT 物联网等能力也可以无限拓展。

回到数据智能，我们认为在整个数据世界里面其实什么都没有，唯一有的要素就是数据。

对于数据来说，从采集到应用，其实整个过程非常辛苦。通过人工智能等手段去做感知数据的真正结构化，这是一个层层递增的纬度问题。基于此，去年安博会期间，大华提出了通过 AIoT 构建我们的四维数字世界，来构建智慧孪生的过程。

在这个构建过程中，我们认为人工智能不是一个点状的问题，而是一个产业链的问题。

人工智能的应用不会是单一算法问题，而是以全链路的数据为基础，强调的是通过数据智能与人机协同，用贴合业务的人工智能解决方案满足智慧化的需求，这对在线系统的全网设备与计算能力管控与调度，人工智能的加载，多维度感知技术等提出了更高的要求。

所以大华在构建人工智能体系的过程中，考虑到了包括算力的构建、核心算法的构建、面向各个行业应用的构建，以及我们如何去覆盖各个产品类型的逻辑。

当然，只是解决了数据智能化还不够，还需要对数据进行挖掘、整合、分析。

所以我们构建了一条完整的数据链路，从数据管理、数据治理、数据知识加上人的经验，来实现数据智能的闭环。

我们认为，此前的数据智能更多的还是基础智能加上人工经验辅助，还不能达到自我智能。

未来，从经验式的数据智能，到自我决策的逻辑，需要通过大量的数据经验、人为经验，包括行业经验，来满足我们在数据智能这方面能力的提升。

另外一块是工程化逻辑，就是如何能够快速产生人工智能能力。

我们在构建这方面能力的时候，主要考虑到了两个点：第一把整个平台做好，这样才能做到从数据到算法快速的生成。

第二需要满足现场快速定制化的要求，包括数据隐私、数据安全性问题。

基于此，我们构建了一大一小两大数据训练平台，包括大华巨灵人工智能开发平台、大华巨灵人工智能开发工作站，以实现我们的 AI 快速标准化和定制化的过程。

同时，我们也发现，近几年中国出现了很多芯片公司，我们会面临更多芯片的选型问题。基于此，我们也构建了一套完整的供应链体系，来实现面向所有芯片的快速部署，加快我们从技术到产品，到商业落地的转化效率。

另一方面，在整个系统中，我们还要完善端侧、边侧、云侧大小系统融合过程中数据连通、数据融合、数据一致性的问题，来优化全网资源配置、算力统一调配，保证数据一致性。

除此之外，我们还要和合作伙伴们去做互联互通。

从云端到智能应用，从算法仓库到硬件产品，我们在每一层都会提供开放能力，我们希望和所有合作伙伴一起开放共赢。

当然，AI 虽然现在可以做到部分商业化落地，但未来还有很大的提升空间。

我们认为人工智能未来在五大方面可能会有比较大的提升，包括全场景理解、小规模数据、算法的泛化能力、多任务学习以及 AutoML 过程。

先来谈谈全场景理解。以前的交通路口 AI 应用，其实只能叫做半人工智能，因为很多规则需要提前部署，我们会划出很多规则线，告诉相机哪个是斑马线、哪个是红绿灯、哪个是道路线，这个工程量其实很大。

后面我们把交通要素全部标识出来，做成了一个全域智能模型，也就是说不用再人工配置了。

对于产品解决方案来说，这是一个非常好的提升方向。我们认为，未来的 AI 发展趋势，在于对全环境的感知，让它能够自适应理解全场景，而不用人为地告知目标对象属性。

小数据这个问题，刚才杨教授也讲到了，未来不会有大量的数据给到你，需要你通过数据生成和迁移学习快速实现新功能开发。

其实通过小量数据样本，也可以得到一个比较好的数据模型，我们会做一些训练模型，希望通过这些尝试，帮助人们快速降低算法成本。

第三块叫做泛化能力，视频应用环境各式各样，有白天、晚上、下雨、曝光，不同环境下的成像都不太相同。

这时候通过我们的系统能力去提升算法的鲁棒性，来减少对场景的依赖至关重要。我们认为实战是检验算法性能的唯一标准，而不是实验室指标高一个点、低一个点。

再来，我们还要解决多任务问题。为了实现一个场景应用，现在一套算法做下来，可能有十几二十个模型。未来，我们希望利用多任务学习技术，提升计算资源利用率，在有限计算资源的条件下，实现多算法融合，让算法训练更简单。

最后一点，这也是我们的一个梦想，我们希望通过 AI 的设计语言，来实现编译部署和编译环境。大华内部有一套 DAIL 的编译器和语言，虽然大部分的内容还是开源或者引入。但未来我们也希望能够开发出一套国产化的 EDA 工具，来简化整个行业智能算法的开发和部署过程。

今天讲到了很多内容，总结一下，主要有三个点：

1、AI 会长期处于第三阶段；

2、应用会主导 AI 个性化发展；

3、AI 目前还是依赖人工为主，未来会真正转向自我智能，实现人工智能的快速落地与技术普惠。