“互联网+”的模式已经过去,未来属于“智能+”

2019年中国人工智能大会（Chinese Congress on Artificial Intelligence 2019，简称“CCAI 2019”）将于9月21日-22日在青岛召开。平安集团首席科学家肖京博士将为本次大会作题为《智能+金融战略实践》的主题演讲。

肖京长期从事人工智能与大数据分析挖掘相关领域研究，多次当选重要国际学术会议委员会及中美国家基金评审专家委员会委员，先后在爱普生美国研究院及美国微软公司担任高级研发管理职务。目前肖京在平安集团负责创新技术及产品研发应用，包括智能化大数据分析等技术在金融、医疗、智慧城市等领域的研发和应用。

深度学习在人脸识别、机器翻译以及人机对弈等领域取得的进步，引起了新一轮“人工智能热”。在大会开幕前，我们不妨先了解一下，身处产业一线的科学家肖京，如何看待当前人工智能行业的发展？关于智能化在未来的推进和落地，他又有过哪些思考呢？  

未来人工智能应像“乌鸦”

肖京在公开场合提过，人工智能并不是新事物。早在上世纪70年代，电视广告里就出现了人工智能助手，帮助人查阅邮件，还能实现语音交互，只不过当时计算能力很弱；到90年代，由于互联网的出现，数据、存储能力、算法都有显著提升，人工智能技术又开始蓬勃发展起来；再后来深度学习出现，为非结构化数据的处理带来了非常大的突破，产生了非常多的应用场景，于是就形成了今天我们看到的人工智能热潮。

对于当前火热的深度学习，肖京表示它存在很多不足。比如，深度学习只考虑相关性而忽视因果关系，AlphaGo知道棋子下在哪会赢，但不知其所以然，不具备解释性。另外，深度学习仅是分类而不能量化，它告诉你能赢，但不知道能赢多少。最后，深度学习还过于依赖大数据，以AlphaGo Zero来说，它不需要大数据训练，因为围棋规则明确、信息完备，机器可以通过结合深度学习和强化学习，实现自我训练学习，然而绝大多数场景是不满足信息完备等条件的，因此模型精度还是依赖大量的训练数据，这往往是很难获得的。因此，肖京针对性地提出，需要改进深度学习的方法，让机器实现可解释、可量化、小数据学习、可读写、自适应等能力。

在更宏观的层面，肖京把人工智能的发展分为弱人工智能、强人工智能和超人工智能三个阶段。他认为，当前人工智能还处在第一阶段，会“计算”但不会“算计”，其计算智能已远超人类，但在感知智能、认知智能等方面，还达不到人类的水平。肖京曾以乌鸦为例子，提出未来人工智能的进化方向。爱吃坚果的乌鸦，会主动停在交通灯上，在绿灯时丢下坚果，让过往汽车碾碎，等红灯时再下去吃。肖京说，未来人工智能至少要先能像乌鸦一样，会“算计”和思考。

通用AI留给科研机构，企业应专注解决实际业务痛点

当前人工智能取得的突破，主要集中在专用领域，不少业内声音认为，通用人工智能才是未来的趋势。对此，身在企业界的肖京有自己的看法。

在肖京看来，通用人工智能起码要等到强人工智能阶段才会出现。他认为通用人工智能是个非常有意思的研究方向，不过在大多数实际业务中，通用人工智能未必能像专用智能一样带来附加的应用价值。

因此他提出，通用人工智能的研究，应该留给科研机构来研究攻关；对企业来说，应该更专注于研发智能技术，来解决实际的业务痛点。即便要瞄准通用人工智能，也应该作为远期目标来规划，否则就有不切实际之虞。

对于现阶段人工智能的应用，他指出，定义清楚目标场景和问题是很重要的，问题定得太大、太通用，常常得不到很好的效果，应该在目标清晰有的放矢，应用获得成功后，再考虑如何标准化并拓展应用。

企业如何实现智能化转型？

随着人工智能发展的进步，越来越多的企业提出了智能化转型目标，希望借助人工智能的“东风”，实现发展跃迁。

肖京认为，相对于过去20年的互联网革命，今天的智能化更加复杂。在他看来，过去20年互联网的创新模式是相对简单的，它只是把传统业务转移到线上，创造了新的渠道，但对于业务本身并没有做出太多改造。

而智能化是技术上的创新，要在对传统业务流程非常熟悉的前提下先做信息化改造，实现信息流通，再完成数据化。

肖京总结过传统企业智能化转型，需要具备的五个因素：

第一，要有技术、算法，计算平台、计算能力；

第二，要有数据，实现数据化；

第三，要有场景，并在实际场景中不断迭代，才能让智能化方案不断改进，最终真正发挥效用；

第四，要有行业专家的指导，这样智能化改造才能有效解决实际痛点，而不仅是炫技；

第五，要有自上而下的机制来协调推动。

肖京还提出，智能化的实施要逐步展开。一上来就用最复杂先进的深度学习，不是最好的办法。

在肖京看来，数据挖掘的价值主要体现在三个阶段。

第一阶段是业务规则和业务经验，需要建立全面的确定性专家系统和规则引擎。业务流程中的许多环节深度依赖规则、经验和知识，这些规则往往不能从历史数据中获取。

第二阶段是商务智能阶段，目的是要寻找到数据之间的关联性，对用户按数据特征合理分群并进行分类处理，主要应用于服务“头端用户”，即特征特别明显的客户群体。不过商务智能往往难以深入挖掘多目标、多因素复杂的关联关系，尤其是对弱相关因子的挖掘和利用。而在大数据时代有显著的长尾现象，需要尽可能挖掘大量的弱相关因子，才能充分利用大数据的价值。因此需要进入第三阶段。

第三个阶段是人工智能阶段，利用机器学习及深度学习等人工智能技术，深度挖掘并充分利用大数据的价值，实现更精准分析。通常来说，由于长尾客户没有很明显的特征，彼此间也缺乏关联性，因而需要通过机器学习等深度智能的方法来触达。而这时，根据不同项目、不同人群、不同场景进行建模就显得尤为重要。