电话机器人到行业发展，好不好用不能一蹴而就

电话机器人到行业发展，好不好用不能一蹴而就
AI产业呈现出三个明显的发展趋势：创新速度成为AI产业发展核心竞争力，AI产业化加速，以及产业AI化。致力于提供行业人工智能解决方案的*角兽企业成员们，只有不断推动人工智能朝着可解释可理解的方向发展，减少算法所产生的偏见，才能实现人与计算机，碳基生物与硅基生物之间的互信共治、美好协作的世界。


据清华大学中国科技政策研究中心发布的《中国人工智能发展报告2018》显示，中国的人工智能发展迅速，多项领域已经成为世界，包括人工智能**布局、相关科研论文数量、风险投资占比等，而人工智能市场规模也将继续增长，预计到2020年达到接近1000亿人民币的规模。


人工智能的发展不可能短期一蹴而就，整体来说，通用人工智能和人工智能的发展还处在初级阶段。这一点不仅国家层面有着清醒的认识，人工智能领域的科研机构、及企业对此同样有着理性判断。尤其在B端行业应用、AI产业化、真正的行业人工智能方面，目前还仅仅是起步。


简单理解，计算智能即快速计算、记忆和储存能力；感知智能，即视觉、听觉、触觉等感知能力，当下十分热门的人脸识别、语音识别即是感知智能；认知智能则更为复杂，包括分析、思考、理解、判断的能力。


从现阶段人工智能的发展来看，随着计算力的不断发展，储存手段的不断升级，计算智能可以说已经实现；而随着移动互联网普及，大数据、云计算等技术发展，更多非结构化数据的价值被重视和挖掘，语音、图像、视频、触点等与感知相关的感知智能也在快速发展；在计算智能和感知智能发展基础上，人工智能正在向能够分析、思考、理解、判断等认知智能延伸，真正的智能化解决方案已经显现端倪。可以说，人工智能的发展已经到了由感知智能向认知智能迈进的临界点。


当前的人工智能(AI)识别做的只是比对，缺少信息进入大脑之后的，加工、理解、思考’步骤，因此仅仅停留在‘感知’，而并非‘认知’。”要让AI有类似大脑的活动，走到认知阶段，需要让它掌握知识、进行推理。AI从“感知智能”走向“认知智能”的实践目前在通用状态下比较困难，但在一些诸如反xiqian、侦察等领域正在应用。


现在的AI处于弱人工智能状态，它没有大脑，要让它形成大脑，核心的是要有“知识”。如果现有的算法、模型是神经或脑结构，那么知识是大脑能够运转起来的原动力。让AI获得知识的知识库在业界称为“知识图谱”，它不仅要关注知识点还要关注知识点间的关联。这些关联将赋予AI联想力。提到水，它要反应到密度、透明等多个性质，还要和浇水、能喝的功能联系起来，更的是计算出用多大力道去取水。


知识图谱的建立非常困难，人类海量的知识如何翻译成机器的语言，并与之建立联系，很成问题。尤其是之前这项工作一直是人工完成的，例如谷歌词库、百度baike、维基百科等都可以转换为知识图谱，但工作量大、内容异常庞杂。


“关联密度”不足是另一个难以达到应用的“瓶颈”。一个知识点可能多出现在几个关系中，能解决比尔·盖茨的爸爸的邻居的妈妈这种单维度的问题，但离反映现实世界中“蝴蝶效应”里的相互影响还差很远。在关联密度不足的情况下，AI的“大脑”即便拥有一个上千*条体量的通用知识图谱也难以达到应用的级别。
知识点的关联密度更像是一个AI大脑皮层，越复杂密集AI将越“聪明”。一些行业本身就有自己的基础关联图，这为其制定图谱提供了帮助。例如gongan系统有一套体系，包括人、地、事、物、组织、机构以及关联，将出入境数据、第三方物流数据等加入进来之后，可固定成知识图谱。在做入室盗窃、公交扒窃等一些行为规律的研究时，知识图谱中除了引入历史数据的发展态势、风险感知之外，还逐步加入了环境、天气等数据，包括PM2.5的值，结果发现PM2.5的值对公交扒窃是有影响的。


越密集越准确，AI知识图谱的关系图要做到像“福尔摩斯”一样综合分析，要形成凝集大量信息的知识图谱，这对传统的人工建立知识图谱的效率提出了挑战。


实际上，探索人工智能的落地应用产业升级大幕现在刚刚拉开。在B端特别是传统行业尤其面临着一些困难，包括企业、**对于人工智能的理解和顾虑，数据采集、储存的缺失、分散和复杂，AI+行业的应用成本高昂、技术人才团队的不足等。更重要的，在人工智能技术自身发展层面，也还未达到成熟，众多课题还需要克服。


但不论怎么说，人工智能与行业深度融合是一个不可逆的趋势，人工智能对人类、人机关系的影响也会日益加深，整个世界会在人工智能的催化下联系更为紧密。