中國工程院院士王恩東曾提出AI產(chǎn)業(yè)呈現(xiàn)出三個明顯的發(fā)展趨勢：創(chuàng)新速度成為AI產(chǎn)業(yè)發(fā)展核心競爭力，AI產(chǎn)業(yè)化加速，以及產(chǎn)業(yè)AI化。致力于提供行業(yè)人工智能解決方案的獨角獸企業(yè)巨頭們，只有不斷推動人工智能朝著可解釋可理解的方向發(fā)展，減少算法所產(chǎn)生的偏見，才能實現(xiàn)人與計算機，碳基生物與硅基生物之間的互信共治、美好協(xié)作的世界。

人工智能現(xiàn)狀：瓶頸or臨界點

據(jù)清華大學中國科技政策研究中心發(fā)布的《中國人工智能發(fā)展報告2018》顯示，中國的人工智能發(fā)展迅速，多項領(lǐng)域已經(jīng)成為世界第一，包括人工智能專利布局、相關(guān)科研論文數(shù)量、風險投資占比等，而人工智能市場規(guī)模也將繼續(xù)增長，預計到2020年達到接近1000億人民幣的規(guī)模。

但人工智能的發(fā)展不可能短期一蹴而就，整體來說，通用人工智能和人工智能的發(fā)展還處在初級階段。這一點不僅國家層面有著清醒的認識，人工智能領(lǐng)域的科研機構(gòu)、專家及企業(yè)對此同樣有著理性判斷。尤其在B端行業(yè)應(yīng)用、AI產(chǎn)業(yè)化、真正的行業(yè)人工智能方面，目前還僅僅是起步。

人工智能的三個層次：計算智能、感知智能、認知智能。

簡單理解，計算智能即快速計算、記憶和儲存能力；感知智能，即視覺、聽覺、觸覺等感知能力，當下十分熱門的人臉識別、語音識別即是感知智能；認知智能則更為復雜，包括分析、思考、理解、判斷的能力。

從現(xiàn)階段人工智能的發(fā)展來看，隨著計算力的不斷發(fā)展，儲存手段的不斷升級，計算智能可以說已經(jīng)實現(xiàn)；而隨著移動互聯(lián)網(wǎng)普及，大數(shù)據(jù)、云計算等技術(shù)發(fā)展，更多非結(jié)構(gòu)化數(shù)據(jù)的價值被重視和挖掘，語音、圖像、視頻、觸點等與感知相關(guān)的感知智能也在快速發(fā)展；在計算智能和感知智能發(fā)展基礎(chǔ)上，人工智能正在向能夠分析、思考、理解、判斷等認知智能延伸，真正的智能化解決方案已經(jīng)顯現(xiàn)端倪。可以說，人工智能的發(fā)展已經(jīng)到了由感知智能向認知智能邁進的臨界點。

當前的人工智能（AI）識別做的只是比對，缺少信息進入大腦之后的，加工、理解、思考’步驟，因此僅僅停留在‘感知’，而并非‘認知’。”要讓AI有類似大腦的活動，走到認知階段，需要讓它掌握知識、進行推理。AI從“感知智能”走向“認知智能”的實踐目前在通用狀態(tài)下比較困難，但在一些諸如反洗錢、偵察等領(lǐng)域正在應(yīng)用。

AI“大腦”長成要先建知識庫

現(xiàn)在的AI處于弱人工智能狀態(tài)，它沒有大腦，要讓它形成大腦，最核心的是要有“知識”。如果現(xiàn)有的算法、模型是神經(jīng)或腦結(jié)構(gòu)，那么知識是大腦能夠運轉(zhuǎn)起來的原動力。讓AI獲得知識的知識庫在業(yè)界稱為“知識圖譜”，它不僅要關(guān)注知識點還要關(guān)注知識點間的關(guān)聯(lián)。這些關(guān)聯(lián)將賦予AI聯(lián)想力。提到水，它要反應(yīng)到密度、透明等多個性質(zhì)，還要和澆水、能喝的功能聯(lián)系起來，更高級的是計算出用多大力道去取水。

知識圖譜的建立非常困難，人類海量的知識如何翻譯成機器的語言，并與之建立聯(lián)系，很成問題。尤其是之前這項工作一直是人工完成的，例如谷歌詞庫、百度百科、維基百科等都可以轉(zhuǎn)換為知識圖譜，但工作量大、內(nèi)容異常龐雜。

“關(guān)聯(lián)密度”不足是另一個難以達到應(yīng)用的“瓶頸”。一個知識點可能最多出現(xiàn)在幾個關(guān)系中，能解決比爾·蓋茨的爸爸的鄰居的媽媽這種單維度的問題，但離反映現(xiàn)實世界中“蝴蝶效應(yīng)”里的相互影響還差很遠。在關(guān)聯(lián)密度不足的情況下，AI的“大腦”即便擁有一個上千萬詞條體量的通用知識圖譜也難以達到應(yīng)用的級別。

行業(yè)知識圖譜能達“認知層面”

知識點的關(guān)聯(lián)密度更像是一個AI大腦皮層，越復雜密集AI將越“聰明”。一些行業(yè)本身就有自己的基礎(chǔ)關(guān)聯(lián)圖，這為其制定圖譜提供了幫助。例如公安系統(tǒng)有一套體系，包括人、地、事、物、組織、機構(gòu)以及關(guān)聯(lián)，將出入境數(shù)據(jù)、第三方物流數(shù)據(jù)等加入進來之后，可固定成知識圖譜。在做入室盜竊、公交扒竊等一些行為規(guī)律的研究時，知識圖譜中除了引入歷史數(shù)據(jù)的發(fā)展態(tài)勢、風險感知之外，還逐步加入了環(huán)境、天氣等數(shù)據(jù)，包括PM2.5的值，結(jié)果發(fā)現(xiàn)PM2.5的值對公交扒竊是有影響的。

越密集越準確，AI知識圖譜的關(guān)系圖要做到像“福爾摩斯”一樣綜合分析，要形成凝集大量信息的知識圖譜，這對傳統(tǒng)的人工建立知識圖譜的效率提出了挑戰(zhàn)。

實際上，探索人工智能的落地應(yīng)用產(chǎn)業(yè)升級大幕現(xiàn)在剛剛拉開。在B端特別是傳統(tǒng)行業(yè)尤其面臨著一些困難，包括企業(yè)、政府對于人工智能的理解和顧慮，數(shù)據(jù)采集、儲存的缺失、分散和復雜，AI+行業(yè)的應(yīng)用成本高昂、技術(shù)人才團隊的不足等。更重要的，在人工智能技術(shù)自身發(fā)展層面，也還未達到成熟，眾多課題還需要攻克。

但不論怎么說，人工智能與行業(yè)深度融合是一個不可逆的趨勢，人工智能對人類、人機關(guān)系的影響也會日益加深，整個世界會在人工智能的催化下聯(lián)系更為緊密。