新一代人工智能的发展与展望
随着大数据、云计算等技术的飞速发展，人们生产生活的数据基础和信息环境得到了大幅提升，人工智能（AI）正在从专用智能迈向通用智能，进入了全新的发展阶段。国务院印发的《新一代人工智能发展规划》指出新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。在4月10日“吴文俊人工智能科学技术奖”十周年颁奖盛典中，作为我国不确定性人工智能领域的主要开拓者、中国人工智能学会名誉理事长李德毅院士荣获“吴文俊人工智能最高成就奖”，并在大会上作题为《探索什么叫新一代人工智能》的报告，探讨了新一代人工智能的内涵和路径，引领着新一代人工智能的发展与展望。
人工智能这一概念诞生于1956年在美国达特茅斯学院举行的“人工智能夏季研讨会”，随后在20世纪50年代末和80年代初先后两次步入发展高峰，但因为技术瓶颈、应用成本等局限性而均掉入低谷。在信息技术的引领下，数据信息快速积累，运算能力大幅提升，人工智能发展环境发生了巨大变化，跨媒体智能、群体智能成为新的发展方向，以2006年深度学习模型的提出为标志，人工智能第三次站在了科技发展的浪潮之巅。
当前，随着移动互联网、物联网、大数据、云计算和人工智能等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。在多源数据、多元应用和超算能力、算法模型的共同驱动下，传统以计算机智能为基础的、依赖于算力算法和数据的人工智能，强调通用学习和大规模训练集的机器学习，正逐渐朝着以开放性智能为基础、依赖于交互学习和记忆、基于推理和知识驱动的以混合认知模型为中心的新一代人工智能方向迈进。应该说，新一代人工智能的内核是“会学习”，相较于当下只是代码的重复简单执行，新一代人工智能则需要能够在学习过程中解决新的问题。其中，学习的条件是认知，学习的客体是知识，学习的形态是交互，学习的核心是理解，学习的结果是记忆……因此，学习是新一代人工智能解释解决现实问题的基础，记忆智能是新一代人工智能中多领域、多情景可计算智能的边界和约束。进而当人类进入和智能机器互动的时代，新一代人工智能需要与时俱进地持续学习，不断检视解决新的问题，帮助人机加深、加快从对态势的全息感知递进到对世界的多维认知。
事实上，基于数据驱动型的传统人工智能，大多建立在“数据中立、算法公正和程序正义”三要素基础之上，而新一代人工智能更关注于交互能力，旨在通过设计“记忆”模块来模仿人脑，解决更灵活多变的实际问题，真正成为“不断学习、与时俱进”的人工智能。特别是人机交互支撑实现人机交叉融合与协同互动，目前已在多个领域取得了卓越成果，形成了多方面、多种类、多层次的应用。例如，在线客服可以实现全天候不间断服务，轻松解决用户咨询等问题，也可将棘手问题转交人工客服处理，降低了企业的管理成本；在智慧医疗领域，人工智能可以通过神经影像实现辅助智能诊断，帮助医生阅片，目前准确率已达95%以上，节省了大量的人力；2020年，在抗击疫情的过程中，新一代人工智能技术加速与交通、医疗、教育、应急等事务协作联动，在科技战“疫”中大显身手，助力疫情防控取得显著成效。
未来已来，随着人工智能逐渐融入居民生活的方方面面，将继续在智慧医疗、自动驾驶、工业制造智能化等领域崭露头角。一是基于新一代人工智能的智慧医疗，将助力医院更好记录、存储和分析患者的健康信息，提供更加精准化和个性化的健康服务，显著提升医院的临床诊断精确度。二是通过将新一代人工智能运用于自动驾驶系统的感知、预测和决策等方面，重点解决车道协同、多车调度、传感器定位等问题，重新定义城市生活中人们的出行方式。三是由于我国工业向大型化、高速化、精细化、自主化发展，对高端大规模可编程自动化系统提出迫切需求，新一代人工智能将推动基于工业4.0发展纲领，以高度自动化的智能感知为核心，主动排除生产障碍，发展具备有适应性、资源效率、人机协同工程的智能工厂应运而生。总之，如何展望人工智能通过交互学习和记忆理解实现自编程和自成长，提升自主学习和人机交互的效率，将是未来研究着力发展的硬核领域，并加速新一代信息技术与智能制造深度融合，推动数字化转型走深走实，有信心、有能力去迎接下一场深刻产业变革的到来。
认识人工智能的九个方面
3、本次人工智能浪潮的驱动因素
驱动认知程度提高的一方面因素是技术本身的提高，包括数据、算法、算力，使得人工智能技术真正为商业应用创造了价值;另一方面，大数据、物联网、云计算等技术为人工智能的发展打下了良好基础。
4、人工智能产业发展技术方向
人工智能方向的企业目前主要分为两类:专注于技术研发的通用型人工智能企业，如DeepMind、FacebookAIResearch、GoogleBrain与BaiduAI等，以及专注于人工智能技术应用的专用型人工智能企业。通用型人工智能由于研发技术难度大，目前多由巨头互联网公司在进行布局，短期内没有明确的技术突破前景。专用型人工智能企业数量众多，但其发展仍然受制于需要人工标注的数据限制。
5、人工智能产业发展的地域分布
纵观全球人工智能产业的发展，我们可以发现，全球领先的创新高点散落在各个国家，如美国纽约与硅谷、英国伦敦、以色列，以及中国的北京、上海与深圳。人工智能技术本身具有高流通、易传导的性质，在全球信息流通开放的大环境下，人工智能的发展不再受限于国家或地域。借助于良好的人才基础、巨大的应用市场、强有力的风投基金支持，中国人工智能企业的发展势头良好，在全球处在优势领先地位。中国的人工智能企业数量、专利申请数量以及融资规模均仅次于美国，位列全球第二。在国内，计算机视觉、服务机器人、自然语言处理方向的人工智能企业占据了人工智能企业个数的一半以上。北京、上海、深圳作为国内人工智能创新的高地，其相关企业数量占据了国内企业总数的近80%。
6、人工智能未来发展的预测
短期内构建大型的数据集将会是各企业与研究机构发展的重要方向。同时，机器学习技术会更注重迁移学习与小样本学习等方向，近期AlphaGoZero在无监督模式下取得的惊人进步充分体现了此方向的热度。长期来看，通用型人工智能的发展将依赖于对人脑认知机制的科学研究，其发展前景目前尚处于无法预测的状态。
在商业应用方面，短期内，专用型人工智能将会在数据丰富的行业、应用场景成熟的业务前端(如营销、服务等)取得广泛的应用。长期来看，正如国际人工智能领域著名学者MichaelI.Jordan所说，人工智能技术将能在边际成本不递增的情况下将个性化服务普及到更多的消费者与企业，从细分行业的特定应用场景应用到更加普世化的情景。
7、本次人工智能可以带来的商业价值分析
随着人工智能在各个行业的应用场景逐渐明朗，应用的行业与业务范围逐渐增加，在自动驾驶、医疗辅助诊断、金融交易风险防控等领域已有众多企业进行了布局。
从定量的角度，至2030年，人工智能将在中国产生10万亿元的产业带动效益。根据我们的估算，人工智能带来最大影响的传统产业将会是金融、汽车、零售和医疗。在金融行业，通过人工智能技术在风险控制、资产配置、智能投顾等方向的应用，预计人工智能将带来约6000亿元人民币的降本增益效益。在汽车行业，人工智能在自动驾驶上的技术突破将带来约5000亿元人民币的价值增益。在医疗行业，通过人工智能技术在药物研发领域提高成功率、在医疗服务机构内提供疾病诊断辅助、疾病监护辅助等提高服务效率的应用，预计人工智能可以带来约4000亿元人民币的降本价值。在零售行业，人工智能在推荐系统上的运用将提高在线销售的销量表现，同时更加精准的市场预测将降低库存成本，预计人工智能技术将带来约4200亿元人民币的降本与增益价值。
8、目前人工智能在各行业的发展基础分析
根据不同行业的企业在组织机构方面、数据与技术基础方面以及人工智能应用情况上的现状，我们设计了不同行业人工智能发展基础的评估体系，对各个行业应用人工智能的准备程度进行了评估。
通过在各个行业积累的项目经验以及与各个行业的专家访谈，我们对13个行业在组织文化基础、数据与技术基础、人工智能应用基础三大方面的17个子问题进行了定量评估。
从结果上来看，金融、零售、医疗与汽车行业发展基础最为夯实。金融行业拥有良好的数据积累，在自动化的工作流与相关技术的运用上也有不错的成型成效，在组织机构的创新文化与灵活性上处于中等优势地位。医疗行业拥有多年的医疗数据积累与流程化的数据使用过程，因此在数据与技术基础上有着很强的优势。汽车行业已经开始利用人工智能技术布局自动驾驶、辅助驾驶技术，因此在组织基础与人工智能应用基础上有着很好的优势。零售行业在组织结构、数据积累、人工智能应用方面有一定基础，处于一个比较均衡的发展状态。
同时，制造、教育、通信行业值得关注。制造行业、通信行业虽然在组织机构上的基础相对薄弱，但由于拥有大量高质量的数据积累以及自动化的工作流，为人工智能技术的介入提供了良好的技术铺垫。教育行业的数据积累虽然仍处于发展过程中，但组织整体对人工智能持重点关注的态度，同时开始在实际业务中结合或应用人工智能技术。
9、企业如何布局人工智能
如前所述，人工智能技术是继互联网之后最具颠覆性的革命性技术，它将开启一系列新的商业变革。当下人工智能技术所处的发展阶段，就好似处于上世纪九十年代中期的互联网技术。目前，谷歌、Facebook、亚马逊、阿里巴巴、百度等互联网巨头都以收购人工智能初创企业或自建研发实验室等各种方式积极布局人工智能研发，各行业领军企业也在各类人工智能应用场景内进行积极的投资、收购与研发。对于各行业的企业而言，布局人工智能应用，时机就在当下。企业发展人工智能总体思路。
企业在制定人工智能发展计划时：
首先应当明确在目前业务场景下有哪些地方可以运用人工智能技术，有什么机会可以把握，或者换个角度说，如果不开始布局人工智能技术，会失去哪些机会。企业需要通过研究外部市场发展情况,了解目前行业中其他企业在此技术方向上的布局，评估人工智能技术在自身业务背景下的应用机会，学习观察在价值链各环节上的商业应用案例。
其次，企业需要评估在组织、数据与技术、运用与执行能力上具备的核心竞争力，认识到在哪些方面存在不足，并针对不足为相关部门提供各方面的支持与引导。
最后，结合对企业内部核心竞争力打造计划与应用实施计划，企业需要制定明确的发展方向与发展程度期望，设置具有时间节点的发展蓝图，并打造相关配套能力支持计划的执行。
来源：未来智库头条
版权声明：转载文章和图片均来自公开网络，推送文章除非无法确认，我们都会注明作者和来源。如果出处有误或侵犯到原作者权益，请与我们联系删除或授权事宜返回搜狐，查看更多
人工智能的发展方向与机遇
AI中国网https://www.cnaiplus.com
原标题：人工智能的发展方向与机遇编辑导读：近几年人工智能大热，几乎所有人都在讨论关于人工智能相关的话题，同时各个领域的突破也不少。本文作者对当前人工智能的目前发展情况进行了梳理，并分享了自己对人工智能未来的一些猜测与看法，与大家分享。
01现阶段人工智能的瓶颈
现在人工智能有很多突破，尤其在应用上有大量突破，但是实际上人工智能底层的技术研究的进展其实并不多。最近值得说的进展就一项，就是曾经研制出了AlphaGo，战胜了李世石的公司DeepMind。DeepMind在前段时间研究了一个系统，战胜了人类的德州扑克选手。
玩过德州扑克的朋友是可以感受到的，德州扑克要比玩围棋复杂得多。因为围棋所有的信息都是充分信息，是已知的；而德州扑克，你对面的玩家肯定不会让你知道他手里的牌，所以是不充分信息。在不充分信息的情况下能战胜人类选手，某种程度上说明人工智能又进了一步。
不过这种进步只是弱人工智能。正如《前哨》中所说：弱人工智能比人强，强人工智能比人弱。迄今为止在强人工智能方面还没有任何进展。
美国著名的计算机专家、图灵奖的获得者JudeaPearl的在去年的新书《为什么》中，就提到了一个很有趣的，甚至让人工智能专家都有点尴尬的事实：“人工智能评价这个系统的好坏，并不能从结构上或者理论上来评价，比如你的结构更优或者理论更好，只能从结果来评价。”人工智能算是一门科学吗？答案成疑。所以Pearl就很毒舌地说：“人工智能现在已经变成了炼金术。”
所以人工智能在现阶段最大的瓶颈，就是理论上和实际底层技术的发展。
下面是笔者在读《为什么》时的笔记导图，强烈建议对人工智能感兴趣的朋友读下原书。
02人工智能的三大发展方向
虽然面临着理论和底层发展的瓶颈，人工智能终究还是有进展的，根据王煜全老师在2019年的报告中的阐述，结合笔者对人工智能领域的理解，可以总结为以下三个发展方向。
1.大数据向小数据过渡
过去机器学习要用海量数据做训练，现在希望用尽可能少的数据做训练。
小数据不等于没数据，因为人工智能迄今还是基于归纳总结原理做出来的，也就是说在人工智能系统里面其实统计学更有意义。
但人工智能绝不能满足于此，人类是会推理的，可以在没有数据的情况之下判断事情该怎么做，小数据也不能真实模拟人类的这种判断。
我们可以想象这样一个场景：在一个雨夜里，你在一个崎岖的山路上开车，前面路中间有一堆土，土堆边上有一个看似穿着警服的人在挥手，摇着一个旗子让你下来，你下还是不下？如果你不下，勉强可以冲得过去，但如果你下来才是遵守指令。这种时候，我们普通人会有很复杂的推导，比如这附近治安好不好？晚上天很黑的时候附近治安会不会有问题？另外我们人会看这个警察，他身上的装扮是不是真正的警察制服？周围的交通疏导装置是不是都安上了？如果只有一个人站在那，而没有相应的交通疏导装置，很多人会认为这是假的，就会想办法冲过去。
这些所有背后的复杂判断，不只是一个路面的问题，而且涉及到了社会安全，以及很多其它和交通无关的问题。这些问题是迄今为止自动驾驶都无法判断的。
这也就是五级自动驾驶几乎接近于永远无法推向市场实现商业化的原因。除非下一次人工智能的突破到来，使得人工智能真正具备智力分析能力。虽然现在人工智能的一个方向是小数据，但依然不是没数据，依然是基于统计，而不是基于推理和因果关系，这也是《为什么》这本书质疑人工智能的地方。
2.边缘计算
笔者不是技术出身，对计算能力上的概念理解也是有限，简单描述下该方面的发展方向。
从计算能力上来说，一方面，我们要有充分的计算能力；另一方面，5G的来临使得我们的云端计算能力也可以得到极大的加强。而且因为响应速度提升了，所以云端计算能力可以对局端、对边缘的计算能力实现更好的补充，使得云端和终端形成一体化的人工智能计算能力。
这其实对整体来讲是锦上添花，而并不是一个革命性的变化。
3.终身学习
现在机器也可以终身学习了。
机器一旦有了终身学习能力，就会使得我们整个人类或者说企业，尤其是行业里面采用人工智能的策略产生本质性变化。如果机器不能终身学习，我们在引入人工智能的时候就不用太着急，等到人工智能系统足够好的时候再引入即可。但是如果机器能够终身学习，最好的策略是第一时间引入人工智能，因为虽然引入的时候它可能还不那么智能，但是它不断学习、不断完善自己，就会比引入晚的竞争对手领先一大截，这个时候甚至和硬件都没有那么大的关联。
所以，各个行业都需要去看人工智能能否更快、更好地引入到自己的行业领域里面来。因为人工智能确实是像互联网一样，所以很多人都说人工智能是互联网的下一代，就是因为它有广泛的适用性，所有的行业都有可能因为人工智能而获益。
03人工智能技术在哪些应用上有优势？
现在采用人工智能还是有一些障碍的，尤其是对于不是这个行业领域的公司。一些传统领域的公司通常认为，建立了人工智能部门，也招了很多做人工智能的人，就是在做人工智能了。但实际上迄今为止，人工智能专家依然是稀缺的，人工智能专家在未来五年之后可能就不再稀缺了，但是现在依然是稀缺的。
稀缺的一个主要的特征，就是很多大IT公司都在喊：现在和我们抢夺人工智能人才的，主要的竞争对手是华尔街。为什么呢？因为人工智能技术基本上到顶了以后，你就可以判断它在单项上有很强的优势。这种单项优势就会被各个行业领域采用，最早采用的一定是利用这个优势获得大量收入利润的行业，金融无疑是最理想的行业，所以用人工智能炒股已经几乎变成华尔街的标配了。
虽然独立的人工智能炒股的基金公司并不多，但实际上，大多数的基金公司都储备了人工智能的人才。判断短时的涨跌，用人工智能做短期操作一定比人强，这已经是事实了。当然，这并不代表人没有机会，因为现在单项上人工智能比人强，但是多项综合人就显著地占有优势。
如果你判断短期的股票交易，基本上就根据以前的交易行为来判断，那一定是机器比人强；但是如果判断一个企业的长期发展，尤其是判断一个企业未来的科技产品有没有可能在未来的科技市场当中占优，机器就不一定比人强。
因为这些判断是非常综合的事情，涉及到了科研发展的趋势，包括研发的进展、技术能力的变化，包括产业格局的变化，甚至包括企业经营特点的变化，还包括市场的接受程度、用户的变化。
从这个意义上讲，人工智能相对来说是判断不清晰的。也就是说，你问人工智能明天可不可以买一个股票，它的回答一定比问一个人要好，但是你问一个公司五年之后发展得好不好，你最好去问人类的专家。这说明人还是有机会的，不要和人工智能去争夺单项的长短，而要在综合上面取得优势，甚至每个单项上都用人工智能辅助我们，但是在整体上我们可以超越人工智能。
这是一个相对来说比较特例的地方，因为人工智能能为企业带来大量的钱，所以整个华尔街现在非常欢迎人工智能专家，以至于现在很多IT公司都把华尔街当成竞争对手，这个竞争指的不是市场的竞争，而是指人才的竞争。而随之而来的，大多数情况之下，人工智能专家不太愿意去传统行业的企业，因为传统行业往往有很长的研发周期，它不像短线炒股，研发周期很短，迅速就有结果。
04人工智能独角兽着临着巨大的压力
现在中国的人工智能有一个很大的问题，就是过热了以后产生了一批人工智能独角兽。
独角兽就是还没有上市，但是估值已经超过了10亿美金的公司。我们都知道很多公司其实估值不到10亿美金就可以上市了。但是这些独角兽之所以没有上市，是因为收入利润并没有清晰地显示出来，也就是说其实它还不符合上市指标。但是因为市场热捧，所以它的估值非常高，这样的话这些企业就会有特别强大的压力。
压力体现在两方面：
一方面，它必须要持续不断地从市场网罗人才。因为它是独角兽，它给期权的时候会显示期权的价值特别高。虽然这个期权显示很高，不代表员工真正获取了这个价值。但是市场承认这个价值，所以它就会对人才形成很强的吸引，造成现在很多的人工智能人才愿意去独角兽，因为有高薪又有高期权，而不愿意去传统行业。传统行业的薪水没那么高，而研发又需要一个周期，不能立竿见影看到效果，回报产生了落差，因此大多数人会选择去独角兽企业。
独角兽企业有另一个致命的问题，因为它估值过高了以后，就要尽快地在收入利润上兑现它的承诺。这就意味着这些独角兽企业在长期研发上投入不足，同样是盯着那些眼前最能赚钱的业务，人工智能现在最能赚钱的业务是什么呢？这其实也是大家普遍关注的一个话题。
因为人工智能在去年、前年就在喊这样一个话题了，今年甚至还会再继续喊，就是所谓人工智能叫好不叫座。虽然人工智能非常热，各种新的应用层出不穷，但是你去看人工智能企业，似乎它们收入利润的增长没有那么令人满意。
05在人工智能细分领域的机会1.硬件层
该层级主要是涉及人工智能相关的硬件企业。这些企业坦白讲其实未来还很难预测，做这种专业领域的研发（FPGA）的公司机会相对还大一些，现在做类脑计算芯片、人工智能计算芯片，通用性相对强一点，压力会比较大。因为实际上这种芯片是需要构筑生态的，这种芯片的一个领军企业就是NVIDIA（英伟达）。
英伟达有几千个工程师，去帮它的芯片做各种应用的场景开发，或者是应用的支持，加强了英伟达的生态的健全。例如，同样做自动驾驶解决方案，英伟达更看重的是，我如何能让客户得到全面的服务。基于此，英伟达做了一套虚拟的试车系统。这套虚拟系统，让自动驾驶系统在虚拟路面去跑，可以把速度倍速。另外，可以同时在多个虚拟环境跑，显示好像是有100辆车、1000辆车同时跑，很快地积累到了足够的里程，由此人工智能系统就足够地强壮、足够地智能了。
这就是它对环境的构建，这是非常重要的。而国内大多数芯片企业，只是盲目地强调自己计算能力的优越，没有这种生态构建的能力，其实是很难跟英伟达竞争的。当然英伟达也有一个缓慢的苦尽甘来的过程，其实在两三年以前黄仁勋在演讲时，他还在畅想人工智能在各个行业领域的突破，非常地发散，但是到去年的时候业务已经非常地聚焦，一定能实现足够大的收入利润。
2.基础服务层
这个层级主要聚集着在基础平台和基础应用上发力的企业，比如云计算提供者。
在美国几乎所有的IT巨头都花巨资去建立大的云计算平台，而且都要有强大的人工智能的支撑能力，其中最领先的就是亚马逊的AWS和谷歌这两家公司。所以这几乎变成了一个业内共识，未来云计算+人工智能，甚至到了5G以后，使得云计算+人工智能无所不在，成为标配，很快就会发现人工智能会像自来水一样，随处都可以获得。
中国也是一样，现在比较领先的就是阿里云，腾讯、百度也在发力，但是现在看起来阿里还是比较领先的。当然华为也在做自己的云。中国也会诞生几朵大云，也有很大的市场空间，因为中国的IT市场不比海外小多少。
所以这一层会发展起来。而这一层的核心就是除了提供基础的云计算能力以外，一定要提供一些附加的人工智能能力。而这种人工智能能力就会使得人工智能的基础应用，不是由人工智能提供商来提供，而是由云平台直接提供。
什么是基础应用呢？现在其实没有明确的定义，在此笔者举出几个例子，供大家了解与讨论。
视觉识别，包括面部识别会变成基础应用。因为在更多公共场所的监控加上视觉识别之后，可以快速抓捕逃犯，有助于社会治安。这就形成了一个巨大的市场，现在大量独角兽都在追逐该市场。
但从长期来看，这个市场对于独角兽们恐怕不是很友好：一方面，政府会形成统一的大市场，未来应该是打通的，就从全国到处都是客户变成一个客户，这个市场也就某种程度上不存在了；另一方面，不管是几个客户，提供者很可能都不是今天的这些独角兽们，而是由基础云平台直接提供，比如阿里、腾讯或者是华为这个量级的企业。
主要原因就是这个能力并不复杂，尤其有了云以后，从云上直接提供是最简单的，未来各地只要有摄像头，就可以利用云端的能力实现智能的面部识别或者是图像识别的功能。
除了面部识别以外，现在一个大热点就是动作的识别，甚至把它叫做动作指纹。我们每个人的步态、动作、姿态都有自己的特定规律，经过人工智能的分析，可以只通过我们的动作就知道这个人是谁。现在还有一个特点，就是跨摄像头、跨领域的连续分析。也就是说通过动作捕捉，你可以跨多个摄像头，这就可以了解一个人的行为轨迹。虽然这个人的脸并没有被识别，但是通过动作就可以识别出来。虽然今天人工智能还是作为科研任务在搞，但是很快就会变成一种基础能力，通过云计算提供出来。
除此以外，还有一些基本的图形识别能力，包括另一个热门的市场，就是医学的图像识别。医学里面X光或者B超这样的图像识别，未来很有可能也会被整合到云端，提供者可能是第三方公司，也可能是云端的大IT服务商，但是未来都会由云端来提供，这也变成基础服务了。
最后，语音语义识别和翻译未来很有可能也变成云端的基础服务。今天如果你要翻译的话，还需要随身带翻译机，但是其为什么不是整合到手机里呢？据搜狗的CEO王小川介绍，搜狗的翻译机里有6个GPU，这样使得它翻译的时候计算能力能够跟得上。但是未来如果云端的处理能力加强了，所有这些语音全部送到云端去处理，然后把结果返送回来，这种时候我们每个人的手机就可以是翻译机了，而不需要一个单独的设备。
3.行业结合层
根据上文，很多基础能力未来很可能都会变成一个云端提供能力，而真正的应用能力应该是不那么基础、不那么通用，而且和行业要有充分结合。虽然它也会用到很多基础能力，甚至是云端的基础能力，但是因为它有行业特异性，所以不是云端这个云提供者能够提供的。
比如，因为语音语义识别的成熟，包括翻译能力的成熟，结合行业所组成了一个已经启动的市场，那就是智能客服。呼叫中心小企业虽然不像大企业一样有呼叫中心，但是其实有呼叫中心的需求。现在如果用人工智能来做呼叫中心，回答用户问题的并不是一个人，而是一个人工智能系统，小企业也可以通过租借或者购买这个SaaS系统来满足自身需求。所以这个市场会迅速地崛起，甚至呼叫中心市场会繁荣，但是呼叫中心那些接电话的人会失业，这是冷冰冰的事实。
其实很多人工智能系统都是这样的，自动驾驶会繁荣，意味着车可能会更多，而不是更少，但是司机可能会失业。
这个层次会有大量的人工智能相关的应用公司繁荣起来。这些应用公司很明确，一定要有自己本行业的特色，因为、人工智能这个技术本身没有办法形成壁垒，真正能够形成壁垒的地方一定是行业，也就是说行业数据、行业经验和行业准入会是你的壁垒。这需要我们去找到这个壁垒，从而把业务做起来。
所以任何先进领域不代表只要领先就好，还必须找到自己的壁垒和竞争优势，才能够做得好。
本文由@Pete原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议
AI中国网https://www.cnaiplus.com
本文网址：
人工智能，四大应用方向加速能源转型
2021年9月，世界经济论坛、彭博新能源财经、德国能源署联合发布《利用人工智能加速能源转型》研究报告。赛迪智库规划研究所对该报告进行了编译，期望对我国有关部门有所帮助。
“
报告分析了人工智能技术在能源分散化、数字化和脱碳化转型过程中的巨大需求和应用范围，从设计、赋能、治理三方面提出了九项原则，旨在释放人工智能潜力，助力能源转型。报告为能源公司、政策制定者等利益相关方提出了指导性建议，即加强各方合作、优化市场运作机制、建立更明确的能源数据法规等。
”
2021年8月政府间气候变化专门委员会发布的第六次评估报告以及近年来日益明显的热浪、洪水和野火等气候变化，均引起了政策制定者、企业和投资者的关注。随着第二十六届联合国气候变化缔约方大会（COP26）的临近，预计气候目标的发布速度将进一步加快。低碳经济转型进程亟需加速，能源领域是这一进程的核心挑战，人工智能在促进能源转型中将发挥重要作用。
一、能源转型需要人工智能
目前，全球能源系统正在转型，人工智能加快能源转型的潜力被不断激发。
（一）能源系统需要利用数字化手段推动快速转型
为实现深度脱碳，需要将能源系统的二氧化碳排放量迅速降至极低水平。能源系统脱碳化转型带来一体化和电气化变革，电力、交通、工业、建筑等行业之间的互动显著增强，且该系统将由相互依赖的能源和电信网络构成。为了加快向广泛、实惠、低碳化能源供应的转变，需要进一步优化能源系统的各个环节，并强化每个环节之间的协调与合作。
（二）电力行业脱碳是整个能源系统脱碳的焦点
能源系统转型包括迅速扩大可再生能源的供应以及供暖、工业和交通大规模清洁电气化。随着电动汽车保有量的增加、电池储能成本的下降以及建筑和重工业均趋向净零排放用电，预计从2019年到2050年，电力在全球能源需求中占比将增加60%。电力将被越来越多地用于供暖和制冷、运输，甚至是制备氢气等。
（三）能源转型需要大量投资
在彭博新能源财经的《2020年新能源展望》中，有一项关于未来能源经济转型的长期预期，即到2050年，56%的发电量将来自太阳能和风能，分别达到7.6太瓦和4.6太瓦。且该假设建立在维持目前政策基础上，这反映出即使不考虑高昂的煤炭价格或净零排放目标，太阳能、风能和储能经济也成为电力行业快速脱碳的重要驱动力。
（四）未来的电力系统将高度去中心化
提高可再生能源发电的比例将使电力系统包含更多来自间歇式发电机供电，而且更加分散。目前，分布式小型光伏电站占全球发电装机容量的4%，中型发电厂的装机容量为944兆瓦，根据彭博新能源财经能源转型的预测，到2050年，分布式小型光伏电站占比将提升至13%，而中型发电厂的装机容量将缩减80%以上，仅158兆瓦。
（五）电力系统管理的复杂性将显著增加
根据脱碳目标及目前发展趋势判断，未来将有大量的实体设备接入电网，尤其是配电网的接入。在配电网中，电流也将变得越来越动态和多向性（见图1），诸如小型分布式设备可能会发电并回售给电网、电动汽车快充等导致需求激增、智能家居等设备可能会在电网运营商不知情的情况接入电网，这些都将对电流的稳定性产生不小的影响。
▲i仅包括电池、电动和插电式混合动力乘用车（不包括商务车和两轮或三轮车）。ii仅包括太阳能和风能（不包括其他可再生能源）。iii包括大型电站级和节能型锂离子电池存储。来源：改编自德国能源署（2020），图片来自彭博新能源财经（2020）
（六）人工智能可以加速能源转型
人工智能指的是一个更加宽泛的概念，并非一项单一的技术或产品，而是一套能从大量数据库中挖掘有效信息、进行模式识别以及预测潜在结果的算法。行业内已经有一些人工智能的应用案例，但要快速、安全和经济地摆脱对化石燃料的依赖，就要更大规模、更快速地部署人工智能技术。
二、人工智能在能源转型中的应用
人工智能是一款能够应对全球能源转型复杂性、提高系统效率，从而降低成本、加快转型速度的强大工具，主要应用于四个重点领域：可再生能源发电能力和需求预测、电网运行和优化、能源需求管理以及材料发现和创新。根据德国能源署在2020年对人工智能在能源行业应用领域的分析（见图2），人工智能应用根据使用的数据资料可分为以下几类：市场、商品和气象数据，图像和视频，设备和传感器数据。以下各节将对这些应用详细说明。
▲来源：德国能源署分析（2020）
（一）可再生能源发电能力和需求预测
人工智能在可再生能源发电能力和需求预测中的应用主要表现为如图2中的1-7，具体如下：
太阳能和风能电场的选址。选址对发电厂的容量因数影响较大，通过借助人工智能技术，可以寻找既有最佳的日照和风力资源又便于接入现有电网基础设施的地点。
发电厂的建设。当发电厂开工建设后，人工智能也可以用于管理建设进度，例如优化设备运送到现场的顺序和识别低效的施工流程。
改善产品设计。人工智能还可以帮助改善产品设计，例如在新型人体工程学风电机组叶片、光伏面板或电力电子器件、控制系统的设计方面。
预测故障和停工。发电厂投产后，运营商需要对其进行定期维护，以避免因系统故障导致停机和额外的维修费用。
优化维护计划。人工智能通过借助传感器的实时监测数据，在检测到异常状况时触发预警，为海上风电场等偏远设施维护节省大量成本。
太阳能和风能设备发电量的预测。目前，预测太阳能和风能电场的发电时间与发电量仍比较困难，人工智能通过学习历史气象数据、传感器数据（例如实时风速和日照强度等测量数据）、图像和视频数据（例如卫星云图）能够实现对太阳能和风能设备发电量的预测。
预测电力需求。该预测过程也相当复杂，处理不当容易导致停电或可再生能源短缺，人工智能通过对历史消费数据分析，来帮助预测系统的电力需求。
（二）电网运行和优化
借助人工智能来优化电网的运行方式，进一步提高现有线路的输电和配电能力，并延长设备的使用寿命，将是支撑能源转型的关键因素。
电网设计和规划。根据彭博新能源财经预测，到2050年，需要投资至少14万亿美元用于建设新型电网基础设施和更新改造电网，以加强可再生能源配电网的建设以及支持建筑、工业和交通电气化发展。
设备运行和维护。在电网管理中，人工智能也被用于一系列重要设备的运行和维护工作。
监测电网性能。除设备维护外，人工智能还能用于监测电网性能。
（三）能源需求和分布式资源管理
管理和调节能源需求是决定能源领域能否实现低本高效脱碳的重要因素之一。人工智能的应用有助于提升工厂和数据中心的能源效率，加快分布式可再生设备的普及和使用。
（四）材料的发现和创新
开发用于清洁能源发电和存储的高性能、低成本材料已经成为能源转型的当务之急。为了满足复杂的性能需求，材料的发现、开发、部署过程往往资本高度密集且周期较长。
三、人工智能促进能源转型应遵循的原则
要激发人工智能在能源转型中的全部潜力，就需要遵循共同的指导原则。
（一）设计方面
原则1：自动化——设计发电设备的运行方式，实现系统自动化控制并提高电网人工智能的自主性。
原则2：可持续性——积极推动新型基础设施的节能降耗以及采取符合人工智能可持续发展的做法来限制碳足迹。
原则3：实用性——可用性和可解释性是人工智能开发的重点。
（二）赋能方面
原则4：数据共享——建立统一的数据标准和数据共享机制，以提高数据质量和实现数据可用。
原则5：价值最大化——建立全方位的市场体系与监管框架，使人工智能用例实现技术价值最大化。
原则6：教育赋能——通过以人为本的人工智能技术为用户和劳动力赋能，并进行技能教育以匹配技术的发展。
（三）治理方面
原则7：安全可控性——商定通用的方法来管控人工智能风险。
原则8：可兼容性——构建软件兼容性通用技术标准和可互操作的接口。
原则9：责任担当——确保人工智能符合道德规范并以负责任的方式加以应用，是人工智能开发和部署的核心。
译自：
HarnessingArtificialIntelligencetoAcceleratetheEnergyTransition,September2021byWorldEconomicForuminCollaborationwithBloombergNEFandDeutscheEnergie-Agentur(dena)