《数字化转型之路》 —234 人工智能的四***展要素
2.3.4人工智能的四***展要素人工智能发展所处的信息环境和数据基础正在发生深刻的变化。日益海量化的数据、持续提升的计算能力、不断优化的算法模型、不断扩展的应用场景已构成相对完整的闭环，成为图2-12中推动新一代人工智能发展的四大要素。
图2-12新一代人工智能发展要素
（1）人机物互联互通成为趋势，数据量呈现爆炸性增长——“大数据”是基础要素
如图2-13所示的IDC研究预测2025年全球数据量将达到163ZB，
其中20%的数据蕴藏有颠覆性潜力，注重数据价值的时代已经来临。
目前，人工智能正从监督学习向无监督学习演进升级。在这一过程中，人工智能算法模型需要从各行业、各领域的海量数据中不断积累经验、发现规律、持续优化。可以说，数据是智能发展的基础。
人工智能时代的大数据和传统意义上的海量数据是有一定区别的，这个区别主要从两方面体现。第一，智能时代里大数据的本质是大连接。传统意义上的大数据更多的是指其数据体量大，数据处理复杂，数据属于结构化或非结构化。但在智能时代，我们更关注数据的内在关联性。数据之间的关联性越强，意味着数据背后蕴藏的价值越大。第二，智能时代大数据的重要指标是标注性。目前，机器学习和深度学习主要集中于监督学习，标注数据对于模型训练意义非凡。在弱人工智能阶段，AI能力输出的背后通常有大量人工成本在支撑着规模惊人的数据集的建造。毫不夸张地说，只有当人类变成投喂机器的流水线工人时，AI才能顺势崛起。当然标注好的数据集和训练好的模型都可以反复应用，这节省了之后分类或回归阶段所需的人工成本。但是，原始数据的标注仍是不可避免的。
图2-132025年数据增长趋势示意图
这里以人工智能巨头Google为例：Google刚刚开源的GoogleOpenImageDatasets中含有900万张图片，YouTube-8M中包含了800万段被标记的视频，而ImageNet作为最早的图片数据集，目前也有超过1400万张被分类的图片。除Google外，随着人工智能的飞速发展，Amazon、苹果、Facebook、IBM、微软等顶尖科技公司也都开始在数据标注上花费大量财力、人力，以支撑其AI版图的扩张。这些公司通常选择自己的劳务众包平台或者使用第三方服务来完成数据标注工作。海量的标注数据集是顶尖公司AI算法模型生产力的重要保障之一。
（2）数据处理技术加速演进，计算能力实现大幅提升——“大计算”是前提条件
前面我们讨论的是基础数据，接下来谈谈计算能力。
计算能力是这一波人工智能浪潮的主要推动力。事实上，深度学习算法、神经网络是20世纪七八十年代就被提出来的概念，为什么一直到最近深度学习才有了飞跃式的发展？从技术角度来看，主要原因是原来的计算能力不够。所有深度学习、神经网络里用到的训练过程都可被归结为矩阵运算范畴，而传统的CPU并不能满足计算能力及效率的需求。近年来，更适于矩阵运算的GPU、云、GPU集群的出现，使得使用海量数据训练一个庞大的模型真正成为可能。目前，Amazon、Google、百度、阿里都已经开始提供基于GPU的计算机集群服务。
此外，芯片的发展也为计算能力的提升做出了不可磨灭的贡献。
除了GPU以外，将AI算法注入FPGA这样的轻量级可编程芯片中也能够极大地提高终端的运算速度，这也是人工智能未来发展的趋势之一。在专用人工智能领域，技术人员正致力于进一步优化芯片功能，尽量减少芯片在其他与计算无关的任务上所浪费的开销，包括缓存、存储的处理等。换言之，我们希望打造仅用于满足深度学习这一特定功能需求的专用芯片，然后再进行固化量产。在这一领域中，Google已推出了一款名为TPU的芯片，并在《Nature》上发表了一篇由75位联合作者署名的关于TPU的论文。专用芯片的出现将带领深度学习迈入一个崭新的时代。
（3）深度学习研究成果卓著，带动算法模型持续优化——“大算法”是关键要素
作为人工智能发展的核心要素，从20世纪80年代开始到现在，“算法”一直在不断地更迭、演进。AI领域的算法分为三种流派：符号主义流派、贝叶斯流派以及联结主义流派。目前，人工智能算法也已经广泛应用在自然语言处理、语音处理以及计算机视觉等领域，并在某些特定领域取得了突破性进展。在未来，上述三种算法流派的融合将成为主要发展趋势。
随着算法模型的重要性进一步凸显，全球科技巨头纷纷加大布局力度和投入，通过成立实验室、开源算法框架、打造生态体系等方式推动算法模型的优化和创新。OpenAI、CaffeOnSpark、DMTK等多家公司已开源了深度学习基础计算框架以及专用领域算法框架（如人脸识别等），希望通过多方参与、资源共享进一步推动技术创新。
（4）资本与技术深度耦合，助推行业应用快速兴起——“大应用”是发展导向
在技术突破和应用需求的双重驱动下，人工智能技术已走出实验室，向产业的各个领域渗透，产业化水平大幅提升。在此过程中，资本作为产业发展的加速器，发挥了重要的作用。一方面，跨国科技巨头以资本为杠杆，展开投资并购活动，不断完善产业链布局；另一方面，各类资本对初创型企业的支持，使得优秀的技术型公司迅速脱颖而出。美国技术研究公司VentureScanner的调查报告显示，截至2017年12月，全球范围内总计2075家与人工智能技术有关的公司的融资总额达到65亿美元。同时，美国行业研究公司CBInsight公布了对美国人工智能初创企业的调查结果，这类企业的融资金额约是2012年的10倍。图2-14综合展示了人工智能的产业链分布情况，可以看出人工智能已在智能机器人、无人机、金融、医疗、安防、驾驶、搜索、教育等领域得到了较为广泛的应用。
图2-14人工智能产业链分布示意图
人工智能
中国新一代人工智能发展战略研究院执行院长，南开大学原校长。龚克认为，人工智能发展最缺的是人才，人才培养应打破传统学科分割的培养体系。新京报记者侯少卿摄
新京报：人工智能无疑是近年最热门的话题，中国人工智能发展呈现什么特点?
龚克：人工智能发展，首先是要建设开放、协同的人工智能发展环境和创新体系。现在很多企业牵头建设了一批开放创新的平台，不过如何做到科技研发层面的协同，还需要进一步探索。同时，要把握人工智能技术属性和社会属性，推动伦理、道德、标准、法规方面的工作。人工智能正在快速渗入社会生活和生产的方方面面，涉及人类共同利益，应尽快达成全球共识。
人工智能发展战略研究院以408个企业为样本，从人才、技术、资金三个方面建立了关系数据库。研究发现，中国的智能产业不是外部输入型产业，是在中国互联网数字化、网络化发展条件下，适应中国转型发展的内生型企业。它们的发展形态的突出特点是连接-聚集-赋能-扩散。
人工智能最缺的是人才
新京报：与国际相比，中国人工智能发展处于什么阶段?
龚克：我认为人工智能有4个要素：算法、算力、数据、应用场景。
中国在最核心的算法上没有太多优势，是短板。从算力来讲，中国的超级计算能力、云计算能力已经达到世界先进水平，但在开放应用上也有明显不足。通常认为，中国在数据和应用场景方面居优势地位，但也要看到“数据孤岛”问题，看到制造业的数据标准化、开放度方面的短板。应用方面，中国人工智能应用百花齐放、亮点频发，但在规范化方面相对滞后。
新京报：你认为应如何解决人工智能发展的难题?
龚克：人工智能发展最缺的是人才，这是业界共识。人工智能具有学科综合的特点，人才培养必须打破传统学科界限，形成新模式。传统专业分割培养模式不能解决问题，必须走出学科融合协同发展之路。
另一方面，我们之前的科技教育，在科学精神和道德伦理方面有所缺失，这个短板必须补上。现在的科学随时随地被社会所应用，因此必须负责地研发、负责地创新、负责地应用。
人工智能发展怕“虚热”
新京报：人工智能发展是否存在过热的倾向?
龚克：“热”不可怕，怕的是“虚热”。如果人工智能可以实实在在解决问题，提高生产质量效率，解决城市痛点，解决公众切身问题，“热”一点并不是问题。中国最大的实际问题是实体经济转型升级，为此提出要“以智能制造为主攻方向”。
中国的制造业已经有了很大进步，但数字化、自动化水平参差不齐，缺少工业互连基础，缺少开放数据平台，还没有形成蓬勃发展的产业网生态。
所以，人工智能不是“冷热”问题，是“虚实”问题。
同题问答
世界互联网大会已召开五届，过去5年互联网行业让你印象最深刻的是什么?
龚克：印象最深的是移动互联的日益普及。过去五年，从固定互联到移动互联是一个重要质变。
展望未来五年，你认为世界互联网行业会有哪些趋势?
龚克：未来要让数字经济福利辐射全人类，让发展中国家、欠发达国家都能分享数字经济红利。从行业发展角度来看，需要打破传统行业壁垒，在保证安全条件下，数据要互通开放，释放开发者创造力。
你对未来一年有什么期望?
龚克：互联网发展是不可预期的，如果从个人愿望来讲，希望中国互联网能更普惠、更开放、更安全。
人工智能时代需培养学生怎样能力
“未来人工智能环境下的课堂，可能是‘双师型’的课堂，人机交互、人机结合将成为主要形态。一堂课可能由一名教师和一个机器人共同来上，布置和批改作业、知识点训练、监督学习、学习情况的分析等工作可能由机器人来完成。”在日前召开的第四次全国数据驱动教育改进专题研讨会上，北京师范大学中国教育创新研究院院长刘坚这样描述人工智能时代的课堂。
人工智能不能代替学习
面对席卷而来、被称为人类“第二次零点革命”的人工智能浪潮，互联网时代的教育界，也不那么淡定了。“因为人工智能不是信息化的延续，技术对教育的影响，正在由‘革新’发展为‘革命’。”中关村学院学术委员会原负责人吕文清说，“高级阶段的人工智能具有类人脑的学习力和思考力，将来还能进化到自适应学习，在这个意义上，人工智能拓展了人的思维。人工智能改变的，不仅是教育的边界和方式，整个教育样态也将面临重塑。”
不过，科大讯飞教育研究院院长孙曙辉认为，人工智能不能代替人的思维，不能代替学习，技术也改变不了教育的本质。因此，在当前热炒人工智能概念的大背景下，一定要认清技术与教育的关系，搞清楚哪些是教育本身的问题，哪些是技术可以解决的问题。
高阶认知能力的重要性将更加凸显
在人工智能时代，学生应该具备怎样的能力，才能适应社会需求，在竞争中立于不败之地？
教育部副部长杜占元在去年12月召开的2017未来教育大会上提出，在机器能够思考的时代，教育应着重培养学生的5种能力，即自主学习能力、提出问题的能力、人际交往的能力、创新思维的能力及筹划未来的能力。
教育部科技发展中心原主任李志民说，今天我们说知识就是力量，讲的是如何学习、记忆和掌握更多的知识，讲究知识的系统性，而在人工智能时代，知识是开放的，随时随地可查找、可检索，因此，记忆知识以及知识的系统性不再像今天这样重要了，学生更需要学习如何从已有的知识中挖掘出新应用、新知识，通过已有知识学习新知识，与之对应的知识结构或学习过程就是思维的训练。
“低阶认知技能的重要性会下降，如记忆、复述、再现等初级信息加工任务将更多地被机器代替，而高阶认知能力的重要性会更加凸显，如识别问题、逻辑推理、意义建构、精致思考、自我指导能力等。”吕文清认为，人工智能时代应重点培养学生的终身学习素养、计算思维素养、设计思维素养和交互思维素养，培养学生5种能力——高阶认知能力、创新能力、联结能力、意义建构能力和元认知能力。终身学习素养，主要基于人工智能时代需要更强大和持续的学习力，强调学会学习和建构不断演进的知识框架；计算思维素养，主要基于学习和理解人工智能，强化思考的逻辑和精致。现在很火的编程课程，主要是培养计算思维；设计思维素养，主要基于人工智能时代学生执行困难任务，需要关注项目设计、任务设计和路径设计等高层次管理，重点引导学生学会选择、学会决策、学会判断；交互思维素养，主要基于人工智能时代学生交往方式的变化，需要高级信息素养、媒体素养、沟通交流和技术伦理，重点引导学生学会开源共享、参与协商、组建社区等，理解复杂的相互关系。高阶认知能力，强调独立思考、逻辑推理、信息加工等；创新能力，强调好奇心、想象力和创新思维、创新人格等；联结能力，强调学会统筹、组织资源、建立联系，特别是包括人工智能在内的多个空间的联结；意义建构能力，强调社会情感、责任意识和高感性、高概念等要素；元认知能力，强调学习自我认知、自我监控和自我指导。
“我认为，没有什么能力是贴有人工智能时代专属标签的。随着时代的发展，人类已有的知识和经验变得不重要，而培养学生的综合素质、高阶思维、创新能力等，这些要求无论在哪个时代都是需要的、共通的、不会过时的。”孙曙辉说。
未来的学习将更加个性化
未来的学习，在哪儿学、跟谁学、怎么学？原有的概念可能都会被颠覆。教育又该如何作出调整，以适应新的时代要求？吕文清认为，人工智能时代对学生的学习目标、学习内容、能力层级甚至心智模式，都提出了新的需求。在教学上，人工智能时代要以“思维教学”为主线，既强调基于认知能力的信息加工、分析综合、逻辑推理等高阶思维的培养，还要增加和突出计算思维、设计思维和交互思维的培养。具体落点上，要强调概念性知识、方法性知识和价值性知识的教学，要注重教原理、教统筹、教大观点、教元认知等不可替代的知识，也就是高阶认知和高阶学习。
人工智能对于当前的教育，不只是颠覆和冲击，也会带来促进和改良。李志民说，人工智能时代的教育管理，无论是宏观层面还是微观层面，都更容易做到精细化，对教师的评价会更加全面而科学；可以根据每个学生的智力程度和思维习惯以及学习方式进行教学，实现真正的个性化学习和因材施教。
据了解，目前许多中小学已开设编程、3D打印技术等与人工智能相关的课程，学生学习兴趣特别浓厚。一些学校还以社团和选修课的形式推进机器人、智能汽车、计算机编程等课程的开设与完善，提升学生信息化素养，促进学科知识融合。
人工智能时代，学生获得知识及能力、素养的提升途径无疑会更多元，其中互联网发挥的作用会更大。而人工智能的应用，会让教师从机械重复的工作中解放出来，去做更有价值的工作。孙曙辉认为，在中小学开设编程等人工智能相关课程，有助于训练学生的思维方式，但主要意义在于普及相关科学知识，并不能帮助学生“赢在起跑线”。目前，很多所谓人工智能的应用，包括一些针对职业人群的人工智能培训，都是炒作概念的“伪人工智能”，人工智能在短期内尚难发展到较为高级的阶段。当前市场上已经出现针对中小学生的打着“人工智能”旗号的相关培训班，家长完全没必要怕“掉队”，在现阶段，保持清醒的头脑，不盲目跟风至关重要。（本报记者汪瑞林）