当人工智能遇上水务行业：“第三次浪潮”下，智能化能否助力环境产业解决转型难题
傅涛（图片来源：E20论坛）
“上午听到有嘉宾提到ChatGPT，我当时心血来潮，要不要问文心一言对水务行业的想法？”在3月23日由E20环境平台主办的“2023（第二十一届）水业战略论坛”上，百度智能云水务业务部总经理李超播放了一个视频短片。
截图来自视频短片
在短片中，一周前刚刚正式上线的百度大语言模型“文心一言”回答了包括水务行业的发展方向在内的三个问题。它认为，未来水务行业的发展方向应该是市场化改革、环保和可持续发展、多元化竞争格局、技术创新和数字化转型。
水务行业是环境产业的一个细分领域，也是城市基本服务行业之一，包括供水、排水、污水处理等多个细分环节。尽管在中国已经走过了超过20年的市场化历程，环境产业自身的产业化程度仍然不高，行业门槛也很低，是一个“伟大但不强大”的产业。
当前，飞速发展的人工智能AI技术正在为各个领域带来深刻的变化，而环境产业也走到了一个服务、技术、装备需要全面产品化转型的时代。智能化是否能够助力环境产业解决转型难题？E20研究院院长、北京大学环境学院产学研中心主任傅涛认为，环境产业要实现价值集成，避免低端内卷产生的支付坍塌，标准化和智能化是转型的核心要素。
环境产业“第三次浪潮”
传统意义上，水业领域乃至整个环境是政策性拉动的行业。傅涛指出，过去20年中间，环境行业曾经经历两次浪潮。第一次浪潮是由政府改革、政策推动的，持续了十年。2004年，建设部发布《市政公用事业特许经营管理办法》，拉开了供水、垃圾处理等公用事业市场化改革的序幕。不过，当时许多企业受政策推动匆匆下场，从整体来看，产业并没有做好应对改革的充分准备。
第二次浪潮则发生在2013年。自从2012年十八大召开以来，生态文明被写入“五位一体”的战略目标之中，受到了无以复加的重视。2013年，环保企业开始被资本市场追逐，企业上市后市值飙升，碧水源还达到了创业板市值最高峰。然而随着PPP泡沫的破裂，一些明星企业破产重组、更换实控人。因此，在第二次由资本市场推动的浪潮里，环境产业也没有准备好，推动方向不是行业想象的方向，出现了很多“先烈”。
整体来看，环境企业仍然处于非常低的产业阶段。“在咱们行业谈‘产品’是很难，”傅涛向包括《华夏时报》在内的媒体指出，环保行业没有经历产业化过程，就被市场化洗礼、被资本化催生；产业没有长成，就被赋予重任；虽然有产业龙头，实际上产业化水平非常低，劣币驱除良币。
2022年10月，党的二十大报告强调推动经济社会发展绿色化、低碳化是实现高质量发展的关键环节，要协同推进降碳、减污、扩绿、增长，推进生态优先、节约集约、绿色低碳发展。此外，在疫情防控进入新阶段后，环境行业也将在“抢发展”的热潮中获得新的增长。
傅涛认为，当前环境行业应该掀起一场提升产业化水平的“第三次浪潮”。一方面要做产品，环保企业要把服务、技术、装备做成产品，并且开发自己的产品，建立自己的产品品牌；另一方面，要通过实现标准化和智能化来固化用户价值承诺，并服务产品化的智能升级。
智慧水务前景广阔
广东粤海水务股份有限公司党委副书记、总经理李海飞将技术的突破视为未来水务行业发展的机遇之一。他在会上指出，目前大数据、物联网技术成熟和5G技术普及推广，加快推动产业技术变革，聊天机器人、ChatGPT等火爆互联网，为智慧水务行业数字化、智能化发展带来更多的思考。
他介绍，粤海水务利用互联网、大数据、云计算、人工智能等前沿信息化技术，打造了智慧水厂、智慧工程、智慧客服等一站式智慧水利水务解决方案。以珠三角水资源配置工程为例，粤海水务将智慧特点贯穿工程设计、建造、运维全过程，与互联网、AI等先进技术应用，构建水利工程、调水工程一体化管理平台，此外还探索了无人泵站、智慧水厂、智慧污水厂等。
此外，另一家水务明星企业碧水源也积极打造水务智能模式，建立了一个数据中心、两个应用平台、三个领域系统构成的智慧水务系统，实现统一标准实现生产数据适时采集、集中分析。
除了传统水务公司积极布局智慧水务相关赛道外，华为、腾讯、百度等国内互联网巨头也先后进军了这一市场。
李超介绍，百度2020年正式进入智慧水务行业，希望利用过往十几年在人工智能领域积累的技术，帮助水务行业越来越智能化。例如，为小浪底项目打造了整套一揽子人工智能解决方案，从设备层到边缘计算、到PaaS等；为泉州水务集团构建水务大脑，降低8%能耗、2%管网漏损，提高了5%人员效率；帮助白云水务局构建一整套设备感知系统，包括防汛、水利工程、江河湖泊管理等等，具备标准化规模化交付能力。
此外，他向《华夏时报》记者表示，希望文心一言不仅作为一个通用型产品，还能真正融入水利和水务行业当中。百度过往几年有很大的算法能力，可以和水务场景融合，打造适合这个行业的数据模型算法，这些数据模型算法和传统机理模型融合在一块，将为行业效率提升带来更大的价值。
责任编辑：徐芸茜主编：公培佳
人工智能的三次沉浮，和可能的寒冬
[[437677]]
如果将眼光放长远一点，历史上已经经历了三次发展浪潮，也经历了两次低谷。换言之，人工智能的泡沫已经破灭两次了。让我们先来回顾一下人工智能这三起两落的历史，从历史中来找寻现在的意义，推导出我们可能面临的未来。
第一次浪潮和第一次低谷：
达特茅斯会议推动了全球第一次人工智能浪潮的出现，这次浪潮从1956年一直持续到1974年。当时乐观的气氛弥漫着整个学界，在算法方面出现了很多世界级的发明，其中包括一种叫做增强学习的雏形(即贝尔曼公式)，增强学习就是谷歌AlphaGo算法核心思想内容。
70年代初，AI遭遇了瓶颈。人们发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。研究者们很快发现，要求程序对这个世界具有儿童水平的认识这个要求都太高了——1970年没人能够做出人工智能需要的巨大数据库，也没人知道一个程序怎样才能学到如此丰富的信息。另一方面，有很多计算复杂度以指数程度增加，这成为了不可能完成的计算任务。
第二次浪潮和第二次低谷：在80年代，一类名为“专家系统”的AI程序开始为全世界的公司所采纳，而“知识处理”成为了主流AI研究的焦点。专家系统的能力来自于它们存储的专业知识，知识库系统和知识工程成为了80年代AI研究的主要方向。但是专家系统的实用性仅仅局限于某些特定情景，不久后人们对专家系统的狂热追捧转向巨大的失望。另一方面，1987年到1993年现代PC的出现，其费用远远低于专家系统所使用的Symbolics和Lisp等机器。相比于现代PC，专家系统被认为古老陈旧而非常难以维护。于是，政府经费开始下降，寒冬又一次来临。
第三次浪潮：1993年后，出现了新的数学工具、新的理论和摩尔定律。人工智能也在确定自己的方向，其中一个选择就是要做实用性、功能性的人工智能，这导致了一个新的人工智能路径。深度学习为核心的机器学习算法获得发展，积累的数据量极大丰富，新型芯片和云计算的发展使得可用的计算能力获得飞跃式发展，现代AI的曙光又再次出现了。一个标志性事件发生在2016年3月，谷歌DeepMind研发的AlphaGo在围棋人机大战中击败韩国职业九段棋手李世乭。随后，大众开始熟知人工智能，各个领域的热情都被调动起来了。
深度学习的发展，让人工智能进入新的发展高潮。技术尤其是算法层面的局限，决定了这次人工智能浪潮的“天花板”。深度学习算法带来的“技术红利”，将支撑我们再发展5~10年时间，随后就会遇到瓶颈。在人工智能领域，技术的进步不是线性的，而是线性积累和间断式突破交替进行的。我们必须要达到一个“技术奇点”，才能实现根本上的突破，达到通用人工智能甚至是超级人工智能的水平。大概率的可能性，未来几年人们对人工智能怀有巨大的热情和非理性的期待，但同时会渐渐发觉推进起来越来越费劲，仿佛有个无形的“天花板”挡在那里，迟迟不能获得突破，人们的耐心被渐渐耗尽，人工智能的下一个冬天也就来临了。
就一般产业而言，线性发展的成分更重一些，即使产业不能再往前推进了，依然能够保持比较高的产业成熟度。人工智能产业则不同，如果以百分制来衡量一个产业的发展程度，人工智能不是从1慢慢发展到100，而是要么是90分以上，要么是10以下。试想一下，你有一个智能助手，如果他的智力水平一直在10岁以下，你能接受么?那样的智能助手更多的是个玩具，不能委以重任，毕竟谁也不会将重要的事情交给一个小孩子来做。再比如翻译领域，一旦智能系统能够达到人类水平的翻译能力，那将是一次彻底的颠覆，人类翻译员将彻底消失;但是，在没达到那种水平之前，翻译系统基本就是个摆设，你不能通过那套系统来与外国人顺畅的交流，也不能将看到的整段材料马上转换成另一种语言。
人工智能的泡沫，更多的是产业化和商业应用层面的。很多做人工智能应用的企业，如果发现将方案落地的期待落空，那他整个商业价值存在的根基就不存在了，整个产业将会消失，大量企业也会倒闭。
如果真的要面对那样一个未来，我们应该怎么应对呢?我提出几点参考建议：
第一，适度降低对人工智能的技术期待，理性设定商业模式。企业要仔细评估技术的发展潜力，不要抱有不切实际的幻想。寻找并设计一些智能水平不是太高就能具有商业价值的应用模式，并基于此来构建竞争壁垒。比如在自动驾驶领域，我们要做好L4在10年内无法实现的心理准备，寻找一些L3级别就能具有商业价值的应用领域。
第二，现在就开始准备“过冬的粮草”。泡沫破灭之后，融资会变得越来越难，依据公司本身的造血能力维持基本没戏。所以，现在尽可能的多融资吧，并且在未来几年省着点花，争取能挨过寒冬。
第三，实行曲线救国策略，发展一些“伪智能”业务，拓展业务领域。如果哪天发现“纯人工智能”这条路走不通，可以考虑发展一些周边产业，只要能带来现金流就行。虽然挂羊头卖狗肉有点缺德，但能保存“革命的火种”，也算一件好事。
人工智能简史：从两次低谷到三次崛起
如今人工智能已然成为香饽饽，在各行业都开始得到应用。然而大家可能不知道的是，人工智能并非近些年才兴起的，它经历了两次低谷和三次崛起，才发展成当下热门的技术。因此人工智能简史其实也是看做一段励志的崛起史。
人工智能的起源：人工智能在五六十年代时正式提出，1950年，一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。
巧合的是，同样是在1950年，被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。按照图灵的设想：如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能。而就在这一年，图灵还大胆预言了真正具备智能机器的可行性。1956年，在由达特茅斯学院举办的一次会议上，计算机专家约翰·麦卡锡提出了“人工智能”一词。
后来，这被人们看做是人工智能正式诞生的标志。就在这次会议后不久，麦卡锡从达特茅斯搬到了MIT。同年，明斯基也搬到了这里，之后两人共同创建了世界上第一座人工智能实验室——MITAILAB实验室。值得追的是，茅斯会议正式确立了AI这一术语，并且开始从学术角度对AI展开了严肃而精专的研究。在那之后不久，最早的一批人工智能学者和技术开始涌现。达特茅斯会议被广泛认为是人工智能诞生的标志，从此人工智能走上了快速发展的道路。
人工智能的第一次高峰在1956年的这次会议之后，人工智能迎来了属于它的第一段HappyTime。在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”
人工智能第一次低谷
70年代，人工智能进入了一段痛苦而艰难岁月。由于科研人员在人工智能的研究中对项目难度预估不足，不仅导致与美国国防高级研究计划署的合作计划失败，还让大家对人工智能的前景蒙上了一层阴影。与此同时，社会舆论的压力也开始慢慢压向人工智能这边,导致很多研究经费被转移到了其他项目上。
在当时，人工智能面临的技术瓶颈主要是三个方面，第一,计算机性能不足，导致早期很多程序无法在人工智能领域得到应用；第二，问题的复杂性，早期人工智能程序主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了；第三，数据量严重缺失，在当时不可能找到足够大的数据库来支撑程序进行深度学习，这很容易导致机器无法读取足够量的数据进行智能化。
因此，人工智能项目停滞不前，但却让一些人有机可乘,1973年Lighthill针对英国AI研究状况的报告。批评了AI在实现“宏伟目标”上的失败。由此，人工智能遭遇了长达6年的科研深渊。
人工智能的崛起1980年，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。这是一种，采用人工智能程序的系统，可以简单的理解为“知识库+推理机”的组合，XCON是一套具有完整专业知识和经验的计算机智能系统。
这套系统在1986年之前能为公司每年节省下来超过四千美元经费。有了这种商业模式后，衍生出了像Symbolics、LispMachines等和IntelliCorp、Aion等这样的硬件，软件公司。在这个时期，仅专家系统产业的价值就高达5亿美元。
人工智能第二次低谷
可怜的是，命运的车轮再一次碾过人工智能，让其回到原点。仅仅在维持了7年之后，这个曾经轰动一时的人工智能系统就宣告结束历史进程。到1987年时，苹果和IBM公司生产的台式机性能都超过了Symbolics等厂商生产的通用计算机。从此，专家系统风光不再。
人工智能再次崛起：上世纪九十年代中期开始，随着AI技术尤其是神经网络技术的逐步发展，以及人们对AI开始抱有客观理性的认知，人工智能技术开始进入平稳发展时期。1997年5月11日，IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，又一次在公众领域引发了现象级的AI话题讨论。这是人工智能发展的一个重要里程。
2006年，Hinton在神经网络的深度学习领域取得突破，人类又一次看到机器赶超人类的希望,也是标志性的技术进步。
2016年，Google的AlphaGo赢了韩国棋手李世石，再度引发AI热潮。
AI不断爆发热潮，是与基础设施的进步和科技的更新分不开的，从70年代personal计算机的兴起到2010年GPU、异构计算等硬件设施的发展，都为人工智能复兴奠定了基础。
人工智能从两次低谷到三次崛起充分证明了，是金子总会发光。也许当时的技术还不足以支撑人工智能这个想法的实现，但是通过历代IT人的努力，属于人工智能的时代终究是来了。这次，人工智能的浪潮终将把你我卷入其中，让我们张开双手，去拥抱这一天吧！