杨晓洋：希望人工智能技术切实渗透到各行各业

非常感谢大会的邀请，我今天带来的是和前面几位嘉宾演讲稍微有一点不一样的视角，我们IBM在过去二十多年一直专注在人工智能领域做了相当多的研究，尤其是1987年到1997年的深蓝到2011年的沃森，深蓝属于再一个可能选择的范围之内，利用计算机进行稍微超前一点的计算，在选择上有一些特别的算法。基本的思路从搜索角度讲，和后来的阿尔法GO差别不是很大，只不过空间确实相对小很多。在此基础之上，我们把当时做深蓝的机器转化成了可以为企业服务的机器，1995年在波士顿那边出现过一家公司，但是他们失败了。我们最早的时候做自然语言处理就是规则式的，是语言学家建立的，后来发生了争论，我们现在叫统计派胜出，当时IBM雇了很多语言学家，说每开除一个语言学家我的成功率就提高了10%。2011年的沃森是人类历史上第一次用用类自己的语言在竞赛中打败人类。半年以前大家听过很多关于IBM的系统如何和北京最好的医院的医生一起诊断病情，最后系统推荐的方案和医生推荐的方案基本上持平，后来在上海最好的医院也做了一次，结论还是一致的。在整个医疗领域里面用人工智能解决问题还有很多问题，包括今年1月份第一期自然杂志的封面，关于皮肤癌诊断的。从这里面从医疗的角度讲，针对一个影像和针对一个病种解决问题，里面涉及到的基础是有区别的。沃森是认知计算的角度切入人工智能，没有说人工智能，认知涉及到非常多的方面，刚才飔拓也提到，所以从认知计算的角度来讲，沃森是第一个出来跟人用人的方式互动解决了问题，现在在医疗、金融、IOT等很多领域都得到了深度的应用。所以从IBM的角度来讲，我们希望看到的是人工智能技术逐渐渗透到各行各业，渗透到企业内部，解决企业所面临的具体业务上的问题。

后面两个我希望告诉大家的是，自从沃森出来以后我们并没有停止，后面有很多新的技术在延续，其中一个是类脑芯片，最近有一个报道，我们已经做到了4000万个神经元，用256个类脑芯片做的，它的内部结构是以神经元制造的，这种情况下是你把一个需要进行深度学习处理的工作交给脑神经元处理，它会比现在的计算机处理快非常多。另外一个是量子计算，上周IBM宣布用50个量子位做出的计算机，刚才谈到人工智能最大的要素是算力，我们花了很多时间，用量子计算将来会带来突破性的，或者是毁灭性的创新出来。

量子计算能进行并行处理，和传统的计算很不一样，突破了50个量子位就超出了现有所有计算机算力的综合，这是一个预推，接下来看怎么把算法在这个基础上建立起来，赢得预言的结果。我们知道两个星期以前姚院士谈到量子计算机最后一公里是容错，我们可以直接模拟、实现若干个量子位，甚至一百个量子位，但是这里面容错是非常难的一件事情。

这是IBM现在正在做的工作，其中包括我们现在在物联网的Q上实现的量子计算，各种各样的算法、社区正在建立的过程中间。右下脚是《自然》杂志7月份的目标，就是IBM实现了16个量子位，现在这个领域的竞争非常激烈，我们知道谷歌也在做，目前IBM暂时领先，中科院也在做，做的相当不错。

我们之所以做人工智能，实际上是我们预见了IT业界，人们的需求从把自动化延续到自动的理解到做自动的决定，在我看来这个趋势已经很明显了。现在我们看到越来越多的企业要求你能不能帮我，以银行为例，我现在的现金放在柜员边上的盒子里面，在运钞车里面，能不能把现金降低到最合理的比例，使现金不要占比太多。交通领域里面要求能不能实时探测异常，然后根据数据判定这个地方发生的是什么异常，然后告诉我怎么样调控交通管制。还有医疗、教育、智能制造里边等，都很有很多要求，这里面最重要的是如何把人工智能的技术交给企业，让他们掌握处理他们面对的问题，所以人工智能的技术，翻译成中文有时候叫做民主化、普及，这是IBM非常重要的一个任务。

IBM几年前提出，朝一个方向实现人工智能，这里面最终的目标是要实现认知性能分析，认知性分析很重要的一条是它是需要持续不断的学习、持续不断的反馈，和人以自然语言的方式，或者让人觉得很方便的方式对话、互动，适应变化的环境，最终可以在里面进行决策。

沃森实际上就是按照这个方式抽取出来实现的一个巨型系统，这个系统里面可以做发现、可以做分析，可以做预测，也可以做推荐，最终是我能够理解上下文、前后很复杂的语义环境、复杂业务环境里面的关系，通过推理帮助你做决策。经过各种各样的感知，不管是语言的，也不光是声音的，还包括图像、视频各种各样的感知，汇集起来在多种媒体的传导之下，在各种语义描述之下，连接起来，实现对这个问题意思的理解，然后对问题意思描述、跟踪，最后达到做决策。

最近大家比较一致地认为认知计算和人工智能在很多时候可以互用，但是做认知计算的人认为现在认知计算还有很多东西是人工智能不强调的，在计算里如果有多种神经元网络、多种体系的时候他们之间是怎么协调的，模型怎么融合、数据怎么融合。在IBM看来，里面认知计算涉及到的把传统人工智能的技术和这个领域的语境以及各个领域的专长用动态的方式表达出来，能够适应整个领域的变化，然后通过各种各样的学习模式，最终的结果是通过人机互动的方式实现决策的自主。

企业里面希望把企业最终的认知AI和数据、知识、服务合在一起帮助企业解决他们面临的各种各样的智能技术的挑战。这里面最难的是在数量巨大、类型繁琐，更重要的是有的数据量很大，有的数据量很小，在很小的时候我们有没有办法？后面我们会提到。这个过程当中不同数据带来的语义是不一样的，对业务的意义不一样，它在整个过程中间怎么衔接这也是不一样的，非常难。但是我们的目标是把这几样东西融合在一起，提供平台给企业，让他们在这里面自己开发。

沃森提出了四层架构，基本思路是通过混合云的架构，能够把各种各样的数据、大数据、短数据、长数据、小数据、活的、实时的管理起来、接入进来，通过数据的处理认知方式，通过人工智能的平台把各种各样的特征抽取、各种各样的模型建立，最终形成顶上的应用层面的实现。当然底下是离不开硬件的。从硬件层面往上经过虚拟，经过优化以后，形成了一个企业的内部云，刚才我们谈到前面的图看出来是从IBM沃森抽取出来的，沃森是在共有云的环境下，我们抽取出来的数据要为企业在所有云上使用，于是我们把这些技术一层层的叠加起来，变成了在企业内部可以一层层可操作、可实现、可以工程化的架构的指引。在这个基础之上可以把我们之前所了解掉的所有技术合在一起，为企业构建出整个认知计算的社区、生态，同时在此之上使得基于深度学习、机器学习或者其他AI技术实现应用的平台。

IBM在认知计算里面可以位居市场第一，当然这个市场比较分散，目前IBM只占了10%，说明这个领域里面的机会还非常多。对我们来说，如何把人工智能、认知计算的东西放到每个行业里面，特定的一些用力、特定的场景下解决具体的问题，我们做了若干总结，过程中间最难的实际上是在传统上，机器学习不是所有人都人快速做的，也不是一组人可以解决的，现在是我构建一套体系以后变成云，希望所有人到我的云上。但是我们后来发现各种各样的企业有很多具体的问题必须面对，可能数据不能出防火墙，只能给你一点样本数据，这时候我们只能把AI的技术移到防火墙里面，我们帮助企业更好的把人工智能的能力构建出来，这个问题中间涉及到对从传统机器学习的模型到帮助企业更好的平台。

在行业当中的应用，举几个简单的例子，比方说政务领域，中国各个城市的发展非常迅速，政务领域里面最重要的是处理很多当年过来的公文，公文里面涉及到大量自然语言的中文处理，公文过来是不是能够很好的把它和我过去处理的案子联系在一起。法院里面会碰到这样的情况，法院每天审判的案例非常多，审判的案例和过去的案例是不是有相关性，能不能把共性抽取出来。在银行里面提到现金，现金的管理目前我们帮助很多家银行把现金占有率降低了20%—40%，我们知道这个数量对于一家普通的农商行来说已经是几十亿、上百亿的级别了，占有率的降低对银行产生了非常好的效率。

这是在智能制造领域里面，怎么样利用人工智能的方式自动的发现产品的一些瑕疵，比方说手机生产手机壳上有污渍，可以判断有没有污渍、污渍在哪个一个环节造成的，是什么原因造成的等等。

这是智能交通在全球若干个城市做交通控制，然后做预测，联系交通流量在某些特定小路网、某些特定重要节点上的交通流量和交通状态的区别，以此为基础通过模拟仿真的技术，达到对全城交通信号进行控制。进一步把和交通相关的大数据连接起来，构建更深入的能够支持到从规划、管理、出行的每个领域里面，帮助大家达到更好管理的目标。

上市公司每个月都要披露财报，你要把数据让机器自动识别出来，归整出重要的信息，从而支持理财机器人或者智能投顾，在这个领域里面怎么样把这里面的知识抠出来是非常重要的基础，在财报里面哪些部分是文字，哪些部分是图表，图表里面能不能把数据抠出来等等。我们和美国若干家银行进行了合作，在这里面有很深入的探讨。

大数据对驱动人工智能起到了很大的作为，但是我们生活、工作中间面临的问题很多时候是小数据，小数据如何做到快速学习、快速进行本身探究，这是比较难的事情。最近有一些突破，有的是基于对网络进行改造取得了，我们知道神经网络大部分单向的，如果在某各环节能够反回来，对神经网络优化是一个很好的事情。最近做小数据比较成功的是在识别，现在你要上163邮件的时候会给你一个图让你点，这些小图标的识别已经有很大的突破了，而且是小数据量基础之上的。

我们看到的趋势，包括后深度学习时期，从大数据到小数据，从深度学习到深度推理，从可预测到可决策，目前还是停留在我可以给你若干个选项，如果进入到我们讲的认知领域，它就会告诉你最佳的决策是什么。这是我们看到的趋势，未来可能会朝着这个方向发展，以上就是我今天带给大家的内容，谢谢！