“理解萬歲”為何成了人工智能行業的小目標

“我們看了不少企業的案例和宣傳文章，感覺現在AI確實能把人臉、車牌甚至各種交通工具都準確地識別出來，但是我也在疑惑，如果只是識別得更準，但是不能切實解決目前這種交通擁堵的現象，意義在哪里？”這是今年初懂懂筆記在廣州參加某智能交通論壇，與一位城市規劃設計院的專家交流時對方提出的疑問。

而他的一些問題至今都讓懂懂筆記記憶猶新，“AI如何把視覺識別和信息采集做到有效整合，再產生結果最后形成反饋并去執行，這之間的邏輯是什么？如何能形成閉環？”實際上，過去這一年多來類似的問題我們時有聽聞。

語音識別、視覺識別、傳感器的信息采集……目前在很多行業都已經開始探索和應用，而且識別正確率、信息采集能力也越來越高。

但總會有不少行業相關人士提出疑問，這些信息的獲取如何真正落地應用場景，解決自身遇到的管理（經營）難題？打通認知智能和感知智能或許，這正是AI從感知智能到認知智能發展過程中，面臨的巨大挑戰。

與此同時，如何打通認知到感知智能的孤島，讓AI從能看、能聽，到能夠理解、思考和正向反饋，形成完整的邏輯閉環鏈，也孕育著巨大的價值和機遇。

AI落地，賦能場景，確實不是一蹴而就。

人工智能的發展已經從運算智能、感知智能（視覺、聽覺、觸覺的感知），逐步走向認知智能的階段。

而真正做到“能理解會思考”，仍是包括谷歌、亞馬遜、微軟以及BAT在內的產業界正在思考的問題。

“認知是實現人工智能分析、判斷、預測能力的最為重要的環節，只有通過把信息轉化成知識結構、知識系統才能實現這些功能，從而實現從感知型的AI到認知型的AI的飛躍。

”在辭去谷歌云AI負責人職務之前，李飛飛曾多次提到未來自己對于認知技術的關注。

微軟全球執行副總裁沈向洋也指出，認知和感知是人工智能的重要研究方向，他同時強調“擁有大量數據積累和分析需求的行業更適合通過人工智能技術實現轉型”。

但是，產業界也在思考如何讓認知智能在實際落地過程中更加有效，更能實現真正意義上的“理解和思考”。

沈向洋對此提到過幾個問題和挑戰：人工智能技術對大數據和大計算的依賴較大；人工智能領域過于重視數據，而且重視的是數據的表象。

“AI技術是在用復雜解釋復雜，為了擬合數據結果而做出更加復雜的模型。

在自然科學領域，應當是通過復雜現象抽象出簡單的本質。

因此，從這個角度而言，人工智能技術仍有待探索和發展。

”而對于深度學習在工業領域的局限和挑戰，明略數據創始人吳明輝也提出了獨特的觀點，“深度學習確實解決了很多的圖象處理、聲音識別、自然語言處理等很多工作。

”但是他認為，深度學習的局限在與其背后的算法主要是基于統計學，沒有因果關系，只有相關關系。

明略數據創始人吳明輝表示：符號主義學派對應的算法更趨向嚴密的邏輯關系。

在吳明輝看來，目前在人工智能重要的三個學派，即符號主義學派、聯結主義學派、行為主義學派都有各自的優勢和局限。

相對于聯結主義學派倡導的深度學習而言，符號主義學派對應的算法更趨向嚴密的邏輯關系，是基于知識所建立的系統，它是可解釋的，有因果關系的。

“我們希望把學習能力賦予計算機，從而形成知識系統，再加上深度學習能力產生的學習系統，將兩者有機結合，最終打通感知和認知智能，建立了一個完整的人工智能系統。

”的確，面對從認知智能邁向感知智能，產業界的眾多參與者都有自己獨特的思考路徑，而吳明輝提出的“符號主義和深度學習有效結合”，能否更適合目前AI應用落地、賦能場景的目標，也成為國內AI技術領域一個值得關注的話題。

“明略數據建立了感知智能和認知智能打通的方法論和工具體系，所以我們有理由推斷未來人工智能會在認知智能技術上有很長足的進步。

”在吳明輝看來，所謂長足進步要建立在“知其因果”的基礎上，他舉了兩個例子：在制造業，設備運轉過程中如果一個零部件出現故障，這個時候要搞清楚哪一個零部件出現了故障導致系統故障，你的目的不僅僅是維修時只換個部件，而是要搞清楚具體的故障原因，所以需要有因果關系；在醫療診斷時，不僅需要開出診斷結果更需要知道病因，也是需要知曉因果關系。

“真正完整的人工智能一定是需要把因果關系和相關關系打通，需要的是把感知智能和認知智能打通的一個完整的系統。

”那么，這種“打通”是否能夠成為解決行業痛點的最優解？理解行業痛點后的水到渠成明略數據日前發布的行業AI大腦“明智系統2.0”，就提出在新系統中匯聚各類數據，進入“符號化”的過程，通過數據的充分融合和碰撞挖掘，從而實現面向行業業務構建行業AI大腦。

吳明輝顯然是要以“符號的力量”完成對于行業數據中知識的抽取、融合、推理、和沉淀等過程，打通感知智能。

這一點，似乎不是另辟蹊徑，更像是一種水到渠成。

正如前文所述，懂懂筆記接觸到的城市規劃、離散制造、能源化工等領域的相關人士，提出的疑問大多集中在各種語音、視覺識別技術如何能夠融入到他們所處行業的管理與效能的提升上。

或者可以說，如今各行各業都在倡導使用人工智能，但是很多人工智能的技術在不少傳統行業中并沒有得到很好的發展。

吳明輝認為，這其中的原因是很多專業技術企業都只聚焦在其中某一個技術的細節上，而沒有人真正把完整的人工智能全部組建起來，面向一個行業做整合服務。

“今天我們就是要做整合服務，我們在自己面向的行業把感知技術、認知技術跟其它所有的組件一起鏈接到一起全新的系統中。

基于大數據治理工作，在上面又打造了一套完整的人工智能閉環。

”或許，能夠建立其完整的AI閉環，源自于明略數據對于服務行業的多年積累，尤其是對行業用戶需求的深度把握。

從吳明輝的介紹中，可以看到明略數據過去四年一直在協助公共安全、金融監管、工業界打造大數據平臺，從而建立了大數據知識圖譜系統。

而通過明略數據的SCOPA知識圖譜分析平臺，以及其自主研發的混合型知識存儲數據庫，有效幫助行業用戶建立起分析和決策的能力。

從相關公開數據中可以看到，明略數據在安防領域獨有的公安知識圖譜，目前已匯集30多個大類公安數據來源中的6529張表和1538億條數據，沉淀了80%以上不同種類公安數據的處理經驗。

“目前基于明略數據公安知識圖譜的明智系統現在已經部署到50多個省、市、區縣級公安廳局，” 吳明輝強調，運用這一規模龐大的公安知識圖譜，公安部門實現了人、事、地、物、組織、虛擬身份的關聯。

“通過把感知和認知系統打通，我們可以幫助公安部門真正解決全數據類型的情報研判工作，就像福爾摩斯一樣，運用非常簡單的線索把全部信息關聯出來，提高預警研判的準度和精度。

”升級的明智系統2.0通過匯聚各類行業數據，完成“符號化”的過程，實現了數據的充分融合和碰撞挖掘，從而有效地面向行業業務構建行業AI大腦。

而在金融行業，明略數據也完成了全國首個銀行業全行級知識圖譜數據庫。

例如幫助國內某大型股份制銀行基于其十年來的全量數據，建立了“企業、個人、機構、賬戶、交易和行為數據”總規模達十億點、百億邊的知識圖譜平臺。

另外一個例子是在城市軌道交通領域，上海地鐵車輛分公司通過明略數據的人工智能系統建立了國內首個“車輛全生命周期數據管理平臺”，通過這一平臺軌交運營企業可以有效提升工作效率，降低了安全風險和運營成本。

實際上，對于金融企業、傳統制造業而言，能效的提升是重中之重。

簡單來說，產品良率、能耗成本、人員成本等方面哪怕千分之一的變化，就關乎到每年數千萬元的收益或者損失。

以懂懂筆記曾經做放過的多家鋼鐵制造企業為例，一家大型鋼鐵制造企業引進一條生產線的投入可能就是上百億元，而近兩年基于環保壓力，鋼鐵行業效益驟降是明顯的事實。

而在煉鋼環節，能耗成本幾乎就占到70%到80%。

一位高工在交流中就曾表示，如果通過各種sensor采集的信息和AI的算法，能降低鋼鐵料的消耗，或者是在冷軋的厚度、精度控制上，在現有基礎上提升千分之一，這些節省下來的成本對于企業而言就會是上千萬元的凈利潤。

他所提到數據信息采集，可能就是這是一個煉鋼爐或者鋼包里面布置的傳感器，也可能是鋼鐵生產線上數千個數據信息采集源。

每一天，這些參數都在一定頻率下監測著整個設備的生產狀況，而工程師們也期待能把這些存在DCS（集散控制系統）里的數據拿出來，而且是要將所有數據融合在一起，站在一個更高的維度審視運維和制造工藝，通過提升效率真正的達到降本提效。

而這種來自用戶的需求，或許正是吳明輝所強調的通過“符號的力量”賦能行業，通過行業人工智能大腦以“不斷發現最優解”為第一性原理，以計算代價最小、計算結果最準確為核心目標，提升這些企業在AI時代的核心競爭力。

【結束語】“符號不僅可以打通人和人之間的關系，未來還可以打通人和計算機、人和AI之間的關系，我們的目標是通過符號連接人和計算機，連接人和AI，未來一起創造一個人機同行的美好世界。

”對于吳明輝所強調的“人機同行”，可以看成是明略數據在感知智能落地應用場景方面的一個長遠目標。

而要真正實現人機同行，不僅需要從技術層面打通認知智能與感知智能之間的隔閡，更需要從傳統行業的視角去理解他們轉型和進化的邏輯，站在企業的角度去完成這種融合。

這種形態下的行業人工智能大腦，更能提現AI的真正意義和精髓。