我国企业人工智能应用现状与挑战

徐文伟 ,  肖立志 ,  刘合

中国工程科学 ›› 2022, Vol. 24 ›› Issue (6) : 173 -183.

PDF (1827KB)
中国工程科学 ›› 2022, Vol. 24 ›› Issue (6) : 173 -183. DOI: 10.15302/J-SSCAE-2022.07.010
工程前沿

我国企业人工智能应用现状与挑战

作者信息 +

Industrial Application of Artificial Intelligence in China: Current Status and Challenges

Author information +
文章历史 +
PDF (1870K)

摘要

深度学习增强了人工智能(AI)算法的通用性,近年来催生了AI产业的快速发展,但实践表明AI技术和算法在产业领域的落地应用依然面临极大困难;企业用上并用好AI、学术界和产业界协同以解决算法落地困难等问题,受到广泛关注。本文着眼我国AI产业的健康可持续发展,从企业AI应用落地的实际案例出发,梳理业界现状、剖析发展挑战、探讨根本原因、提出应对策略。企业AI落地应用的复杂性表现在业务需求、数据、算法、基础设施、配套方案等多个维度,应用成熟度取决于数据的准备程度及治理水平。在国家宏观层面,有必要构建更友好的AI产业生态环境,促进AI全产业链协同发展;以更有力的具体举措支持AI产业的技术研发,特别是全栈AI、AI基础平台及工具体系、AI根技术等,提高我国AI核心技术的自主可控能力;鼓励企业积极实施数字化转型,采用AI技术进行智能化升级,形成AI产业技术研发、企业AI落地创新的强耦合及双向循环。

Abstract

Deep learning has enhanced the versatility of artificial intelligence (AI) algorithms. In the last decade, the AI industry has been spawned and developing rapidly. However, practice shows that the application of AI technology and algorithms in the industrial field faces huge challenges. Approaches need to be explored for enterprises to properly use AI and for the academia and industry to effectively collaborate to facilitate algorithm application. The study focuses on the sustainable development of China's AI industry, and presents several practical cases of AI application, through which we analyze the current status, challenges, and their root causes pertaining to industrial application of AI and propose corresponding suggestions. The complexity of AI application for enterprises involves multiple dimensions, including business requirements, data, algorithms, infrastructure, and supporting systems. The maturity of AI application depends on the degree of data preparation and the level of data governance. At the national level, a friendly ecology for AI application should be built to promote the coordinated development of the entire industry chain, and specific measures should be taken to support the research and development of AI technologies that focus on full-stack AI, AI basic platform and tool system, and AI root technology, thus to improve the independence of China's AI core technologies. Moreover, enterprises should be encouraged to actively participate in digital transformation and intelligent upgrading using AI technologies, thereby forming a strong coupling and a two-way cycle between research and application of AI technologies.

Graphical abstract

关键词

人工智能 / 企业场景 / 智能解决方案 / 落地应用 / 全栈AI / AI根技术

Key words

artificial intelligence (AI) / enterprise scenarios / intelligent solutions / application / full-stack AI / AI root technology

引用本文

引用格式 ▾
徐文伟,肖立志,刘合. 我国企业人工智能应用现状与挑战[J]. 中国工程科学, 2022, 24(6): 173-183 DOI:10.15302/J-SSCAE-2022.07.010

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

当今世界正在经历数字化技术驱动产业变革的发展过程,人工智能(AI)、大数据、物联网、云计算、第五代移动通信等也在重塑创新版图和产业链分工。国家高度重视这一发展趋势,发布了《新一代人工智能发展规划》(2017年),旨在促进AI技术和产业高速发展,加速渗透到更多应用领域,进一步扩大关联产业规模;支持AI和实体经济深度融合,建设数字中国、智慧社会,推进数字产业化和产业数字化,形成具有国际竞争力的数字产业集群。蓬勃发展的AI产业,为AI领域“产学研”合作创造了机遇,也在技术创新和落地应用方面提出了新的要求。

AI是借由人工制造的计算机来表现人类智慧的技术 [1],经历了数十年的发展和沉浮。2000年以来,以深度学习为代表的统计学习方法显著增强了AI算法的通用性,提升了各项基础任务的应用性能,创造了将AI算法应用于大量实际问题的机会 [2];过去10年里,AI技术的革新深刻改变了社会生产和生活方式,逐渐催生了AI产业。然而时至今日,AI技术和算法依然面临落地应用方面的种种困难 [3],也就引发了我们的思考:要想真正让企业用上AI、用好AI,让企业的AI应用可持续,学术界、产业界需要聚焦解决哪些事情,应当如何协同以有效实现算法落地?

本文着眼于我国企业AI应用的落地及可持续发展,就面临的挑战、潜在的解决方案提出构思。从AI应用于生产的实际案例出发,梳理业界发展现状及存在的问题,剖析AI产业发展面临的迫切挑战,据此探讨成因及应对策略,以期为我国AI产业健康发展提供基础参考。

二、 人工智能发展的总体现状和趋势

(一) 人工智能技术发展态势

自1956年概念提出至今,AI的发展经历了3次浪潮。① 第一次浪潮(1956—1974年)是AI的诞生时期,重在让机器具备逻辑推理能力,开发的计算机可解决代数应用题、证明几何定理、学习并使用英文程序;研发了首款感知神经网络软件和聊天软件(即时通讯软件)。② 第二次浪潮(1980—1987年),AI变得更为实用,可解决某些领域特定问题的AI程序(“专家系统”)开始获得企业应用;知识库系统、知识工程成为当时研究的主要方向。③ 第三次浪潮(1993年至今),计算性能的基础性障碍被逐步克服,“智能代理”范式获得广泛接受;深度学习的理论突破使得AI技术发展超越了研究人类智能的范畴。互联网、云计算、大数据、芯片、物联网等新兴技术为AI技术的发展提供了充足的数据支持与算力支撑,以“AI+”为代表的业务创新模式逐步成熟。从全球学术数据库中遴选出的2011—2020年AI领域十大热门研究主题有:深度神经网络、特征抽取、图像分类、目标检测、语义分割、表示学习、生成对抗网络、语义网络、协同过滤、机器翻译 [4]。

AI产业可按基础层、技术层、应用层进行划分。基础层主要指计算平台和数据中心,如云计算平台、高性能计算芯片、数据资源等,为AI应用提供数据支持与算力支撑。技术层指AI算法和技术,是AI产业的核心构成。应用层指面向特定产业和场景专门研发的产品及服务,是AI产业的自然延伸。制约AI产业发展的因素有很多,如数据质量、泛化能力、可解释性等。本研究认为,企业AI落地应用是复杂的系统工程,主要制约因素是可解释性。对于传统的机器学习,特征提取由专家或富有经验的人员手动完成,嵌入了大量的专业知识;虽然提取的特征可能不够全面,但因其良好的可解释性而备受学术界的推崇。深度学习的特征提取则通过神经网络自动完成,因无需专家参与而减少了人为干预,对特征的提取通常也更为全面。然而,以深度学习为主的神经网络模型无法给出合理的特征解释;如果AI不能理解知识或行为之间的深层逻辑,在采用已有模型去应对未知变量时就很容易引起模型崩塌。因此,企业AI落地应用的关键在于将长期积累形成的专家知识融入AI模型,据此构建知识与数据融合的神经网络模型,从而提高模型的可解释性和泛化能力。

(二) 人工智能的国内外进展

AI发展的经济社会意义正在成为世界多数国家的共识,一系列AI发展战略和计划相继提出并得到快速更新。各国积极设立AI研究机构,引导研发投入并注重人才培养,建设算力和数据基础设施,提高平台和资源应用水平,制定行业应用政策法规,以期为AI应用发展创造良好的环境。例如,美国国家科学技术委员会发布的《国家人工智能研究和发展战略计划:2019年更新版》 [5],突出了AI研发投资的优先事项,聚焦领域前沿的快速发展。欧盟委员会通过了《人工智能法》提案(2021年) [6],旨在构建值得全球信赖的AI中心,加强欧盟范围内AI的使用、投资和创新活动。

在我国,AI技术持续创新和突破,AI资源持续优化整合,AI产业结构逐渐完善。① 近年来,我国的AI相关专利申请数量居世界首位,增速明显高于其他国家 [7];我国学者在国际一流会议和期刊上发表的论文数量稳步增长,成为AI社区的重要贡献力量。② 建立AI计算中心和创新中心,面向产业需求提供基础数据资源、计算资源、关键算法服务,显著降低了中小型企业的研发成本和行业准入门槛,带动了AI“产学研”协同创新 [8];国产AI开源学习框架和开源软件不断丰富,昇思、飞桨等开源框架加速了行业技术创新。③ AI为企业数字化转型升级提供了源动力,智能产业加速创新发展,智能机器人、智慧城市、智能交通、智能制造等方向发展迅猛,以行业深化应用为众多企业带来了实际价值;总结数百个企业项目的实践后发现,AI算法进入核心生产系统的比例接近30%,将AI引入核心生产系统后带来的效率提升平均超过18% [9]。

三、 我国企业人工智能应用的典型案例

在我国,随着相关技术的不断演进,AI算法逐步从实验验证走向企业落地。例如,以华为云计算技术有限公司为代表的AI企业,已将AI落地应用于能源(如智能勘探、生产巡检、智慧加油站)、城市治理(如智能办公 / 办事、政务智能热线)、交通运输(如智慧高速、智能网联、城市交通治理)、工业制造(如工艺优化、优化控制、工业视觉)、医药医疗(如医学影像、临床辅助、药物研发)、银行与金融(如智能风控、智能营销、智能双录)等垂直领域。无论是交通运输、工业制造等面向企业的服务,还是智慧医疗、互联网等面向个人的应用,AI算法都正在或者已经进入核心生产流程,在创造价值的同时也伴生新的问题,反哺和驱动了AI算法研发。

(一) 智能油气勘探

智能油气勘探是AI算法在能源产业落地应用的重要场景之一,可以认为AI算法深刻地改变了这一行业。在智能化,碳达峰、碳中和目标的时代背景下,石油勘探开发领域的智能化转型是能源行业极为核心而又无法规避的发展模式 [10]。这是因为,随着石油资源品质的不断劣质化,油气资源开采的难度持续加大,开采成本逐年攀高;抛弃“储量为重”的旧观点,树立“数据为重”的新理念,加大数据挖掘力度并提升数据价值,是油气勘探开发面临的新挑战;数据、算力、算法、场景“四位一体”,共同驱动AI技术在石油勘探开发领域的“以点带面”式应用。

近年来,AI技术已逐步应用于石油勘探开发中的沉积储层研究、测井解释、物探处理、钻完井、油藏工程等多个方向,取得了一定的进展。① 在沉积储层研究方面,一些学者借助岩心图像的智能分析手段实现了沉积储层的精准量化,工业应用效果良好且应用潜力突出。② 在测井方面,部分石油企业、科研机构利用机器学习、深度学习,在曲线重构、岩性识别、储层参数预测、油气水层识别、智能分层、成像测井等方面完成了基础研究及初步应用。③ 在物探方面,利用目标检测、图像分割、图像分类等计算机视觉技术,实现了构造解释、地震相识别、地震波场正演、地震反演、初至拾取、地震数据重建与插值、地震属性分析等地震数据处理解释。④ 在钻井AI应用方面,主要体现在井眼轨道智能优化、智能导向钻井、钻速智能优化等。⑤ 在油藏工程方面,利用精细分层注水“硬数据”,实现了数据驱动下的油气水井智能注水优化,有效提高了采收率。此外,基于循环神经网络的产量预测、生产措施智能优化等应用点上也取得了初步效果。

具体来看,岩石薄片智能鉴定 [11]是计算机视觉技术在岩心分析上的代表性案例。传统薄片鉴定依赖于岩矿鉴定专家在显微镜下的目估观察,存在鉴定效率低、人员数量不足、鉴定结果不易精准量化等不足。岩石薄片智能鉴定通过收集并标注海量的薄片图像,建立深度学习所需的标签样本库;利用计算机视觉技术构建岩石颗粒分割、矿物成分鉴定、孔隙结构分析、岩石结构分析等智能模型,使鉴定结果更加直观、量化、精准(见图1)。智能分层注水是AI在油气田开发应用方面的另一个典型案例,作为第四代智能分层注水技术,利用注水开发中的“硬数据”,结合计算几何、形态学等技术来优化生产参数,实现数据驱动的油气水井智能注水优化;形成的水驱油藏流场识别技术,实现了注水效果的评价、分析、实时监测与智能控制,为注水优化、井网层系调整、深部调剖等提供了可靠的方案决策依据,显著提高了采收率。

中国石油天然气集团有限公司在“十三五”时期建设了认知计算平台 [12],相应的功能架构如图2所示。平台实现了多个重点场景应用,如地震初至波自动拾取、地震层位自动解释、测井油气层识别、抽油机井工况诊断、单井产量及含水规律预测等;在中国石油天然气股份有限公司西南油气田分公司、长庆油田分公司等企业进行了试点应用,取得良好效果,如地震层位智能解释将人工解释所需约1个月的工作量降至一周内,测井油气层智能识别将解释符合率提高了10个百分点且单井解释耗时从1天压缩至10 min。

也要注意到,虽然AI技术在石油勘探开发领域的应用稳健展开并不断取得新进展,但较之于看图识花、动作识别、智能修图等通用技术领域,相应进展仍是较为缓慢的,技术研究与落地应用之间仍存在不小的距离,尚处于“知易行难”的发展阶段。石油勘探开发领域的场景复杂,需要综合利用测井、地震、遥感等手段进行多维度分析,具有系统工程特征,无法仅靠数据驱动的模型来解决问题,而通用技术领域的业务场景相对简单且所见即所得,需要识别的对象也是常见物品。同时,石油勘探开发领域面临严峻的数据质量问题,建模所用的数据多是处理解释过的,存在小样本、数据失真等情况;相比之下,通用技术领域的数据多为实时采集的大数据,各类公开数据集也为行业建模提供了丰富的数据来源。在研发生态方面,石油勘探开发等特定领域也相对薄弱;近年来开源的多种AI模型及代码为AI建模提供了丰富的预训练模型,但多是针对通用技术领域所构建,较难直接迁移到石油领域应用。

(二) 智慧城市治理

城市是人类文明的重要标志、工商业发展的产物,也代表着人类对更高质量生活的追求。数字时代为城市所有物体、服务、空间的数字化提供了基础。然而,不断增加的主体与要素、快节奏的生产生活方式,对城市治理提出了更高要求。以AI算法为核心的“智慧城市”系统,在大规模算力、大数据技术的支持下,能够有效链接建筑、学校、医院、公共交通等城市要素,实现城市中各类场景的智能化决策。智慧城市的基本策略是将数据变成城市治理的资源,进而应用此资源赋能基层治理 [8]。

智能政务专线、城市交通治理是智慧城市的典型应用案例。① 传统12345热线的服务范围不断延伸,导致客服人员压力增加、服务效率降低。智能热线方案提取政务法规、文件、内外部通知、工单等数据,建立包括事件、时间、地点、责任主体、解决措施在内的知识图谱。利用知识图谱相关算法,智能识别居民来电意图,辅助人工坐席岗与居民进行高效交流,通过分析历史诉求及处置情况来智能派单,形成“接得更准、分得更快、办得更实”的热线服务模式。在试点城市,整体派单效率提升超过50%,工单处置周期缩短20%以上,大幅改善了工单办结的满意度 [9]。② 早晚高峰是城市交通面临的巨大挑战。为了缓解路网压力增大造成的调度困难,智能调控信控方案利用电子警察解析的结构化数据,分析各路口车流规律并结合交警人工经验进行配时建模;在构建路口流量、绿灯空放等目标函数的基础上,将交通知识的数学描述以约束条件的形式整合到最优信控配时的建模过程。在试点城市,实现了主干道平均车速提升18%,道路排队溢出次数下降20%,早高峰提前10~15 min消散,显著缓解了早晚高峰的交通拥堵现象 [13]。

智慧城市治理是AI算法面临的极大挑战。城市治理场景复杂且变化迅速,对AI算法的高级指标(如通用性、可迁移性等)提出了更高要求。城市治理需要结合图像、语言、语音等多种模态的数据,也契合了未来AI算法朝着多模态方向发展的趋势。然而,当前的AI算法在灵活度、鲁棒性等方面距离实际应用还存在不小的差距,往往需要进行针对性研发以适应不同的场景,导致开发及应用成本居高不下,也就难以规模化、规范化地“复制”到其他城市中去。

四、 基于案例实践促成企业人工智能应用的若干关键要素分析

(一) 人工智能的科学研究和需求驱动同样重要

AI作为通用目的技术,现阶段在企业应用落地时产生了新颖而积极的成效 [14],但也面临着诸多问题和挑战 [3]。目前,AI算法缺乏规范性,开发效率较低,这是因为不同行业和企业的数据模态、数据体量及质量、硬件环境等均有较大差别。在传统的开发模式下,AI算法在场景之间的迁移能力差,开发者往往需要针对不同场景分别设计神经网络结构、执行特定的优化与部署流程;缺乏统一规范的开发模式,开发出的算法也无法满足泛化性、鲁棒性、安全性、可解释性等要求。解决这些问题,需要从科学研究、企业应用落地两方面同步着手。

1. 依据企业技术需求进行AI算法的迭代演进

从训练数据的角度看,大数据时代的绝大部分数据都没有标注信息。例如,从互联网公开领域获取的数据中,具有语义标签的数据占比低于1% [15];为了充分利用这些数据以提升大模型的质量,需要构建高效的自监督学习算法。虽然学术界提出了针对图像 [16]、文本 [17]等特定模态的自监督学习算法,但训练效率有限、训练所得模型的能力难以评估。不同模态数据之间存在差异性,也使得从图像、文本等数据中学习的语义知识难以在同一语义空间中对齐 [18]。需要设计跨模态的模型训练和评测方案,摆脱对模型体量的盲目追求,让大模型不再依赖下游任务而是根据自身对数据的理解能力进行评测,这样才能解决AI落地过程中的模型生产问题。

从模型的角度看,深度学习的重要障碍在于模型的泛化能力和可解释性 [19]。当模型遇到不在训练数据分布范围之内的测试样本时,模型的效果会显著下降,加之神经网络模型通常无法解释自身推理过程,使得专业人员对模型预测结果持怀疑态度,也就限制了模型在实际生产场景下的应用。迁移学习 [20]、对抗攻防 [21]、激活单元可视化 [22]等技术研究尽管取得了一定进展,但距离鲁棒、可泛化、可解释的AI算法尚有距离。

鼓励学科交叉研究,推动AI与其他学科融合,以双向互促实现协同发展。将AI算法应用于其他学科的前沿研究(如医学影像 [23]、生物制药 [24,25]、科学计算 [26]等)潜力巨大,但对AI算法提出了更高要求。例如,科学计算区别于与传统的AI应用场景,AI算法设计面临输入数据是否完备、数据量是否充足、计算架构是否合理等实质性挑战,解空间的复杂度极高。因此,AI算法需要具备处理不确定性数据的能力并与知识计算 [27]、自动机器学习 [28]等算法相结合,才能辅助各学科的科学家探索未知领域。

2. 在技术体系与架构设计中有机结合场景、算法和平台

基于深度学习的AI算法需要大量的计算资源,训练成本较高。企业在技术体系与架构设计中,应追求与AI行业有机结合,在云端部署大模型,合理规避基于通用数据训练模型的过程;配合高效工具链,以较低的成本在私有数据上验证大模型,便于将模型部署到端侧和边侧设备,从而降低使用成本。这一发展方式才能让更多的企业受惠于AI算法。

AI作为新兴的交叉学科,关键基础源自计算机科学的细分领域。将AI算法落地到企业应用,需要不同类型的人员紧密配合:具备AI专业级技能的算法开发者和架构师,理解AI基础逻辑的产品经理,接受AI应用理念的企业技术人员。应鼓励AI培训深入企业,通过实际案例提高企业技术和管理人员对AI的深刻认知,从而创造良好的协同环境。

(二) 以系统性思维推进企业人工智能应用落地

当前,企业界对于AI的认知水平参差不齐,许多企业甚至认为“AI就是算法”,忽略了“基础设施”“配套方案”,使得AI应用落地的复杂度被严重低估,往往导致项目应用成效低下甚至失败。实际场景具有需求多变性、数据多样性的特点,往往需要结合领域专家的行业知识将多种模型进行组合,才能打通企业的业务生产系统 [29]。企业在实施AI应用时,需要建立系统思维,统筹考虑点 / 面、上 / 下、横向 / 纵向维度的因素,确保“痛点清晰、步骤合理、量力而行”。在开发和应用阶段都需坚持系统性思维,这对AI行业与企业的协同进步是极为必要的。

AI应用开发的全流程作为一项系统工程,其本质是将算法开发的流水线进行工程化,形成降本增效的应用场景;通过子流程的密切配合,形成小型闭环(见图3)。其中,数据标注用于将数据集打上标签以支持后续算法的训练;数据处理对异常数据进行清洗和整理,通过数据增强和精炼等方式提高数据量;算法训练开发新算法或者选择已有算法,使用数据进行训练已建立模型;模型评估基于测试数据集对模型进行评估,反复进行调优;应用生成对多个模型进行逻辑编排,指定输入 / 输出路径;应用评估基于业务数据集开展进一步评估;部署推理包含应用的部署、监控和维护。例如,在监控和维护阶段发现异常时,系统会将数据回流到数据标注环节,进行难例标注后补充异常数据,重新发起算法训练。

AI进入企业核心生产环境也是一项系统工程,最重要的环节是行业机理模型与AI模型的结合 [30]。各个行业都有长期的专业积累,形成了涵盖物理、化学、生物等知识表达,数量众多的机理模型。为了在不同行业落地应用,AI算法应结合行业知识、企业专有数据,完成通用到专用的转变。在此过程中,应缓解通用数据与行业数据之间的领域鸿沟,支持大模型与各类行业知识库的整合,降低大模型在各个行业的微调成本 [31]。

应用系统工程的方法论,开展需求分解、架构设计、系统开发、集成验证,形成端到端的解决方案。以某企业落地的工业优化控制项目为例,AI系统依托云端计算平台,以容器化部署方式对外提供服务接口;通过边缘应用,完成工厂生产环境下生产作业系统数据接口的协议转换,由此打通了AI系统与工厂生产环境旧系统之间的数据与指令交互;采取系统工程的可靠性设计方法,确保数据通道的安全性和稳定性,保障企业的安全生产。鉴于工业生产工况的复杂多变,数据驱动的AI模型可能遇到从未“见过”的工况,需要以“边云”协同的系统能力建立反馈回路,从而对AI应用的异常结果进行监控和迭代。这种AI应用系统和企业业务系统的组合,可视为AI与核心生产系统融合的大型闭环。

(三) 为人工智能落地创造良好的协同发展环境

1. 切入明确的企业应用场景是成功应用的开端

发掘企业应用场景是AI落地应用的第一步。为了准确定位行业AI,需要深刻理解企业需求的场景业务状况,清醒认识AI算法的能力及所能解决的问题 [32]。一个持续演进的良性循环反映在:多部门、多类型专业人员协作,针对具体的业务场景问题明确AI应用落地的边界,以企业内 / 外部的数据治理及资产化水平来评估应用AI的可能性及潜在价值,以现有的企业知识来优化数据驱动的AI模型,在社会价值和商业价值的实现过程中补充并完善更多的数据。

企业AI应用场景可分为海量重复场景、专家经验传承场景、多域协同场景。通过场景化问题分析,可以找到问题边界;通过行业知识引入,可以减少落地过程中的弯路,以此提高企业AI落地的质量。以智能油气勘探为例,地震资料的采集、处理和解释流程涉及数十个工序,而作为基础和关键业务环节的地震层位追踪,目前主要采用人工解释的方式完成;大的地震数据量导致人工解释工作十分繁琐,而利用AI进行层位自动追踪可大幅减少重复性的专业劳动,缩短勘探周期并节省勘探成本 [33]。

2. 企业数字化是AI成功应用的基础

企业的数字化水平决定了数据要素的准备程度 [34],这对AI应用落地的效果至关重要。以深度学习为主的AI技术对数据的依赖性很强,特别是面向行业场景,因公开数据集有限而需企业自身积累大量的数据,对信息化、数字化基础能力提出了较高要求。在企业数字化转型、智能化发展的过程中,及时构建统一的行业数据标准,为企业建立数据管理模式及信任机制提供基础依据 [35];逐步完善数据的知识产权保护和共享机制,避免强中心化带来的“数据孤岛”问题 [10]。

数据质量也是重要方面。如果数据管理分散、规范性不足,则需先期进行数据治理以形成符合要求的数据平台和数据资产,随后才能部署AI解决方案。以某供热企业的智能化升级为例,AI上线至少有3个前置条件:① 基础数据的清理,从热源、换热站、机组、单元阀到室内温采等一系列设备的参数,都要系统化地收集和建模;② 至少1个供暖季的设备历史运行数据、天气数据等,作为AI训练集和验证集;③ 针对历史数据缺失的异常场景(如数据断连、设备数据异常、阀门异常、极端天气等)进行分析和进一步的仿真,获得更丰富、更可靠的数据集。以高质量行业数据为代表的前置条件只有足够充分,才能训练形成完整的AI调控方案。

3. 通过中枢化建设促成AI应用场景的互联互通并实现价值

中枢化建设是AI系统工程需要采用的模式。提前策划在不同部门之间共建AI算法和算力,才能避免“各行其是”以消除重复建设与资源浪费;AI能力需从单点的算法汇聚至水平互通的中枢引擎层,以实现不同AI算法的共性能力复用和高效积累。换言之,通过中枢的算力底座解决物理资源的零散问题(如云计算的本质,就是将大量的零散算力资源进行打包、汇聚,实现更高可靠性、更高性能、更低成本的算力),由中枢的引擎层来解决AI算法的局部性问题。将中枢化的思维和模式同时应用于场景问题定义、AI平台建设等维度,才能将AI的应用价值从局部提升至整体。

以智慧城市建设为例,当前的多数问题都属于由复杂关联的局部问题造成的整体问题。AI在对应场景中的应用效果,很大程度上取决于应用场景的问题定义和建设模式。对于城市交通资源优化,如果局限于解决单一路口的拥堵问题,即使通过AI算法将问题求解到最优,也很难对城市的整体交通状况、车辆在途率形成根本性的改善。针对这类问题,需要采取中枢化的建设思维,将视野从局部拓展到整体,才能够将局部优化辐射到全局层面,从而驱动整个系统产生更大的价值。具体而言,在设计AI算法之前,率先考虑数据、资源、场景能否互通互联;如果不能,需要优先解决互通问题,才能再考虑如何将AI应用于优化后的问题及系统。

城市运行“一网统管” [36]是代表性的实践案例。与单一管理部门应用场景不同,“一网统管”实质上是中枢化的建设模式,实现了多个管理部门的互通互联;将原先只能局部闭环的城市问题,通过多部门协同寻求了更高效、更优化的处置方案。针对重新设计后的全局化问题,AI应用就从原先局限于特定事件的感知和发现,拓展到了通过知识图谱挖掘跨管理部门事件的处置关联性,从而精准推荐事件处置的措施和责任主体,达到处置效率、处置满意度的全局优化。

(四) 用发展的思维解决发展过程中的挑战

AI技术的发展和应用是一个循序渐进的过程。如果对AI算法缺乏宽容,实际应用时一旦出现问题就导致信任危机,容易遏制技术的迭代和提升,也就带来AI应用落地的额外阻力。宜采用发展的思维来看待AI企业落地过程中的问题和挑战:既要给予发展机会和周期,也要在系统、流程、机制等方面提供支持,促成良性、可持续的能力演进。

列车运行故障动态检测系统的应用场景具有代表性:采用列检设备拍摄货车底部和侧部照片,通过审图判断货车是否存在安全风险。列车速度极快、室外环境复杂,加之故障类型多达数百种,AI系统面临在长尾数据上进行小样本学习的困难。AI研发企业与铁路科研单位合作开展了AI技术应用,经过迭代式开发和测试,使得误检、漏检样本快速进入系统,模型能力不断提升,最终达到专家人工判读的水平。在类似的发展过程中,更加开放地优化组织流程,让行业专家与AI专家高效配合,应用主动学习等技术提升人工辅助效率 [37],将显著加速AI应用落地。

在过去的10多年,AI是发展最快的科技领域之一,这得益于业界在技术研究和产业落地之间的良性循环,即技术研究的成果为企业落地创造了可能性,而企业落地的收益反哺了AI技术研究。也要注意到,在深度学习爆发式增长10年后,AI技术研究逐渐进入深水区,易于攻克或提升的技术点越来越少;为了维系良性循环,应深入挖掘技术研究与产业落地的“结合点”。AI的应用旨在“减少重复劳动”“扩展人类知识边界”,瞄准这一根本目标,保持技术研究和行业落地的紧密结合,才能兼顾技术实现与社会价值创造 [38]。

五、 我国企业人工智能应用的发展建议

人类社会正在进入泛智能时代,在此关键时期,单项技术的重大突破、单一解决方案的深刻变化,都有可能改变各行业的竞争格局。种种迹象表明,当前正处于AI大规模落地应用的爆发前夕。世界范围内的企业尤其是领军企业,普遍重视AI,加大投入以紧跟潮流并获得领先优势。如果在布局阶段错失机遇,一旦马太效应形成,后发者可能处于更为弱势的境地。相应地,我国应高度重视AI产业发展,积极发布AI企业落地配套政策,引导国产AI根技术、基础平台、关键行业应用等层面的协调发展,以更好推动AI技术的产业集聚、促进AI与实体经济的深度融合。

建议支持AI产业链发展,扶持全栈AI国产化,完善AI基础平台及工具体系,培育国产AI根技术,提高AI核心技术的自主可控能力。① 加大底层根技术的研发投入,构建算力、算法、数据三位一体的AI新生态,鼓励企业、高校、社会服务等加速应用AI根技术;以核心产业主体多方共建的方式,积极构建具有国际有影响力、分布于若干行业的AI根技术应用体系,构筑AI企业应用的技术纵深。② 支持AI根技术持续创新,引导优势企业开展AI根技术研发攻关,支持行业示范应用,促进国产AI大模型、框架、芯片等核心技术突破及产业化落地。③ 鼓励优势AI企业加速完善包括端到端的AI基础平台、工具链在内的AI共性支撑技术体系,实质性提高自主可控能力并形成一定的比较优势。

建议支持企业积极采用AI进行智能化升级,形成技术研发和产业智能创新的双向大循环。企业智能化所需的生产要素,如数据、算法、算力等,通常很难依靠单一企业来构建齐备。应建立科学合理的算力、数据、算法开放共享机制,持续开放并积累各行业的算法、模型、数据,促进跨企业的智能化协作,以要素的规模化提升企业AI应用的水平。① 地方政府可借助新型基础设施建设的发展机遇,新建或扩建包括AI计算中心(公共算力)、一体化大数据中心(数据共享)、AI创新中心(模型共享)在内的AI公共要素体系。② 由企业、管理部门注入数据和应用需求,支持企业开展基于云计算、大数据的AI应用创新示范;鼓励企业采用AI进行技术换代、流程再造、服务升级,形成自主技术研发和产业智能创新循环互促的发展格局。③ 制定相关标准,规范AI技术研究,以发展的思维积极应对AI落地过程中可能带来的问题;完善与企业AI应用相关的法律法规和流程制度,促进产业智能化良性发展,防控潜在技术和社会风险。

参考文献

[1]

M‍ Turing A. Computing machinery and intelligence [J]‍. Mind, 1950, 59: 433‒460‍.

[2]

LeCun Y, Bengio Y, Hinton G‍. Deep learning [J]‍. Nature, 2015, 521(7553): 436‒444‍.

[3]

华凌‍‍. 为什么AI很火, 落地却很难 [N]‍. 科技日报, 2021-07-26(06)‍.

[4]

Hua L‍. Why is AI popular but difficult to be landed? [N]‍. Science and Technology Daily, 2021-07-26(06)‍.

[5]

科技情报大数据挖掘与服务平台‍‍‍‍. 2011—2020年人工智能发展报告 [R]‍. 北京: 科技情报大数据挖掘与服务平台, 2020‍.

[6]

AMiner‍. Report on artificial intelligence development 2011—2020 [R]‍. Beijing: AMiner, 2020‍.

[7]

Executive Office of the President‍. Maintaining American leadership in artificial intelligence [EB/OL]‍. (2019-02-14)[2022-04-15]‍.

[8]

Commission‍ European. Proposal for a regulation laying down harmonised rules on artificial intelligence [EB/OL]‍. (2021-04-21‍)[2022-04-15]‍.

[9]

胥会云‍. 金桥金融科技综合发展指数: 中国区块链、人工智能专利数已超美国 [EB/OL]‍. (2018-06-15)[2022-04-15]‍.

[10]

Xu H Y‍. Jinqiao financial technology comprehensive development index: China's blockchain and AI patents have surpassed the United States [J]‍. (2018-06-15 2022-04-15]‍.

[11]

王坚‍. 数据资源与城市大脑 [J]‍. 秘书工作, 2020 (1): 75‒77‍.

[12]

Wang J‍. Data resources and the urban brain [J]‍. Office Administration, 2020 (1): 75‒77‍.

[13]

华为技术有限公司‍. AI赋能智慧城市白皮书 [R]‍. 深圳: 华为技术有限公司, 2021‍.

[14]

Huawei Technologies Co‍., Ltd‍. AI-enabled smart city: White paper [R]‍. Shenzhen: Huawei Technologies Co‍., Ltd‍., 2021‍.

[15]

刘合‍. 石油勘探开发人工智能应用的展望 [J]‍. 智能系统学报, 2021, 16(6): 985‍.

[16]

Liu H‍. Prospects for the application of artificial intelligence in petroleum exploration and development [J]‍. CAAI Transactions on Intelligent Systems, 2021, 16(6): 985‍.

[17]

Liu H, Ren Y L, Li X, al e t‍. Rock thin-section analysis and identification based on artificial intelligent technique [J]‍. Petroleum Science, 2022, 19(4): 1605‒1621‍.

[18]

龚仁彬, 李欣, 李宁, 等‍. 油气人工智能 [M]‍. 北京: 石油工业出版社, 2021‍.

[19]

Gong R B, Li X, Li N, al e t‍. Artificial intelligence in oil and gas [M]‍. Beijing: Petroleum Industry Press, 2021‍.

[20]

华为技术有限公司‍. 知识计算白皮书 [R]‍. 深圳: 华为技术有限公司, 2022‍.

[21]

Huawei Technologies Co‍., Ltd‍. Knowledge computing: White paper [R]‍. Shenzhen: Huawei Technologies Co‍., Ltd‍., 2021‍.

[22]

Zhang D, Mishra S, Brynjolfsson E, al e t‍. The AI index 2021 annual report [EB/OL]‍. (2021-03-15)[2022-04-15]‍.

[23]

Torralba A, Fergus R, T‍ Freeman W. 80 million tiny images: A large data set for nonparametric object and scene recognition [J]‍. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30(11): 1958‒1970‍.

[24]

Chen T, Kornblith S, Norouzi M, al e t‍. A simple framework for contrastive learning of visual representations [EB/OL]‍. (2020-05-05)[2022-04-15]‍.

[25]

Devlin J, Chang M W, Lee K, al e t‍. Bert: Pre-training of deep bidirectional transformers for language understanding [EB/OL]‍. (2018-10-11)[2022-04-15]‍.

[26]

Radford A, Kim J W, Hallacy C, al e t‍. Learning transferable visual models from natural language supervision [EB/OL]‍. (2021-02-26)[2022-04-15]‍.

[27]

肖立志‍. 机器学习数据驱动与机理模型融合及可解释性问题 [J]‍. 石油物探, 2022, 61(2): 205‒212‍.

[28]

Xiao L Z‍. The fusion of data-driven machine learning with mechanism models and interpretability issues [J]‍. Geophysical Prospecting for Petroleum, 2022, 61(2): 205‒212‍.

[29]

Tan C Q, Sun F C, Kong T, al e t‍. A survey on deep transfer learning [EB/OL]‍. (2018-08-06)[2022-04-15]‍.

[30]

Yuan X Y, He P, Zhu Q L, al e t‍. Adversarial examples: Attacks and defenses for deep learning [J]‍. IEEE Transactions on Neural Networks and Learning Systems, 2019, 30(9): 2805‒2824‍.

[31]

Zhou B L, Khosla A, Lapedriza A, al e t‍. Learning deep features for discriminative localization [EB/OL]‍. (2015-11-14)‍[2022-04-15]‍.

[32]

Shen D G, Wu G R, Suk H‍. Deep learning in medical image analysis [J]‍. Annual Review of Biomedical Engineering, 2017, 19: 221‒248‍.

[33]

Hamet P, Tremblay J‍. Artificial intelligence in medicine [J]‍. Metabolism, 2017, 69S: 36‒40‍.

[34]

Jumper J, Evans R, Pritzel A, al e t‍. Highly accurate protein structure prediction with AlphaFold [J]‍. Nature, 2021, 596(7873): 583‒589‍.

[35]

Raissi M, Perdikaris P, E‍ Karniadakis G. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations [J]‍. Journal of Computational Physics, 2019, 378: 686‒707‍.

[36]

Wang Q, Mao Z D, Wang B, al e t‍. Knowledge graph embedding: A survey of approaches and applications [J]‍. IEEE Transactions on Knowledge and Data Engineering, 2017, 29(12): 2724‒2743‍.

[37]

He X, Zhao K Y, Chu X W‍. AutoML: A survey of the state-of-the-art [J]‍. Knowledge-Based Systems, 2021, 212: 1‒17‍.

[38]

柴天佑‍. 工业人工智能发展方向 [J]‍. 自动化学报, 2020, 46(10): 2003‒2012‍.

[39]

Chai T Y‍. Development direction of industrial artificial intelligence [J]‍. Acta Automatica Sinica, 2020, 46(10): 2003‒2012‍.

[40]

Sculley D, Holt G, Golovin D, al e t‍. Hidden technical debt in machine learning systems [J]‍. Advances in Neural Information Processing Systems, 2015, 2: 2503‒2511‍.

[41]

Oliveira R‍. Combining first principles modelling and artificial neural networks: A general framework [J]‍. Computers & Chemical Engineering, 2004, 28(5): 755‒766‍.

[42]

埃森哲公司‍. 人工智能应用之道 [EB/OL]‍. (2019-08-14)[2022-04-15]‍.

[43]

Co‍. Accenture, Ltd‍. Application of artificial intelligence [EB/OL]‍. (2019-08-14)[2022-04-15]‍.

[44]

赵邦六, 雍学善, 高建虎, 等‍. 中国石油智能地震处理解释技术进展与发展方向思考 [J]‍. 中国石油勘探, 2021, 26(5): 12‒23‍.

[45]

Zhao B L, Yong X X, Gao J H, al e t‍. Progress and development direction of PetroChina intelligent seismic processing and interpretation technology [J]‍. China Petroleum Exploration, 2021, 26(5): 12‒23‍.

[46]

埃森哲公司‍. 2021中国企业数字转型指数 [R]‍. 北京: 埃森哲公司, 2021‍.

[47]

Co‍. Accenture, Ltd‍. 2021 China enterprise digital transformation index [R]‍. Beijing: Accenture Co‍., Ltd‍., 2021‍.

[48]

匡立春, 刘合, 任义丽, 等‍. 人工智能在石油勘探开发领域的应用现状与发展趋势 [J]‍. 石油勘探与开发, 2021, 48(1): 1‒11‍.

[49]

Kuang L C, Liu H, Ren Y L, al e t‍. Application and development trend of artificial intelligence in petroleum exploration and development [J]‍. Petroleum Exploration and Development, 2021, 48(1): 1‒11‍.

[50]

董幼鸿‍. 上海城市运行"一网统管"的创新和探索 [M]‍. 上海: 上海人民出版社, 2021‍.

[51]

Dong Y H‍. Innovation and exploration of "one-network unified management" in Shanghai's city operation [M]‍. Shanghai: Shanghai People's Press, 2021‍.

[52]

M‍ Monarch R. Human-in-the-loop machine learning: Active learning and annotation for human-centered AI [M]‍. New York: Simon & Schuster, 2021‍.

[53]

肖立志‍. 数字化转型推动石油工业绿色低碳可持续发展 [J]‍. 世界石油工业, 2022, 29(4): 12‒20‍.

[54]

Xiao L Z‍. Digital transformation promotes the petroleum industry green, low-carbon and sustainable development [J]‍. World Petroleum Industry, 2022, 29(4): 12‒20‍.

基金资助

中国工程院咨询项目“中国工程科技未来20年(2021—2040年)创新发展机制与策略研究”(L2124001)

国家自然科学基金项目(72088101)

AI Summary AI Mindmap
PDF (1827KB)

17261

访问

0

被引

详细

导航
相关文章

AI思维导图

/