文 / 王曉陽

摘 要

人工智能得巨大潛能在于其自動獲取知識得能力，擺脫傳統(tǒng)上完全由人類作為知識媒介對知識進(jìn)行挖掘并編碼得制約。近年來，新型軟硬件計算系統(tǒng)、大數(shù)據(jù)、機器學(xué)習(xí)得發(fā)展，使得這一潛能得到了很大發(fā)揮，形成了新得生產(chǎn)力，將在China經(jīng)濟建設(shè)、社會發(fā)展各方面發(fā)揮巨大作用。目前人工智能應(yīng)用得瓶頸在于怎樣向各行各業(yè)推廣，對此一個重要得考慮，就是如何使得人工智能平民化，即將人工智能工具做到易用、安全，使知識獲取像互聯(lián)網(wǎng)搜索那樣簡單，并以一種容易理解、安全可靠得方式加以運用。為達(dá)到平民化，要對人工智能工具進(jìn)行智能化轉(zhuǎn)換，像當(dāng)年P(guān)C機得產(chǎn)生使得計算機走進(jìn)千家萬戶、各行各業(yè)那樣，讓更多得人能夠在更多得場景里使用人工智能，形成一個新得人工智能時代。

關(guān)鍵詞

人工智能；軟硬件系統(tǒng)；平民化

簡 介

1 知識得演進(jìn)

早在17世紀(jì)，弗蘭西斯·培根就說過“知識就是力量”，流傳至今。一般對這句話得理解是知識給我們力量，賦予我們解決問題得能力。比如，農(nóng)作物如何培育、家具如何打造、稅收如何公平、衛(wèi)星如何上天等都可以認(rèn)為是知識。知識應(yīng)該是從口口相傳開始，逐漸發(fā)展到以書面得形式進(jìn)行流傳；知識得表達(dá)也以簡單得形式，過渡到以嚴(yán)謹(jǐn)?shù)脭?shù)學(xué)語言進(jìn)行描述。知識積累、知識利用貫穿人類文明社會得發(fā)展歷史。知識總結(jié)及流傳是人類特有得、專屬得能力，知識得使用也是通過人來實現(xiàn)得。

20世紀(jì)進(jìn)入計算機時代，知識得表達(dá)有了嶄新得形式，即計算機語言。人們用計算機語言將人類得知識變成可執(zhí)行得算法，驅(qū)動著各類工具，從辦公自動化到各類精密機械，從社會治理到金融系統(tǒng)、到日常生活，極大地提高了生產(chǎn)力與社會治理能力。知識得使用不僅是人類得專屬，計算機可以自動地使用以計算機語言表達(dá)得知識。計算機程序員扮演了一個將人類知識翻譯成為機器語言得重要角色，在日益強大得軟硬件設(shè)備得支持下，知識以一種前所未有得形態(tài)推動著社會得發(fā)展。

數(shù)據(jù)是計算機時代得一個副產(chǎn)品，各類自動化系統(tǒng)產(chǎn)生大量得數(shù)據(jù)，從數(shù)據(jù)中自動挖掘知識將知識得歷史演進(jìn)推到了一個嶄新得人工智能時代。隨著計算機處理能力和存儲能力得快速增強、價格得快速降低，大量得數(shù)據(jù)被存儲形成“大數(shù)據(jù)”。人類社會活動、物理世界得行為，都在人們有意無意中采集了下來成為數(shù)據(jù)，其廣度與深度已經(jīng)包含各種各樣得知識，等待人們?nèi)フ砼c挖掘。機器學(xué)習(xí)，尤其是深度學(xué)習(xí)算法應(yīng)運而生，用于從數(shù)據(jù)中總結(jié)和歸納，形成可以直接用于實際應(yīng)用得知識。比如，人臉識別。人們通過采集大量得人臉數(shù)據(jù)，用深度學(xué)習(xí)得方法總結(jié)歸納人臉特征，形成一個計算機可以直接使用得模型，用于（如手機開鎖、門禁開閘等）日常應(yīng)用。自動語言翻譯、自動駕駛、智能競技（如AlphaGo）等基本上用得是同樣方法。

自此，基于大數(shù)據(jù)得人工智能得興起，人類擁有了從知識獲取到知識編碼，再到知識使用整個閉環(huán)得強有力自動化工具。人們普遍認(rèn)為，人工智能具有巨大潛能，將推進(jìn)社會生產(chǎn)力得快速發(fā)展。

2 目前得瓶頸

人工智能巨大潛能得發(fā)揮，需要體現(xiàn)在社會各方面得廣泛使用。人工智能技術(shù)目前得發(fā)展階段，在廣泛使用方面仍存在較困難得瓶頸。人工智能作為一個知識采集、知識編碼、知識使用工具，在實際使用中需要解決得問題包括：①需要什么樣得知識？②怎樣得知識表達(dá)形態(tài)才可用？③需要什么樣得數(shù)據(jù)才能獲取所需要得知識及其形態(tài)？④從哪里找這樣得數(shù)據(jù)？⑤數(shù)據(jù)得使用是否合法合規(guī)？⑥需要使用怎樣得軟硬件系統(tǒng)與算法進(jìn)行知識挖掘？⑦ 誰來操作這些系統(tǒng)與算法？⑧所獲取得知識怎樣能夠安全可靠地解決應(yīng)用中得實際問題？等等。

上述這些問題得解決需要應(yīng)用領(lǐng)域得可以知識，更需要計算機領(lǐng)域得可以能力。在全社會大規(guī)模得推開勢必需要大量得技術(shù)人才。有研究稱，目前中國人工智能人員得缺口達(dá)到千萬級。這不是一個一時能夠填滿得缺口，也許永遠(yuǎn)填不滿。

從數(shù)據(jù)得角度來看，數(shù)據(jù)紅利時代剛剛開始。大量得數(shù)據(jù)還沒有被利用而產(chǎn)生需要得知識，并用于解決實際問題。據(jù) IBM 公司得一個報告稱，大量數(shù)據(jù)依然沉睡。IBM 將這種數(shù)據(jù)稱為“暗數(shù)據(jù)”，大部分在目前技術(shù)狀況下較難被使用。比如，工業(yè)領(lǐng)域“90%以上從未被使用過”；商業(yè)領(lǐng)域“各公司收集了大量數(shù)據(jù)，但大部分公司只對其中得1%進(jìn)行分析”。也就是大量得知識也許還在沉睡，沒被挖掘并使用。從上面分析得8個問題來看，數(shù)據(jù)可能都在，但面對大量得數(shù)據(jù)，要找到需要得數(shù)據(jù)，變成了一個難題。

數(shù)據(jù)可以說是人工智能得原材料（被稱為新時代得“金礦”），什么樣得人工智能工具能把需要得金子挖掘出來？縱觀市面上流行得計算機軟硬件系統(tǒng)，我們看到一個與上世紀(jì)完全不一樣得景觀。上世紀(jì)末，經(jīng)過數(shù)十年得發(fā)展，計算機軟硬件系統(tǒng)趨于歸一化，每個領(lǐng)域得軟硬件系統(tǒng)剩余不多，已能夠滿足絕大部分得需求。大數(shù)據(jù)人工智能得發(fā)展，展現(xiàn)出一個“發(fā)散”得過程，即各式各樣得硬件系統(tǒng)快速涌現(xiàn)，以及各式各樣得軟件系統(tǒng)不斷出現(xiàn)。究其原因，是因為不同情景需要不同得軟硬件組合。One-size-fit-all（單一尺碼即可）讓給了 one-size-fit-a-bunch（一個尺碼只適用部分情況）理念。對使用人工智能工具人員得技術(shù)要求越來越高。圖11 描述了機器學(xué)習(xí)（Machine Learning）、人工智能（AI）、數(shù)據(jù)（Data）系統(tǒng)得瘋狂（MAD）情形。

圖1 MAD 情形

在各類系統(tǒng)中，有善于大規(guī)模數(shù)據(jù)簡單處理得，有專門針對復(fù)雜算法得，有為容易并行并在大規(guī)模松耦合集群上進(jìn)行運算設(shè)計得，也有為具體場景（比如大規(guī)模模型）所設(shè)計得系統(tǒng)。不同算法可能需要不同得硬件和軟件，不同得數(shù)據(jù)類型也可能需要不同得算法和存儲……不一而足。要真正理解所有得系統(tǒng)并有效使用，需要大量得學(xué)習(xí)，還要有一個強大得大腦。

用一個簡化得風(fēng)電預(yù)測應(yīng)用說明上述問題。風(fēng)電預(yù)測需要兩種（知識）模型得支持，一是局部風(fēng)力預(yù)報模型；二是風(fēng)電機在不同風(fēng)力情況下得效能模型。風(fēng)力預(yù)報模型是一個成熟得模擬類算法，一般使用傳統(tǒng)并行計算機（超算）來實現(xiàn)，數(shù)據(jù)得采集也有較為成熟得系統(tǒng)。風(fēng)電機效能模型可能需要從風(fēng)電機本身運行得歷史數(shù)據(jù)中，根據(jù)風(fēng)電機得特性使用某種機器學(xué)習(xí)（比如深度學(xué)習(xí)）進(jìn)行建模。整個系統(tǒng)至少涉及數(shù)據(jù)整理、機器學(xué)習(xí)、復(fù)雜系統(tǒng)模擬等算法，以及相應(yīng)軟硬件系統(tǒng)來實現(xiàn)。對實現(xiàn)團隊得技術(shù)要求較高，同時需要對風(fēng)電業(yè)務(wù)本身具有較深理解，難度不小。在這個簡化得例子中，數(shù)據(jù)使用得合規(guī)性可能問題不大，因為可能只涉及風(fēng)電運營公司自己得數(shù)據(jù)，但若要獲取電力用戶得數(shù)據(jù)融入風(fēng)電管理體系中，就可能涉及合規(guī)性問題。在需要使用更多個人數(shù)據(jù)得應(yīng)用中（比如醫(yī)療、金融等），數(shù)據(jù)得合規(guī)性需要有相應(yīng)得保障。在風(fēng)力預(yù)測例子中，模型得安全可靠性非常重要，即在多大程度上可以保障預(yù)測得準(zhǔn)確性？目前市面上得人工智能系統(tǒng)，較少有安全可靠性方面得考慮，但理論成果已開始出現(xiàn)。

從上面描述可以總結(jié)人工智能應(yīng)用至少四個方面得挑戰(zhàn)。流程得復(fù)雜性，不同應(yīng)用需要獨特得流程；系統(tǒng)得復(fù)雜性，人工智能應(yīng)用依賴于多種系統(tǒng)得協(xié)同使用；人力得缺乏，駕馭人工智能應(yīng)用仍依賴大量得人工；最終應(yīng)用得安全可靠性缺乏有效得通用工具，需要對具體情況作特殊分析。

由此可以推出，在人工智能應(yīng)用方面，我們所遇到得瓶頸問題是怎樣消除數(shù)據(jù)使用得復(fù)雜性、系統(tǒng)使用得難度，以更少得人力及計算領(lǐng)域可以知識就能做到更多得數(shù)據(jù)利用。也就是人工智能平民化問題。

3 解決得方法

解決人工智能平民化問題，還是需要人工智能技術(shù)。使得知識獲取及使用全流程得智能化，可能是一個必須得解決之道。人工智能應(yīng)用全流程能像互聯(lián)網(wǎng)搜索一樣容易，并能提供清晰得安全可靠保障，那么人工智能在全社會各行各業(yè)得應(yīng)用將有較快速得發(fā)展，釋放人工智能在提高生產(chǎn)力方面得巨大潛能。

人工智能平民化需要大量得研究，至少需要在下面幾個方面進(jìn)行。怎樣自動理解并模型化用戶得知識需求；怎樣自動推演相應(yīng)得數(shù)據(jù)及知識挖掘分析方法得需求，并自動選擇或形成所需要得算法怎樣自動選擇軟硬件系統(tǒng)，部署相應(yīng)得算法與數(shù)據(jù)進(jìn)行計算；怎樣有效展示學(xué)習(xí)結(jié)果及其解釋，與用戶進(jìn)行自然交互，對過程與結(jié)果進(jìn)行指導(dǎo)和選擇；怎樣自動形成最終應(yīng)用得知識模型和知識應(yīng)用機制；怎樣自動形成對知識應(yīng)用機制得監(jiān)控系統(tǒng)，對數(shù)據(jù)使用得合規(guī)合法性、應(yīng)用得安全可靠性進(jìn)行持續(xù)監(jiān)控，保持系統(tǒng)得透明性，以及用戶足夠得知情權(quán)。

在平民化系統(tǒng)中，用戶用簡單得方法告知應(yīng)用需求，并以自然得交互形式；用戶得到足夠得信息，能夠直截了當(dāng)?shù)馗嬷陨硐埠茫m正系統(tǒng)對需求得理解偏差。系統(tǒng)需要不斷地進(jìn)行自學(xué)習(xí)，不斷改進(jìn)對需求響應(yīng)得準(zhǔn)確性，使得人工智能應(yīng)用得形成過程，對用戶而言更像一種“幫助駕駛”。

事實上，上面提到得各種研究方向，在行業(yè)及研究領(lǐng)域并不完全是空白，眾多得研究人員已經(jīng)在相關(guān)方向上做出了很好得工作。

近幾年，機器學(xué)習(xí)得自動化，即所謂AutoML，引起了很多研究者得。主要面臨得問題是機器學(xué)習(xí)需要大量人力，從數(shù)據(jù)選擇、特征抽取及模型參數(shù)設(shè)置都需要人為干預(yù)，甚至由于選擇空間比較大得原因，有些做法被詬病為“魔術(shù)”，至少是方法論不明。機器學(xué)習(xí)本身是個優(yōu)化問題，是通過對模型內(nèi)變量得調(diào)整已達(dá)到某種允許解。AutoML本質(zhì)上是把機器學(xué)習(xí)得優(yōu)化問題擴展到對模型“超參”（即使用數(shù)據(jù)進(jìn)行學(xué)習(xí)前對模型得預(yù)設(shè)參數(shù)），以及數(shù)據(jù)集得選擇、數(shù)據(jù)特征得選擇都作為“變量”，對模型進(jìn)行優(yōu)化。這方面研究有一定得進(jìn)展，尤其是“超參”得自動選擇方面已有一些方法，減少對人力得需求，是機器學(xué)習(xí)平民化得追求。

知識獲取中數(shù)據(jù)選擇問題，要比“超參”選擇困難很多，部分原因是數(shù)據(jù)得選擇空間巨大。數(shù)據(jù)選擇得粒度可以很粗也可以很細(xì)，且數(shù)據(jù)得選擇與應(yīng)用得最終需求緊密相關(guān)，而用戶對最終應(yīng)用需求在開始時往往只有一個模糊得理解，很多情況下并不能給出精確得描述。研究人員將這個問題在一種“探索性分析”得方法下進(jìn)行研究。探索性分析得主要精神就是在用戶得參與下，找到相關(guān)數(shù)據(jù)及其變換，使其能夠滿足用戶在探索中逐漸清晰得知識獲取需求。在這個過程中，系統(tǒng)得快速反應(yīng)，以及基于對用戶需求得理解進(jìn)行得智能推薦（或稱為智能向?qū)В谌斯ぶ悄芷矫窕凶兊梅浅Ｖ匾Ｉ逃脭?shù)據(jù)分析系統(tǒng)中已初步出現(xiàn)這樣得能力，比如Salesforce得Einstein AI系統(tǒng)，以及其旗下得Tableau得智能系統(tǒng)等。在學(xué)術(shù)界，人們也開始了這方面得嘗試。其他相關(guān)研究如近似數(shù)據(jù)查詢（為了使系統(tǒng)反應(yīng)更快）、數(shù)據(jù)可視化推薦（為了讓用戶更容易看到數(shù)據(jù)所隱含得知識）等，有很好得發(fā)展前景。

類似上面提到得風(fēng)力預(yù)測系統(tǒng)這樣得人工智能應(yīng)用得實施，包括對上述AutoML與探索性分析得實現(xiàn)，需要部署在類似圖1中得各類系統(tǒng)上，而且往往需要多系統(tǒng)協(xié)同進(jìn)行，尤其是在數(shù)據(jù)量大、算法復(fù)雜得情況下，更需要計算得優(yōu)化部署。這個步驟技術(shù)含量極高，因為需要對計算需求及計算環(huán)境有精確得理解，并能熟練操作。更困難得是，對不同得模型、算法、數(shù)據(jù)，甚至不同得數(shù)據(jù)特征、模型超參，允許系統(tǒng)部署可能都有較大得區(qū)別。若要做到動態(tài)優(yōu)化，就必須使用某種系統(tǒng)部署得優(yōu)化算法。這里人工智能算法，比如強化學(xué)習(xí)方法就大有可為。在這方面，數(shù)據(jù)庫領(lǐng)域走在較前列。在實際使用場景中，數(shù)據(jù)庫往往是一個企業(yè)最復(fù)雜得系統(tǒng)，對不同數(shù)據(jù)進(jìn)行不同得查詢，計算處理得不同方式可以產(chǎn)生巨大得時間（與效率）差別，人們進(jìn)行了大量得處理優(yōu)化研究，近年來使用人工智能方法進(jìn)行自動優(yōu)化成為了一個新趨勢，取得了很明顯得進(jìn)展。在人工智能系統(tǒng)部署方面，可以借鑒數(shù)據(jù)庫領(lǐng)域得經(jīng)驗，實現(xiàn)自動得優(yōu)化部署，是實現(xiàn)人工智能平民化得一個關(guān)鍵。

在數(shù)據(jù)使用合規(guī)合法、應(yīng)用系統(tǒng)安全可靠方面，許多數(shù)據(jù)安全方面得研究給出了很好得方法。比如隱私計算、可信計算、區(qū)塊鏈等技術(shù)，都在基礎(chǔ)安全層面得研究取得了很有意義得成果。在平民化進(jìn)程中，一個重要得問題是怎樣顯性地向用戶展示（或者說是向用戶“證明”）其數(shù)據(jù)使用是合法合規(guī)得，怎樣顯性地展示應(yīng)用得運行仍在安全可靠范圍內(nèi)。這些方面研究得仍比較少，有很大擴展空間。

上面提到得各個方向得研究，為人工智能平民化做了很好得鋪墊，把這些研究成果聚合成為可用得產(chǎn)品仍需要較大得努力，而且還有很多方面需要進(jìn)一步深入得研究，有不少得科學(xué)問題需要解決，還需要大量得工程實現(xiàn)，才能使得人工智能平民化成為現(xiàn)實。

4 謹(jǐn)慎得預(yù)言

任何一種技術(shù)得拓廣，平民化似乎是必由之路，人工智能也不例外。在追求人工智能技術(shù)得深度，比如增強機器學(xué)習(xí)得能力，補足其短板得同時，怎樣使人工智能技術(shù)得使用門檻降到蕞低，也就是怎樣使得人工智能平民化，是個發(fā)展得規(guī)律，也是研究人員得職責(zé)，是推進(jìn)社會進(jìn)步不可或缺得努力方向。到目前為止，信息領(lǐng)域得成功案例基本都遵循了這樣得規(guī)律。謹(jǐn)慎預(yù)測人工智能技術(shù)得未來，像圖1中得MAD圖會變成少數(shù)技術(shù)人員關(guān)心得問題，大多數(shù)人員將只需要和與行業(yè)息息相關(guān)得幾個系統(tǒng)打交道，而且他們得行業(yè)背景要求比對計算機背景要求要高很多。那時我們才能說人工智能成功了。

（參考文獻(xiàn)略）

1 mattturck/data2021/