AI的智能只要体现在哪里

中国工程院院士王恩东曾提出AI产业呈现出三个明显的发展趋势：创新速度成为AI产业发展核心竞争力，AI产业化加速，以及产业AI化。致力于提供行业人工智能解决方案的独角兽企业巨头们，只有不断推动人工智能朝着可解释可理解的方向发展，减少算法所产生的偏见，才能实现人与计算机，碳基生物与硅基生物之间的互信共治、美好协作的世界。

人工智能现状：瓶颈or临界点

据清华大学中国科技政策研究中心发布的《中国人工智能发展报告2018》显示，中国的人工智能发展迅速，多项领域已经成为世界第一，包括人工智能专利布局、相关科研论文数量、风险投资占比等，而人工智能市场规模也将继续增长，预计到2020年达到接近1000亿人民币的规模。

但人工智能的发展不可能短期一蹴而就，整体来说，通用人工智能和人工智能的发展还处在初级阶段。这一点不仅国家层面有着清醒的认识，人工智能领域的科研机构、专家及企业对此同样有着理性判断。尤其在B端行业应用、AI产业化、真正的行业人工智能方面，目前还仅仅是起步。

人工智能的三个层次：计算智能、感知智能、认知智能。

简单理解，计算智能即快速计算、记忆和储存能力；感知智能，即视觉、听觉、触觉等感知能力，当下十分热门的人脸识别、语音识别即是感知智能；认知智能则更为复杂，包括分析、思考、理解、判断的能力。

从现阶段人工智能的发展来看，随着计算力的不断发展，储存手段的不断升级，计算智能可以说已经实现；而随着移动互联网普及，大数据、云计算等技术发展，更多非结构化数据的价值被重视和挖掘，语音、图像、视频、触点等与感知相关的感知智能也在快速发展；在计算智能和感知智能发展基础上，人工智能正在向能够分析、思考、理解、判断等认知智能延伸，真正的智能化解决方案已经显现端倪。可以说，人工智能的发展已经到了由感知智能向认知智能迈进的临界点。

当前的人工智能（AI）识别做的只是比对，缺少信息进入大脑之后的，加工、理解、思考’步骤，因此仅仅停留在‘感知’，而并非‘认知’。”要让AI有类似大脑的活动，走到认知阶段，需要让它掌握知识、进行推理。AI从“感知智能”走向“认知智能”的实践目前在通用状态下比较困难，但在一些诸如反洗钱、侦察等领域正在应用。

AI“大脑”长成要先建知识库

现在的AI处于弱人工智能状态，它没有大脑，要让它形成大脑，最核心的是要有“知识”。如果现有的算法、模型是神经或脑结构，那么知识是大脑能够运转起来的原动力。让AI获得知识的知识库在业界称为“知识图谱”，它不仅要关注知识点还要关注知识点间的关联。这些关联将赋予AI联想力。提到水，它要反应到密度、透明等多个性质，还要和浇水、能喝的功能联系起来，更高级的是计算出用多大力道去取水。

知识图谱的建立非常困难，人类海量的知识如何翻译成机器的语言，并与之建立联系，很成问题。尤其是之前这项工作一直是人工完成的，例如谷歌词库、百度百科、维基百科等都可以转换为知识图谱，但工作量大、内容异常庞杂。

“关联密度”不足是另一个难以达到应用的“瓶颈”。一个知识点可能最多出现在几个关系中，能解决比尔·盖茨的爸爸的邻居的妈妈这种单维度的问题，但离反映现实世界中“蝴蝶效应”里的相互影响还差很远。在关联密度不足的情况下，AI的“大脑”即便拥有一个上千万词条体量的通用知识图谱也难以达到应用的级别。

行业知识图谱能达“认知层面”

知识点的关联密度更像是一个AI大脑皮层，越复杂密集AI将越“聪明”。一些行业本身就有自己的基础关联图，这为其制定图谱提供了帮助。例如公安系统有一套体系，包括人、地、事、物、组织、机构以及关联，将出入境数据、第三方物流数据等加入进来之后，可固定成知识图谱。在做入室盗窃、公交扒窃等一些行为规律的研究时，知识图谱中除了引入历史数据的发展态势、风险感知之外，还逐步加入了环境、天气等数据，包括PM2.5的值，结果发现PM2.5的值对公交扒窃是有影响的。

越密集越准确，AI知识图谱的关系图要做到像“福尔摩斯”一样综合分析，要形成凝集大量信息的知识图谱，这对传统的人工建立知识图谱的效率提出了挑战。

实际上，探索人工智能的落地应用产业升级大幕现在刚刚拉开。在B端特别是传统行业尤其面临着一些困难，包括企业、政府对于人工智能的理解和顾虑，数据采集、储存的缺失、分散和复杂，AI+行业的应用成本高昂、技术人才团队的不足等。更重要的，在人工智能技术自身发展层面，也还未达到成熟，众多课题还需要攻克。

但不论怎么说，人工智能与行业深度融合是一个不可逆的趋势，人工智能对人类、人机关系的影响也会日益加深，整个世界会在人工智能的催化下联系更为紧密。