2019-12-25 17:03
谢谢主持人，这个环节放在最后我们暗藏了数字化、网络化和智能化的隐线。下面我给大家做一个《数字经济新方向——产业智能化》的分享。
我将从三部分讲述，第一部分背景和现状。
目前世界经济正在进入以信息产业为主导的发展时期，我们要把握数字化网络化智能化融合发展的契机，以信息化、智能化为杠杆培育新动能。中国经济目前处于转变发展方式，优化经济结构，转换增长动力的公关时期，根据最新的宏观经济形式来看，中国10月份规模以上的工业增加值是同比增长6.2%。中国经济增长放缓但并没有失速，周期的演变是在稳步进行，继续处在三期叠加的状态。数字化、网络化和智能化对经济领头羊作用没有减弱。从技术发展来看，目前呈现了软件定义、数据驱动、平台支撑、服务增值和智能主导的五大特征，从ICT发展来看，引来了数字经济的蓬勃发展，并且驱动了分享经济、平台经济、算法经济的模式。持续引领了产业变革，赋能。
希望将人工智能作为一个新兴技术，通过创建人与机器之间新型关系，推动经济增长，根据经济学前沿预测，2035年人工智能对经济增加值额外贡献最高达到40%，人工智能使全球主要经济体的年度经济增长率提高一倍。
我国党中央国务院高度重视智能技术和产业融合发展，2017年发布新一人工智能发展规划中明确提出推进产业智能化升级，习总书记在中央政治局第九次集体学习中强调要加强人工智能和产业的融合发展，为高质量发展提供新动能。
我国各个地区加快推进产业智能化的落地，目前梳理2019年全国人工智能共有22个省市发布了相关政策，政策可以从四个层次对经济带动作用进行了规划。首先是以北京、广东、浙江、上海为主的地区，希望把自己的地方或城市建设成为全球影响力的创新中心，以安徽、福建、湖南为代表的城市希望建成一个先行区、示范区和高地，希望建立一个应用优先的优势。
但是人工智能发展到底如何？回顾本轮人工智能发展的历程，我认为不能回避的现状是一半是火焰，一半是海水。火的原因可以从技术政策、媒体和资本进行分析，技术上主要是数据算法算力三驾马车发挥作用，就是互联网的发展降低了数据获取的成本，摩尔定律降低了硬件成本，算法的发展降低了人类手工条件的成本。媒体开始推波助澜，但是似乎从2018年下半年开始，全球人工智能开始逐渐的降温，这里分析几个原因从及、媒体、商业、资本一方面深度学习网络逐渐逼进性能极限，过去一年大家都能通过算法的量化进行技术上的创新，并没有质变理论的出现。另外一方面AI理论并不等于学术界的刷论文取得了一些突破性的进展，当很多进展往往是难以落地学术的成果。
第二，媒体，媒体关注度分别是谷歌和百度对人工智能关键词搜索的排行榜，媒体关注度在2016、2017到达顶峰开始下降，特别是自动驾驶批判和怀疑，呈现出一哄而上又一哄而散的态势。
第三，资本泡沫的破裂。AI的产业投融资大概在2017年到达顶峰逐步下滑，2018年中国人工智能商业落地研究报告中显示，2017年中国AI创业公司累计获得了超过500亿在整个产业链当中，90%以上的AI企业处于亏损状态。
所以我们看到一方面是社会对人工智能驱动经济发展的强大渴望，另一方面却是人工智能产业发展一个缓慢的现实，中间出现了非常大的落差。为什么会有这样一个大的落差的出现？又如何填补落差？让智能技术成为真正带动智能技术的先导力量。
首先回答第一个问题，为什么落差会出现？
这是技术成熟度曲线，技术从萌芽期到顶峰到破灭到稳定期是5-10年的周期，右边是近十年的曲线，我跟踪了一两个技术，但是人工智能技术不一样，人工智能技术已经有长达60年三个轮回，当时我想到今天没有走入稳定期，我在想为什么它不符合经典的Gartner曲线，中间出现了什么问题？其实三条曲线虽然都是人工智能，但是他们是不同的技术，最早的曲线是源于逻辑推理，中间是源于专家系统，最后是深度学习的技术。前两个技术并没有形成产业，并且5-10年的产业周期中消亡，虽然他们都披着AI的外衣，但这三个是属于不同的产业周期。所以看起来似乎是AI的产业周期率特别长，会到深度学习的本身，我认为并不是实现通用人工智能的最终宿命的技术，会有非常大的帮助。
再回到第二个问题，如何让智能成为真正带动发展的先导力量？
首先就是要顺应技术的天性，以深度学习为代表的智能技术，适用于数据丰富、信息完全、信息确定，规律演化、单领域、任务的场景。最典型的是围棋，围棋根本原因也在于这里，它的信息是不完全的，不确定的，而且没有按规律演化，也不是单领域的。无人驾驶车在路上会碰到车、人路各方面，所以不是单领域的事情。
到底哪些场景适用于当前的人工智能技术？斯坦福百年人工智能研究提出了八个方向，人工智能赋能的方向它的效果会怎么样？我们构建了产业智能化发展指数，尝试进行评估评价。分别是技术支撑层、产品层、应用层，最底下技术层主要包括CPU、GPU、应用软件开放平台等软件平台，中间的产品层包括基础产品自然语言处理类、知识图谱、人机交互的产品、自然语言处理产品，最上层是应用层，主要包括AI融合渗透于医疗、交通、家居、制造、金融、零售、通信等领域，它是从技术传达到产品，产品改变应用，应用服务社会。
为了全面客观反映对医疗、教育、金融、零售、安防不同的发展情况进行量化检测，这是S指数，它从技术环境、产业供给、技术水平和融合应用四个一级指标出发，选取了12项二级指标，宏观政策、人才支撑、基础设施三方面支持力度，产业供给主要反映不同行业的技术水平，包含企业数量、市场规模、智能企业投融资数量、笔数指标，技术主要反映不同行业智能技术的储备和智能成果转化的能力包含相关内容的数量、专利数量、论文引用情况。
产业智能化总体发展指数呈现了前期快速增长，当前企稳的趋势。企业将深度学习技术应用于提高语音识别率、图像识别率为代表，第二波驱动力主要是资本和政策，政策的红利和产业持续化力将智能产业提上高潮，第三是缓慢落地的阶段。
我们也对细分六个子行业进行测算，从子行业S指数来看，子行业总体城乡阶梯因为医疗行业由于它具有良好的数据基础，得益于它明确的行业需求，所以能够赋能医疗的场景提高医生诊断的正确率，降低医生工作量。
安防领域。五年平均S指数291.87，得益于基础设施和数据资源相对丰富，所以智能化技术在安防行业加速落地，减少警力投入身份识别和智能客服的应用最为普遍，我认为只是外围的应用，目前AI应用已经呈现外围向核心业务渗透的趋势。
商业领域，五年平均S指数催生了商业领域的新模式和新应用。
教育领域，五年平均S指数148.62%，智能应用在教育领域处于探索阶段，目前主要聚焦与教师资源短缺问题，不能实现对学生的因材施教。随着计算机视觉和自然语言处理能力的提高，精准化定制化的教育会成为这个领域探索的方向。
交通领域为代表的智能交通产品目前发展比较迅速，基于深度学习的人工智能技术，深入自动驾驶决策的场景还是比较缓慢，交通领域其他方向是处于试水的阶段。
未来产业智能化会优秀赋能于数字资源丰富，信息接受程度比较高的领域。AI目前落地的工具比较有效，产业化会由表及里，从智能感知交互慢慢深入到行业的内部，任重道远，核心在于算法，算法是智能技术和行业渗透融合的关键所在。
第二，产业智能化技术未来会化烦为简，当前的神经网络是呈现大模型、比如说经典的迭代算法、递归算法还有反向传播、BP算法，简单的算法非常好用。另一方面当摩尔定律几乎失效的时候，我们考虑算法的成本，未来的算法一定是简单易用。
产业智能化应用亿前景广阔，蕴藏潜力巨大。根据Gartner而现实，2018年我国企业智能化渗透率为4%。综上所述，顺应这条数字化网络化的隐线，智能化是数字时代的重要生产力，场景和应用，所以在圆桌环节我们会跟来自各个企业的嘉宾一起讨论，场景让技术如何快速落地，让场景更好的契合技术，应用更好服务社会。