传统行业想获得AI加持，为何这么难

传统行业想获得AI加持，为何这么难 字体： 小 中 大 分享到： 传统行业想获得AI加持，为何这么难 2021-10-18 09:26:18 来源：科技日报

要实现AI技术的应用，首先数据要达到一定的体量，另外计算能力要能支持大规模的模型训练，然后算法要达到一定的精度，端侧计算能力也要有一定的推理能力。目前只有消费互联网公司在大规模应用AI算法技术，主要是因为消费互联网公司在这三个方面更有优势。——天津大学智能与计算系副教授朱鹏飞

近日，人工智能知名学者吴恩达发表文章，阐述了他对人工智能在传统行业应用缓慢的理解。无论是刷短视频时的个性化推荐、外卖配送时的耗时估算，还是移动支付时的人脸识别，以算法为代表的AI技术已经在消费互联网行业得到了“得心应手”的应用。但是，说到传统行业，人们很难很快想到应用人工智能的典型案例。为什么AI技术在传统行业的应用速度和范围远不如消费互联网等行业？

AI在消费互联网行业的应用更有优势。

“AI技术的应用主要靠数据、算力和算法。”天津大学智能与计算系副教授朱鹏飞说，首先，数据要达到一定的量，这是应用的基础。另外，计算能力要能支撑大规模的模型训练，然后算法要达到一定的精度，端侧计算能力也要有一定的推理能力。

目前只有消费互联网公司在大规模应用AI技术，主要是因为消费互联网公司在这三个方面更有优势。

几年前，短视频还没有现在这么流行。比如发展初期的淘宝，并没有很强的用户粘性。随着推送越来越精准，用户的体验感有了很大的提升，最终呈现出用户的井喷式增长。

“精准推送主要依靠算法精度的提升，而算法精度的提升离不开海量数据。”朱鹏飞解释说，在这种单一场景下，算法模型需要不断进化和终身学习。因为不是封闭的数据环境，总是有新的数据加入，算法模型需要通过学习不断调整迭代升级，使其准确率越来越高，形成良性循环。

“同时，虽然目前消费互联网行业的算法精度已经上升到了一定的高度，但是与一些传统行业的应用场景相比，消费互联网行业对于AI算法精度的接受门槛相对较低。比如短视频、淘宝偏好推荐、百度热搜关键词，只需要达到用户粘性的目的，只要有一定的准确度，用户就可以接受。”朱鹏飞说，相比之下，在许多传统行业，对技术准确性的要求要高得多。比如基于视觉的AI技术在人脸识别中的应用，在高铁站和机场，1: 1比对的准确率必须高达99.99%甚至更高才能应用。

在计算能力上，云计算能力已经可以支持大规模的模型训练和推理，比如短视频、淘宝推荐等等。然而，在大量的传统工业应用场景中，智能终端上端到端的计算能力无法满足推理的实时性和准确性要求。

“相对于社交网络和电商系统，传统行业应用场景的封闭生态系统使得云计算能力无法得到有效应用。”例如，朱鹏飞以智能无人系统巡检为例。电力巡检、管道巡检、交通巡检、河道巡检、光伏巡检等。要求无人机、机器人上的计算能力满足实时巡检要求。由于视频分析模型的高度复杂性，端侧往往无法实现准确高效的实时推理。轻量级网络可以满足实时性要求，但会损失识别精度。由于算法的精度无法满足应用需求，AI技术的应用在很多场景下无法实现。

传统行业应用AI面临三大挑战

吴恩达认为，在AI应用上，消费互联网行业以外的其他行业面临三大挑战:数据集非常小；定制成本很高；从验证想法到部署生产的过程非常漫长。

朱鹏飞对此也深有感触。他以传统制造业为例进行了分析。

“在传统制造企业从制造到智能制造的过程中，数据是一个非常突出的问题。”朱鹏飞介绍，首先，获取数据有一定难度。传统制造企业的数据是封闭的，因为很多传统企业不是新的信息设备，没有传感器采集实时数据和数据中心，所以数据比较分散，缺乏严重，很难像消费互联网企业那样获取海量高质量的数据。

其次，行业内部各个工厂的数据很多都有商业价值，所以工厂都严格保密，导致数据不流通，没有办法共享，从而形成数据孤岛效应，影响AI算法模型的优化。

“当我们在开发一个AI算法模型时，由于数据的保密性，我们经常得到的数据是脱敏的，这也严重影响了我们的判断。而传统行业缺乏具备开发AI算法模型能力的技术人员，因此双方在合作研发过程中也存在较高壁垒。”朱鹏飞说。

另外，传统行业的数据来源并不像消费互联网领域那样来自单一场景。复杂的业务场景导致数据是“脏”的，所以需要“清洗”去除大量无效信息，让AI算法模型高效学习，提高其准确性。“就像我们教孩子知识，只讲知识点，让孩子学得快。如果知识点里有很多没用的信息，孩子分辨不出来，学习效率肯定会降低。”朱鹏飞介绍，而用“知识点”标注数据的工作是庞大而繁琐的，需要企业有专人去做，需要耗费大量的时间和精力。

“为了获得高质量的数据，传统制造业必须对生产设备进行信息化和智能化改造。”朱鹏飞表示，这种转型需要企业投入大量的时间和精力，也会增加生产成本，这也成为AI在传统制造业应用的壁垒。

高质量的数据是应用的前提。

过去10年，AI的研发和应用大多是以“软件为中心”来驱动的。在海量数据的支持下，不断优化软件和算法，以获得更高的算法精度。在传统行业无法提升数据质量和数量的情况下，吴恩达认为，传统行业应该采用“以数据为中心”的模式，专注于获取质量更好、匹配度更高的数据。

“在这种思路下，传统行业出现了一些很好的应用案例。比如医疗领域的图像识别AI系统，可以帮助医生‘看’CT图像，识别肿瘤等疾病，辅助医生做出判断。”据朱鹏飞介绍，由于很多数据都是由专业的放射科医生标注在影像胶片上的，所以数据比较准确，AI算法模型在学习的过程中进步很快。目前很多图像识别系统的准确率可以达到90%以上。因为是辅助医生，所以要求医生最后做出医疗决策，但是这种程度的准确大大降低了医生的工作强度。

“虽然传统行业有一些应用人工智能技术的成功案例，但如果他们想更好地与人工智能结合，他们必须努力提高数据质量。”朱鹏飞建议，首先，对于积累了海量数据的传统行业，在保证数据安全的前提下，积极开放数据。挖掘数据的价值和需求之间会有很大的发展空。其次，对于新兴行业，比如新能源汽车，在构建智能工厂规划时，考虑了获取数据和智能化的因素。

不过，朱鹏飞强调，在传统行业用好AI技术的同时，不要滥用AI技术，应用之前要做好评估。如果生产效率不能提高，行业整体不能提升，那么盲目强行使用AI技术就是资源浪费。“比如在某些应用场景下，AI算法只能以99%以上的准确率使用。通过评估，现有的模型算法只能达到90%的准确率，因此没有必要将AI技术强行引入这一场景。”

“总而言之，AI技术的应用首先需要数据，有高质量的数据才能谈应用。没有好的数据，很难有好的应用。”朱鹏飞说。(记者陈伟)

【纠错】