在2022年新冠奧密疫情的影響下，各行各業(yè)都受到了影響， GDP增速、 PMI、金融貸款等數據繼續(xù)下滑。

而與疫情有關的行業(yè)，也是為數不多的亮點，而 AI技術，也是其中的關鍵。例如藥物開發(fā)中的輔助藥物篩選、疫苗基因設計算法等，加快了疫苗與疫苗的開發(fā);人臉識別、語音機器人、文字識別、智能流調等智能控制方案是疫情防控的核心;智能會議、智能輔助學習等工作學習情景越來越多;甚至，正在迅速發(fā)展的無人駕駛出租車、配送機器人、機器人餐廳等，都有望在未來成為一股重要的服務力量。

在未來，隨著市場的需要、政策的不斷推進，技術的不斷成熟，中國的 AI數據服務將會有一個顯著的加速。云測數據為人工智能提供了高質量、場景化的支持，幫助人工智能實現(xiàn)了極限的創(chuàng)新，實現(xiàn)了工業(yè)的落地。它的業(yè)務是圍繞人工智能三要素中的一項(算法、計算能力和數據)進行的，我們把它叫做 DPS (DPS, DataProcess Service)。

DPS是一種以數據處理過程為核心的數據處理系統(tǒng)，利用數字技術從現(xiàn)實世界或者信息系統(tǒng)中獲取數據，并根據應用需求對數據進行處理和輸出。DPS所提供的服務主要包括 AI、大數據、互聯(lián)網內容服務等。DPS的服務結構主要有數據收集與預處理、數據標注、內容審核、工具平臺及輔助服務(例如業(yè)務訓練)等。

從監(jiān)督學習向非監(jiān)督學習、強化學習的演進

目前來看，大部分的AI應用都是通過監(jiān)督學習，利用一組已標注的訓練數據，對分類器的參數進行調整，使其達到所要求的性能。但在現(xiàn)實生活中，監(jiān)督學習不足以被稱為“智能”。對照人類的學習過程，許多都是建立在與事物的交互中，通過人類自身的體會、領悟，得到對事物的理解，并將之應用于未來的生活中。而機器的局限就在于缺乏這些“常識”。

無監(jiān)督學習領域近期的研究重點在于“生成對抗網絡”(GANs)，而強化學習的一個重要研究方向在于建立一個有效的、與真實世界存在交互的仿真模擬環(huán)境，不斷訓練，模擬采取各種動作、接受各種反饋，以此對模型進行訓練。

從“堆數據”到研發(fā)低訓練成本的算法

MIT Digital Lab的研究者聯(lián)合韓國的相關機構在2020年發(fā)表了一項基于1058篇深度學習的論文和數據的研究。在分析了現(xiàn)有的深度學習論文成果后，研究人員提出了一個悲觀的預言：深度學習會隨著計算量的限制，在到達某個性能水平后停滯不前，因為在深度學習領域有這樣一條規(guī)律：想提升 X 倍的性能，最少需要用 X^2倍的數據去訓練模型，且這個過程要消耗X^4倍的計算量。即便是10倍性能提升和1萬倍計算量的提升，這樣失衡的比例關系也僅僅是理論上最優(yōu)的。在現(xiàn)實中，提升10倍性能往往要搭上10億倍的運算量。以今天地球資源的狀況看，想把一些常用的模型錯誤率降低到人們滿意的程度，代價高到人類不能承受。因此，在深度學習領域非常值得關注的是可大幅降低訓練成本的新算法創(chuàng)新。

從數據到情報的演變，到底是怎樣的一個轉化路徑呢?

以某市霧霾輿情分析管控為例，當輿情討論點產生時，可視化技術會基于后臺數據做串聯(lián)，從傳播軌跡、模式等方面進行分析，提取真實數據，管控問題數據。

由此可見，在場景應用中，無論是通過數據計算來監(jiān)測問題，還是利用數據關聯(lián)來分析問題，其實都是為了把真實世界的問題還原，用可視化建立起數據與決策之間的橋梁，最終要轉化出來的，是情報層級的信息。

在大型活動安保中，技術怎樣輻射到場景?

每一次大型活動，會針對活動級別和要保障的核心點，去進行相關數字模型和業(yè)務模型的匹配，再基于匹配結果將各類預警轉化為信息進行決策和交互。

以上海進博會為例，活動開辦一年前，就要通過人防、技防、物防的相關手段，把所有風險點過濾，隨著時間的臨近，制定不同的安保預案，再進行不同模型的設置和風險點的管控，直到最后一天保證活動的整體運行。