中國(guó)工程院院士王恩東曾提出AI產(chǎn)業(yè)呈現(xiàn)出三個(gè)明顯的發(fā)展趨勢(shì)：創(chuàng)新速度成為AI產(chǎn)業(yè)發(fā)展核心競(jìng)爭(zhēng)力，AI產(chǎn)業(yè)化加速，以及產(chǎn)業(yè)AI化。致力于提供行業(yè)人工智能解決方案的獨(dú)角獸企業(yè)巨頭們，只有不斷推動(dòng)人工智能朝著可解釋可理解的方向發(fā)展，減少算法所產(chǎn)生的偏見，才能實(shí)現(xiàn)人與計(jì)算機(jī)，碳基生物與硅基生物之間的互信共治、美好協(xié)作的世界。

據(jù)清華大學(xué)中國(guó)科技政策研究中心發(fā)布的《中國(guó)人工智能發(fā)展報(bào)告2018》顯示，中國(guó)的人工智能發(fā)展迅速，多項(xiàng)領(lǐng)域已經(jīng)成為世界第一，包括人工智能專利布局、相關(guān)科研論文數(shù)量、風(fēng)險(xiǎn)投資占比等，而人工智能市場(chǎng)規(guī)模也將繼續(xù)增長(zhǎng)，預(yù)計(jì)到2020年達(dá)到接近1000億人民幣的規(guī)模。

但人工智能的發(fā)展不可能短期一蹴而就，整體來(lái)說(shuō)，通用人工智能和人工智能的發(fā)展還處在初級(jí)階段。這一點(diǎn)不僅國(guó)家層面有著清醒的認(rèn)識(shí)，人工智能領(lǐng)域的科研機(jī)構(gòu)、專家及企業(yè)對(duì)此同樣有著理性判斷。尤其在B端行業(yè)應(yīng)用、AI產(chǎn)業(yè)化、真正的行業(yè)人工智能方面，目前還僅僅是起步。

人工智能的三個(gè)層次：計(jì)算智能、感知智能、認(rèn)知智能。簡(jiǎn)單理解，計(jì)算智能即快速計(jì)算、記憶和儲(chǔ)存能力；感知智能，即視覺、聽覺、觸覺等感知能力，當(dāng)下十分熱門的人臉識(shí)別、語(yǔ)音識(shí)別即是感知智能；認(rèn)知智能則更為復(fù)雜，包括分析、思考、理解、判斷的能力。

從現(xiàn)階段人工智能的發(fā)展來(lái)看，隨著計(jì)算力的不斷發(fā)展，儲(chǔ)存手段的不斷升級(jí)，計(jì)算智能可以說(shuō)已經(jīng)實(shí)現(xiàn)；而隨著移動(dòng)互聯(lián)網(wǎng)普及，大數(shù)據(jù)、云計(jì)算等技術(shù)發(fā)展，更多非結(jié)構(gòu)化數(shù)據(jù)的價(jià)值被重視和挖掘，語(yǔ)音、圖像、視頻、觸點(diǎn)等與感知相關(guān)的感知智能也在快速發(fā)展；在計(jì)算智能和感知智能發(fā)展基礎(chǔ)上，人工智能正在向能夠分析、思考、理解、判斷等認(rèn)知智能延伸，真正的智能化解決方案已經(jīng)顯現(xiàn)端倪?？梢哉f(shuō)，人工智能的發(fā)展已經(jīng)到了由感知智能向認(rèn)知智能邁進(jìn)的臨界點(diǎn)。

當(dāng)前的人工智能(AI)識(shí)別做的只是比對(duì)，缺少信息進(jìn)入大腦之后的，加工、理解、思考’步驟，因此僅僅停留在‘感知’，而并非‘認(rèn)知’?！币孉I有類似大腦的活動(dòng)，走到認(rèn)知階段，需要讓它掌握知識(shí)、進(jìn)行推理。AI從“感知智能”走向“認(rèn)知智能”的實(shí)踐目前在通用狀態(tài)下比較困難，但在一些諸如反洗錢、偵察等領(lǐng)域正在應(yīng)用。

現(xiàn)在的AI處于弱人工智能狀態(tài)，它沒有大腦，要讓它形成大腦，最核心的是要有“知識(shí)”。如果現(xiàn)有的算法、模型是神經(jīng)或腦結(jié)構(gòu)，那么知識(shí)是大腦能夠運(yùn)轉(zhuǎn)起來(lái)的原動(dòng)力。讓AI獲得知識(shí)的知識(shí)庫(kù)在業(yè)界稱為“知識(shí)圖譜”，它不僅要關(guān)注知識(shí)點(diǎn)還要關(guān)注知識(shí)點(diǎn)間的關(guān)聯(lián)。這些關(guān)聯(lián)將賦予AI聯(lián)想力。提到水，它要反應(yīng)到密度、透明等多個(gè)性質(zhì)，還要和澆水、能喝的功能聯(lián)系起來(lái)，更高級(jí)的是計(jì)算出用多大力道去取水。

知識(shí)圖譜的建立非常困難，人類海量的知識(shí)如何翻譯成機(jī)器的語(yǔ)言，并與之建立聯(lián)系，很成問題。尤其是之前這項(xiàng)工作一直是人工完成的，例如谷歌詞庫(kù)、百度百科、維基百科等都可以轉(zhuǎn)換為知識(shí)圖譜，但工作量大、內(nèi)容異常龐雜。

“關(guān)聯(lián)密度”不足是另一個(gè)難以達(dá)到應(yīng)用的“瓶頸”。一個(gè)知識(shí)點(diǎn)可能最多出現(xiàn)在幾個(gè)關(guān)系中，能解決比爾·蓋茨的爸爸的鄰居的媽媽這種單維度的問題，但離反映現(xiàn)實(shí)世界中“蝴蝶效應(yīng)”里的相互影響還差很遠(yuǎn)。在關(guān)聯(lián)密度不足的情況下，AI的“大腦”即便擁有一個(gè)上千萬(wàn)詞條體量的通用知識(shí)圖譜也難以達(dá)到應(yīng)用的級(jí)別。

知識(shí)點(diǎn)的關(guān)聯(lián)密度更像是一個(gè)AI大腦皮層，越復(fù)雜密集AI將越“聰明”。一些行業(yè)本身就有自己的基礎(chǔ)關(guān)聯(lián)圖，這為其制定圖譜提供了幫助。例如公安系統(tǒng)有一套體系，包括人、地、事、物、組織、機(jī)構(gòu)以及關(guān)聯(lián)，將出入境數(shù)據(jù)、第三方物流數(shù)據(jù)等加入進(jìn)來(lái)之后，可固定成知識(shí)圖譜。在做入室盜竊、公交扒竊等一些行為規(guī)律的研究時(shí)，知識(shí)圖譜中除了引入歷史數(shù)據(jù)的發(fā)展態(tài)勢(shì)、風(fēng)險(xiǎn)感知之外，還逐步加入了環(huán)境、天氣等數(shù)據(jù)，包括PM2.5的值，結(jié)果發(fā)現(xiàn)PM2.5的值對(duì)公交扒竊是有影響的。

越密集越準(zhǔn)確，AI知識(shí)圖譜的關(guān)系圖要做到像“福爾摩斯”一樣綜合分析，要形成凝集大量信息的知識(shí)圖譜，這對(duì)傳統(tǒng)的人工建立知識(shí)圖譜的效率提出了挑戰(zhàn)。

實(shí)際上，探索人工智能的落地應(yīng)用產(chǎn)業(yè)升級(jí)大幕現(xiàn)在剛剛拉開。在B端特別是傳統(tǒng)行業(yè)尤其面臨著一些困難，包括企業(yè)、政府對(duì)于人工智能的理解和顧慮，數(shù)據(jù)采集、儲(chǔ)存的缺失、分散和復(fù)雜，AI+行業(yè)的應(yīng)用成本高昂、技術(shù)人才團(tuán)隊(duì)的不足等。更重要的，在人工智能技術(shù)自身發(fā)展層面，也還未達(dá)到成熟，眾多課題還需要攻克。

但不論怎么說(shuō)，人工智能與行業(yè)深度融合是一個(gè)不可逆的趨勢(shì)，人工智能對(duì)人類、人機(jī)關(guān)系的影響也會(huì)日益加深，整個(gè)世界會(huì)在人工智能的催化下聯(lián)系更為緊密。