2018年，人工智能可以在哪些领域得到最快的应用和普及？（II）

2018年，人工智能可以在哪些领域得到最快的应用和普及？（II）

近日，IBM全球杰出工程师、IBM研究院认知系统全球研究总监林永华女士接受了“AI时代的移动技术创新”会议主办方的采访（会议将于2018年1月5日在北京国际会议中心举行，林永华是受邀演讲人之一），她谈到了她对上述问题的看法。以下内容根据访谈记录整理而成。

如何看待当前的人工智能热潮？有多少是由理性驱动的，有多少是鹦鹉？

目前，人工智能在企业界和投资界都受到了热捧。说实话，当IBM在2011年建造了沃森，并首次在智力竞赛中击败了最优秀的人类选手时，它可以预测人工智能对行业未来发展的重要性，但它没有想象到每个人都在谈论人工智能。

纵观过去10年信息技术的发展，无论是10年前移动通信的发展热潮，还是5年前风起云涌的云计算，人工智能都没有今天那么广泛和火热。为什么？就是今天的人工智能的可实验性比以前的信息技术高得多。

这种“可实验性”意味着一个会编程的开发人员、一个大学生，甚至一个中学生都可以对人工智能进行实验性尝试。它来自于整个开源社区在代码和数据方面的整体贡献，开源文化在整个信息技术领域的推广，以及几次主要人工智能会议对所接受文章的数据和代码的开放性要求。

在过去几年中，围绕深度学习、神经网络和其他算法以及开放数据集的代码层出不穷。开发人员只要了解Python，就可以在一天内构建开发环境并运行开源代码。使用开源数据集，您可以复制其他数据集的结果。

人工智能新研究方向的出现伴随着一些优秀数据集的披露。例如，李菲菲领导的ImageNet为今天的图像识别奠定了最大的数据集基础。今年12月，麻省理工学院IBM沃森实验室联合推出了一个百万规模的视频动作数据集，以促进视频中的动作识别。所有这些贡献都旨在降低实验难度，并推动行业更快地解决人工智能中的问题。在这种人人都可以尝试的氛围中，它不仅促进了每个人对这一领域的关注和兴趣，也不可避免地带来了抄袭他人的流行。

然而，这是否代表了当今学术界已经解决的问题，并且相关技术已经可以在工业中大量使用？我认为我们需要看到工业界和学术界之间的差距。我之前见过人工智能领域的一些专家进行了许多分析，我将在这里讨论两点：

● 首先是数据的差异。

数据是训练机器的人工智能的重要输入。今天，可以通过公开渠道获得的绝大多数数据集都是用于非商业目的的数据，其中大多数是在互联网上积累的数据。很难将真正用于工业场景的高价值数据放入公共数据集，数千名研究人员也很难进行算法研究。

IBM研究院与医疗、汽车驾驶、生产制造等重要行业的相关企业进行AI合作研究。在这些行业和企业中，我们遇到了大量公共数据集中没有的数据分布。面对工业生产部署的严格要求，我们现有的一些研究并不适用，在高层会议上声称的许多最佳结果也不适用。因此，我们需要脚踏实地，深入工业行业进行人工智能的研发。

● 第二是人工智能系统本身的成本。

为了将人工智能应用于工业，我们需要仔细检查将其添加到现有产品中的成本。以视频监控为例，人工智能在视频监控中的应用是一个热门话题。今天，使用人脸识别和自动捕捉人或车辆的初步视频分析已开始在城市、公共安全和其他领域广泛应用。

事实上，基于计算机视觉的人工智能可以做得更多。它可以检测和识别各种物体（不仅仅是人或车辆），检测人的各种行为，等等