AI產業化時代，行業需要一套怎樣的創新底座_風聞

作者：李東耳

來源：GPLP犀牛財經（ID:gplpcn）

經過多年發展，在全球範圍內，AI已經進入產業大時代。

比如，在即將召開的世界2021世界人工智能大會期間，關於AI發展的趨勢，各專家學者及行業企業代表將結合RPA+金融、零售、製造、教育等行業落地情況，展望人工智能行業應用融合發展未來。

也就是説，種種跡象表明，AI技術正在得到大規模商業應用。

回顧AI技術的發展歷史，7年前，人臉識別超越人眼準確率，突破工業紅線，人工智能從一個學術問題轉變為場景的應用問題。7年後的今天，人工智能在多個行業規模化應用，牽引形成眾多上下游和應用生態，進一步轉變為產業問題，走向產業化發展階段。

因此，如何促進AI技術進一步產業化，以及提高AI產能的經濟效益尤為重要。而在以往的AI產業發展中，雖然有大量的企業和個人投入其中，但仍有很多應用場景的智能化水平難以滿足實際需要，這些都成為阻礙AI企業經營和產業發展的重要問題之一。

從國務院印發的《新一代人工智能發展規劃》中的戰略目標來看，到2020年，人工智能總體技術和應用與世界先進水平同步，人工智能產業成為新的重要經濟增長點，人工智能技術應用成為改善民生的新途徑；

到2025年，人工智能基礎理論實現重大突破，部分技術與應用達到世界領先水平，人工智能成為我國產業升級和經濟轉型的主要動力，智能社會建設取得積極進展；

到2030年，人工智能理論、技術與應用總體達到世界領先水平，成為世界主要人工智能創新中心。

這就要求人工智能自身的行業產值和它所帶動的其他行業的附加值，在2025年大約達到1:10的槓桿。也就是説人工智能每產生一萬元的產能，它實際上對它所服務的行業會帶來10萬元的經濟效益。為了實現這一宏大目標，人工智能產業自身也必須作出大變革，打破以往的針對需求專項定製、精耕細作的研發和生產模式，實現全面升級。

全新AI產業經濟時代下的五大鉅變

AI在經歷了初期“各自為戰”式的發展之後，已經在部分領域取得了關鍵性的突破。而在AI技術不斷投入到商業化應用的過程中，人們發現以往的AI生產關係已經難以滿足AI產業的發展，AI產業正向着新的方向發生轉變——比如，AI應用半徑越來越長、越來越多的長尾需求得到重視，由此導致大參數通用模型越來越成為AI產業發展的未來，算力模式也因此需要發生變化，同時產學研相結合的緊迫性也越來越突出。

在AI商業化方面，包括谷歌及微軟早就展開了研究。比如，谷歌繼成功研發了AlphaGo圍棋機器人後，正在向着通用人工智能的方向努力。微軟也在2019年向馬斯克的人工智能公司OpenAI投資10億美元，共同打造通用人工智能系統。

對此，很多AI行業大佬不約而同地觀點一致：AI正在進入下一個時間點，一個從技術創新週期轉入商業創新週期的時間點。

公開資料顯示，自從AI技術可商用以後，目前已經在不少領域開始應用，不過，此前，這些應用往往都侷限在單點突破方面，比如説在地鐵裏或者飛機場刷臉通行，一般而言，這類應用場景的特點之一就是高頻，每天都會發生且流量相當巨大，投入產出比非常之高，然而對於那些應用頻率低或較為分散、多樣的應用場景，AI的存在感往往比較差一點。

隨着物聯網、智慧城市等概念的發展，在數字化背景下，這些長尾需求逐漸開始浮出水面，對人工智能的需求也越來越多——比如，在消防等公共安全領域，和共享單車停放等城市管理方面，人工智能雖然已經開始得到應用，不過，這些應用只解決了城市智慧化升級閉環的一部分，依然存在大量場景需要人力去做管理。同時，這些需求分散而小眾，即便AI能夠幫助人們完成其中一個需求或一個環節，但也成本高昂，那麼這些AI對於提高整體效率的作用就十分有限。

因此，這需要AI能夠儘可能地打通更多場景環節，而在深入各個業務鏈條、提高整體系統能力方面，人工智能，特別是其算法還有很大的提升空間，其中很重要的一點就體現在算法的生產關係層面。

伴隨整個AI產業上下游應用需求的爆發，讓AI應用半徑不斷增長的同時，也將單一AI技術已難以覆蓋全部應用需求的現狀及問題暴露出來——可以説由於AI技術無論是在技術層面還是成本層面的研發難度都很大，單一AI企業也難以同時對各種長尾需求進行研發，在這種背景下，這要求AI算法的生產關係必須發生改變，否則將難以滿足這些產業的需求。具體來講，這種變化就是由應用者根據自身需求自行進行算法的生產。

不過，在這個過程當中，如果由應用者自己開發，這就出現了另一個問題，那就是技術共識上的變化，也同時意味着單個企業需要不斷加大研發投入，這對很多中小公司來講有點難度——超大規模預訓練模式是當前AI研發的熱門，通過一個足夠大的通用模型去做小的模型儘管可以極大地降低研發成本，然而，在以往的AI研究活動中，人們更傾向於提升模型精度，對於大規模參數的通用模型，特別是超大規模與訓練模型，業界往往報以懷疑的態度，並提出過不少質疑。如這種模型的建立需要大量數據和算法支持以及算力成本，單純一家企業是否有這樣的研發能力就被很多人質疑。

GPT-3等模型的出現，打破了以往提升模型精度的主流思路，讓大家看到超大規模與訓練模型的可能性，扭轉了人們的看法。資料顯示，早在，2020年7月，OpenAI發佈的具有1750億參數量的GPT-3模型具備着通用性以及零樣本泛化的能力，2021年1月，Google還發布了自然語言模型Switch Transformer，參數量更是達到萬億規模。一旦這種量級的模型進入到應用層面，那這就意味着算法將會變成一種公共基礎設施，其他企業不需要自己做這方面的投入就可以實現數字化轉型，從而帶動整個產業升級。

只是，面對參數量為億萬規模的產業，又一個阻礙AI技術發展的影響因素出現了，這就是“算力”——過去歷史説明，每年最新的網絡、最好的技術對於算力的需求，幾乎呈數量級地增長。其中，AI對算力的需求增長更是無窮無盡，如此，如果要實現產業升級，算力方面也需要同步跟進，否則很難實現產業的全面升級。

最後，除了技術共識、算力之外，作為人工智能水平衡量的一個重要指標，識別度與精確度如何提升也同樣浮出水面，畢竟傳統通用計算的計算模式不僅成本高，而且這種算力增長也已經無法滿足當前AI發展對算力的需求，因此計算模式的調整也是當前AI產業的一個主要變化方向。

不同於傳統技術，人工智能是一個非常依賴產學研的領域，最主要的表現之一，就是人工智能的迭代速度非常快，每年算法精度都會提升一個量級，各高校研究所幾個月的時間裏就會有大量重磅論文發表，AI產業對人工智能的創新成果也是遠超各種傳統行業。

伴隨着這幾個變化的產生，這不僅讓AI產業分工發生了改變，更是讓以往孤立的AI研究，比如，企業、學校、研究機構各自研究不同的AI方向愈加無法滿足產業發展的需求，  因此，伴隨着AI產業的發展，產學研結合就越來越重要——一方面，企業的研發生產需要學校、研究機構的理論支持；另一方面，學校、研究機構的科研機構也需要根據行業發展情況作指導，最新研究成果也需要通過企業來檢驗，這就要求學術研究要能為產業技術創新起到前哨作用，產業界也需要為學術研究提供真正有價值的研究課題，彼此相互促進，形成一個產學研相結合的循環。因此，在產學研協同越來越重要的當下，企業、高校、研究機構都需要一個大型的算法訓練和驗證的平台作為中間地帶。

客觀而言，相比傳統技術，作為一個技術前沿的技術，人工智能技術的持續發展及更迭對產學研的訴求更強烈——它非常依賴於技術的突破，迭代速度也更快，只要算法精度提升一個量級就可以引發重磅論文及業內關注。

因此，在AI走向大規模產業化的過程當中，算力、模型及技術共識等等五大行業關鍵要素密不可分，與此同時，學校、企業及研究機構之間也同樣愈加緊密，三者需要緊密結合。

AI產業經濟的繁榮取決於AI本身的生產效率提升

無論生產關係還是算法、算力，這都指向了一個方向，那就是AI產業經濟的繁榮取決於AI自身生產效率的提升。只有AI本身的生產效率得到充分提升，不斷快速地滿足日益增長的AI應用與協作需求，AI產業才能夠持續繁榮發展。

而在AI生產效率提升過程當中，AI的技術價值尤為重要。

通常而言，AI的技術價值主要體現在兩方面：更大的訓練模型與更低的生產門檻。

更大的訓練模型讓開發者們可以在大參數模型上加上一些行業屬性後，就可以快速解決行業中的各類細小問題；與此同時，這些大參數模型開放後，就將升級為AI產業的公共基礎設施，為AI產業賦能的同時，為企業降本增效帶來經濟收益。這就是其行業價值。

更低的生產門檻則令開發者們無需篩選高質量訓練數據，降低開發難度的同時，在大模型、大算力下獲得理想結果，從而在降低AI生產要素的同時，讓更多的人成為開發者。

具體來説，伴隨着大規模、超大規模模型逐漸成為一個共享平台，這就意味着，無論從AI軟硬件產業鏈到學府、研究機構，都可以通過大裝置來加速實現從核心技術攻關到產業應用的突破，而在這個過程中，AI產業則會推動傳統產業的數字化轉型升級的速度，更高效地解決智慧城市的各種長尾需求。

除前面所説的GPT-3模型外，國內在大參數模型上也已經有了不少領先世界的突破。

比如，在2021年6月1日召開的2021北京智源大會上，北京智源人工智能研究院發佈了新版超大規模智能模型悟道2.0，僅在參數水平上，悟道2.0就達到了1.75萬億，是GPT-3的10倍，比Google Switch Transformer預訓練模型的1.6萬億還要多，悟道2.0的問世卻僅比Switch Transformer晚了不足半年的時間。

國內的AI頭部，商湯科技最近也提了一個很有意思的概念，叫AI大裝置。

其全名叫SenseCore商湯AI大裝置，目的是做一個生產超大型模型的基礎平台。

據商湯介紹，SenseCore商湯AI大裝置主要通過算力層、平台層、算法層，以基礎設施方式輸出模型，把AI能力輸出到企業服務、城市管理和個人生活等三大落地方向中：算力層，商湯科技已在上海臨港新片區投資建立了一個全新的AI算力中心（AIDC），計算峯值速度可達到3740 Petaflops，作為參考，OpenAI的千億參數模型GPT-3完整訓練一次，使用AIDC的算力理論上一天內即可完成；

平台層，SenseCore商湯AI大裝置可以實現不同場景的算法模型的底層抽象，以模塊化平台套件打造通用型服務平台。據悉，其融合了商湯自研的算法框架後已經可以達到接近90%的並行處理效率，實現900倍計算提速；

算法層，SenseCore商湯AI大裝置據稱包括各種算法工具箱，其海量算法不僅包括以往較為重視的高頻應用場景算法，還包含了眾多長尾低頻場景的算法。

無論是在算力層、平台層、算法層，商湯科技的AI大裝置都體現了全球AI產業的最新發展方向，也體現了商湯自己的一個目標——朝着規模化、低成本、通用化的AI算法方向發展，這就可以深度賦能中國AI產業，創造更多產業價值。

而伴隨着越來越多的企業與開發者融入或使用到SenseCore商湯AI大裝置，這讓圍繞SenseCore商湯AI大裝置形成的AI生態也將不斷形成產業生態。

至於以後AI產業究竟能夠在多大程度上推動傳統產業升級轉型發展，並且滿足城市管理各種長尾需求，GPLP犀牛財經還將拭目以待。