歐洲科學院院士漢斯：企業為什麼更需要人工智慧

　　2018-09-21 10:40:28　來源: 網易科技報道

　　

　　網易科技訊9月21日消息，由網易新聞和網易科技主辦的「2018網易未來科技峰會」之「ALL IN時代」今天在北京舉辦。歐洲科學院院士、深知無限人工智慧研究院院長兼首席科學家漢斯·烏思克爾特（Hans Uszkoreit）發表以「AI for Smarter Enterprises」為主題的演講，闡述了目前智慧企業的人工智慧發展情況，探討了人工智慧能為企業帶來什麼樣的改變的問題。

　　漢斯談到人工智慧目前發展越來越成熟，已經可以提高企業的工作流程。有很多人認為人工智慧很快會代替人類眾多工作崗位，但事實是很多國家機器人等發展發達，失業率卻比較低。漢斯認為人工智慧或將很快取代許多司機、數據錄入人員、辦公室職員等重複性高的工作，但是人工智慧不可能在短期內取代專家，因為他們必須做出很重要的決策，這些決策需要深度的知識、多樣化的動態信息和縝密的推理。產品經理、市場研究員、營銷專家，醫學專家，但這些都是高薪專家，他們的決定具有很高的影響力和價值。他們的決策決定了公司的成敗，人工智慧可以有效地幫助他們做決策。

　　

　　「人工智慧與企業搭配時一般是指情報。」漢斯說道。AI在企業方面有不同的應用，「在德國大多是在製造業公司合作，德國將AI應用於製造企業中，目前有物理的信息系統，有物聯網相連，有很多感應器，越來越多使用機器人，人和機器之間的互動這些應用層面。AI一方面可以應用於優化，改變和重新配置，另一方面可以在運營上提供服務。」

　　漢斯認為對製造業企業最重要的其實是在公司之外的顧客。企業需要在數據中汲取大量洞見，目前所有的數據複雜度如此之高已經超過了人類認知的極限。人類大腦在做決定的時候可以獲得大量的數據，這些數據不是整理好的，不是系統化輸入的，首先要用AI進行解讀，企業必須用AI做決定要求有一定的知識背景。「如果我們植入深度學習，再加上比較高級的學習，我們就真的可以做到這點。」

　　漢斯談到很多企業目前還沒有完全成熟的數據戰略，也缺乏反情報和反間諜的防範措施，企業要把數據收集形成中心化措施，要把所有數據聚集在一起，再進行個性應用，最後進行決策。只有建立起來知識圖譜，才能認識本身不屬於你的專屬技術，也可以和世界整個社區進行共享，有機會建立聯繫，把外部知識和解讀與內部企業結合起來。

　　漢斯認為「企業包括中國企業對人工智慧的應用有著迫切的需求和巨大的市場，因為語言的障礙企業無法了解到世界其他公司的發展和情況，為此，我們需要更強的(深度)機器學習和(顯性)工業知識的結合。」（孟倩）

　　以下是演講全文：

　　漢斯.烏思克爾特：

　　大家早上好，我剛才聽賈斯汀.卡賽爾的演講聽的真是非常喜歡，她講了AI到底是什麼、AI能為我們做什麼，我們應該怎麼樣將AI掌握在手中。我今天要講的主題其實和她所說的也是緊密關聯的，因為我想講一講智慧企業的人工智慧，我們都深信人工智慧現在已經慢慢成熟，現在已經可以提高我們企業的工作流程，現在已經有幾個成功的案例，大家應該已經經常聽說這一些案例，就是人工智慧如何幫助人類。但是這一些案例其實都不夠系統化，所以我希望能夠以一個系統化的框架給大家講一講，人工智慧能為企業在未來帶來什麼樣子的改變。

　　大家應該都認為人工智慧很快就會代替很多人類的就業崗位，那並不意味著人類就要下崗。正相反，在這些機器人自動化發達的國家，他們的失業率反而更低的，但是AI確實會代替司機、數據輸入人員還有文職人員、銷售人員等一些比較重複性的工作崗位。相信大家也同意！

　　在近期人工智慧是無法代替專家的，這些專家他們需要做非常重要的決策，需要非常深度的知識，多元化動態信息，需要深入仔細地權衡做出的決定。產品經理、市場研究員、營銷專家、醫學博士、醫學專家、投資管理者，像CEO、CMO這一些人都是高薪的人才，他們的決定是有很大的影響力很大的價值。他們的決策可能會決定一個公司的成敗，而AI可以有效的幫助這一些專家更好地做決策。

　　Intelligence翻譯成中文的時候可以翻譯成情報，也可以翻譯成智能。情報比如說情報組織像美國的CIA情報組織。它可以搜集全球活動不同的情報，並把情報彙報給美國政府，這兩個用意使用還很廣泛，比如說人工智慧、商業智能、企業智能、企業情報與企業搭配時一般來說是企業情報的，但我說這一些詞之前先給大家來講一講AI的在企業方面不同層級的應用。我來舉一些製造業的例子，我們的研究方向和我們與德國企業的合作，大多是在製造業領域，所以我先來講一下智能製造它有幾個不同的層級，大家也應該知道，德國是將AI用於製造，因為大家知道了在AI在美國、中國、德國都是非常發達的。有很多大公司阿里巴巴、百度，每個有亞馬遜谷歌這樣的巨頭，而德國這一方面的巨頭少一些，但是我們有自己的一個特長，我們是把AI用在製造企業當中，而製造業對於德國是極度重要的。

　　中國有類似的企業將他們的人工智慧輸向全世界，在製造業當中實際上是有物理的信息系統，是由物聯網相連有很多的感應器還有大量的監測重新調製、配置和監測。同時我們越來越多的使用機器人，還有人和機器之間的協作、還有互動。未來這一現象還將繼續的擴大。信息物理系統包括數字雙胞胎，它可以是產品，也可以是流程的數字雙胞胎，還有靈活的由產品驅動的產品配置還有智能的自動化，還有跟機器的這一種交流甚至還有自然語言的處理，所以其實AI可以用於很多不同流程的一個優化，用來優化改變和重新配置。

　　那在第二層方面可以在運營上面提供一些服務。這一些服務是跟製造業深度相連，比如說在銀行就有和它的核心業務直接相連的應用，比如說智能出行、智能物流、智能樓宇、還有包括節能設施等等。這一些方面就不想舉太多的例子，因為這一方面的文獻特別多。我還想給大家詳講一下第三層級就是說一個公司的知識型業務，為什麼講這個？因為對於製造業企業來講最重要的並不是生產部分、不是機器部分甚至不是它自己的工人，最重要的要素是在公司之外的是那一些付費的顧客，是競爭者，可能會能夠生產出更好的產品把你摧毀的一些競爭者，更便宜的產品，還有包括你的技術提供商還有監管者、媒體。這些媒體將會影響你的銷量、你的供應商，如果他們停止向你們供應原料，你們的生產就會停，還有你服務的合作夥伴這些都是企業之外更重要的要素。你需要從這些數據中慢慢提取一些洞見。這些就是AI發揮的強項地方，因為這些信息的複雜度如此之高，實際上已經超過了任何人類認知的極限。

　　我剛才也說了對於企業來說是企業外的東西，怎麼把這一些東西整合在一起，怎麼讓AI真正的可以發揮作用呢？大家想一想人類大腦做決定的時候，從世界上從你的這些競爭者、供應商這裡獲得大量的數據。但這一些數據不是說已經是整理好的數據，不是結構化不是直接可以輸入的，大部分是新聞，是社交媒體，是簡訊，是報告，是文字形式的，他們首先要進行用AI解讀，然後才能變成可用的洞見。那企業必須用AI做這一件事的原因是什麼？是你必須要求有一定的知識、背景才能從事的，我們現在有能力可以讓AI學習這些東西了。這既有也沒有，我等一會會細講。我們深度學習再加上高級知識、知識圖譜的學習的時候，我們就可以真的做到這一點。

　　AI無法代替大腦但是它可以代替所有的新聞處理，前期處理方面，也就是處理情報的部分是他們可以做的。那在公司內部當你獲得數據，加上你已有的這些知識還有包括所有的人力資源、所有的員工知識。那外部的這些數據對於決策來講是非常有相關性，它最終會決定了決策成功與否，另外一部分就是今天講的非常強大的企業智能，他們有結構化的數據，但是大多數外部的數據我們首先它都是文本、圖像、還有多媒體這一些非結構化的數據。所以現在這個大腦，但是每一個企業當中都有很多大腦同時在做決策，所以這流程已經開始了，當然像市場研究者、還有供應商等等現在已經通過網際網路還有其他的信息處理數據獲取資訊，現在是一個非常分散的分散式方式，我們現在需要把密度加強，這樣你看到一個非常大的企業。它有很多業務遍布全球，而且實際上它都是完全重複性的，那他們從外部汲取信息還有處理的這一些流程，實際上都是非常類似，通過這樣一種處理它的密度會大大提高，這樣做它也有一些劣勢，其中一個就是你有很多個人數據的獲取通路，有各類的外部服務提供商，有的企業完全自己都不知道有多少外部服務提供商，而且他們有一種中心化使用，也就是說這一些資訊沒有中心化的學習方式，也沒有數據融合的設備，或者多元的機器學習。它還會涉及到不同的過濾和方法，也就是比如這些數據，對於市場研究方法重要的這些數據現在已經被過濾掉了，對於外部供應商的服務而言他們的數據不歸任何人所有，那很多企業現在還沒有一些非常完整的數據戰略，而且他們也缺乏反情報或者反間諜的這樣一些安全防範措施。

　　

如果我們想把這些都中心化的話，那要把數據收集都形成中心化的處理方式，對於這些非結構化的數據就需要一個平台把所有的一切都聚在一起，這樣你在對他們進行個性的應用。比如說供應鏈的管理生產數據，還有供應商數據全部都集合在一起，然後再做決策，如果都聚集在一起，你就可以充分的使用機器學習的潛力把整個的總數據進行處理，會出非常強大的一些決策結果。我們在德國做了一個項目是和幾個企業還有研究機構一起去做的，而且我們也有DPP的基礎，我們試圖去從外部收集數據，就是從新聞上、從媒體上、從網際網路上得到各方面的企業數據，這其實非常不容易。因為我們主要的一個應用企業是西門子，西門子生產很多不同的產品，他們有190多個一級供應商，這還只是一級供應商的數量，他們還有二級、還有後面的末級供應商有上百萬，我們一直在收集這一些數據。現在我們認為，西門子也認為要這樣做只有一種合理的方法，那就是要去有些能夠去共享的知識，這些不同的功能部門之間要建立知識圖譜，也就是對自己的產品供應商還有流程的知識共享，因為如果你使用知識圖譜的話，本身不屬於你的專署技術，你自己的數據當中沒有的這一些技術，你可以去使用，可以去共享你是可以跟世界的整個知識社區去共享。就像類似於DPP的這一個系統，這樣你就有機會去建立聯繫。把這一些公允的外部知識，你對外部知識的解讀和你自己內部企業的數據結合起來。那對於西門子而言，首先西門子是公開自己的內部這些信息和知識的，同時知識社區也不希望說西門子所有的知識在這裡面進行大量的分享，這樣會形成很多偏見。所以現在很多這一方面的研究比如說DPP現在它本身開始去把很多微機百科變成結構化的知識，這樣AI還有機器可以用這一些知識做決策，現在已經有30億條知識，而且還在不斷的去增長。DPP它本身也是我們項目的一部分，我們現在知道建立了有架構的結構化的一個知識圖譜，從企業的內部數據出發它可以向更多的外部延展，我們開始詮釋這一些結構化的數據，現在有非常強大的方式就是深度學習還有其他現在正在發展的技術，當然技術能夠去提取大量、海量的文本，能夠理解很多文本的信息。但是不能理解全部的信息，這還需要很長一段時間，因為這是需要人類的知識，而且需要知道它的相關信息。比如說話題、還有名字、還有事件、還有情緒、還有意見等等。這一些是非常有必要的，這一些對於決策而言非常關鍵。比如說客戶對於這一款產品本身的意見還有情緒，如果我們知道我們現在尋找的是什麼，就能找到它，但是我們首先必須要知道我們找的是什麼。

　　因為現在我們要處理的數據量實在太大了，我們必須要把整個的流程嵌入到一個智能的數據平台當中，我們現在需要這樣的一個平台，就是為什麼選擇Text，因為這個數據處理平台是我們同事參加這一項目是在德國做的，是專門做數據流行型處理的平台。 我們就能夠得到句子本身，就可以把BOE、SES就項目進行一個連接。我們把公司相關的流程進行了一個匹配做了一個決策，而且也間接的知道這一個企業，就是京東方它本身的產品相應的信息。現在關於支持決策和企業智能方面的需求非常之大，中國的企業現在有顧客有競爭對手還有採購商遍布全球，他們通常是不理解其他國家的語言，而且沒有辦法每天去閱讀上百萬條的信息，他們應該這樣去充分的了解，這是為什麼他們需要AI這樣的應用程序，應當能夠從結構化和非結構化的數據當中去學習，然後去在相應的情景之下去解讀作出相應的決策，因為這需要我們更加強深度學習和它表象的相應信息之間的結合。

　　非常感謝各位的聆聽，謝謝