没有任何行业可以忽视人工智能
DeepTech深科技 DeepTech深科技

没有任何行业可以忽视人工智能

《麻省理工科技评论》 EmTech Digital 峰会干货整理

黑马说

在这个时代,科技是最大的生产力。不管你是哪个行业、什么职业,关注最新的科技都不会有错。人工智能的时代大潮不可逆转,没有人能够忽视它的存在,尤其是对于投资者和创业者来说。

文|DeepTech深科技          翻译|杨一鸟,机器之心,羊羽,十三

60年前的夏天,4名电脑科学教授一起启动了一个目标为创造"人工智能”的夏季课题。这是这个名词第一次出现在世界上。此课题的目标是:探索如何让机器运用语言和抽象思维。

当时的项目提议是:“我们认为,一组精挑细选的科学家在一起工作一整个夏天就可以实现重大突破。”这在现在看来简直是乐观的傲慢。我们直到现在都没有可以媲美人类语言或者可以实现抽象思维的软件。

但是,最近的几年里,人工智能软件已经实现了曾经被认为是不可能的功能。例如识别图像和语音,或者像谷歌最近给他们的电子邮件服务添加的功能:通过人工智能对语言的理解来写出短邮件回复。

——《麻省理工科技评论》主编 Jason Pontin

5月23日在旧金山举办的为期2天的《麻省理工科技评论》Emtech Digital 峰会上,来自各行业的精英们探讨了这项科技是如何开启人类生活及工作的新可能。下面是《麻省理工科技评论》EmTech Digital峰会部分精华内容整理:

GE软件研发副总裁Colin Parris:将人工智能引入工业互联网

GE的“数字双胞胎模型”(Digital Twin)灵感来源于长期应用于工业生产的产品和设备,拿航空制造业来说,引擎发动机在此行业中生产了将近40年。工业中的设备和产品技术投入巨大,效率的提高是工业生产发展的核心课题,而模型的提出是为了解决如何使得我们更加高效地使用和制造这些东西

2005到2010年,工业增长率达到4%,而2010到2015却只有1%,这是生产力的退步么?GE Software就此提出构想,我们能否从生产设备出发,合理规划生产环节,将生产效率提高。

“数字双胞胎模型”的设计理念源自于商业应中用的“数字信息转化模型”(Digital Transformation),其中最出名的就是这三家公司的产品:苹果,亚马逊以及谷歌。它们有两个共同点,一个是它们对于数字信息转化的方案大同小异,而且公司市值的增速也都相当惊人,苹果公司在2004年的市值才80亿,而现在已经高达2340亿。

让我们说回数字模型,拿亚马逊来说,他们首先建立“单位模型(Model of One)”来统计用户的全面信息。这些信息来源于每一个用户,并且有一系列数据标签,包括年龄、性别和收入。用户信息在你逛亚马逊网站的时候就已经悄无声息地收集了,例如你查看的商品、付款方式、送货地址以及你购物车里的东西。而初代模型其实就反应了我们的购物心理,即喜欢买什么以及怎样购买。亚马逊然后将初代模型进行数据分类以及数据分析,得到能应用于商业的输出信息。

而将用户的购买兴趣和购买力进行分类在这里是十分关键的,例如我如果被分在“型男区”,而此区的用户大部分都买了“男人装”,那网站就会向我推荐。除此之外,亚马逊还将各个用户的信息编纂起来,并向他们定向推荐商品和个性化服务,例如我已经在亚马逊上订购了年末的滑雪双飞旅程,网站会以此为基础向我推荐一些滑雪的装备例如滑雪头盔之类的。我购买完商品之后又会向网站提供反馈,点赞或者差评之类。我买得越多,他们提供的信息就越来越完备,这是一个正反馈的流程。

这样的机制就是“单位信息处理(P&L of One)”。用不了多久,依靠此模型,亚马逊就会知道我会花多少钱购物,以及怎样让我多花钱。从初代模型到用户信息模型,商业价值就产生了。除此之外,一个收集信息的平台也将推出,用来更方便地收集信息,例如亚马逊的购物网站、苹果的iTunes以及谷歌的搜索引擎。

那么“数字双胞胎模型”的机制也十分类似,只是将上述商业模型直接搬到了工业上来,持续对生产设备的各个部件进行监控和分析,并期望得到特定的商业价值。我们同样需要收集数据,例如收集引擎的生产数据、维修数据以及运转数据,然后构建“单位模型”以及“单位信息处理”,而相应的输出数据则从购物推荐、个性化服务以及评价系统变成“效率评估”、“性能评估”以及“产品商业评估”。

具体来说,就是将具有物理实体的机器所有信息收集起来,数据化,建立一个数字模型,就像它们的“双胞胎”一样,然后运用这个模型来预测机器会遭遇的问题或者来调试机器参数,使得它的效率更高。举个例子,GE90飞机引擎的问题预测,如图所示是经常途径炎热地区的飞机的引擎,其中的扇片上有防热涂层(TB Coating)。这样的涂层一旦损坏,就会影响发动机的性能,严重的话会造成人员伤亡。航空公司对此也是十分慎重,也发现了一些规律,往往200天这样的引擎就会出现问题,所以200天期限一到,就要进行引擎的检修。

这样的经验可能会灵验几次,但往往误差很大,如果200天中有很多天气温并不是很高则会减缓涂层损坏的速度,或者是湿度过大加速涂层的损坏。这样简单粗暴地将引擎送往检修,往往可能检测不出损坏,而此期间飞机也不能使用,白白增加了维修成本也降低了商业价值的产生。如果针对此涂层建立“数字双胞胎模型”,在每次飞行之后根据此次飞行的气温湿度等相关数据进行模拟分析,到了模型中损坏快出现的时候提前检修,这就使得维修显得十分及时了。

其实“数字双胞胎模型”能提供的服务还有很多,例如上述的“维修服务优化”、“工作方案优化”、“生产优化”、“服务优化”、“辅助设计优化”以及“新服务方案设计”。只要你提供数据,我们就能提供巨大的商业价值回报。

“数字双胞胎模型”中还应用了很多机器学习的理念,在这里我介绍其中的三个。

第一个是我们如何正确取得我们想要的数据,其中引入了计算机视觉采集技术;

第二项技术是我们怎样将数据进行过滤,并找到正确的我们想要的数据;

最后是如何建立我们的“数字双胞胎模型”。

问答环节:

主持人:我们都知道,双胞胎的基因十分相似,但是他们之间还是有这样那样的差别,那么你们所谓的“数字双胞胎模型”和它们现实中对应的物体之间也是有差别的吧。我的问题是,这种差别有多大,并且你们怎样应对这样的差别?

科伦帕里斯:我们的应对呢,总的来说有两种,而差别一般分为三类。那么我们对不同的差别有不同的应对方案。第一种差别是有人对产品做了改变然而并没有告诉我们,这其实是我们最常遭遇的,那么我们则需要反复对比实际以及校对参数来保证模型的拟真程度。

第二种是新变量的产生,比如我们观测到的一个很诡异的现象——地球的“高空急流”实际上会变化——而当这样的变化产生时,地球上炎热地区的气候也会发生改变。而一旦我们观测到这样的新变量,数字双胞胎模型也要自然地做出相应的改良。

有些情况下,我们得到的数据并不完整,当你的数据缺失大到某种程度的时候,你的模型与现实的差异就比较明显了。这种情况下,我们一般采取的措施是,首先核对实际数据,或者采用其他相关数据分析,比如大气层的变化或其他我们观测到的与气候变化相关的数据,然后开始全面地学习和分析差异性的成因和影响。因为我们看待的是一整个综合的问题,其中的各个组成部分中也会存在差异产生的因素,当我们把这些因素都整合到一起,问题就基本解决了。

主持人:那“高空急流”的改变发生过几次呢?

科伦帕里斯:我们就观测到过一次,你也知道研究“全球变暖问题”是一个无法预测的事情。

Founders Fund联合创始人Luke Nosek:医生将被人工智能取代 

Founders Fund是一家投资公司,专门投资高新科技公司,这些公司一定是能对人类文明做出巨大贡献的,如Airbnb、Stripe、LinkedIn、SpaceX、Yelp等高科技创新公司。Luke Nosek也是DeepMind的董事会成员,此前在韩国取得重大成功的AlphaGo就是他们的杰作。

主持人:像电影里那样,人们对人工智能都有或多或少的恐慌。你们认为人工智能对于人类工作机会的影响有哪些?

Luke:我觉得,人工智能既在创造人类的工作机会也在减少人类的工作机会。那我就举一个常见的例子:优步(Uber)。优步的出现就创造了全民司机的世界,虽然这不是传统意义的人工智能,其实也是基于计算机技术的软件应用。而如果真正的人工智能驾驶系统建立完备,司机这种职业将不复存