王汉生 苏萌
近日,由成人直播-成人直播室
主办的“聚焦‘数据二十条’——数据基础制度与数字经济发展论坛”在京举行。本文节取部分嘉宾发言,整理成文。
王汉生(成人直播-成人直播室
商务统计与经济计量系教授): 人工智能、商业分析、企业家
现在是大数据时代,也是人工智能时代。在数字技术的高速发展中,中国企业家未来的机会在哪里?对于这个问题,我认为商业分析可能是会为我们带来答案的重要链接。
一、人工智能技术的定义与发展
人工智能可能有不同定义。广义来说,人工智能就是指机器能够帮助人类进行劳动,这种也许从蒸汽机时代就有了;如果狭义一点来看,现在在媒体上常常看到的人工智能主要是指非结构化数据分析以及它的商业应用。
从发展上来看,近些年一些技术已经发展得非常好了。如今的语音识别对音频的理解已经相当准确,比如我们常用的苹果Siri、百度小爱,都可以非常方便地为我们处理一系列简单任务;微信的语音识别也可以实现录音转文字,虽有一些错别字,但仍可以大幅提升输入效率。基于图像识别的技术也愈发成熟,人脸识别技术的迅速升级更新使得其在安防、出入境管控等方面发挥了重要作用。
近来,ChatGPT对自然语言的理解也已经很成熟了。我并没有把它想得很可怕——我觉得ChatGPT最了不起的地方是它能够读起来像是真人在说话,但实质上它输出的逻辑性并不强,被问到深刻问题时也并不能给出有参考价值的回应。我认为,如果能将人工智能技术与电商客服的场景结合起来,会是件很了不起的事情。ChatGPT的出现说明我们如今对非结构化数据的分析已经愈发成熟了。
另一项学习技术的发展就是强化学习也在越来越成熟,典型的有AlphaGo和ChatGPT。强化学习是件非常了不起的事情,它与我们的人生有一定相似之处——在强化学习中,我们要面对的是一个系统,我们要做出一个决策并得到系统的反馈,并在这个过程中不断尝试优化自己的策略。从这个角度也许我们可以理解为什么小学生喜欢玩游戏——因为游戏中的反馈是即时的,而现实中我们很多决策是需要时间才能得到反馈的,比如学生时期好好学习,但好好学习在人生中的反馈可能要到20年后才能来。为了鼓励我们,老师也设计了很多中间型的回馈机制,比如“三好学生”的称号。我们现在在强化学习中的研究重点正是这种反馈机制的设计,其中中间性的回应设计方案是最好的,现在我们在这方面的技术也已经相当成熟了。
二、数字时代的企业策略与机遇
数字技术发展得越来越好,企业家们在感慨的同时也会在思考中国企业该如何找到合适的应对之策,来抓住数字时代的潜在机遇。我认为有两种方案可供企业参考:一是推动底层技术的研发更新,二是关注成熟技术的应用开发。第一种在我看来是很困难的、也是很少见的。这并不能说明中国企业家们缺乏远见,而是在当今商业市场竞争十分激烈、变化十分丰富、发展非常迅速的大环境下,长期投资这条路有着太多不稳定因素,是一件极需耐心与辛劳的事。另一条路则是等待技术成熟后,找到合适的场景将较为成熟的技术运用到商业中。相比于前者追求的“引领潮流”,后者更加强调“顺应潮流”以求生存。我关注的也许比较短,说的只是让企业们先存活下来而已,但是当足够多的企业能够完成生存后,商业金字塔中亦会有优秀的、甚至像华为这样伟大的企业脱颖而出,引领新一轮的技术更迭。
三、数字技术的商业场景开发
数字技术应用的重点在于寻找到合适的商业场景。我来分享一些我们团队过去几年中接触到的案例。举个简单的例子,比如大家都熟悉的物联网,物联网设备很大一部分是固定角度的摄像头,这种摄像头在学校、道路中比比皆是,为我们收集了大量的、亟待我们去分析的数据。这类摄像头的一个特点是它的角度相对比较固定,这也带来了一个巨大的优势——它拍摄到的像素点开始具有物理意义了,这使得后面的分析变得简单了很多。我来分享一个我们前年做的研究,这也是固定摄像头拍摄技术的一个应用场景。在矿山生产中,违规操作是事故发生的一大原因,而管控违规操作的一个简单方法就是安装监控摄像头。下面左边图中这个师傅坐的车叫猴车,是进出作业面最主要的交通工具。下图中这三位师傅的操作都是违规的——左边的师傅带了很大的东西,有可能碰到对面的人;中间的师傅的脚在地上拖行;右边的师傅没有坐车在走路。这类安全问题的监管现在可以通过固定摄像头与人工智能的结合来实现。得益于固定角度摄像头的优势,如今我们可以轻松地将违规情况通过图像分析技术识别出来,并在出现违规操作时通过广播进行提醒。

另一个例子,是图像采集设备在铁路运输中的应用。下图中是我们的高铁在以300公里时速行驶时车轮从左侧、右侧和底侧三侧拍出的高分辨率画面——不同于一般摄像机的平面成像,这个技术是线状成像的,在列车高速驶过时,设备会通过激光和摄像技术进行扫描,无论是在白天、黑夜还是在雾霾的环境中,都能够精准扫描成像,以来检查车辆有没有问题。在过去,普通火车的检查方法是靠工人拿小锤敲;如今,数字技术可以采集到行驶中高铁的图像数据,并为后期分析提供了很好的场景。这可以算是我们又在技术上往前走了一步。

由此可见,如今我们的图像采集和物联网技术已经相当发达了,下一个要解决的问题就是后期的分析。包括上面火车的例子,如今很多我们采集到的数据的后期分析还是靠人工。但是,我相信在不久后我们的后期分析也能很快跟上。
有关后期分析,我再给大家分享一个我们做过的案例。下图拍摄的是青岛港,一共有80多台左图中的这样的大型起吊设备,设备上面像一个大象的鼻子一样伸出来,叫作象鼻,最顶端是象鼻头,象鼻头上有抓斗垂下来,从船舱中抓取货物并整齐码放到码头上。整个过程基本上都是自动化的,唯一的问题是有时候操作不当或者遇到恶劣的天气等意外时抓斗会摆,其危险性可想而知。针对这个问题,我们通过象鼻顶部原有摄像头采集到的图像数据(如下方右图所示),根据随机波动的统计学规律,计算出黄色预警和红色预警的范围,当抓斗摆动至相应的预警范围内时,装置就会自动发出警报。未来,我们还有可能再通过几何模型,在视频中计算出抓斗的摆动角度,来更好进行风险预判。

四、总结
通过以上这些应用案例我们可以看出,我国的数字产业发展至今,基础已经非常扎实,而未来我们的挑战将聚焦在技术与商业场景的结合与匹配上。商业场景的选择是数字技术能否落地生根的关键,比如如今安防产业为头部人工智能企业的财报做出了可观的贡献,但是若能为技术开拓更多的商业场景可能性,则可以让技术走得更远、产生更大的知识、支持更大的梦想。故而,无论企业在如今的数字化潮流中选择何种应对策略,采用严谨、系统的商业分析方法以寻找相宜的数字技术及应用场景都是必不可少的。
苏萌(成人直播-成人直播室
研究教授):跨越周期 加速产业数字化转型
一、数字产业化与产业数字化
中国数字经济的规模已经成为全球第二。数字经济包括五个部分,即数字化基础设施、数据价值化、数字产业化、产业数字化及数字化治理。这里面有两个重点:一个是数字产业化,一个是产业数字化。
数字产业化是由技术企业最早开始耕耘,提供产品技术,逐渐使其成长为一个有一定规模的产业。而产业数字化是数字产业规模的4倍。产业数字化最早从数字化能力基础比较好的产业开始,现在逐渐进入到传统或相对传统的产业。对传统产业进行数字化改造、数字化优化,提升效率,这是目前中国以及很多海外国家重点发力的地方。
在整个产业中,大家越来越强调数据的价值。可以想象一座山是有资源的,但是资源没有形成资产。从数据的资源变成数据的资产的过程中需要大量数据治理的基础性工作。
综合来讲,产业数字化是数字经济的主战场。当前传统产业的数字化转型过程已经进入到真正纵深的阶段。这反映为两个特征,第一个特征就是,如果一个企业没有成熟的产品、没有DEMO[1]、没有案例、没有快速做概念验证(POC)的能力、没有成熟的产品组件;如果不能马上去部署、测试并看到结果,它已经无法向客户证明自己的能力。目前从产业的角度,客户进行数字化转型更推崇的是价值,并且是能够量化的价值。
第二个特征就是单点的技术或单点的产品已经解决不了客户的问题。政府数据和企业数据拥有者最关注的是数字化转型解决问题的能力,这需要场景的融合、技术的融合、数据的融合。以前一些企业可以靠单一的产品、单一的技术生存下来,但现在已经比较困难。解决大客户的大问题需要综合的能力,如果靠单一的产品生存就需要寻求合作伙伴和生态合作。
从企业进行数字化转型的角度来看,很多企业希望能快速建成数字化系统并马上发挥价值。但实际上这是很难做到的,往往事倍功半,这也是数字化项目不成功的原因。企业的数字化转型还面临五大挑战。第一,企业对于数据价值认知的不清晰,或者是过高地预期技术公司的能力,也过高地预期了自身数据的价值度。第二,还存在战略和严谨性的问题,基础的数据都没有打牢,就急于用低质量和有噪声的数据进行决策。第三,企业数字化过程往往缺少端到端的一体化能力。大企业想要解决的问题也是宏大的,关联度高,需要多维的数据,实现多场景、跨场景应用,难以用单一的产品技术解决。第四,技术也需要整合和升级迭代,越来越多的视频数据、地理位置卫星数据等,都需要囊括进来。第五,能够进行数字化转型的组织和综合性人才还是比较缺乏的。
二、产业数字化对技术企业的新要求
基于行业摸索了十几年的经验,简单总结产业数字化对技术企业的要求,主要包括以下三点。首先,技术是需要融合的,无论是现在的人工智能技术,还是大数据的技术,或是云计算或者隐私计算的技术,它往往需要多场景融合。如果只有一个人工智能算法是找不到场景的,技术能力也是不够的。有了技术融合作为起步,第二是数据要融合,包括业务数据、日志数据、标注数据、模拟数据,还有非结构化的数据等。第三是场景的融合。许多企业数字化的场景是复杂的而非单一的,都需要综合多个场景进行分析。这要求技术企业,第一要能够处理越来越多实时的数据和批流一体的数据。第二要注重交互性,人和系统需要更加自然地交互。第三还需要自主性,让机器能够自主地进行决策辅助。
三、大数据与数据科学
数据科学是由大数据催生的,大数据又重新定义了传统的数据科学,数据科学是大数据的未来。这个学科是由数据、统计学、人工智能等多个学科交叉的新型学科。数据科学的目标就是实现对现实世界的认知和操控,研究对象就是数据价值链的实现。
数据价值的实现有三个环节,分别是从数据到信息、从信息到知识、从知识再到决策,即三个转换。这三个转换具体包括五个环节:数据的采集汇聚、存储治理、处理计算、分析和应用。这五个环节里出现越来越成熟的工具、组件、产品和平台,能够快速地提高效率。
大数据的三个层次。大数据行业发展到今天,必须进行行业的专注和聚焦,也就是大行业的专业化分工。如果把大数据分成三个层面,底层是计算存储的基础设施层,包括计算存储、运维安全。这一层应该是由大型企业承接。这是中型企业很难做到的事情。它是一个基础设施,它一定要掌握在国家层面。这再往上一层就是场景化数据应用,有面向政务的,有面向企业的,有面向个人的。这其中还有行业细分,因为理解行业的门槛很高,所以技术企业应当专注少量行业里面,把它做深。应用层越专注越好,应当加强与合作伙伴合作,实现专业化分工。技术企业需要做的是把基础设施上面这一层尽可能拉通,包括集成治理、建模、分析和服务,并把数据价值实现的共性能力发展为成熟的工具组件,形成不依托于某一个行业的标准化、一体化的平台,可以高效、低成本、快速地部署。最后进入到场景化数据应用层,包括政务应用、企业应用和个人应用。
四、对未来的思考
第一,产业的未来一定是在“行业”的深处,也就是一定要深耕一个行业,不是泛泛而谈。将来一定是技术和行业专家的融合,才有真正的价值。
第二就是科技创新。这个领域的技术飞快奔跑,永远都有新的企业带来新的技术。所以这个领域里的危机感都很强。行业巨头负责搭建“基础设施”的同时,其他企业需要在基础设施层面做一个“水龙头”或者是一个“小开关”,辅助这些“基础设施”接入更深的行业里面。
最后一点是“专精特新”。虽然大的项目需要综合能力,但对于行业里的中小型的企业来说,国家的政策有效避免了红海的过度恶性竞争和资源的内耗。基础研究由国家级进行重点投入,行业和企业做到“专精特新”,既避免了过度竞争,又让企业建立起自己真正的门槛和生存的机会。
简报执笔:李显荣 王涵宜
敬请扫描以下二维码关注“成人直播思想力论坛”公众号。

微信号:GSMThoughtLeadership
[1] DEMO是"demonstration"的缩写。DEMO的中文含意为“示范”“展示”“样片”“样稿”“原型”,常被用来称呼具有示范或展示功能及意味的事物。