徐直軍：人工智能將改變每個行業，每個組織

“在座的每一位都要思考，我所處的行業是否會被人工智能技術改變，甚至顛覆。我們應如何以一種全新的模式，重構自己的行業和企業。”

[中國，上海，2018年10月10日]第三屆HUAWEI CONNECT 2018（華為全聯接大會）於2018年10月10日在上海世博展覽館和世博中心隆重開幕。

華為輪值董事長徐直軍在大會上發表主題演講《打造無所不及的智能，構建萬物互聯的智能世界》，系統公布了華為的AI發展戰略，以及全棧全場景AI解決方案，其中包括全球首個覆蓋全場景人工智能的Ascend系列芯片。徐直軍發言要點如下：

1

AI是ICT產業60年發展的總成果

1956年，時任達特矛斯學院助理教授的約翰?麥卡錫組織召集了達特矛斯討論，正是在這次會議上，第一次正式提出了“人工智能”的定義。從那以後的60年裡，人工智能經歷了兩次發展的谷底，即所謂的“冬天”，但其發展的腳步並未就此停止。

1971年，英特爾發布了第一顆微處理器。50多年來，摩爾定律見證了ICT產業的蓬勃發展。

如果我們把AI產業和ICT產業這六十年的發展軌跡畫到一起，那麽大致應該是圖中的樣子。概括來說，人工智能與ICT產業的總體發展水準密切相關，學術研究發現和工程技術發展相輔相成。

而AI產業兩次“冬天”的出現，都是因為社會對AI的應用期望大大超越了ICT產業工程水準的發展現實。所幸的是，“冬天”並不是結束，而是每一次“春天”的開始。

今天，我們再次進入了“收獲”的季節。這是60年來全球ICT學術界和工業界長期耕耘，相互合作的成果。

面向未來，我們應該充分用好人工智能技術，抓緊收獲，努力擴大收獲成果，同時要讓收獲的季節持續的更長一些，把人工智能（AI）建在赤道上，永遠生機勃勃。

2

人工智能是一種新的通用目的技術

任何技術只有準確的定位，才會充分發揮其價值。給人工智能技術進行合理的定位，是我們理解和應用此技術的基礎。

如同公元前的輪子和鐵，19世紀的鐵路和電力，以及20世紀的汽車、電腦、互聯網一樣，華為認同：人工智能是一組技術集合，是一種新的通用目的技術（GPT）。

加拿大學者Richard G Lipsey在其著作《經濟轉型：通用技術和長期經濟增長》一書中提出：社會經濟的持續發展是靠通用技術的不斷出現而持續推動的。所謂通用技術，簡單理解就是要有多種用途，應用到經濟的幾乎所有地方，並且有巨大的技術互補性和溢出效應。

經濟學家們認為，人類發展到今天，總共有26種通用技術，人工智能就是其中一種。

我之所以強調人工智能是一種通用技術，是期望大家重視人工智能對未來的巨大影響和價值。人工智能作為一種通用技術，不僅可以使我們以更高的效率解決已解決的問題，也可以解決很多沒有解決的問題。

是否具備真正的人工智能思維，是否以人工智能的理念和技術解決現在和未來的問題，是我們能否在未來構築領先競爭力的關鍵。

華為在實踐中發現，人工智能不但可以替代人，還能夠自動降低生產成本。這是人工智能與資訊化最大的不同，也是其最有價值的特點。

3

人工智能將改變每個行業，每個組織

人工智能觸發的產業變革，將涉及所有行業。我們在座的每一位都要思考，我所處的行業是否會被人工智能技術改變，甚至被徹底顛覆。如何以一種全新的模式，重構各自行業和企業，是我們在未來都要思考和實踐的。

今天，我們可以清晰地預測到，人工智能將改變或顛覆如下行業：

? 智慧交通將大大提升通行效率

? 個性化教育將顯著提升教師與學生的效率

? 精準預防性治療有望延長人類的壽命

? 實時多語言翻譯交流再無障礙

? 精準藥物試驗可以顯著降低新藥成本，縮短發現周期

? 基於AI的電信網絡的運維效率將大大提升

? 自動駕駛和電動汽車將顛覆汽車產業等

從華為雲EI和HiAI發布以來的短短1年間，我們深切感受到了前所未有的熱潮。

除了對行業帶來的改變，人工智能還將改變每一個組織。

18世紀以來的歷次技術革命，每一次都會對組織的結構、作業流程和人員能力等產生巨大影響。

從工作崗位和人員能力角度看，人工智能推動此次變革將有一個明顯的不同：以往的歷次變革總會產生大量的重複性日常工作需求，比如紡織廠的設備操作，汽車製造流水線和手機制造流水線等。

但是人工智能將在幾乎每個方面提升自動化水準，因此大量的重複性日常工作崗位需求將大幅度縮減。與此對應的是，需要增加對數據科學工作崗位的需求，例如數據科學家、具備一般性數據科學能力的數據科學工程師等。這些崗位的數量將遠遠少於當前重複性日常工作崗位。

因此，我們認為，未來的組織人員構成可能是菱形的，其中大量處於底部的基礎性、重複性日常崗位會被AI所取代。

4

改變剛剛開始，選擇正確的問題比尋找新奇的方案更重要

其實，人工智能觸發的各種改變，才剛剛開始。改變歷來都是幾家歡喜幾家愁，特別是改變剛開始的時候.

我們可能會因為見證了AI實現了以前想都不敢想的某個功能而興奮，從而產生加速廣泛採用AI的衝動。也可能會因為，某個AI項目進展不如預期、或者擔憂AI的應用安全可靠而焦慮，從而對未來的如何運用AI產生困惑。

從歷史上所有通用目的技術的發展歷程來看，這些都是正常現象。

我們剛剛經過了AI技術與應用的局部探索階段，目前正處於第二個階段。在這個階段，從技術視角看，一方面AI技術日趨完善，同時又暴漏出越來越多的問題；從應用視角看，一方面AI的應用日漸廣泛，價值持續得以確認，但同時政策環境、公司流程、組織人員等都是主要面向以往的技術的，比如資訊化和互聯網時代的技術，還沒有為智能技術時代的到來做好準備，因而時常產生碰撞，甚至衝突。

AI技術終將贏得屬於自己的社會環境，那時我們將邁向AI應用與生產力提升全面快速發展的第三個階段。

在迎來新的GPT技術之前，我們將持續見證和享受這一黃金發展期，即第四階段。但我們也要清醒的認識到，人工智能不是萬能的，人工智能有它能解決的問題，也有它不能解決的問題。

我們應充分聚焦人工智能能解決的問題、聚焦其創造價值的領域，而不是把精力花在人工智能不能解決的問題或不能創造價值的領域。因為選擇正確的問題比尋找新奇的方案更重要。

5

今天，令人興奮的落差

千里之行始於足下，讓我們看看人工智能今天的狀況：

一方面，下面一系列大數字讓我們感受到了人工智能產業發展的“輝煌”：

? 2017年發表的機器學習論文數是2萬篇

? 全球有超過22個國家發布了AI計劃

? 2017年新誕生了1100多家AI startup公司

? 2017年與AI相關的兼並收購金額達到240億美元

? 2017年與AI相關的VC投資達140億美元

另一方面，下面的一系列小數字又讓我們感受到了人工智能初級階段的“冷靜”：

? 只有4% 的企業已經投資或部署了AI

? 只有約2% 零售商已經投資或部署了AI

? 只有約5% 部署的智慧城市 中正在使用AI

? 2017年只有約10%的智能手機內置了AI

? 全球AI人才的供需比僅有1%

“輝煌”與“冷靜”之間的差距，正在凝聚產業發展的巨大動力。所謂“山雨欲來風滿樓”，這種落差令人興奮。

5

十大改變 開創未來

要解決人工智能“火熱”與“冷靜”之間的巨大落差，開創未來，我們要從技術、人才、產業這三個方面進行主動的變革。今天，我和大家分享十個有關人工智能技術、人才和產業的重要變革方向。

改變之一：縮短訓練模型的時間

按照目前的技術水準，訓練某些複雜模型時往往需要數天甚至數月，而成功的創新發現往往需要多次迭代，這種訓練速度嚴重製約了應用創新。我們認為，未來模型的訓練要能在幾分鐘、甚至幾秒鐘內完成。

改變之二：充裕經濟的算力

算力是AI的基礎，但目前的算力非常昂貴，是一種稀缺資源。如果說算力的進步是當下AI大發展的主要驅動因素，那麽，算力的稀缺和昂貴正在成為製約AI全面發展的核心因素。

我們認為，算力應該是充裕且經濟的，並且這種需求應該盡快實現。

改變之三：人工智能要適應任何部署場景

混合雲已經成為企業採用雲服務的主要模式，當前的AI主要在雲，少量在邊緣，與企業的業務環境的結合有待進一步深入。

我們認為，未來AI將無處不在，要能夠部署在任何場景，並確保用戶隱私得到尊重和保護。

改變之四：更高效更安全的算法

算法是推動AI發展的另一個主要動力，但目前運用的主要算法多誕生於1980年代。隨著AI的廣泛普及，這些算法的不足愈發明顯。

我們認為，未來的算法，要能夠基於更少的數據需求，即數據高效。也要能夠基於更低的算力和能耗，即能耗高效。同時要解決自身的安全問題，並實現可解釋…等等，這都是AI全面發展的重要技術基礎。

改變之五：更高的自動化水準

今天的人工智能，自身還需要大量的人工，特別是在數據標注環節，今天甚至還誕生了一個新的職業叫“數據標注師”。有人調侃說，今天的人工智能，是沒有“人工”就沒有“智能”。

我們認為，應該大大提升AI自身的自動化水準，比如在數據標注、數據獲取，特徵提取，模型設計和訓練等環節，要實現自動化或半自動化。

改變之六：模型要面向實際應用

2018年6月，伯克利大學的助理教授 Benjamin 等發表了一篇題目奇怪的論文--《CIFAR-10分類器能否泛化到CIFAR-10？》

該論文指出，在CIFAR-10分類器上測試準確度出色的模型算法，卻在作者創建的與CIFAR-10非常接近的另一測試集上出現了偏差，分類識別準確率下降了5-15個百分點不等。這也就意味著，這個模型算法的可用度大幅度下降。

由此，可見當前很多優秀的模型算法，更多的是“考試”優秀，還未達到“工作”優秀。

我們認為，未來的模型必須實現工業級的優秀，即滿足工業生產的需要，而不僅僅滿足於測試集上“考試”優秀。

改變之七：模型更新

模型的準確率並非是一成不變的，而是會隨著數據分布、應用環境和硬體環境的變化而變化，始終保持準確率在期望的範圍內對於企業應用是必須的。但目前的模型更新是非實時的，依賴人工周期性的更新，因此是一個半開環的系統。

我們認為，未來的模型要能及時適應各種變化，實時更新，實現閉環系統，保證企業AI應用始終處於最佳狀態。

改變之八：人工智能要多技術協同

每一個通用目的技術，只有與其它技術充分協同配合，才能發揮到極致，創造巨大的經濟價值。AI也不例外，但在目前我們探討AI時，更多的是僅僅聚焦AI本身。

我們認為，AI需要與雲、物聯網、邊緣計算、區塊鏈、大數據、數據庫…等技術充分協同，如此才能發揮更大價值。

改變之九：人工智能要成為由一站式平台支持的基本技能

今天，AI還是一項只有具備高級技能的專家才能完成的工作，成熟、穩定、完善的自動化工具還比較缺乏，獲得一個AI模型還是一個非常複雜，耗時耗力的事情。

我們認為，應該有一站式平台，提供必需的自動化工具，讓AI應用開發更容易，更快捷。從而，使AI成為所有應用開發者甚至所有ICT技術從業人員的一項基本技能。

改變之十：以AI的思維解決AI的人才短缺

AI人才的短缺，特別是數據科學家的缺乏，一直是業界顧慮較多的一個製約因素。而且我們認為，數據科學家將永遠是稀缺的。

解決之道應該是，以AI的思維解決AI的人才短缺。通過著力發展智能化、自動化、簡單易用的AI平台和工具服務，以及提供培訓教育，培養大量的數據科學工程師，使他們能完成大量基本的數據科學相關工作。

通過這些大量的數據科學工程師與數據科學家和各領域專家相互配合的梯形結構，來解決AI人才稀缺問題。

這十個改變，一定不是AI技術、人才、產業發展的全部，但都是未來發展的重要基礎。

6

華為的AI發展戰略

這十大改變既是華為對AI產業發展的期望，也是華為制定AI發展戰略的源動力。

基於這十大改變，華為的AI發展戰略包括五個方面：

l 投資基礎研究：在計算視覺、自然語言處理、決策推理等領域構築數據高效（更少的數據需求） 、能耗高效（更低的算力和能耗） ，安全可信、自動自治的機器學習基礎能力

l 打造全棧方案：打造面向雲、邊緣和端等全場景的、獨立的以及協同的、全棧解決方案，提供充裕的、經濟的算力資源，簡單易用、高效率、全流程的AI平台

l 投資開放生態和人才培養：面向全球，持續與學術界、產業界和行業夥伴廣泛合作，打造人工智能開放生態，培養人工智能人才

l 解決方案增強：把AI思維和技術引入現有產品和服務，實現更大價值、更強競爭力

l 內部效率提升：應用AI優化內部管理，對準海量作業場景，大幅度提升內部運營效率和品質