AIoT，即人工智能物聯網，是人工智能（AI）與物聯網（IoT）在實際場景落地中相互融合的產物，作為一種新的物聯網應用形態，是通往 “萬物智聯(lian)”、“人機深度”的必(bi)經之路。
當下，AIoT正被廣泛應用于汽車、零售、金融、交通等各行各業，包括目前熱炒的元宇宙也離不開AIoT技術的支撐(cheng)，被稱為(wei)是“連接實體(ti)與(yu)虛擬世界的橋梁(liang)”。
中金公司預計，2022年人工智能與物聯網的結合有望全面落地助力智慧城市、智能工廠(chang)、智能交通、智慧礦山(shan)等有望加速(su)落地，推動(dong)ICT新基建(jian)規模落地。 但在(zai)(zai)這一輪AIoT的繁(fan)榮浪(lang)潮(chao)背后，對于其發(fa)展前景的質疑聲也不(bu)絕于耳(er)。尤其是在(zai)(zai)AI產(chan)業化(hua)方面，依(yi)然存在(zai)(zai)諸多瓶頸(jing)。
近日，英特爾(er)物(wu)聯(lian)網視頻(pin)事業部全(quan)球首席技術官、物(wu)聯(lian)網事業部中(zhong)國區首席技術官張宇博士接(jie)受《科創板日報》采訪，暢談了對AIoT以及人工智能發(fa)展的(de)思考。
張宇認為，人工智能與物聯網的結合需要經過三個階段，AIoT發展暫時還處于第一階段，只有當機器能根據人類的需要，進行自主學習，才能實現真正的AIoT。
在他看來，AI是一種技術，但從最終用戶的角度來看，能夠體驗到的是服務。所(suo)有的(de)(de)服務都不是依靠單一的(de)(de)技(ji)術來(lai)支撐的(de)(de)，而(er)是一系列技(ji)術的(de)(de)結合，以及一系列平(ping)臺的(de)(de)支撐。
對于AIoT的應用場景，他認為2B與2C存在區別，2B對準確度的要求很高，所使用的參數會更多。在2B方面，AI在智能制造領域應用前景廣泛，一方面幫助企業提高生產效率，另一方面也為碳中和、碳達峰在做相應的貢獻。
談及最近熱門的元宇宙，他認為，其實AR/VR只是元宇宙的入口，但AR/VR背后所展現的內容，實際上也需要AI技術的支撐。通過AI技術(shu)來感知用戶需要什么樣的(de)(de)信息，然后把(ba)這些信息進行匯總、處(chu)理以(yi)及(ji)分析，最(zui)終讓結(jie)果呈現在AR/VR的(de)(de)設備之上。
以下為(wei)《科創(chuang)板日報》整理的專訪實錄：
當下的AI：50%人工 VS 50%智能
《科創板日報》：您如(ru)何看待人工智能與物聯網(wang)的結合？
張宇：我覺得(de)AI與IoT的結合分為三(san)個階段：
第一個階段是AI技術在邊緣側、在推(tui)(tui)理階段率(lv)先應(ying)用(yong)。在這個階段還需(xu)要大量的數據中心能(neng)力(li)，來幫助我(wo)們訓練人工智(zhi)能(neng)的網絡模型，把推(tui)(tui)理結果推(tui)(tui)送到前(qian)端進行使(shi)用(yong)。
第(di)二(er)個階段(duan)是邊緣訓練階段(duan)。如果始終(zhong)利用(yong)數據中心進行模(mo)(mo)型(xing)訓練，不可避免地會造(zao)成(cheng)訓練時間比較長，模(mo)(mo)型(xing)更新(xin)頻率比較慢(man)。
隨著(zhu)物聯網(wang)的(de)發(fa)展，以及數(shu)字(zi)化轉型的(de)推進(jin)，及時地、在更短的(de)時間得(de)到(dao)一個(ge)網(wang)絡模(mo)型更新(xin)的(de)需求，會(hui)(hui)越來(lai)越強。所以我(wo)們認(ren)為，日后訓練工作會(hui)(hui)慢慢從數(shu)據中心遷移到(dao)邊緣(yuan)。在邊緣(yuan)可以利用(yong)動態(tai)采集到(dao)的(de)新(xin)數(shu)據，來(lai)進(jin)行模(mo)型的(de)二次更新(xin)，利用(yong)更新(xin)的(de)結(jie)果(guo)來(lai)指導下一步的(de)操作。
第三個階段是自主學習的階段。現在人工智能存在很多的局限。之前跟很多專家交流的時候，我經常會開一個玩笑：從人工智能的字面上來看，既有“人工”的部分也有“智能”的部分。這也很好地體現出目前人工智能的使用模式——大概有50%是人工的，另外50%是智能的、利用機器所產生的。
《科創(chuang)板(ban)日報(bao)》：當下，人工智能還是脫離不了人的支持，這會帶來哪些阻礙？
張宇：如今人工智能使用過程當中，人仍然扮演著非常重要的角色。雖然我們可以利用龐大的算力來訓練模型，但是模型結構還是要由人來訓練和設計。這就導致，AI模型在設計過程之中，已經加入了很多人的意志。
而且這個模型的結構一旦定了，其應用場景也會比較固定。比如，某一個模型可能適合做視頻處理，那么同樣的模型就不太適合做自然語言處理。因為早在人進行模型設計時，限制就已經造成了。
所以，我們需要進入第三個階段，這實際上是一個自主學習、自主訓練的過程，稱之為Auto Machine learning。簡單來說，是機器根據人類的需要，自主使用相應的數據來設計和訓練模型，再把這(zhe)個模型運用(yong)到最(zui)終的推理(li)過程中(zhong)。
從今后的(de)(de)發展來(lai)(lai)看，尤(you)其在數字化轉(zhuan)型中，越來(lai)(lai)越需要(yao)這種能夠感知人類意(yi)(yi)圖的(de)(de)機器。它們可(ke)以根據使用(yong)者、最終用(yong)戶的(de)(de)意(yi)(yi)圖來(lai)(lai)主動地(di)自我調配(pei)，選擇(ze)適宜的(de)(de)網絡(luo)模型、數據結構，從而得到最適宜處(chu)理當(dang)前場景的(de)(de)模型，并把模型發送到前端來(lai)(lai)進(jin)行相應(ying)的(de)(de)工作。
AI本身是技術 用戶體驗到的是服務
《科創板日報》：當(dang)下我(wo)們(men)處于AIoT發展的哪個階段？
張宇：暫時(shi)還(huan)處于第一階(jie)段(duan)，對(dui)第二階(jie)段(duan)還(huan)在探索中。因為(wei)算力和數據(ju)是(shi)兩大挑(tiao)戰。比如(ru)(ru)在物聯網的邊緣端，如(ru)(ru)何(he)來標注數據(ju)，是(shi)亟(ji)待解決的。
《科創(chuang)板日(ri)報》：能(neng)否具體談談AIoT落地的挑(tiao)戰？
張宇：首先隨著AI應用越來越多，對于AI的效果以及即時性要求也越來越強。如何保證大量的AI數據能夠及時處理，是一大問題。現在有一些解決辦法，比如邊緣計算正越來越興起，把AI的處理工作放在邊緣來進行操作，從而更好地響應用戶的需求。
第二，現在(zai)有(you)越(yue)來越(yue)多AI的(de)(de)(de)(de)不(bu)同(tong)框架、不(bu)同(tong)的(de)(de)(de)(de)計(ji)算平(ping)(ping)臺以及不(bu)同(tong)的(de)(de)(de)(de)應用場(chang)景(jing)。在(zai)這種(zhong)碎(sui)片化的(de)(de)(de)(de)場(chang)景(jing)，開(kai)發者如(ru)何擁有(you)一個(ge)更(geng)好的(de)(de)(de)(de)開(kai)發工具，能利用這個(ge)工具找到最(zui)適宜(yi)的(de)(de)(de)(de)使(shi)用場(chang)景(jing)的(de)(de)(de)(de)關鍵(jian)API也好、適宜(yi)的(de)(de)(de)(de)硬件平(ping)(ping)臺也好，可以讓想法(fa)快(kuai)速落地。這些開(kai)發工具也是一個(ge)很大的(de)(de)(de)(de)挑戰。
我們(men)看(kan)到百度推(tui)(tui)出(chu)了(le)PaddlePaddle，英特爾推(tui)(tui)出(chu)了(le)OpenVINO，通過這樣一些工(gong)具的結(jie)合，能夠讓開(kai)發(fa)者從構(gou)建、優化到最(zui)后的部署都有一整套的開(kai)發(fa)工(gong)具，幫(bang)助其(qi)更快實現(xian)想法的落地(di)。
三是生態(tai)方面的(de)(de)挑戰。AI是一種技(ji)術，但從(cong)最(zui)終用戶的(de)(de)角度來看，能夠體驗到的(de)(de)是服(fu)務。所有的(de)(de)服(fu)務都(dou)不是依靠單(dan)一的(de)(de)技(ji)術來支撐(cheng)的(de)(de)，而是一系列(lie)技(ji)術的(de)(de)結合，以(yi)及(ji)一系列(lie)平臺的(de)(de)支撐(cheng)。
所以就需要在整個AIoT產業鏈的各個環節，包括開發者、服務提供商、芯片提供商以及硬件的OEM、ODM，以及軟件的ISV等等，大家一起合作，來構建一個完整的服務平臺。通過這(zhe)樣一個服務平臺，使得最終(zhong)用戶切(qie)身(shen)感(gan)受(shou)到基于AI的這(zhe)種應景、實時的服務。但是，如何構建(jian)這(zhe)樣一個產業(ye)鏈，打通產業(ye)鏈的各個環節，這(zhe)存在很(hen)大(da)的挑(tiao)戰。
AI芯片落地需要生態圈合力
《科創板日報》：目前AI芯片初創公司的產品(pin)落(luo)地(di)難點(dian)，是否(fou)也在生態上？
張宇：一方面由于AI芯片的研發投入很大，比如芯片流片的成本很高；另一方面在于生態系統。因為芯片光有硬件不行，要有軟件，還需要與應用結合起來。AI芯片落地不可能只依靠一家公司來完成，需要生態圈一起合力。
比如(ru)做芯片的(de)企業，需要(yao)軟件(jian)伙伴來幫其做軟件(jian)解決方(fang)案、軟件(jian)工具，從而配合硬件(jian)一起推給用戶，這是產(chan)業鏈協同來完成(cheng)的(de)，光靠一家很(hen)難做成(cheng)。
《科創板日報》：你看(kan)到的AIoT當下(xia)有哪(na)些應用場(chang)景？
張(zhang)宇：其實這方面的(de)應(ying)用很多，總的(de)來說可以分(fen)為(wei)兩大(da)類，一類是2B的(de)應(ying)用，一類是2C的(de)應(ying)用。
在(zai)2C的應用方(fang)面，像手機上的美顏，或(huo)者大(da)家在(zai)購物的時候，電商(shang)平臺(tai)會給(gei)你主動推送可能需要、也可能不需要的商(shang)品，其實這些(xie)都是人工智能技(ji)術的應用。
包(bao)括最近熱門的元宇宙，其實AR/VR只是元宇宙的入口，但AR/VR背(bei)后所展現的內(nei)容，實際上(shang)(shang)也(ye)需要(yao)AI技術(shu)的支撐。通過AI技術(shu)來感知(zhi)用戶需要(yao)什么樣的信息(xi)，然后把這些信息(xi)進行匯(hui)總、處理以及分析，最終(zhong)讓結果呈現在AR/VR的設(she)備之(zhi)上(shang)(shang)。
在(zai)(zai)2B方(fang)面(mian)，我們看到(dao)AI在(zai)(zai)智能制造領域得到(dao)了越來(lai)越廣泛的應(ying)用(yong)。比如(ru)在(zai)(zai)邊(bian)緣端，可(ke)以進行AI缺陷監(jian)測(ce)，及時在(zai)(zai)生(sheng)產線上(shang)發現有(you)瑕(xia)疵的半(ban)成品，并第一時間(jian)剔(ti)除出(chu)來(lai)。這樣(yang)，一方(fang)面(mian)幫助企業提高生(sheng)產效率，另一方(fang)面(mian)也為碳(tan)中和、碳(tan)達峰在(zai)(zai)做相(xiang)應(ying)的貢獻，這些都是AI在(zai)(zai)2B的場景里的具體(ti)應(ying)用(yong)。
《科創(chuang)板日報》：2B和2C在要求(qiu)上有哪些不同(tong)？
張宇(yu)：2B與2C最大(da)的(de)(de)(de)區別在于，2B對準確(que)度的(de)(de)(de)要求很高。舉個例子(zi)，個人手(shou)機上使用的(de)(de)(de)智能美顏(yan)功能，即使美顏(yan)出錯了也(ye)無傷大(da)雅。而2B業務如果(guo)出了錯，會導致成本消(xiao)耗、產品的(de)(de)(de)損失(shi)。此外，B端的(de)(de)(de)應用場景也(ye)更復雜(za)。
比(bi)如， 2021年我(wo)們在奧迪的一家德(de)國工廠(chang)落地人(ren)工智能。那家工廠(chang)里有(you)(you)2500臺(tai)機器(qi)人(ren)，其(qi)中有(you)(you)1000臺(tai)是焊接機器(qi)人(ren)，均用于(yu)奧迪的汽車制造。
一(yi)輛汽車有多達5000個(ge)焊點。奧迪通(tong)(tong)過焊接機器人(ren)來分析每一(yi)個(ge)焊點的(de)質(zhi)量(liang)，包(bao)括通(tong)(tong)過的(de)電(dian)流(liu)情況、焊槍的(de)位(wei)置等等。把這(zhe)些信(xin)息綜合(he)起來，判斷當前焊點的(de)質(zhi)量(liang)是好、還是不好，這(zhe)里是利用了(le)一(yi)整套人(ren)工(gong)智能(neng)的(de)算法(fa)來完成的(de)。
可以(yi)想象，如果5000個(ge)焊(han)點里只(zhi)要(yao)有一(yi)個(ge)出錯，那么這輛(liang)車就廢(fei)了。所以(yi)B端要(yao)求(qiu)跟C端是不同的(de)，而且算法更(geng)難，所使用(yong)的(de)參數會(hui)更(geng)多。
底層架構與數據能力提升是關鍵
《科(ke)創板日報》：人工智能的(de)概(gai)念(nian)最早(zao)在五、六十年代(dai)就已提出，目(mu)前經過(guo)了三輪浪潮的(de)發展(zhan)，您認為(wei)影響其發展(zhan)的(de)要素有(you)哪些？
張宇：我(wo)們今天雖(sui)然談的更多(duo)的是(shi)AI本身，但(dan)是(shi)AI實(shi)現的背后離不開(kai)(kai)計算，也離不開(kai)(kai)數據(ju)(ju)(ju)，而數據(ju)(ju)(ju)的獲取離不開(kai)(kai)數據(ju)(ju)(ju)的傳輸和(he)數據(ju)(ju)(ju)的存(cun)儲。
從(cong)AI的(de)發展來看(kan)，目前(qian)這(zhe)一輪人工(gong)(gong)智能(neng)高(gao)潮的(de)起點是(shi)2012年。上一輪人工(gong)(gong)智能(neng)的(de)高(gao)潮是(shi)上世(shi)紀(ji)90年代。如(ru)果我(wo)們把上世(shi)紀(ji)90年代的(de)技術和這(zhe)一輪的(de)技術做對比的(de)話，可以(yi)看(kan)到，不管計算也好，通訊也好，存儲也好，三者的(de)能(neng)力超過百萬倍以(yi)上的(de)提升。
所(suo)以，卷積神(shen)經網絡是推動人工智(zhi)能發展(zhan)最關鍵的要(yao)素(su)嗎(ma)？我認(ren)為(wei)并不是。
因為在上世紀90年代，卷積神經網絡就已經出現。當時，人工智能三巨頭之一LeCun，在貝爾實驗室工作的時候，設計了卷積神經網絡來做OCR的處理。這并不是一個新的技術。和上世紀90年代相比，真正推動本輪人工智能高速發展的，由于這些底層基礎架構、數據能力方面的提升。
當然(ran)，英特爾也在(zai)(zai)其中扮演了(le)一個很重(zhong)要的(de)(de)角(jiao)色。在(zai)(zai)2021年(nian)(nian)的(de)(de)下半年(nian)(nian)剛剛頒(ban)布(bu)的(de)(de)全球(qiu)超(chao)級(ji)(ji)計(ji)算(suan)機500強(qiang)的(de)(de)榜單當中，有(you)80%以上的(de)(de)超(chao)級(ji)(ji)計(ji)算(suan)機使用的(de)(de)是英特爾的(de)(de)產品。我們希望(wang)幫助(zhu)用戶搭建一個端(duan)(duan)到端(duan)(duan)、帶有(you)AI能(neng)力的(de)(de)訓練和推(tui)理的(de)(de)平臺，能(neng)夠涵(han)蓋數據從采集(ji)、計(ji)算(suan)、存儲、傳輸(shu)的(de)(de)所有(you)流程，來(lai)推(tui)動人工(gong)智能(neng)的(de)(de)應用更快落地。
