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(tai)，是(shi)通往(wang) “萬物智聯”、“人機深度”的(de)必(bi)經之路(lu)。
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(li)不開AIoT技術的支撐，被稱為是“連接實體與虛擬世界(jie)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(zhi)能工廠(chang)、智(zhi)能交通、智(zhi)慧礦山等(deng)有望(wang)加(jia)速落(luo)地，推動(dong)ICT新基(ji)建規模落(luo)地。 但在這一(yi)輪AIoT的(de)繁榮浪潮背后，對(dui)于(yu)其發(fa)展(zhan)前景的(de)質疑聲也不絕(jue)于(yu)耳。尤其是(shi)在AI產業化方面(mian)，依然存在諸多瓶頸(jing)。
近日(ri)，英特爾物聯(lian)網視頻(pin)事(shi)業(ye)部全球首席技術(shu)官(guan)、物聯(lian)網事(shi)業(ye)部中國區首席技術(shu)官(guan)張宇博士接受《科(ke)創板日(ri)報》采訪，暢談了對AIoT以及人(ren)工智能(neng)發展(zhan)的思考。
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。所有的(de)(de)(de)服務都不是依靠單一(yi)的(de)(de)(de)技(ji)術(shu)來支撐(cheng)(cheng)的(de)(de)(de)，而是一(yi)系列技(ji)術(shu)的(de)(de)(de)結合，以及一(yi)系列平(ping)臺(tai)的(de)(de)(de)支撐(cheng)(cheng)。
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(tong)過(guo)AI技術來感知(zhi)用(yong)戶需(xu)要什么樣的信(xin)息，然后把(ba)這些信(xin)息進行匯總、處理以及分析(xi)，最終讓結果呈現在AR/VR的設備(bei)之(zhi)上(shang)。
以下為(wei)《科創板日報(bao)》整(zheng)理的(de)專訪實錄(lu)：
當下的AI：50%人工 VS 50%智能
《科創板日報》：您如何看待人(ren)工智(zhi)能與(yu)物聯網(wang)的結合？
張宇：我覺得AI與IoT的(de)結合分為三(san)個階段(duan)：
第一(yi)個階(jie)段是AI技術在(zai)邊緣側、在(zai)推(tui)理(li)階(jie)段率先應用。在(zai)這個階(jie)段還(huan)需要大量(liang)的(de)數據中(zhong)心能力，來幫助我們訓練人工智能的(de)網絡模型，把推(tui)理(li)結果(guo)推(tui)送到前端進行使用。
第二個階段(duan)是邊(bian)緣訓練階段(duan)。如果始終利用數據中心進(jin)行模(mo)型(xing)訓練，不(bu)可(ke)避免地會造(zao)成訓練時間比較長，模(mo)型(xing)更新頻率比較慢。
隨著物聯網的(de)發展(zhan)，以及數字化轉型的(de)推(tui)進，及時(shi)地、在(zai)更短的(de)時(shi)間得到一個網絡(luo)模型更新(xin)(xin)(xin)的(de)需求，會(hui)越來(lai)越強。所(suo)以我們認(ren)為，日后訓(xun)練工作會(hui)慢(man)慢(man)從數據中(zhong)心遷移到邊緣(yuan)。在(zai)邊緣(yuan)可(ke)以利(li)(li)用(yong)動態采集到的(de)新(xin)(xin)(xin)數據，來(lai)進行(xing)模型的(de)二次(ci)更新(xin)(xin)(xin)，利(li)(li)用(yong)更新(xin)(xin)(xin)的(de)結(jie)果來(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)板日報》：當下(xia)，人(ren)工智能還是(shi)脫離(li)不了人(ren)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(ba)這個模型運用到最(zui)終的推理過程中。
從今(jin)后的(de)發展來(lai)看，尤其在數(shu)字化轉(zhuan)型中，越(yue)來(lai)越(yue)需(xu)要這種(zhong)能夠感知(zhi)人類意(yi)圖的(de)機器。它們可以根據使用(yong)者(zhe)、最(zui)終用(yong)戶的(de)意(yi)圖來(lai)主動(dong)地自我(wo)調配，選擇適宜的(de)網絡模(mo)型、數(shu)據結構，從而(er)得到最(zui)適宜處理當前場景的(de)模(mo)型，并把模(mo)型發送(song)到前端來(lai)進(jin)行相應(ying)的(de)工(gong)作。
AI本身是技術 用戶體驗到的是服務
《科創板(ban)日報(bao)》：當下我們(men)處于AIoT發(fa)展的哪(na)個階段？
張宇：暫時還處于第一(yi)階(jie)段，對第二(er)階(jie)段還在探索中。因為算力和數(shu)據(ju)是兩大挑(tiao)戰。比如在物聯(lian)網的邊(bian)緣端，如何來(lai)標注數(shu)據(ju)，是亟待(dai)解決的。
《科創板(ban)日報》：能否具體談談AIoT落地的(de)挑戰？
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(di)二，現(xian)在有越(yue)來(lai)越(yue)多AI的(de)不(bu)(bu)同(tong)(tong)框架、不(bu)(bu)同(tong)(tong)的(de)計(ji)算平臺以(yi)及不(bu)(bu)同(tong)(tong)的(de)應用(yong)(yong)場(chang)景(jing)。在這(zhe)種碎片化的(de)場(chang)景(jing)，開發者如何擁有一個更(geng)好(hao)的(de)開發工(gong)具，能利用(yong)(yong)這(zhe)個工(gong)具找到最(zui)適(shi)宜的(de)使用(yong)(yong)場(chang)景(jing)的(de)關鍵API也(ye)好(hao)、適(shi)宜的(de)硬(ying)件平臺也(ye)好(hao)，可以(yi)讓想(xiang)法快速落地。這(zhe)些開發工(gong)具也(ye)是一個很(hen)大(da)的(de)挑戰。
我們看到百度推出了(le)PaddlePaddle，英特(te)爾推出了(le)OpenVINO，通過這樣一些工(gong)具的(de)(de)結合，能夠讓開發者(zhe)從(cong)構建(jian)、優化到最(zui)后(hou)的(de)(de)部署都(dou)有一整(zheng)套的(de)(de)開發工(gong)具，幫助其更快實現想法的(de)(de)落地。
三是(shi)生態方(fang)面的(de)(de)(de)挑戰。AI是(shi)一(yi)種(zhong)技術(shu)，但從最終用戶(hu)的(de)(de)(de)角度來看，能夠體驗到的(de)(de)(de)是(shi)服務(wu)。所(suo)有(you)的(de)(de)(de)服務(wu)都不是(shi)依靠單一(yi)的(de)(de)(de)技術(shu)來支撐的(de)(de)(de)，而是(shi)一(yi)系列技術(shu)的(de)(de)(de)結合，以及(ji)一(yi)系列平臺的(de)(de)(de)支撐。
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。通過這樣一個(ge)服(fu)務平臺，使得(de)最終用戶切身感受到基于(yu)AI的(de)(de)這種(zhong)應景(jing)、實(shi)時的(de)(de)服(fu)務。但(dan)是(shi)，如(ru)何構建這樣一個(ge)產業鏈，打通產業鏈的(de)(de)各個(ge)環節(jie)，這存在很大的(de)(de)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落地難點，是否也在(zai)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。
比如做(zuo)(zuo)芯片的(de)企業(ye)，需要軟件伙伴來幫其做(zuo)(zuo)軟件解決方(fang)案、軟件工具，從而配合硬件一起推給(gei)用戶，這是產業(ye)鏈協同(tong)來完成的(de)，光靠一家很難做(zuo)(zuo)成。
《科(ke)創(chuang)板(ban)日報》：你(ni)看到(dao)的AIoT當(dang)下有哪(na)些應用場景(jing)？
張宇：其實這方面的(de)應(ying)用很多，總的(de)來說可以分為兩(liang)大類(lei)，一類(lei)是(shi)2B的(de)應(ying)用，一類(lei)是(shi)2C的(de)應(ying)用。
在(zai)2C的(de)(de)應(ying)用(yong)方面，像(xiang)手(shou)機上的(de)(de)美顏，或者大家在(zai)購物的(de)(de)時(shi)候，電商平(ping)臺會給(gei)你(ni)主動推送可能(neng)需要、也可能(neng)不需要的(de)(de)商品，其實這些都是(shi)人工智能(neng)技術的(de)(de)應(ying)用(yong)。
包括(kuo)最近熱門的元宇(yu)宙，其(qi)實(shi)AR/VR只是元宇(yu)宙的入口(kou)，但AR/VR背后所(suo)展現的內容，實(shi)際上(shang)也需要AI技術(shu)的支撐。通過AI技術(shu)來感知用(yong)戶(hu)需要什么樣的信息，然后把這些信息進行匯(hui)總、處理以及分析，最終讓結果呈現在AR/VR的設備(bei)之上(shang)。
在2B方(fang)面(mian)(mian)(mian)，我們看到AI在智能(neng)制造領域得到了越來越廣泛(fan)的應用(yong)(yong)。比如(ru)在邊緣端，可(ke)以進行AI缺陷監測，及時(shi)在生產線上發現有瑕疵(ci)的半成品，并(bing)第(di)一時(shi)間剔除出來。這樣，一方(fang)面(mian)(mian)(mian)幫助企業提高生產效率，另一方(fang)面(mian)(mian)(mian)也為碳中(zhong)和、碳達峰在做相應的貢獻，這些都是AI在2B的場景里的具(ju)體(ti)應用(yong)(yong)。
《科創板(ban)日報》：2B和(he)2C在要(yao)求(qiu)上有(you)哪些(xie)不(bu)同？
張宇：2B與2C最大的(de)區別在(zai)于(yu)，2B對準確(que)度(du)的(de)要求很高(gao)。舉個(ge)例子，個(ge)人(ren)手機上使用的(de)智能美顏功能，即(ji)使美顏出錯了(le)也無傷大雅。而2B業務(wu)如果出了(le)錯，會導(dao)致(zhi)成本消耗、產品的(de)損失。此外(wai)，B端的(de)應用場景也更(geng)復(fu)雜。
比如， 2021年我們在奧(ao)迪的(de)一家(jia)德國工廠落(luo)地人工智能。那家(jia)工廠里(li)有(you)2500臺機器(qi)人，其中有(you)1000臺是焊(han)接機器(qi)人，均(jun)用(yong)于奧(ao)迪的(de)汽車制(zhi)造。
一輛(liang)汽車有多(duo)達(da)5000個焊(han)點(dian)(dian)。奧迪(di)通過焊(han)接機器(qi)人(ren)來(lai)分析每一個焊(han)點(dian)(dian)的(de)(de)質量，包括通過的(de)(de)電(dian)流情(qing)況、焊(han)槍的(de)(de)位置(zhi)等等。把這些信息綜合(he)起來(lai)，判斷當前焊(han)點(dian)(dian)的(de)(de)質量是(shi)好、還(huan)是(shi)不(bu)好，這里是(shi)利(li)用了一整(zheng)套人(ren)工智(zhi)能的(de)(de)算法來(lai)完(wan)成的(de)(de)。
可以想象，如果5000個焊(han)點里只(zhi)要有一個出錯，那么這輛車就廢了。所以B端要求(qiu)跟C端是(shi)不(bu)同的(de)(de)，而且算法(fa)更(geng)難，所使用的(de)(de)參數(shu)會更(geng)多。
底層架構與數據能力提升是關鍵
《科創板日報》：人(ren)工智能的(de)概(gai)念(nian)最早在(zai)五、六十年代就(jiu)已(yi)提出，目前(qian)經(jing)過(guo)了三輪浪潮的(de)發展，您認為(wei)影(ying)響(xiang)其發展的(de)要素有哪些？
張宇：我們(men)今天雖然談的(de)(de)更多(duo)的(de)(de)是AI本(ben)身，但(dan)是AI實(shi)現的(de)(de)背后離(li)不開計算，也(ye)離(li)不開數(shu)據(ju)，而數(shu)據(ju)的(de)(de)獲(huo)取離(li)不開數(shu)據(ju)的(de)(de)傳輸和(he)數(shu)據(ju)的(de)(de)存儲。
從AI的(de)(de)發展來看，目(mu)前這一(yi)輪人工(gong)智(zhi)能(neng)高(gao)(gao)潮的(de)(de)起點是2012年。上一(yi)輪人工(gong)智(zhi)能(neng)的(de)(de)高(gao)(gao)潮是上世紀90年代(dai)(dai)。如果我(wo)們(men)把上世紀90年代(dai)(dai)的(de)(de)技(ji)術和這一(yi)輪的(de)(de)技(ji)術做對比的(de)(de)話，可以(yi)看到(dao)，不管計(ji)算也好，通訊也好，存儲也好，三者的(de)(de)能(neng)力超過百萬倍(bei)以(yi)上的(de)(de)提升。
所以，卷(juan)積神經(jing)網絡(luo)是(shi)推動人工智能發(fa)展最關(guan)鍵的要素(su)嗎？我認為(wei)并(bing)不是(shi)。
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，英特(te)爾也在(zai)其中(zhong)扮(ban)演了一個很重(zhong)要的(de)(de)角色。在(zai)2021年的(de)(de)下(xia)半年剛(gang)剛(gang)頒布的(de)(de)全球超(chao)級(ji)計(ji)(ji)算機(ji)500強的(de)(de)榜單當中(zhong)，有80%以上的(de)(de)超(chao)級(ji)計(ji)(ji)算機(ji)使用的(de)(de)是英特(te)爾的(de)(de)產(chan)品。我們希望(wang)幫助用戶(hu)搭建一個端(duan)到端(duan)、帶有AI能(neng)力的(de)(de)訓練和推理(li)的(de)(de)平臺，能(neng)夠涵蓋數據從(cong)采集、計(ji)(ji)算、存儲、傳輸的(de)(de)所有流程，來推動(dong)人工智能(neng)的(de)(de)應用更快落地。
