欧洲科学院院士汉斯：企业为什么更需要人工智能

网易科技讯9月21日消息，由网易新闻和网易科技主办的“2018网易未来科技峰会”之“ALL IN时代”今天在北京举办。欧洲科学院院士、深知无限人工智能研究院院长兼首席科学家汉斯·乌思克尔特（Hans Uszkoreit）发表以“AI for Smarter Enterprises”为主题的演讲，阐述了目前智慧企业的人工智能发展情况，探讨了人工智能能为企业带来什么样的改变的问题。

汉斯谈到人工智能目前发展越来越成熟，已经可以提高企业的工作流程。有很多人认为人工智能很快会代替人类众多工作岗位，但事实是很多国家机器人等发展发达，失业率却比较低。汉斯认为人工智能或将很快取代许多司机、数据录入人员、办公室职员等重复性高的工作，但是人工智能不可能在短期内取代专家，因为他们必须做出很重要的决策，这些决策需要深度的知识、多样化的动态信息和缜密的推理。产品经理、市场研究员、营销专家，医学专家，但这些都是高薪专家，他们的决定具有很高的影响力和价值。他们的决策决定了公司的成败，人工智能可以有效地帮助他们做决策。

汉斯认为对制造业企业最重要的其实是在公司之外的要素。企业需要在数据中汲取大量洞见，目前所有的数据复杂度如此之高已经超过了人类认知的极限。人类大脑在做决定的时候可以获得大量的数据，这些数据不是整理好的，不是系统化输入的，首先要用AI进行解读，企业必须用AI做决定要求有一定的知识背景。“如果我们植入深度学习，再加上比较高级的学习，我们就真的可以做到这点。”

汉斯谈到很多企业目前还没有完全成熟的数据战略，也缺乏反情报和反间谍的防范措施，企业要把数据收集形成中心化措施，要把所有数据聚集在一起，再进行个性应用，最后进行决策。只有建立起来知识图谱，才能认识本身不属于你的专属技术，也可以和世界整个社区进行共享，有机会建立联系，把外部知识和解读与内部企业结合起来。

汉斯认为“企业包括中国企业对人工智能的应用有着迫切的需求和巨大的市场，因为语言的障碍企业无法了解到世界其他公司的发展和情况，为此，我们需要更强的(深度)机器学习和(显性)工业知识的结合。”（孟倩）

以下是演讲全文：

汉斯.乌思克尔特：

大家早上好，我刚才听贾斯汀.卡赛尔的演讲听的真是非常喜欢，她讲了AI到底是什么、AI能为我们做什么，我们应该怎么样将AI掌握在手中。我今天要讲的主题其实和她所说的也是紧密关联的，因为我想讲一讲智慧企业的人工智能，我们都深信人工智能现在已经慢慢成熟，现在已经可以提高我们企业的工作流程，现在已经有几个成功的案例，大家应该已经经常听说这一些案例，就是人工智能如何帮助人类。但是这一些案例其实都不够系统化，所以我希望能够以一个系统化的框架给大家讲一讲，人工智能能为企业在未来带来什么样子的改变。

大家应该都认为人工智能很快就会代替很多人类的就业岗位，那并不意味着人类就要下岗。正相反，在这些机器人自动化发达的国家，他们的失业率反而更低的，但是AI确实会代替司机、数据输入人员还有文职人员、销售人员等一些比较重复性的工作岗位。相信大家也同意！

在近期人工智能是无法代替专家的，这些专家他们需要做非常重要的决策，需要非常深度的知识，多元化动态信息，需要深入仔细地权衡做出的决定。产品经理、市场研究员、营销专家、医学博士、医学专家、投资管理者，像CEO、CMO这一些人都是高薪的人才，他们的决定是有很大的影响力很大的价值。他们的决策可能会决定一个公司的成败，而AI可以有效的帮助这一些专家更好地做决策。

Intelligence翻译成中文的时候可以翻译成情报，也可以翻译成智能。情报比如说情报组织像美国的CIA情报组织。它可以搜集全球活动不同的情报，并把情报汇报给美国政府，这两个用意使用还很广泛。我来举一些制造业的例子，我们的研究方向和我们与德国企业的合作，大多是在制造业领域，所以我先来讲一下智能制造它有几个不同的层级，大家也应该知道，德国是将AI用于制造，因为大家知道了在AI在美国、中国、德国都是非常发达的。有很多大公司阿里巴巴、百度，每个有亚马逊谷歌这样的巨头，而德国这一方面的巨头少一些，但是我们有自己的一个特长，我们是把AI用在制造企业当中，而制造业对于德国是极度重要的。

中国有类似的企业将他们的人工智能输向全世界，在制造业当中实际上是有物理的信息系统，是由物联网相连有很多的感应器还有大量的监测重新调制、配置和监测。同时我们越来越多的使用机器人，还有人和机器之间的协作、还有互动。未来这一现象还将继续的扩大。信息物理系统包括数字双胞胎，它可以是产品，也可以是流程的数字双胞胎，还有灵活的由产品驱动的产品配置还有智能的自动化，还有跟机器的这一种交流甚至还有自然语言的处理，所以其实AI可以用于很多不同流程的一个优化，用来优化改变和重新配置。

那在第二层方面可以在运营上面提供一些服务。这一些服务是跟制造业深度相连，比如说在银行就有和它的核心业务直接相连的应用，比如说智能出行、智能物流、智能楼宇、还有包括节能设施等等。我还想给大家详讲一下第三层级就是说一个公司的知识型业务，为什么讲这个？因为对于制造业企业来讲最重要的并不是生产部分、不是机器部分甚至不是它自己的工人，最重要的要素是在公司之外的是那一些付费的顾客；是竞争者，可能会能够生产出更好的产品把你摧毁的一些竞争者；更便宜的产品，还有包括你的技术提供商还有监管者、媒体。这些要素将会影响你的销量、你的供应商，如果他们停止向你们供应原料，你们的生产就会停，还有你服务的合作伙伴这些都是企业之外更重要的要素。你需要从这些数据中慢慢提取一些洞见。这些就是AI发挥的强项地方，因为这些信息的复杂度如此之高，实际上已经超过了任何人类认知的极限。

我刚才也说了对于企业来说是企业外的东西，怎么把这一些东西整合在一起，怎么让AI真正的可以发挥作用呢？大家想一想人类大脑做决定的时候，从世界上从你的这些竞争者、供应商这里获得大量的数据。但这一些数据不是说已经是整理好的数据，不是结构化不是直接可以输入的，大部分是新闻，是社交媒体，是短信，是报告，是文字形式的，他们首先要进行用AI解读，然后才能变成可用的洞见。那企业必须用AI做这一件事的原因是什么？是你必须要求有一定的知识、背景才能从事的，我们现在有能力可以让AI学习这些东西了。我们深度学习再加上高级知识、知识图谱的学习的时候，我们就可以真的做到这一点。

AI无法代替大脑但是它可以处理所有的新闻处理，前期处理方面，也就是处理情报的部分是他们可以做的。那在公司内部当你获得数据，加上你已有的这些知识还有包括所有的人力资源、所有的员工知识。那外部的这些数据对于决策来讲是非常有相关性，它最终会决定了决策成功与否，另外一部分就是今天讲的非常强大的企业智能，他们有结构化的数据，但是大多数外部的数据我们看到它都是文本、图像、还有多媒体这一些非结构化的数据。每一个企业当中都有很多大脑同时在做决策，当然像市场研究者、还有供应商等等现在已经通过互联网还有其他的信息处理数据获取资讯，现在是一个非常分散的分布式方式，我们现在需要把密度加强，这样你看到一个非常大的企业。它有很多业务遍布全球，而且实际上它都是完全重复性的，那他们从外部汲取信息还有处理的这一些流程，实际上都是非常类似，通过这样一种处理它的密度会大大提高，这样做它也有一些劣势，其中一个就是你有很多个数据的获取通路，有各类的外部服务提供商，有的企业完全自己都不知道有多少外部服务提供商，而且他们有一种中心化使用，也就是说这一些资讯没有中心化的学习方式，也没有数据融合的设备，或者多元的机器学习。它还会涉及到不同的过滤和方法，比如这些数据，对于市场研究方法重要的这些数据现在已经被过滤掉了，对于外部供应商的服务而言他们的数据不归任何人所有，那很多企业现在还没有一些非常完整的数据战略，而且他们也缺乏反情报或者反间谍的这样一些安全防范措施。

如果我们想把这些都中心化的话，那要把数据收集都形成中心化的处理方式，对于这些非结构化的数据就需要一个平台把所有的一切都聚在一起，这样你在对他们进行个性的应用。比如说供应链的管理生产数据，还有供应商数据全部都集合在一起，然后再做决策，如果都聚集在一起，你就可以充分的使用机器学习的潜力把整个的总数据进行处理，会出非常强大的一些决策结果。我们在德国做了一个项目是和几个企业还有研究机构一起去做的，而且我们也有DBPedia的基础，我们试图去从外部收集数据，就是从新闻上、从媒体上、从互联网上得到各方面的企业数据，这其实非常不容易。我们主要的一个应用企业是西门子，西门子生产很多不同的产品，他们有19万个一级供应商，这还只是一级供应商的数量，他们还有二级、还有后面的末级供应商有上百万，我们一直在收集这一些数据。现在我们认为，西门子也认为要这样做只有一种合理的方法，那就是要去有些能够去共享的知识，这些不同的功能部门之间要建立知识图谱，也就是对自己的产品供应商还有流程的知识共享，因为如果你使用知识图谱的话，本身不属于你的专署技术，你自己的数据当中没有的这一些技术，你可以去使用，可以去共享你是可以跟世界的整个知识社区去共享。就像类似于DBPedia的这一个系统，这样你就有机会去建立联系。把这一些公允的外部知识，你对外部知识的解读和你自己内部企业的数据结合起来。那对于西门子而言，首先西门子是公开自己的内部这些信息和知识的，同时知识社区也不希望说西门子所有的知识在这里面进行大量的分享，这样会形成很多偏见。所以现在很多这一方面的研究比如说DBPedia现在它本身开始去把很多维基百科变成结构化的知识，这样AI还有机器可以用这一些知识做决策，现在已经有30亿条知识，而且还在不断的去增长。DBPedia它本身也是我们项目的一部分，我们现在知道建立了有架构的结构化的一个知识图谱，从企业的内部数据出发它可以向更多的外部延展，我们开始诠释这一些结构化的数据，现在有非常强大的方式就是深度学习还有其他现在正在发展的技术，当然技术能够去提取大量、海量的文本，能够理解很多文本的信息。但是不能理解全部的信息，这还需要很长一段时间，因为这是需要人类的知识，而且需要知道它的相关信息。比如说话题、还有名字、还有事件、还有情绪、还有意见等等。这一些是非常有必要的，这一些对于决策而言非常关键。比如说客户对于这一款产品本身的意见还有情绪，如果我们知道我们现在寻找的是什么，就能找到它，但是我们首先必须要知道我们找的是什么。

因为现在我们要处理的数据量实在太大了，我们必须要把整个的流程嵌入到一个智能的数据平台当中，我们现在需要这样的一个平台，这个数据处理平台是我们同事参加这一项目是在德国做的，是专门做数据流行型处理的平台。现在关于支持决策和企业智能方面的需求非常之大，中国的企业现在有顾客有竞争对手还有采购商遍布全球，他们通常是不理解其他国家的语言，而且没有办法每天去阅读上百万条的信息，他们应该这样去充分的了解，这是为什么他们需要AI这样的应用程序，应当能够从结构化和非结构化的数据当中去学习，然后去在相应的情景之下去解读作出相应的决策，因为这需要我们更加强深度学习和它表象的相应信息之间的结合。

非常感谢各位的聆听，谢谢。