观察 | 产业实践加速人工

产经扫描 | 产业实践加速人工智能发展

摘要：当前，我国人工智能发展迅猛，人才、资金和技术高度汇集，但真正将高新技术转化为应用成果的比例偏低，产业实践不足问题突出。本文创新性地分析了人工智能的应用特点、产业实践不足表现及原因，提出提升产业实践水平的对策、建议，并结合具体人工智能技术提出了重点发展产业领域。

关键词：人工智能；产业实践；关键领域

[出自:jiwo.org]

2017年3月，“人工智能”首次被写进《政府工作报告》；7月，国务院发布《新一代人工智能发展规划》，人工智能发展上升至国家战略；2018年10月31日，中共中央政治局专门就“人工智能发展现状和趋势”举行第九次集体学习，这是中央最高领导层首次专门以人工智能为学习主题。在这样的历史条件下，如何以产业实践推动人工智能快速发展，成为摆在我们面前的重要课题。

一、人工智能及其发展

从广义上讲，人工智能是人类赋予机器以自主行动能力的行为，它不是一个固有或先验的学科分支，其跨学科属性决定了它并不能被单一学术体系或科学技术所完全囊括。清华大学人工智能研究院院长张钹院士认为，“智能”包含三个成分：perceive（感知）、rational thinking（理性思考） 和 taking action（采取行动），人工智能技术就是一个智能体通过感知周围的环境，进行思考并采取行动来最大化实现某些目的的方法[1]。 

1.我国人工智能的发展历程

我国人工智能起步较晚，1978年改革开放后，著名数学家、中科院院士吴文俊提出利用机器证明与发现“几何定理机器证明”；1981年我国人工智能学会（CAAI）成立；进入21世纪后，国家以部委课题等形式进行了更多的人工智能研究。近几年，我国陆续发布了《中国制造2025》《机器人产业发展规划（2016-2020年）》《“互联网+”人工智能三年行动实施方案》和《新一代人工智能发展规划》等文件，并先后承办了世界人工智能大会、世界机器人大会等国际会议。清华大学等国内知名高校纷纷成立人工智能研究机构，制订相关课程和研究方向。2017年，我国人工智能市场规模达237.4亿元，同比2016年增长了67%；截至2017年底，我国约超过20万名科技人员从事人工智能相关领域研究与应用。《新一代人工智能发展规划》中预计，到2020年我国人工智能总体技术和应用与世界先进水平同步，2020年、2025年和2030年人工智能核心产业规模预计分别超过1500亿元、4000亿元和1万亿元，带动相关产业规模分别超过1万亿元、5万亿元和10万亿元[2]。 

2.国际比较

全球视野下，人工智能技术仍在加速发展。目前，美中两国是人工智能发展的领跑者，综合实力美国稳居第一，日本、英国和加拿大等国也处在人工智能高速发展阶段。与美国相比，我国更加关注专用领域，创新活力相对明显，美国更加注重基础研究，产业培植较为深厚。人才方面，我国杰出人才数量仅为美国28536人的29.83%；论文和专利方面，截至2017年底，我国人工智能论文总数达到36.96万篇，论文和专利数均超过美国，位列世界第一，但学科分布全面性、被引用次数和科技含量尚不及美国。企业数量方面，截至2018年6月，全球监测到人工智能企业共4925家，美国拥有2028家，我国（不含港澳台）拥有1011家，中美两国的人工智能企业总数超过全世界人工智能企业总数的60%，其中，北京是全世界人工智能企业最多的城市，共有395家。人工智能领域投融资方面，2017年全球总规模达395亿美元，融资事件1208笔，我国投融资规模达277亿美元，融资事件为369笔，分别占总数的70%和31%，明显高于美国和其他国家，表现出我国资本市场对人工智能的高度关注[3]。 

二、主要问题

1.问题表现

（1）用力过于集中。从架构上看，人工智能技术可以分为基础层、技术层和应用层。其中基础层是人工智能的核心业态支撑，技术层是人工智能的关联业态，应用层是人工智能的实践外延业态，这三个层次主要包括芯片、算法、智能工业机器人、无人机、语音语义识别、计算机视觉、深度学习和智能硬件等。2017年人工智能领域投融资规模显示，语音语义、计算机视觉市场规模较大，分别为108.7亿元和82.8亿元，占比分别达到45.8%和34.9%，总和占比超过80%，自2015年以来，我国人工智能在汉字识别、语音识别和计算机视觉技术方面世界领先，但在其他细分领域，与国外相比差距明显，特别是芯片、工业机器人、GPU和深度学习算法等关键技术发展较为滞后。

（2）应用偏离场景。有些人工智能企业选择的研发方向无法获得充足的产业实践机会，实际上，我国人工智能科研机构研究与企业实践存在一定程度的脱离，企业往往陷入实践型人才难求的境地。由于研发人员难以与应用端的实践相结合，或者苦于应用场景下数据匮乏、无法数字化等因素制约[4]。如航空智能制造领域，一些老机型甚至没有数模资料，仅有图纸，人工智能技术“巧妇难为无米之炊”，再或者一些军工等涉密领域，准入门槛较高，不能深入场景提供智能化解决方案。目前，我国人工智能的应用领域多处于专用阶段，如人脸识别、视频监控和语音识别等都主要用于完成具体任务，覆盖范围有限，产业化程度有待提高。

（3）技术缺少硬度。部分人工智能企业对于研究和落地方向不确定，没有深入调研市场需求和可介入的应用场景，剑走偏锋、求奇求特，单纯追求研发的“高精尖”，盲目确定研发方向。按照科技部火炬中心《2016中国独角兽企业发展报告》确定的我国人工智能独角兽企业标准（一般估值10亿美元以上），截至2016年底，美国和我国是“独角兽”企业分布最多的两个国家，分别为137家和63家，从两国独角兽企业的数量上可以看出，我国人工智能技术的硬度相比美国有明显差距。

（4）区域发展失衡。截至2017年底，全国88%的人工智能企业聚集在北京、上海、广东和江苏。其中，北京人工智能企业最多，占比39.66%；其次是上海，占比21.55%；位列第三的是广东，占比15.52%。部分地区的人工智能发展方向趋同，产业实践同质，形式化问题严重，缺少地域间错峰产业实践的统筹规划和差异化的产业布局，老少边穷地区基础更加薄弱，无法有效提供产业实践机会，加之缺乏吸引人才的手段和资金支持，没能在区域统筹中充分发挥人工智能辐射行业多、撬动能力强的优势。

2.成因分析

（1）基础因素。我国开展人工智能研究起步晚、起点低，在实现跨越式发展的同时，必须面对科研基础和产业基础双薄弱的现实，人工智能是多学科的综合应用，其发展水平受限于各基础学科发展水平，人工智能产业基础参差不齐。部分产业从手工阶段直接进入智能阶段，跨越了自动化和数字化历程，甚至有些产业刚刚兴起，从无到有、从零开始，数据汇集和产业基础不完整[5]。

（2）资本因素。近年来，创新投资的兴起有效推动了人工智能的发展。由于资本追求投资收益，有退出机制和变现压力，使得在深度产业实践和融合上耐心不够，为抢占市场先机，引导或迫使人工智能企业在产业实践基础不牢的情况下以“摊大饼”的方式盲目扩张。对有需求、变现快的行业更为推崇，对产业基础差、实践周期长的领域反应冷淡。一些人工智能企业和个别地方政府缺乏远大眼光，追求短期的经济效益，期望1-2年内获得明显的经济回报，致使很大一部分人工智能创业企业急功近利、底气不足，遇到资金和产业瓶颈时难以维系。

（3）政策因素。产业实践政策的导向不够明确、缺乏目标规划，政策层面更关注如何提供软环境，缺少应用关注和产业对接，行业指导缺失，鼓励创新创业深入发展的有效举措不多，如技术加场景的合作模式中有许多是高校和企业对接，开展专项课题研究，由于高校教师更关注理论研究成果以及课题经费有限、企业方数据信息不开放等原因，导致课题研究浮于表面，结合实际少、深入一线少，大多只进行了入门级技术探索，蜻蜓点水、浅尝辄止，科技成果转化率低。

（4）监管因素。如果说当前人工智能发展引导政策注重正面保障和推动产业实践，那么监督管理则应更多体现在反面的纠偏和督促机制上。假冒“高新技术”企业是人工智能领域的典型问题，为此，科技部、财政部与国家税务局于2016年联合发布了《高新技术企业认定管理办法》，使得没有产业实践就想“冒名顶替”的情况得到遏制。除此之外，对投资资金使用、课题成果验证等方面也要提高监管强度，细化监管措施。

3.重要性和影响

（1）不能错失发展重要窗口期。世界人工智能发展并非一帆风顺，而是经历了提出原理-理解-怀疑-深化-瓶颈-认知的多重阶段，与很多影响人类发展进程的重要技术革命一样，处在螺旋式上升的过程中。当前，正是对人工智能全面深入认知的关键时间节点，而这一节点的显著特征就是产业实践。2015年以来，随着云计算、大数据和物联网等关键软硬件技术的快速发展，极大地推动了各类场景的数字化和信息化，为人工智能进行深入产业实践创造了有利环境，形成发展的重要窗口期，错失这个窗口期，极有可能延误历史机遇，甚至丧失可持续发展的主动权。

（2）影响产业转型升级。我国产业转型升级的重要方向就是在新发展理念统领下，以科技创新为引导，强调调整产业结构和发展方式。人工智能是引领转型的关键抓手和搭建新型供给侧结构的重要一环，如中央提出的军民融合战略，为破解军工产业落后产能与刚需激增的矛盾，迫切需要人工智能企业与军工产业场景深度融合，以智能工业机器人代替人工，实现跨界融合发展。

（3）丧失创新创业活力。全国知名科研院所和高校中，有相当一批科研人员和师生受到大众创业、万众创新的政策鼓舞投身到双创事业中，如果没有产业实践赋予其新动能，将极大地挫伤双创人员的积极性。同时，以人工智能为代表的创新产业，汇集了大量的国有和民间资本，特别是在2018年春季之前的2年左右，数额巨大的创投基金冲入人工智能及其衍生领域，如果一波又一波的人工智能创新企业因无法通过产业实践实现产业应用，而出现违约潮、回购潮，不但激增各类资金的系统风险，也将直接导致一大批创业企业无法盈利而难以生存，社会总成本也将大大增加。

三、对策与建议

要扭转不利局面，彻底打通人工智能“产业+实践”的“任督二脉”，就要以产业链倒排的方法和决心，将产业实践提升到关乎人工智能革命成败的高度，坚决打造从研发到应用的闭环。

1.政策引领

我国虽已出台了《新一代人工智能发展规划》等一系列与人工智能相关的发展规划，但是专门推动人工智能产业实践的具体引导性政策还少之又少。除了国家层面制定的人工智能宏观政策战略部署要得当之外，各地区、各部门战术层面的路径也有待深化设计。如协调制订不同地区人工智能产业布局，不但要有全局蓝图，更要有结合地区、行业及研发生态等的局部规划，避免出现重复建设的情况。要建立宏观、中观、微观上下贯通的产业实践体系，抓实施细则、讲落地实效，特别要着力保护人工智能创业企业，拉长风险预警周期，减少风险边界条件。特别是在顶层技术研发政策方面，可借鉴美国科研顶层统筹的经验，成立人工智能技术国家级实验室，并设立行业分支二级实验室。同时，还要多研究具体应用场景下产业实践的准入政策，降低企业研发成果转化成本，推进人工智能与实体经济深度融合。

2.产业优先

（1）有效构建行业上下游技术语境和数据结构，打牢产业升级的基础。鼓励传统行业企业，特别是国有企业，成立人工智能事业部，对应用实践核心部门，在合理范围内积极开放工作场景及数据源代码，打通行业企业内部人工智能技术输入和输出路径，推动战略性新兴产业实现人工智能技术整体突破。鼓励成立细分行业产业基金，以行业发展收益反哺人工智能企业。

（2）积极探索行业企业与人工智能企业间技术共同持有、收益共同分享的合作机制。增加人工智能技术的容错空间，保障人工智能企业作为行业后入主体的合法权益，避免出现人工智能企业间恶性竞争。

3.聚焦重点

（1）基础类重点关注芯片技术。作为人工智能应用实现的物理基础和关键支撑，芯片是数据计算能力的核心体现。从技术特点、基本测试和发展路线等方面看，我国高精尖芯片研发水平仍相当薄弱，建议下一步的研发方向从云侧、边缘和终端设备等不同实践场景中提出需求，按照应用工况条件，提升动态计算精度、内存耗能和响应速度，重点关注体积、成本和算法架构。

（2）技术类重点关注视觉识别。视觉识别是目前人工智能关注度较高的领域，视觉技术对基础层和应用层上下游具有通用性，它既是基础类海量场景数据的最好提供者和产业实践较为充分的技术开发方向，又是算法用于工程化以便提供硬件产品的最好选择，可在智能制造等方向加强应用。重点行业应用视觉技术效果突出，特别是城市安防的“刚需”特征，使得商业价值和科研价值兼备，人工智能企业优劣之分应体现在是否有更加卓越的实战能力。 

（3）应用类重点关注智能工业机器人。智能工业机器人是应用类人工智能的尖端产品，是各类人工智能技术的集大成者。机器人技术既需要芯片和算法的底层支持，还需要视觉识别和传感器等综合技术应用，最为关键的是机器人专注于工业实践场景，取代人类繁重重复的体力劳动是不可逆转的发展趋势。应用机器学习技术分析处理现场数据，提升人工智能条件下人机协作水平，增强人工智能企业和用户企业间协作研发的设计与生产能力，提高对用户需求特征的深度学习和分析能力。智能装备、智能工厂和智能服务是人工智能机器人的系统组成。目前，国内真正依靠人工智能技术切入工业应用场景的创新企业并不多，如在飞机装配领域，大多数人工智能企业由于无法获取核心数据资料，甚至不能近距离了解需求，导致很难研发出解决工人真实工作中技术问题的智能装备，并尽快摘取工业机器人这颗人工智能皇冠上的宝石。