6月6日，未来·智能·决策——2018品友互动人工智能大会在京举行。知名经济学家李稻葵教授、京东云事业部生态业务万象部负责人杜宇甫、凡普金科创始合伙人兼CEO董祺、商汤科技副总裁柳钢、微软苏州副院长童先明、大数据专家宋星、香港科技大学教授人工智能专家姚远等嘉宾出席本次大会，为业界带来兼具广度和深度的思维碰撞。

人工智能毫无疑问已经成为这个时代的主旋律，即便是一名普通的消费者也已经深切感受到人工智能对生活的影响。

对于人工智能在商业决策领域有怎样的价值与实践意义，5位嘉宾分享了他们的真知灼见，从产学研的多方角度带来洞见。

凡普金科创始合伙人兼CEO董褀分享到，人工智能的接入门槛将会在未来3年内不断降低，企业不需要自身拥有海量的数据和计算能力，也能够获得人工智能带来的益处。而AI也将成为未来企业发展的一个必选项和企业的关键竞争力。

商汤科技副总裁柳钢认为，人工智能将能够在特定领域当中实现快速突破，企业需要从自身所处的商业环境、工业环境和生存环境中选择恰当的角度，去定义特定场景，从而让人工智能可以有的放矢，由点及面的针对性突破并解决问题。

微软苏州副院长童先明谈到，目前，人工智能的应用和开始流程还是比较长的，企业需要经过多次的验证阶段，这也从一个方面导致了大量资源的浪费。未来，人工智能的应用流程会大幅度缩短，行业会积累更多信任，释放更多能力让企业能够利用人工智能改善生产效率，降低成本，提升竞争力。

香港科技大学教授姚远从学术角度谈到，AI领域其实是非常广泛的，对于未来应用AI，一个最关键的问题是如何将商业决策转化为机器所能理解的问题，这种能力将是未来志向于从事人工智能领域的学生和企业所必需有的一种能力。

最后，品友互动创始人兼CEO黄晓南谈到，在人工智能的实践当中，有一个关乎成败的挑战就是定义一个合理的标准。企业在人工智能当中的投入是巨大的，如何评估投资的回报，科学衡量人工智能对企业效益的产出，关乎整个行业应用人工智能的前景。

以下是圆桌讨论实录：

人工智能在未来3年的重大趋势

黄晓南：首先请各位嘉宾介绍下自己，以及与AI的关系。

董褀：大家好，我来自凡普金科，它是一家金融科技公司，主要解决的问题是帮助传统金融机构覆盖不充分的年轻人，为他们提供入门级的信贷产品、理财产品、消费金融、理财规划等。业务背后的主要驱动力是数据和AI技术。

柳钢：大家好，我来自商汤科技，负责商汤科技业务发展和技术的商业化落地。商汤科技是专注在计算机视觉的创业企业，从2014年开始创业，这个月我们完成了公司的C+轮融资，很荣幸被国内外媒体誉为最具价值的人工智能创业企业。

童先明：我来自微软，现在主要在实施一个人工智能的战略，把微软很多人工智能方面的积累和研究落地在中国。我自己也实地了解了很多中国当地企业的需求，想办法帮助他们转型，或通过人工智能提高他们的效率，降低成本，提高竞争力。我们团队比较关注自然语言处理等领域，这也是人工智能的两大应用领域之一，目前还有很多空间去深入探讨和研究。

姚远：我主要在香港科技大学从事教育和科研。因为从事教育行业，我的任务是告诉学生和同事应该如何跟上这样一个迅速变化的人工智能时代，避免被人工智能的虚假信息错误地带走。我认为，让大家具有辨识的能力，当5年之后真正的人工智能出现时，能够掌握必要的知识和技能，在潮流中仍然保持不败的地位是最关键的一个课题。这既是教育也是跟工业密切相关的。

黄晓南：请各位从自己的角度，简单预测一下人工智能在接下来3年最主要的趋势？

董褀：因为我们所处的行业是一个重度的大数据、人工智能使用方，很难想象如果没有大数据、人工智能应用在整个业务线当中，怎样才能够将这一盘业务持续下去。

关于未来整个人工智能的方向，我们认为人工智能的整个接入门槛会降低。今天每个人都觉得要接入人工智能，但不是所有公司都有能力使用它，让你的公司具备人工智能的能力，并把它应用到业务层面还有一定门槛。既要有海量的数据，有很强的运算能力，还需要把它融合到整个业务里面。

我想未来三年，企业不一定要自己具备海量、全面、能够支撑业务的数据，企业会有大量的合作伙伴以及专业的数据公司提供数据能力。在整个算力方面，你也不需要像今天一样有很多基础架构的工作，借助云计算能更方便、安全、稳定的接入人工智能，所以我认为人工智能的应用和接入门槛会降低。

第二个趋势，人工智能在未来将不是一个可选项，而是一个必选项。无论你在什么样的竞争环境、生意、商业中，都需要拥有人工智能的能力，不然将不可能生存也没有可能和你的竞争者竞争。

柳钢：我们是一家做计算机视觉的企业，视觉是整个人工智能中比较大的一个领域。视觉会有很多跟人、物体、场景、事件相关的研究。我觉得人工智能首先会在特定领域快速突破。比如短时间内，用一个所谓的真实的机器人或者是虚拟机器人去代替人类的情况可能性并不大，但是在特定领域对于机器来讲太容易了。

比如说我们最高可以在3亿个图库里面，做到在毫秒级的时间里，给系统任何一个大头照，它都可以推荐10个相似的出来。在特定场景里，人工智能有机会在视觉、语音、机器人动力学甚至是认知与推理方面的快速突破。

这个趋势还有一个力证。在图像视觉领域有一个很权威的比赛，叫物体检测大赛。在去年就停办了，为什么停办了？因为再比下去已经没有意义了，机器已经做到非常精准的识别率，远超人类了。

这说明在特定场景里面，机器智能的突破会急剧地增快。特定领域在我们的商业环境、工业环境、生产环境中是广泛存在的，只要从一个很好的角度去定义它，找到特定领域，那么人工智能将会发挥很大的作用。

童先明：我想从企业应用人工智能流程的角度来聊聊这个问题。因为我在过去半年看了一些企业、做了一些项目，感觉市场对人工智能的效果还处于将信将疑。

这不完全是企业的原因，或许也因为一些从业者本身做的不够好。但是在今后3年我觉得会从一个将信将疑变成非常确信。现在一个企业如果要开始一个人工智能的项目，整个流程是比较长的，比如他要选一个供应商，让供应商帮他做一个POC，通过这个POC来判断谁做的更好一点。

这个过程隐含了两个问题，第一个整个流程会非常长，第二个问题是有大量的浪费。比如参与测试的有六个供应商，你最后只选一个，但是同样的项目做了六遍。一方面我们非常缺乏人工智能的能力。另外一方面，我们又在不断地、无谓的去浪费这些资源。在今后三年，验证、实践并得出结果的过程我认为会大大缩短。

要求做POC的过程可能也会越来越少，因为许多领域已经被市场证明了，不再需要POC，只要对企业有一定的信任，最后的成果还有一个检测和验收的过程。我觉得今后三年这方面会大大缩短，会释放企业的热情，更多的利用人工智能改善他们的效率、降低他们的成本、增强他们的竞争力。

姚远：深度学习，是人工智能从2012年开始突然间获得崛起的最大推动力，但是今天当我们面对学生，怎么样让学生适应未来的深度学习发展？

显然2012年—2016年，我们还是可以通过深度学习刷刷文章，就可以获得很好的地位，发表很好的论文，拿到很好的工作，但是在未来三年我觉得这个事情会越来越难，随着深度学习往更广泛的地方应用，对于特定领域的提升已经没有那么大空间了。

在应用深度学习时，如果你碰到了不想要的效果，怎么样去改进它、修正它？我觉得是未来三年深度学习可能会变得越来越简单，而不是单纯刷刷性能，这在学术上我们认为是非常重要的需求，所以我们跟斯坦福去年开了这样一个课，我们今年春天也开了一个深度学习的课，代表了一种学界的迫切需求。

另外我想说，整个AI领域其实是非常广泛的，从优化、统计到计算机科学，大家不要把自己的兴趣只集中到一些点上。实际上这个领域是非常广泛的，对于未来应用最重要的能力是“你如何把应用问题翻译成优化问题”，像我们讲的商业决策，当你有决策后，有了外界环境的状态，你能不能把问题翻译成决策过程，如果你能翻译成决策过程，形成这样一个提问题的能力，后面的解决方案就自然出来了。

所以从应用问题翻译成你所熟悉的机器学习的解决方案问题的能力是最重要的，也是我们觉得在面对未来改变的时候学生最需要掌握的能力。

黄晓南：品友每天在实验这些事情，我们的客户其实提出了一个商业问题，我们的算法工程师和产品经理的工作就是把这个问题转化为一个能够被算法、机器去解决的问题。而这件事情大家可能觉得很容易理解，但其实这种人才今天在市场里面应该说是少之又少，所以我觉得姚教授要不断给我们贡献这样的人才，能够把问题翻译成决策过程，是很重要的。

人工智能的商业实践实例

黄晓南：下面我想问一下童先明和董褀，你们刚才都说了企业在用人工智能，你们能不能给一个具体的例子，向我们介绍下人工智能在某一个领域产生了一个真的是看得见、摸得着的一个效果？

董褀：应用界，我讲的例子大家比较通俗易懂一点。我们做金融科技，去年差不多做了超过350亿，今年可能翻番。

金融整个业务特点是什么？大家知道其实银行会比企业更大，比如华夏银行，在去年因为监管的要求接入到华夏银行的存管理财，理论上讲我们每天成交的金额在华夏银行看来应该不算是一个特别大的量级，但是我们接进去之后立刻把它的整个核心拖垮了，原因是我们属于小额分散，银行可能一笔贷款是1000万、500万，我们小到几万甚至更小。

然后，我们还需要把这些标的高度分散，给到不一样的人群。这中间产生了非常大量的数据，导致即便是规模很大的银行，计算能力都不太够。在这样一个每天要处理这么大量数据的过程中，我们并不拥有比大型股份制银行更多的人手，我们整个员工规模比一家银行要少很多。那怎么处理这些问题？

判断客户的情况时，就要用到大量人工智能来替代人工的工作。这里面有一个点比较难做，比如说，做正常的互联网运营时，去了解用户的兴趣，取得高的转化率，通常对这个事情有兴趣的会有反馈。金融里面做信贷，做运营活动最先有反馈的一定是骗子，那怎么样能够识别那些好的客户和那些坏的客户？在我们看来是互金公司的核心能力。

在这个过程中我们建立了一套人工智能的体系，在我们内部有一个叫云图的产品，能够让我们对用户在几毫秒的时间，从几万个维度进行建模，让我们知道哪些是好客户，哪些是坏客户，为了不影响客户体验要在非常短的时间内完成，这是事关我们生死的人工智能应用的场景。

再举一个小例子，我们是用评分卡来识别用户的信用等级，以前这些评分卡我们建模通常都需要差不多两个月的时间，比如在华尔街基本上就是这个速度。从去年开始，我们在内部做了一个叫水滴的机器人建模工具，它事实上能够把建模和上线部署的工作，从原来数周的工作量节省到差不多只要24小时。所以现在我们整个模型的优化效率数倍于竞争对手，让我们的工作更有效率。

童先明：我也来分享几个例子。也是一个互联网的金融公司，最近我们在做一个项目。因为互联网公司现在赚钱很多都是贷款，以前都是一些小额贷款，做的很成功以后，他们想逐渐升级到额度相对比较高的贷款。这样国家会有一些要求，比如说需要一些面对面的材料，必须有录像见证，证明这个人是来贷款的，有纠纷会有仲裁或者上法院的记录。

对互联网金融公司本身也是有一个要求，来贷款的贷款人是不是讲的是真话，或者他的背景怎么样，或者他在贷款过程中是不是提供了真实的信息。基于这些要求，要有一个技术能够综合语音、计算机视觉、自然语言处理，让一个智能机器人能够和对方面谈，谈话过程中能够捕捉客户的微表情。通过对方回答的问题，理解语义，做出应有的判断。

营销人拥抱AI的挑战与机会

黄晓南：对于市场负责人去拥抱人工智能的时候可能的挑战会在哪里？

柳钢：一个很基本的挑战就是要对人工智能有正确的理解和认识。

我在企业里面是负责业务发展的，如果对人工智能的期望不切实际，可能会导致你对一个工具的错误采用。

我们在早期做企业服务的时候遇到过相似的问题，因为任何一个新的技术出来，首先是被神化，然后被妖魔化，所以我们想拥抱这个技术，首先要对这个技术有准确的理解。

第二个，人工智能在特定领域的确能给你带来巨大的价值，比如说跟市场、品牌，跟广告相关的领域里面，这里面有海量的数据，人工智能能够帮上大忙。所以我觉得有两个方面，一个一定要对人工智能有务实、准确的理解，另外要有坚定的信念。在这样一个特定领域里面，人工智能是能帮大忙的，有巨大的价值产生。

董褀：在过去几年，我们一直在这个领域非常艰难困苦的跋涉，我想有一些经验可以分享出来。

首先一点大家不要觉得人工智能是很奇怪、很神秘的东西。首先大家要想清楚用人工智能解决什么问题，有些可能是在你身边困扰你，但是没有人工智能也能解决的问题。

比如对我们来说，反欺诈是个问题，解决我们业务流程的替代人力也是一个问题。如果我们只取其中一个问题，比如反欺诈，要思考如果没有人工智能该怎么来解决的。人工智能只是在某些能力里面很突出的，你可以想象成很一根筋。今天的人工智能大部分不具备非常全面而且可以跟你对话的这种领域，但是他们在某些特定领域里面的确具备比人脑聪明很多倍、快很多倍、不知道累也不需要你加工资。所以你想清楚了具体的商业问题是什么，你想着如果有一个一根筋的高手能够应用到某一个环节里面，你大概就能够搭起来一个人工智能在你企业里面的应用场景，这是第一点。

第二点，我觉得人工智能是要吃东西的，它不吃工资，但要吃数据、运算能力。所以你要想一下这家公司是不是能有足够的养料给它来吃。比如之前我们在反欺诈过程中，只用我们自己体内产生的数据，后来我们看到的确有一点用，但是它的用处还没有那么大，所以我们就跟商汤科技也合作，跟品友也合作，以此能够获得用户更加深度、更广泛的一些维度特征，我们用这些特征喂进去，让人工智能能够有更多的养料，能够做更加深度的分析。

第三个，整个运算能力，包括整个数据体系、运算能力的搭建和规划，都是偏技术的，相对来说我不觉得这些会构成非常大的障碍，因为事实上这块我觉得即使在市场上也有比较成熟的解决方案。问题是文化上的，你们公司得接受，员工慢慢要变成钢铁侠——他有一颗人类的心，但是被机器学习、人工智能武装起来，变成一个钢铁侠一样的存在。这是所谓人工智能在内部组织的赋能。

童先明：现在大部分的企业在看待人工智能总感觉还是一个IT的东西。导致的结果是什么？和你们谈的是CIO，但是CIO对业务不太了解，所以我们要告诉CIO这对业务有什么帮助，今天来的更多的是市场部的CMO，你们需要更积极的发挥主动性——AI在这方面能发挥什么作用，我能不能主动利用这些场景，能不能利用AI解决市场相关的问题。

姚远：我感觉人工智能的本质不是人想做什么，计算机就能做什么。反过来，你应该想人应该教计算机做什么。

黄晓南：我们经常在公司说一句话，人都不知道怎么做的事，不要指着机器了。在我们公司有一个团队叫优化师，是大量用机器来帮我们客户进行优化的。经常我们内部就会有讨论说有时候人会的东西，怎么机器都不会。其实大家反而想错了，往往人会的东西，机器多半都不会，机器都是人教它，它才会的，这也和刚才柳总讲的叫有一个合理的期望值对于人工智能是很重要的。

在我们实践中的挑战，在企业端有一个很重要的差别，就是你能不能定义出评估标准，我们发现几乎所有AI相关的东西都是投入，对于公司来说不管是投入几百万，都会涉及到一个问题：怎么去评估投资的回报，怎么科学衡量这件事情的产出。我认为这块的缺失比较严重，这可能跟问题的定义都有关系。