漫谈人工智能产业 顶梁柱哈士奇2020-04-17 11:37:15 回复 查看 经验交流 行业动态 综合话题
漫谈人工智能产业

本文首发于微信公众号:铁云文摘


人工智能是一个当下非常火的科技产业,也是全球几个大国都非常重视的新兴产业,研究报告表明,到2030年,人工智能技术对全球经济的潜在贡献是15.7Trillion美元,约合人民币一百万亿。这个数值是非常恐怖的,要知道,中国全年的GDP也才是一百万亿左右。这个行业如此之大,在可见的未来发展如此之快,由不得国家不重视,得人工智能者得未来,真的不是一句玩笑话。特别是中国作为全球最大的工业国,还将面临着人口老龄化和用工成本上升的问题,而人工智能显然是一个比较合适的解决方案。


本人17年初加入海康威视,正好赶上海康的人工智能元年,就这样误打误撞地进入了这个行业,到今年为止,已有近三年的从业经验,在行业中也算是比较资深的人士了。三年所经历的两家公司,一家是海康威视,是人工智能应用落地的领导者,另一家就是人工智能专用芯片的设计企业寒武纪,这样的经历也使得本人有幸接触过行业的全产业链,从硬件到算法到应用。


和其他谈到人工智能必定搬出上古神会达特茅斯会议和古神图灵香农麦卡锡镇场的文章不同,本文你即使不知道图灵是谁,也能正常阅读,当然在读完本文之后,最好还是了解一下人工智能的历史,这样对出去zhuangbility比较有帮助。


人工智能在这几年内得到了突飞猛进的发展,但是最近部分人工智能头部企业上市受阻,也说明了一个道理,其实目前人工智能已经到达了一个新的瓶颈,资本开始趋于保守。这一方面和当前的经济形势有关,另一方面也说明资本的第一轮大规模播种期已经基本结束了,现在还暂时没有新的爆点可以吸引资本进行第二轮播种。


我们重温一下古老的易经。太极生两仪,这两仪对于人工智能来说,就是用户和技术;两仪生四象,用户可以分为用户应用场景和用户付费意愿,技术可以分为硬件技术和软件技术;四象生八卦,用户方面,用户应用场景可以细化为用户人工智能需求迫切度和应用可复制性,用户付费意愿可以分为定制产品付费意愿和通用产品付费意愿,技术方面,硬件技术可以分为人工智能处理器技术和泛工控/服务器整机技术,软件技术可以分为底层框架技术和神经网络技术。八卦不能定吉凶,但是把这八卦拉起来,可以变成一个木桶,根据木桶原理,这八卦里面最短的板,决定了人工智能行业目前的水平线。当然,桶是需要箍起来才能盛水的,这个箍桶的绳,就是生态,生态不好,桶容易漏。


我们先从技术侧讲起。人工智能处理器技术,目前应该是发展得比较好的一块了,目前著名的人工智能处理器有Intel旗下的Movidius和Habana,Nvidia的全系列产品,英国的Graphcore,中国的敏感词,海思,地平线,以及原本做FPGA的Xilinx和Altera也加入了人工智能行业。目前芯片的算力基本覆盖了从端侧的T级整形到数据中心的百T级浮点,这一块落地得最好的是Nvidia,毕竟经过这么多年的积累,生态和易用性都远远超过了其他竞争对手,而且很快即将推出7nm制程的产品,性能又会得到进一步提升。


泛工控/服务器整机技术,我们分开来讲。服务器技术其实还是比较成熟的,毕竟云端人工智能处理器普遍以PCIE板卡的形态为主,只需要支持GPU的服务器,就能搭载除华为以外的其他人工智能处理器,市面上的服务器主板以超微品牌为主,这也给硬件适配带来了便利。所以目前市面上,GPU服务器是可以约等于人工智能服务器的。但是泛工控产品则略有欠缺,主要是因为传统工控厂商对人工智能边缘端的理解不够深刻,转型难度也比较大,硬件平台较为笨重,不适合人工智能边缘端的应用,这反而给一些二线品牌提供了弯道超车的机会,但由于硬件定制是可以在短时间内完成的,且不存在明显技术壁垒,整体来说,泛工控/服务器整机技术也不是当前人工智能产业的瓶颈,而且由于人工智能边缘侧和端侧设备未来的需求量会非常大,泛工控领域将会成为工控机厂商的一个新的发展点。


软件方面,底层框架技术目前已经大大降低了人工智能行业的入行门槛。目前比较流行的几个框架,caffe比较简单,但是已经不再更新,TensorFlow和Pytorch各有千秋,目前看来,TensorFlow是静态框架,在分布式计算上较为出色,处理效率高,Pytorch是动态框架,比较适合学术科研。此外,还有Onnx,Mxnet等框架。中国也有百度的飞桨框架,并和敏感词公司的芯片进行了合作。当然,框架的算子有一定的局限性,所以有一定技术实力的企业,都会选择用CUDA之类的语言来自定义算子,这也进一步增强了Nvidia的生态,因为用CUDA写出来的算子要迁移到其他公司的人工智能处理器上,需要花费大量的人力。总体来说,底层框架技术现在不是人工智能产业的瓶颈,反而是降低入行门槛的利器,如果大家都被迫用CUDA之类的语言自己写算子,人工智能产业就不会有现在这么发达了。


而神经网络技术确实在最近数年发展较为缓慢。在Yolo V3和Bert之后,已经很久没有出现新的具有代表性的网络了,当然,作为人工智能里比较基础的部分,基础科学的发展显然是比较缓慢的,这在任何一个领域都成立。所以目前看来,在技术领域,神经网络是一块相对较短的木板,当然对于有技术实力的企业来说,他们会对一些网络进行修改,组合,其实也相当于变相的发展了。


说完了技术侧,我们再来看一看用户侧。用户付费意愿这件事情,一直是阻碍新技术落地的绊脚石,其实说到底就是贵。目前,对一路视频进行人工智能处理的软件收费在1000-3000不等,这还是不涉及到定制的情况。这个价格是业内企业能够拿到的价格,如果到了用户侧,价格只会高出不少。海康威视的一台人工智能摄像机动辄大几千元,一台能并发处理80路视频的服务器售价42万元,这个价格,除了公安等少数几个政府部门和大型企业,一般的中小企业也只能望AI兴叹了。更不用说定制产品的付费意愿,加一个功能动辄五六十万,这个价格连一些大型的企业都只能忍痛割爱。当然,人工智能产品价格贵是有其客观原因的,在绝大多数场景下,硬件成本并不算低,只有极个别领域(人脸识别)已经把硬件成本降下来了,另外,涉及到人工智能的软件开发,成本就更高了,由于人才紧缺,导致算法工程师的工资极高,模型的训练和标注,无论是否自建训练数据中心,都是一笔很大的开支,再加上应用软件的制作费用,三笔费用加在一起,由不得价格不高。


另外可复制性不高也是产业的一块巨大的短板。可以说,目前除了人脸识别和视频结构化,已经根据这两个基础功能衍生出的应用,再也没有第三个可以大规模复制的人工智能应用了。医疗可以是一个可以复制的应用,但是医疗的用量相对于人脸和视频结构化来说较小,是一个细分市场,工业自动化领域,由于生产的产品多种多样,几乎每换一次产品就需要重训练一回模型,使用成本较高,只有高精尖,高附加值的产业,如3C,汽车可以规模部署人工智能,智慧零售等领域,建店成本太高,而且引入新的商品时也需要重新训练,所以目前还只是小规模试点阶段。人工智能在大部分领域都存在着可复制性低和成本高两个问题,这也是目前人工智能产业落地困难的最主要原因。


需求迫切度这一块,可能是人工智能产业在用户端唯一的亮点了。无论是公安,媒体审核,还是工业检测,银行,均存在着大量的需要人力重复劳动的部分,而人工智能技术的引入,使得警察同志不需要再连夜看视频找犯罪嫌疑人,媒体审核部门不需要通过人力鉴黄,工业制造业企业可以极大的减少质检员的工作量,银行可以减少呼叫中心话务人员的数量。当然,在三站一场,电力巡检等领域的应用也缓解了用工难的问题。另外,有一些不是非常迫切的需求,但是因为提升了用户体验,也获得了用户的支持,如刷脸支付,辅助驾驶等功能。


所以,当前人工智能产业的主要问题,还是技术无法落地的问题,这一轮热潮短暂遇冷,是由于落地费用过高和可复制性差造成的。因为可复制性差,导致基本每个项目都有需要定制的部分,自然落地费用就高,因为落地费用高,造成用户少,接触的场景少了,模型数据量不足,软件功能没有能够很好地提炼出普适性功能,自然可复制性就差。这个问题的解决,需要等到人工智能落地的量上去了,就像人脸识别和视频结构化那样,到那时候,人工智能应用虽然不能算白菜价,但是也肯定已经不贵了。


打个大家更能够理解的比方,现在的人工智能的价格,就像房地产的价格一样,因为政府投入了成本在城市建设上,政府要把这部分钱收回来,只能把地卖贵,通过各种方式把房价炒上去,房价炒上去了,大家买不起房,但是总有一部分刚需和有钱人能够买房的,这部分人付的钱,实际上不仅仅付的房子本身的钱,还有城市建设平摊下来的成本,就像现在的人工智能一样,人工智能企业投入了那么多人力物力来进行开发,那他自然卖得要贵,普通企业买不起,那就只能有钱的企业和政府买单,这部分花掉的钱,实际上还包括了人工智能企业的先期投入,等先期投入摊得足够薄,并且不是每一个项目都需要大量定制工作的时候,人工智能的价格就会趋向于合理化了。


当然,除了上述的原因,人工智能产业遇到瓶颈还有一个外部因素,就是目前行业内的销售人员普遍水平不高,部分人员甚至可以用差来形容,究其原因,还是因为这个行业没有前期的积累,大家都是半道出家来做销售的,每个人对行业的理解参差不齐,有好有差也就在情理之中了,但是这部分差的销售,确确实实在某种程度上阻碍了产业的落地。一个基本不懂人工智能的用户,遇上一个也是一知半解的销售,显然是不能对行业以及人工智能能够解决的问题达成清晰的共识的。


以上就是本人对这个行业一些浅薄的简介,如有错漏之处,还烦请各位看客雅正。


 


版权所有 © 2019 寒武纪 Cambricon 备案/许可证号:京ICP备17003415
关闭