2020年，從空中喊話的“硬核”無人機，到社區裡協助警察巡邏的機器人，到雲計算完成病毒基因組測序……一場新冠肺炎疫情，將人工智能(AI)應用全面推送到社會公共事件的方方面面中，並掀起了新一波研發高潮，使AI技術成為抗疫中不可或缺的力量。
如同人類從嬰兒逐步學習成長一樣，人工智能是機器不斷學習進步的過程。伴隨人工智能、大數據等技術的加速發展應用，一個智能化的社會形態初步呈現在世人面前。
人工智能開啟戰疫“加速鍵”
這次新冠肺炎疫情，讓我們見識了人工智能參與防疫的各種花式操作。“AI+藥物研發”這一醫療AI賽道也獲得了越來越多的關注。
1月29日，阿里雲宣佈向全球公共科研機構免費開放一切AI算力，以加速本次新冠肺炎新藥和疫苗研發。
據介紹，創新藥的研發從認知疾病發生原因、確定針對疾病的藥物靶點、實驗室發現新的分子或化合物開始，通過體外及動物體內實驗瞭解其安全性、毒性反應，以及在動物體內的代謝過程、作用部位和作用效果，再經過首次人體試驗，經歷Ⅰ期、Ⅱ期、Ⅲ期臨床試驗，證實安全有效及質量可控制之後，才可以獲批上市。整個研發過程往往需要10到15年時間，投入10億到15億美元。
因此，降低研發成本一直都是藥企永恆不變的主題。
“目前，全球健康藥物研發中心正與我們合作開發人工智能藥物研發和大數據平臺，針對SARS/MERS等冠狀病毒的歷史藥物研發進行數據挖掘與集成，開放相關臨床前和臨床數據資源，計算靶點和藥物分子性質，並跟進新型冠狀病毒最新科研動態，實時向科學界和公眾公佈，為新型冠狀病毒科學研究提供重要數據支撐。”阿里雲相關負責人介紹。
“AI技術可以通過對現有數據庫信息的整合和數據提取、機器學習，提取大量不同屬性的關鍵信息。”河北工業職業技術學院智能製造學院副院長鬍孟謙說，這不僅避免了重複多次的試錯，還能大幅提高目標篩選的成功率。
阿里雲只是人工智能型企業發揮技術優勢抗疫的一個縮影。疫情之下，人工智能的相關應用都已開啟“加速鍵”。
阿里巴巴達摩院針對新冠肺炎臨床診斷研發了一套全新AI診斷技術，AI可以在20秒內準確地對新冠疑似案例CT影像做出判讀，分析結果準確率達到96%，大幅提升診斷效率。
騰訊也不甘示弱，開始尋找深入場景的可能。緊急推出“政務聯絡機器人”，其核心功能包括疫情防控聯絡和疫情問答兩大服務。這款機器人將向全國各地政府部門、醫療機構、公益機構提供疫情防控輔助服務，有望有效緩解各級組織由於人力不足、資源緊張導致的疫情防控壓力，並可顯著加速疫情防控信息採集的效率。
此外，百度、小米、京東、曠視科技、第四範式、雲知聲等一系列企業，將人工智能技術輻射到輔助診斷、發熱檢測、無人服務、信息採集、企業線上化轉型等領域，為疫情防控提供“科技智慧”。以醫院為例，據不完全統計，已有20餘款人工智能系統應用在武漢等抗疫一線以及全國數百家醫院，服務人群包括疑似病例和確診病例達到數十萬人次。
“日益成熟的人工智能技術，正成為此次抗擊疫情中一群特別的‘逆行者’。”胡孟謙說，在這場特殊的戰役中，人工智能不再高不可及，不再只是前沿理論，也不僅僅是一串串代碼，而是成為公共事件中不可或缺的力量之一。
_ueditor_page_break_tag_
人工智能是如何思考的
AI為何能發揮出如此大的作用，“魔力”的來源究竟是什麼？
“人工智能的思考方式其實和人類非常相似，都是通過大量的經驗積累，形成一定的規律認知，然後去判斷未知事物。”胡孟謙說，它是一種使用機器代替人類實現認知，分析，決策等功能的綜合學科。
在這樣一個過程中，強大的計算能力是人工智能實現的底層支撐，而這個基礎層則主要包括大數據、硬件算力和算法模型，其中大數據對應人的經驗，硬件算力對應人的大腦本身，而算法模型則對應我們大腦思考的方式。
因此，算法也是人工智能的靈魂，是“魔力”的主要來源。
人工智能的算法經歷了一個漫長的進化過程，早期的人工智能能實現的動作十分固定呆板，比如首臺採用人工智能的移動機器人Shakey，它帶有視覺傳感器，能根據人的指令發現並抓取積木，雖然只能實現這種簡單的識別和動作，但在當時已經令人感到非常興奮。胡孟謙說，隨著技術研究的深入，開始出現了機器學習算法。
科學家對機器學習的研究最早是從嬰兒身上得到了啟發。“沒有人教過嬰兒怎麼‘看’，但是他們通過在真實世界中不斷看到某一樣事物，當看到的數量足夠多時，就認識了該事物。”胡孟謙說，比如給計算機看非常多貓的圖片，讓計算機自己抽象出貓的特徵，自己領悟什麼是貓，這種方法被稱為機器學習。
機器學習的算法有很多種。總體上可以分為有監督學習、無監督學習、半監督學習和強化學習。
那麼，這些算法是如何讓機器擁有“智能”的？
胡孟謙介紹，監督學習、無監督學習和半監督學習的區別主要在於輸入的訓練資料是否有特定的標籤。
監督學習的訓練是通過大量有標籤的資料來建立，比如將圖片標註為“蘋果”和“橘子”，通過大量學習後的模型，就能夠準確識別新照片上的水果分類；而無監督學習訓練的資料則沒有對應的標籤，主要用來尋找大量數據的內部關聯性；顧名思義，半監督學習則介於兩者之間，輸入的數據部分被標識，部分沒有被標識，通常需要先通過找尋被標識數據的規律，來對未標識數據進行標識，再進行訓練。
與前三種算法不同，強化學習實際上是一種學習模型，它並不會直接給人解決方案——你需要通過試錯去找到解決方案。“Alphago用的就是強化學習，它不需要標籤，你選擇的行動越多，得到的反饋越多，通過執行這些行動看是輸是贏來學習下圍棋，這不需要有人告訴你什麼是好的行動什麼是壞的行動。”胡孟謙說。
近幾年，掩蓋了經典的機器學習的深度學習，由於能夠處理大量的數據，並且在精準度、特徵識別和解決問題的方式上都有絕對的優越性，逐漸成為大多數AI類型問題的首選技術。
“機器學習的算法仍然在不斷的更新迭代中，深度學習和強化學習作為自主學習系統，將會成為未來的機器學習的發展方向。”但專家也表示，人工智能變得越來越精確的同時，背後算力的消耗也越來越大，而這對人工智能的硬件算力也提出了更高的要求。
_ueditor_page_break_tag_
“小”AI解決人工智能的“大”煩惱
美國馬薩諸塞大學阿默斯特分校研究人員通過揭示算法訓練的能量強度發現，訓練一種算法產生的二氧化碳排放量相當於一輛普通汽車終生二氧化碳排放量的5倍，或者相當於飛機在紐約和舊金山之間大約300次的往返飛行。
有專家認為，越來越“大”的人工智能並不適合離線和實時決策，比如自動駕駛解決方案，且日益依賴於巨大的能量、巨大的帶寬，這種模式在經濟和生態上同樣具有不可持續性。“未來的人工智能會向著越來越‘小’發展。”胡孟謙說。
近日，《麻省理工科技評論》公佈年度十大突破性技術排行榜，微型人工智能技術（TinyAI）位列其中。
以谷歌公司高級研發科學家雅各布·德夫林和他的團隊開發的預訓練語言模型——伯特（Bert）為例。它可以理解單詞和上下文，可以為寫作提出建議或獨立完成句子。擁有3.4億個數據參數。訓練它一次所需的電力足夠一個美國家庭使用50天。
為縮減模型的大小，華為製作了微型伯特（TinyBert）模型，尺寸比伯特縮小7.5倍，速度還快了近10倍。谷歌也已經造出了一個比伯特小了60多倍的版本，但其語言理解能力略差於華為的版本。
“簡單來說，不論是微型伯特還是更小的其他人工智能模型，都是一種知識提取技術的應用，是研究人員在縮小算法規模中做出的努力。”專家介紹，雖然模型縮小了，但並不會降低人工智能的推理速度，相反，它還會保持較高的精準性，為我們提供更好的決策支持。
在2019年年底的安博會上，已有人工智能初創企業推出“TinyAI”，該公司將低功耗、小體積的NPU與MCU整合，適配市場上各種主流的2D/3D傳感器，滿足2D/3D圖像、語音等識別需求的AI解決方案受到了業界的關注。此外，英偉達（NVIDIA）和華為等公司，也都陸續推出了終端型圖形處理器，體型較小、功耗較低、功能可以滿足簡單的算法。
但微型人工智能尚處於初期發展階段，該領域的安全、倫理、隱私等問題也引起了人們的關注。
專家認為，微型人工智能會導致分佈式人工智能的興起，每個終端都成為一個AI節點，各自都能獨立存活，出現類似區塊鏈的應用。網絡側的控制力度將降低，政府的管控風險加大。不過，技術都是兩面性的，雖然有這些風險，但是對人工智能的管控技術也在發展，我們應該相信微型人工智能的正面作用。（河北日報記者王璐丹）
