導讀

人工智能的迅猛發展和工業界的大量需求是否匹配？新模型新算法天天更新，看似解決了很多問題，但在工業上這些好像并不重要？本文作者將對AI進展是否供過于求給出他的解答。

就我的視角來看，人工智能目前的發展水平，還遠遠不能達到大部分工業界的需求，有很多工業問題靠目前的技術水平還無法解決。人工智能的發展路線大概是這樣的：

圖片來源：https://xueqiu.com/1640036587/110614869 當然我個人比較喜歡這張圖：

圖片來源：https://zhuanlan.zhihu.com/p/83018440

人工智能的高峰和限制

可以看到，每當人工智能領域有了新突破后，都會迎來一次發展的高峰。 第一個高峰來源于人工智能概念的確立、以及符號主義算法的發展；第二個高峰來源于感知機、BP 網絡、專家系統等理論的提出。然而每個高峰過后，隨之而來的就是發展的低谷，這是由于當時的算法，以及配套的算力、商業環境限制所決定的。 目前我們處于人工智能發展的第三個高峰階段，這次發展的動力來源是深度學習。但是就我目前看來，這一階段的人工智能高峰，在技術上存在四個比較大的限制：

1. 目前的深度學習還是嚴重依賴“獨立同分布”原則。

雖然有很多學界論文在研究無監督學習，也取得了不錯的進展，但工業界目前用的最多的還是有監督學習。一旦最后的應用環境跟手中的樣本有明顯差異，模型就很容易表現不佳。 這就導致了目前很多算法只能在封閉場景下進行。比如現在很多號稱 L4 自動駕駛的應用，實際上只能在一個限定范圍內進行，比如園區內的擺渡車、固定路線的出租車等。另外對于一些難以獲取數據的場合，由于樣本覆蓋的空間不夠大或覆蓋的不夠密集，模型的精度也難以保證。

2. 芯片算力有限。

一般來說模型越大，模型效果就越好，但所需算力也就越大。甚至有一種聲音：只要模型足夠大、算力足夠充足、數據足夠多，就能訓練出真正的人工智能（這么說有點期待量子計算出來，至少解決了算力問題）。但實際上芯片的算力不是無限的，在很多場合下甚至是嚴重匱乏的，比如手機、車輛等邊緣端場景。在這些場景下，算法人員不得不減少模型的大小，以保證模型能以合理的速度運行，但這往往也是伴隨著精度的下降的。

3. 深度學習的可解釋性不強。

在一些要求非常嚴苛的領域，沒有足夠可解釋性的技術難以落地。

4. 深度學習的可遷移性仍有提高空間。

在面對一個全新的領域時，還是需要大量的人員與時間投入。這點倒不是因為模型本身沒有可遷移性，而是因為各類場景本身的差異較大，在一個新場景下，場景問題的抽象、指標的定義與明確、數據的收集與標注、模型的部署這些往往會耗費大量的人力與時間，訓練模型反而是其中比較簡單、也比較容易遷移的一環了。 這些限制使得深度學習無法在全領域鋪開，只能在一些限定場景下得到很好的應用。

人工智能的發展和工業界的需求

回到題主的問題，題主認為“很多問題其實很多在工業上并不是很重要”其實是正確的，這是因為論文里面關注的問題，都是在深度學習容易鋪開的領域內的（人臉識別、目標檢測等等）。 而實際工業涉及到的問題領域，遠比論文關注的領域大得多得多得多。這些沒有得到關注的工業領域，一方面是本身利益場景不大（領域過于細分學術界關注不到，或者是市場沒前景，總之錢和命都不太好賺），另外有更多的是這些領域本身不適合深度學習的應用。舉個虛擬的例子（編一個故事【逃）：

有一天一個工廠甲方找你，說有一個工藝環節人工成本太高了，看看能不能用人工智能代替。你去實地考察后，發現他們現場工人操作全靠經驗，規則十分模糊。經過多次調研后，你終于確定了大致的規則，能夠對這一個工藝環節以人工智能的方式抽象后，項目終于立項了。 然后你發現數據的收集特別困難（沒有電子記錄設備，你得駐場抄數據，且沒有歷史數據，一抄就要抄好久，不然數據不夠模型訓不了），收集到的數據標注很臟（因為經驗不足，有的時候不得不讓現場工人標注，因為基本沒法定標注規則，數據很臟）。 千辛萬苦收集到數據后，訓模型倒是很順利，找個 resnet/bert 訓一下，精度有 95%。然后你興沖沖的找甲方匯報，甲方說我們這沒有帶顯卡的機器，只有一個老舊的 CPU 服務器，讓你把模型部署在上面試試看。得，壓縮模型吧。經過大量的調優后，模型在 CPU 服務器上速度夠了，但精度只能到 90% 了。 用戶看看之后覺得可行，然后又提出新需求了：過段時間項目要匯報了，能不能跟省里的專家講講你的算法的原理；90% 精度還是太低了，能不能搞到 100%；我們的工藝可能要變一下，你的模型應該能自適應的吧...

這個例子是我從我親身經歷的、聽朋友說的多個項目揉起來編的縫合怪，基本上把我前面提到的四個限制全踩了。實際上的項目可能不會踩這么多坑，但是多多少少會踩一部分，而且每個坑都不是省油的燈。 這也是為啥現在很多頭部大廠不愿意深入工業領域做深度學習應用的原因：要么就是因為各種因素的限制做不了（比如項目問題無法抽象），要么就是能做性價比太低（需要投入大量人力，項目款項還少，且每個廠子需求都不一樣沒法復用）。 前面討論的還僅僅是那些“嘗試用人工智能解決”的問題。工業界還有很多問題，工廠壓根就沒想過用人工智能去解決。所以題主感覺的“解決了很多的問題”，其實在真的是非常小非常小的一部分。

總結

所以回到開頭的觀點，目前人工智能的發展水平，還只能在一定限定條件下、在一些領域的一部分具體問題上得到很好的應用。在廣袤的工業應用場景下，深度學習因為其局限性并不能很好的應用，工業界里面有大量的問題無法用人工智能解決。 其實回顧歷史，前兩次人工智能高峰，都是因為在一些領域得到突破性的應用后，得到了高度的關注，但也因為人們發現人工智能因為各種因素的限制而不能替代萬事萬物后，熱情而慢慢消退。 此次深度學習引發的人工智能高峰，因其在眾多領域取得了突破性的進展而被人們捧上神壇，但我們也不可否認其存在的限制與問題。我沒辦法預測這次高峰會不會迎來低谷，因為畢竟可能鬧不好什么時候又有了理論或工程上的突破。但確定的是，即使人工智能又一次跌入了低谷，但其本身是一直在發展的。只要等到契機的到來，就會有下一個高峰在。在這樣跌宕起伏的發展過程中，我們會看到一個個過去無法解決的問題被解決，人們的生活也會因為人工智能的發展越來越便利。這跟科學的發展是何其的相似。

審核編輯 ：李倩