联想在旧金山The AI Summit峰会上展示AI检测工业残次品

【多维计划2019年9月29号快报】9月25日，联想在旧金山人工智能峰会The AI Summit上展出了一系列人工智能产品：面向AI开发者的服务器、边缘计算服务器等硬件，人工智能超算平台LiCO，AI检测工业残次品、能够体会语意情感的聊天机器人等落地应用。

两年半之后，从软硬件技术到应用方案，联想拿出了产品。

联想展出的边缘计算服务器

联想研究院人工智能实验室副总裁徐飞玉告诉硅星人：许多公司做企业人工智能解决方案，很难拿到客户企业比如过去10年的数据。但是联想自己就有数据，我们每天还和在这个领域工作了20年的专家们一起合作……如果联想能把自己的内部需求处理好，那么它给其他企业提供服务的时候，也应当是有优势的。

联想的人工智能起步不能算早，但布局已经显露。联想本身有硬件、有数据、还有内部需求。

至于商用化，徐飞玉表示，联想已经做好了准备。

联想的AI布局

据联想研究院人工智能实验室战略、规划及运营总监陈刚介绍，联想的人工智能实验室确立了六大方向：自然语言处理、语音识别、计算机视觉、机器学习及智慧数据、AI训练平台、AI开放创新平台。

对徐飞玉来说，联想是从公司内部，从公司的痛点中发展出人工智能解决方案。

人工智能已经在管理联想每年1亿件左右的硬件数量，通过需求预测优化供应链管理。一般企业供应链能够占据50%到70%的现金流。联想算法模型预测的精度提高5%，应用于巨大的库存基数，对控制成本、盘活库存和现金流的意义重大。

在过去两年半间，人工智能正在改变联想的产品特点和生产制造过程。

在智能物联网方面，联想根据已有的硬件比如个人电脑、手机、平板等发展智能硬件。联想的扫地机器人可以进行语音交互，告诉机器人扫一下厨房，或者扫一下客厅，扫地机器人就不会毫无章法四处扫荡。

在行业智能方面，联想正在发展智能制造业。联想每年有数量巨大的产品设备需要交付，需要人工智能辅助提高产品质量和运营效率。借助算法模型，产品备件、库存管理，都可以根据当地市场的需求、季节等因素，进行数据分析，提高物流、供应链使用效率。

联想也将计算机视觉应用到工厂制造业之中，已经在深圳工厂试点，即将全面铺开。产业工人用肉眼检测电脑屏幕质量，难免因为疲劳有所差错，而消费者一旦退货，就会造成声誉和经济损失。采用计算机视觉的机器识别，能够24小时工作，不知疲倦地辨别元件是否到位，点胶是否准确，提升效率。联想也有意把这种解决方案作为服务，向其他企业提供。

联想用计算机视觉识别残次产品

在智能客服领域，虽然聊天机器人早已存在，为企业节省了重复劳动，但因为机械低效而饱受用户诟病。但在人工智能的支持下，聊天机器人可以识别多媒体图像，比如拍一张电脑蓝屏的照片，就可以识别问题。客服机器人甚至可以识别语意情感，为已经表露不耐烦的客户转接人工客服。

准备进军企业AI

人工智能应用市场方兴未艾，领军企业显山露水，但还没有分出胜负。

徐飞玉告诉硅星人，联想人工智能实验室有个很大的优势，因为联想是一家全球化公司。联想做智能制造，自身就是一个典型的企业案例。基本上企业级要做的重要事情联想都有，覆盖供应链、客户服务、产品线、硬件、软件等等。

她表示，一个公司完整的客户体验路径，是售前、销售、售后、维修等，如果不是一个有几十年经验的制造公司，有可能不会这么全面。所以她觉得联想相较于一些传统AI公司，在做通用的解决方案方面，应当具有优势。

徐飞玉表示，联想人工智能实验室还很年轻，但在过去的两年半里，联想已经在这些方面有所布局，“所以我很自信。比如我们的聊天机器人，已经能做好几种语言，还可以人机合作。我们的这些解决方案已经很深了，而不是一个简单的搜索。”

联想的聊天机器人MOLI做客户服务，其实是要求服务工作人员自身掌握很多知识：第一要了解产品，对产品的每个构成都要了解；其次，产品和产品之间的关联要了解。另外，要回答这些问题，就要首先弄清楚这是一个事实性的问题，还是分析故障的问题，还是解释“怎么做”的问题，所以这需要很多公司内部和这一领域的知识支撑。

徐飞玉会和合作伙伴一起坐下来深度描绘这些知识图谱，把用户的体验路径进行知识化、流程化。因此解决方案不是一个简单的搜索、问答或数据库搜索，而是知识图谱和深度学习中的知识，也有可能是人机合作和自动学习的知识。

打开机器学习的黑箱子

除了在企业内部应用人工智能技术，联想也在逐步向外界提供人工智能产品。

面向开发者，除了服务器、工作站等硬件销售，联想推出了LiCO人工智能超算平台，支持人脸识别、深度学习和自然语言等一系列人工智能产品及解决方案。联想还在2019年推出了ThinkStation P920 AI工作站，让企业客户部署人工智能解决方案，从而降低了企业使用AI的设备门槛。

联想也进入了人工智能医疗领域，参加了全球肝脏肿瘤病灶区CT图像分割挑战大赛，并获得了冠军。这种技术主要应用于肿瘤的自动检测与分类、CT图像中肿瘤数据的自动标注、集成肿瘤特性的三维模型展示和诊断报告自动生成。目前，LeHealth已经与北京大学首钢医院合作落地。

但徐飞玉在峰会演讲中提出了另一个问题：机器学习的预测准确率很高，但得出结论的学习过程仍是一个“黑箱”，很难解释预测的原因。导致用户不敢接受人工智能做出的决策。

徐飞玉在人工智能峰会上鼓励打开“机器学习的黑箱”

一些研究者只在乎算法模型的有效性。但人工智能技术涉及到商业落地的时候，用算法诊断肺癌的医生、用算法预测商品需求的库存管理部门，都需要一个解释，才能接受人工智能的指导。

徐飞玉回忆，她与业务集团一起合作的时候，比如跟供应链的决策者说要提高或者是降低1%，就需要做出解释。因为少订1%的显示器服务部件，但最后用户需求却达不到满足，业务部门就要承担责任，或者认为算法出现差错，所以能够解释人工智能的决策过程，对决策者来说是很重要的。

因此，研究者必须去建立“可解释的人工智能”，研究深度神经网络建立联系的过程，去解释决策的科学性。

因此，徐飞玉鼓励研究者们去“打开机器学习的黑箱”，找到因果联系，去解释为什么模型会得最终的结论，去做“负责任的人工智能”。