北大“人工智能前沿与产业趋势”课程整理
- 第一讲：人工智能的发展与展望
- 第二讲：余凯-嵌入式人工智能：从边缘开始的革命
- 第三讲：吴甘沙-智能驾驶
- 第四讲：漆远-人工智能驱动的金融生活服务
第一讲：人工智能的发展与展望
人工智能发展的三要素：数据、运算能力、算法；
人工智能将影响所有产业：
1.服务机器人（扫地机器人、陪伴机器人、导购机器人、家庭助理）和人机交互；
2.工业机器人和智能工厂；
3.自动驾驶（Google测试200万英里，相当于300年驾龄；特斯拉已经开始在司机介入下大范围使用；百度3年内可以商业化）与智能交通；
4.智能医疗和健康；IBM的癌症诊断辅助获得FDA批准，Google&Stanford的皮肤癌诊断达专家水平。
5.智能金融：Kensho,替代分析师的利器；芝麻信用,征信分析。
人工智能的发展与未来：
今天：全球前五大市值公司都是互联网公司；
20年后：全球前五大市值公司都是人工智能公司；
麦肯锡报告–AI在未来20年替代50%工作；
强人工智能不会很快实现，特定场景、特定需求的弱人工智能会成为主流。
第二讲：余凯-嵌入式人工智能：从边缘开始的革命
新摩尔定律
摩尔定律指每十八至二十四个月，计算机的成本会下降一半，性能则会提升一倍，使计算和应用不断发展。整个摩尔定律已经在按另外一个轨道在发展，已经不是每个单位面积上晶体管的数目，而是架构的改进，使得计算由逻辑运算向人工智能运算演进。那么就是这样的问题：人工智能运算是提升 CPU 工艺向前发展，还是设计一个新架构。
从中心到边缘
我们可以看到从 PC 互联网到移动互联网到 internet of smart things，实际上对 AI 的要求越来越高。对 PC 互联网来说，对 AI 的要求其实没有那么高，但在移动互联网上，这种要求出现了。
边缘计算要求是实时、低功耗、低成本的，并且是隐私受保护的。比如这在汽车上面，就是一个很大的一个应用场景——不可能前面有小孩子突然横穿马路，你还要把数据传上数据中心，处理完了以后再传回来，这是不可想象的。所以一定要本地计算，要实时处理没有延迟。
很多移动设备，比如 Amazon 的 Echo，就是把很多计算往边缘设备上去推。又比如监控摄像头，中国去年一共部署了一亿个。监控摄像头的资料，其实存3个月就扔掉了。未来，对于所有这些摄像头，都会有专门的处理器，去处理实时的视频，这是一个大的趋势。
边缘的竞赛
未来的5到10年，最具颠覆性的产业机会是什么？通常来讲，产业机会分成两个阶段，首先是一波2B的机会。2B的机会，就是 Enabling Technology，公司就是做 technology 本身的。它是提供枪炮弹药的，给谁提供呢？给第二波的机会提供。第二波的机会是什么呢？就是 Technology-enabled Business。当然这些都是2C的。2B就是给 Enterprise 提供服务。这些 Enterprise 再去捕捉 consumer-orient 的机会。这个 pattern确实在历史上反复发生。
举一个例子，当年 PC 互联网刚出现的时候，时间是在90年代末，那时没有一家互联网公司是挣钱的，大家都看到了这里面存在机会，但在这个阶段，首先要做的工作是把架构、网络给做起来吧？ 所以 CISCO 这样的公司会表现得更好。另外也会有一些2B的培训师等等，这个阶段整体上属于为B端造枪造炮提供弹药的阶段，这算是一种曲线救国吧。
然后才有2C的大的互联网公司的出现，比如 Google。再比如移动互联网，首先要有 CDMA 这样的软件算法，放在芯片里面，使每个移动设备 stay connected。然后才是 Apple 这样的公司的崛起。中国的大部分投资者、创业者和企业家，他们看重的就是这样一波机会。
在我们进入这个市场的时候，美国人把这些基础技术已经做完了，从2000年开始到今天，我们是在享受上个世纪八九十年代科技成长的所带来的的一个环境，然后我们去做了这些用户导向的企业。
但今天我们去看这个整个这个创业环境，2C的这种创新其实代价已经非常的高昂，比如嘀嘀融了上百亿美元，美团也有几十亿美元，这个投资其实越来越沉重。其实你想想看，当时 Google 只融了两千万美元就上市了，百度差不多也就是千万美元，腾讯也是如此。在那个时候其实有大把的机会去捕捉。但是现在的话呢？八九十年代技术创新所带来的这些能力其实已经被发掘的差不多了，所以我们会发现创新越来越沉重。
第三讲：吴甘沙-智能驾驶
为什么要做智能驾驶
每年因为交通事故死亡140万人，百公里的油耗产生废气，排放雾霾等一系列的问题。
停车难：第一，一辆车96%的时间是停着的，他而且需要两个停车位；第二，在城市的商业中心CBD附近，35%的航行里程是与找停车位相关；第三，大城市15%以上的土地是用来停车的。
无论是摇号、限行、交通拥堵费，还是网约车，都没办法根本性上解决这些问题。
我们来看今天为什么有那么多问题——本质上因为车太多。例如北京，有接近六百万私家车，而提供按需出行服务的出租车只有7万辆左右。对于我们绝大多数人来说，首先打车很难，其次打车很贵。但是我们相信有了智能驾驶之后，在10年之后，城市里面车辆的总保有量可以减少一半，只有100万辆私家车，还有200万辆是出租车。而这些出租车是无人驾驶出租车。那么根据大数据的运算规律，我们可以根据全城人群的分布和出行的规律，把这200万辆车分布在城市的各个角落。保证每个人一叫车，两分钟之内就来车。而且，我们打车的费用可以降到今天的1/3。
如今“滴滴出行”一天的峰值能够达到2100万单；这什么概念呢？阿里巴巴全品类的电商相加一天大约是3000-5000万单。美团、大众点评吃喝玩乐住加起来一天大约1300万单。因此，出行是相当刚性的、高频的需求。
一旦有无人驾驶，一天达到5亿单是完全没有问题的，这将成为电商所有品类当中最大的交易量。而且，未来的车可能长得不太像车，其交通工具的属性会降低，商业空间的属性会增加。大家再一次脑补，在里面放一台咖啡机，它就是移动星巴克；放一块大屏幕，它就是移动万达影城；放块小屏幕，它可以是移动的分众传媒；在里面放一套办公设备，它就移动的写字楼。未来你打车，可能就十来块钱，但喝杯咖啡需要二三十块钱，看场电影需要三四十块钱。因此，整套新的商业体系就会呈现出来，因此也给我们带来一个巨大的机会。
智能驾驶中的AI
智能驾驶里面有一些什么样的AI技术？我认为，有三样非常重要，我把它分成3种司机：第一种，叫新司机。想象一下，刚刚从驾校里面考到了驾照，你懂得交通规则，能够保证不去撞车和撞人；第二阶段，你开着开着，变成了一个认路的司机，在任何情况下都不会迷路；第三个阶段，就变成老司机。老司机体现在3个方面：一、开车开得非常好；二、你不肉，这个很有竞争性；三、碰到一些新的情况，你也不慌。
其实，智能驾驶要达到这3个方面：一是感知和认知的理解部分；二是地图和定位；三是认知的决策部分。先看感知和认知的理解，传统上无人驾驶，他是从“激光雷达”开始。无论是树，草坪，车辆，房子等等，激光雷达都能够很准确地把模型建立出来。谷歌第一代、第二代、第三代无人驾驶车，上面有个激光雷达。百度的第一代、第二代车的顶上有激光雷达。两边和后面有3个小的激光雷达。顶上的激光雷达，在国内市价是70万人民币；3个小的激光雷达，每个大约是七八万人民币。这是钱堆出来的。我们做了一个低速车，上面其实也有一个激光雷达，就是七八万人民币。那么显然，这东西很贵，自然而然会让大家去想我有没有其他的解决方案——就是基于视觉以及毫米波雷达，超声波等等这些辅助传感器啊。但是，最重要的还是视觉，视觉构建的不是一个几何世界，是一个像素世界。基于一个像素世界，要去理解和预测，这是基于视觉的智能驾驶。
那么，我们拿在这一块商业化最为成功的特斯拉为例。这辆特斯拉Model S上面就有一个单目摄像头，作为它的主要的传感器；下面保险杠前面正中，有一个毫米波雷达；车周周边一圈有12个超声波传感器。大家可以看到这些小圆口都是超声波传感器。它通过这3种传感器，能够很好地达到新司机的要求，去理解规则，去感知这个世界。
还需要研究的点
SLAM技术的鲁棒性：SLAM技术由于视觉质量技术，非常受限于在环境当中能够发现的这些特征点，比如说四处都是白墙时是很难获取特征点的。
多传感器融合：摄像头、毫米波雷达、超声波传感器联合使用的算法融合。
基于基础高精地图的地图学习和更新：不但具备定位的功能，也能够帮助地图进行更新，那用户始终会拿到最新的地图。
无限提升准确率：1000-10000倍的标注数据（大规模众包数据收集+基于机器学习的半自动标注）。
“老司机”的要求：第一步是开得很稳，很舒适；第二步是开的不肉，具有社会性和竞争性；第三步是怎么去处理未知的情况，能够开得万无一失，一辆奔驰S级轿车，上面的代码量是波音787梦想客机代码量的16倍。大家可以想见，要对一辆车进行很好的测试，要求非常高。但事实上，比代码更难的是数据和上面的随机算法机器学习。
Q&A
1.汽车工程学会的定义将自动驾驶分为0到5级：0级就是全人驾驶；1级还是人驾驶，但是系统、机器有时会介入，比如说它看见你离前车太近，它会滴滴滴警告一下，甚至再近了，它给你踩一把刹车；2级就是在相当长的一段时间里面自己去驾驶，比如说像特斯拉Autopilot，在封闭的结构化的高速公路上，驾驶员还需要把注意力放在路上，但是其实这过程中，车是自己在开。它自己能够识别车道线，始终保持在车道的中间，甚至它还具备一定的全自动泊车功能；3级跟2级典型的差别，首先驾驶员不用全神贯注在路上，他可以做其他的事情，这个系统可以给予驾驶员八秒到十秒时间重新回到决策环中，这是一个非常明显的要求，另外的话它会在自动型上面给予更多的一些好处，比如说不一定完全是在高速公路上，在一些更复杂的条件下也可以；4级几乎就是无人驾驶，或者在某些情况下需要人干预，或者只能在一个特定的环境下做无人驾驶。比如有的场景特别简单，就不需要干预；5级就是全天候、全区域、全速度的无人驾驶。
2.从国际主流车厂和科技公司的路线图来说的话，到2021年会有4级的车上路。
3.未来10年以内，出现人车分流，也就是人开的车和自动驾驶的汽车分开车道行驶。一统计数据：当自动驾驶在城市里面超过交通运量25%以后，就值得为它单开车道。
4.5G有两个任务：第一实现关键任务下的通讯，延迟做到个位数毫秒级别，关键任务就包括无人驾驶和远程手术等等。第二带宽变得很大，可以将一部分工作拿到云上去。
5.汽车这个领域是值得专门去定制芯片的，且芯片应该是可编程的。
6.传统汽车厂商和互联网为代表的公司博弈：第一是汽车厂必须跟出行业务结合起来；第二是汽车厂不再满足于只做一个集成商，他现在希望能够更多地去拥有技术。第三是科技公司需要传统车厂的硬件合作。
第四讲：漆远-人工智能驱动的金融生活服务
金融生活服务的各种各样的场景：医疗，缴费，教育，乘坐高铁、地铁、汽车，交罚款，查税等。在美国信用等于财富，在国内如何产生信用分？这是个技术活，我们需要从数据，从各个角度、维度来判断一个人的信用。当然不光是人，还有小微企业。希望运用大数据的技术，通过智能的技术把它自动化，降低成本。比如智能助理、营销、保险。
1.智能助理：需要非常好的落脚点。比如智能客服有海量的电话要接，海量的问题要回答。还有基金销售，理财顾问，保险顾问，审核等，在这一系列的环境中，智能助理是一个非常落地的场景。
2.营销：营销从任何商业角度来讲都是非常重要的。比如需要做一个营销策略，可通过大数据、云计算使成本急速降低，保证风控的质量，才能大规模，低成本。
3.保险：保险本身是一个数据驱动的应用，从营销到保险的个性化定价，到新的基于互联网的场景，新保险类别的开发等等，其实都离不开数据。
案例1-蚂蚁智能客服
今年我们的目标已经不是自助率，而是问题解决率。到今年夏天，我们的智能客服的问题解决率从百分五十几，到现在快70%，而人工的用户问题解决率是71%到72%左右，我们的目标就是要超过人工。超过这个意味着什么？其实我不光能够自助，我回答问题比人还准。那其实这个代表什么？不到一年，我们为公司省一亿，除去人的成本和GPU的成本。我们客服部门去年其实裁了100人。减少的100人去做递推，做口碑业务，这部分大量的人力就省下来了，这就是AI真实的案例。
异常检测：出现问题是即时定位并解决。核心思想有几部分：一部分就是实时计算，要把数据实时性提高，做到秒级定位。原来一个流程发现一个问题，到电商的商务异常处理，需要两小时。从发现问题13分钟，到响应介入50分钟，到异常环节75分钟，到最后环节要两个多小时，125分钟，这是以前的过程。现在的话，我们秒级解决问题，就是零分钟预知，解决问题不到半个小时。这样的一个例子其实省下了快1000通电话，而这个例子有很多，就省下无数的电话。
案例2-个性化产品和资讯推荐
跟传统只做推荐不太一样，阿里是一个生态系，那生态系里面其实各个数据都会进来。我不是说因为你看过的文章，又推一篇文章，这是头条的经典模式。那有各种各样的，比如电商的购买行为能否助力财富和保险，我们叫迁移学习，或者叫信息整合。
蚂蚁DNA：就是一个编码技术，把这个用户实体包括产品，文本和外面的article，我们做一个统一空间里embedding，转来转去有很多点。然后，把这个人在这个点里边直接表达出来。它的好处，比如说加密，如果你只看着点，你是不知道什么意思，但是很多合作方，比如说，我们保险公司合作，把这个用户的数据加密，非常关键的一个问题。
案例3-蚂蚁安全大脑
从眼纹到人脸到声纹等整个结合，用来证明“你就是你”这样的问题。这个其实有非常大的价值。比如健康险，我们通过新的数据源融合进来能够反欺诈，更好地理解健康的风险；比如说场景险，就是完全互联网化的一个场景险：穿紧身裤的很多人，在淘宝天猫上购买手机新屏幕服务，干脆直接给你做个保险，这个保险呢，就是碎屏险。
案例4-微贷
基于大数据和机器学习的信贷模式是蚂蚁微贷的优势，在这个模式下，客户立即申请立即获贷，不良率低，可以解决小微企业和个人贷款难的问题：金额高、流程长、授信难。