当前位置：

首页 » 联盟活动 » “数字引擎AI+ 跨界融合”新业态高峰论坛在沪引热议

会员服务 MEMBERSHIP SERVICE

“数字引擎AI+ 跨界融合”新业态高峰论坛在沪引热议

适逢2020中国国际进口博览会第三届开幕，10月30日，以“数字引擎AI+ 跨界融合新业态”为题的高峰论坛在沪引热议，这场以上海嘉定区安亭镇人民政府主办，上海国际汽车城世茂实业有限公司协办，上海嘉定区经济委员会、上海嘉定区产业投资促进服务中心支持，渤锐斯谷-企业家精英国际俱乐部承办的论坛共吸引了行业内的100余位来自政府及人工智能、半导体、大数据、新能源汽车、5G、物联网、互联网、大健康及信息科技等企业高管出席。论坛得到致同会计师事务所、通达理集团、上海汉得信息技术股份有限公司、恩斯克投资有限公司、上海市工业综合开发区、上海人瑞网络科技有限公司、競天公诚律师事务所、上海霖鸿资产管理有限公司、汇联易、威音资本以及投资与经济企业商业联盟的支持。

上海电视台外语频道ICS记者采访：陈丽苹女士（扩博智能Clobotics联合创始人，首席运营官）、默克许先生（马衡达信息技术）大中华区&日本区地区主管及副总裁。

参会部分嘉宾合影

论坛以嘉宾主题演讲、圆桌论坛等形式展开。10位来自行业重磅级演讲嘉宾和分享嘉宾，从全球战略的角度以及公司实操层面，深度畅谈人工智能技术商业化之路、技术应用现状以及传统行业的变革，并纵论未来人工智能与云、IoT、5G、半导体、医疗健康的深度融合前景；人工智能如何与半导体供应链整合及人工智能企业市场突围之道以及揭秘AI与大数据，如何协助中小企业转型，用上头部企业专属的创新驱动获利。峰会的深度和广度以及高规格，吸引了上海外语频道ICS和上海嘉定区融媒体中心到场采访报道。

主持人

陈敬文先生致同上海办公室并购交易咨询部合伙人、致同中国信息技术行业领导合伙人

致辞嘉宾

孙健先生上海国际汽车城世茂实业有限公司总经理致辞及介绍安亭镇营商投资环境

深秋的上海，碧空如洗，凉爽舒适，景色宜人。在这个美好的季节里，有机会与新老朋友见面，我十分高兴。借此机会，我受上海嘉定区安亭镇党委书记陆强书记的委托，对各位嘉宾的到来，表示诚挚的欢迎！对《数字引擎AI+ 跨界融合新业态》高峰论坛的召开，表示热烈的祝贺！孙健先生介绍，安亭作为上海国际汽车城安亭，汽车产业链完备，现在我们汽车产业，安亭的效应90%都来自汽车产业。目前我们重点打造智能出行多行业融合以及医疗产业，其中就涉及到人工智能、半导体、汽车行业、互联网、政府、研究机构等。

孙健先生表示，当前，汽车行业正在向电动化、网联化、智能化、共享化“新四化”方向发展，希望通过和更多的人工智能及半导体行业等开展合作，给汽车行业赋予更多价值。孙健先生介绍，目前安亭镇正积极打造环同济创智城，深度融合高科技产业区和现代化生活区，推进人工智能核心区、智能制造服务区、新兴文信区三大重点产业区域的建设，重点打造新能源汽车及汽车智能化、智能制造、现代汽车服务业及新兴文信四大产业，助推安亭加快产业集聚和精准转型，完善产业生态，打造上海西部产业发展新高地。随着嘉定营商环境不断完善与优化，相信在未来的岁月里，与渤锐斯谷-企业家精英（国际）俱乐部有更多合作与交流！期待企业家来安亭镇创业、投资。在此，我代表上海国际汽车城世茂实业有限公司对为嘉定区经济发展产业做出贡献的各位表示衷心的感谢！最后，预祝今天的高峰论坛会圆满成功！并祝各位来宾、各位朋友身体健康、事业成功、阖家幸福！谢谢！

精彩内容回顾

主题1

AI ＋与＋AI 的思考与实践

王昕磊博士深兰科技(上海)有限公司董事副总裁深兰人工智能芯片研究院院长

今天我演讲的主题叫AI+与+AI的思考和实践，因为我们是从2016年开始做AI+产业落地，做AI产品的时候发现了问题，也找到了一些解决问题的办法，今天给大家做一个分享。首先是一个前言，大环境的介绍，这些知名的大咖们都说过，AI正如我们新时代的电力，电力的发展改变无数行业，现在AI也将如此，我认为AI到最后会跟我们现在的互联网一样，会无处不在的。我乐观的估计，再过三年左右时间，通过我们技术会让AI在产业的落地上，特别是让不懂AI的人，能迅速的使用AI进行产品开发的方面上有一个很大的突破。王博士说，从数字化到信息化最后到智能化，AI也尝试帮助企业实现从软件到硬件的产品化，这是一个大的趋势。但现在又发现一个问题，我们做AI的人，想做很多应用场景的产品开发，虽然我们在AI这个领域懂的多，但是在产业落地，行业知识方面懂的少，或者不懂，这就需要我们解决如何把AI技术与繁杂应用场景融合起来的问题。人工智能大家知道三件事，数据、算法、算力，数据毋庸置疑，中国是一个巨大的数据生产国，光一个杭州就有多少互联网数据，光我们嘉定做自动驾驶就有多少数据。算法，其实中国最不缺的就是数学家，我们从小就被培养要参加奥数。算力，虽然起步有些晚，但我们还是有机会做成这个事，今天也看到来了很多做芯片的专家，算力虽然短期内超过欧美还有难度，但我相信只要国家真的想做，中国的这样的体制，可以集中力量办大事，所以我们一定能跟上。我认为最需要关注的一点是，能不能让大家都能用得了人工智能，这是我从大概从去年的六月份开始一直思考和探索的一个问题，我们也可以看到，在2025年的时候，我们也是希望人工智能的基础理论实现一个重大的突破，现在我们深兰科技也在做可信人工智能的研究，比如我们希望能把人工智能的黑盒问题有一定的能解释性，让它做到安全可控、可信，这是一个很重要的一点研究。为什么呢？大家都知道，我们无论做自动驾驶也好、做边缘计算也好、做什么样的产品应用也好，人工智能到今天为止仍然是一个黑盒，我们没有办法对其进行解释，但是尤其是在一些工业领域，在一些自动驾驶领域里面，其实这是有一个巨大的风险点，所以从软件工程的角度上来讲，从自己本身算法来讲，能做到安全可控可信，这一点是一个巨大的挑战，最近我们在做探索性的研究。AI应用落地有一个双向的鸿沟，这也是今天我想讲的一个主题，传统行业想利用AI技术，我们AI的技术人员想把技术赋能给传统行业，但是会遇到技术门槛高，投入成本高，应用落地难的2高1难问题，你没办法真正的把AI技术，快速，简单，低成本地用到传统行业当中去，由此我们想了一个办法，用自动机器学习技术。我们想说，用这套办法可以降低整个AI的开发的门槛，让所有人都可以用得到起AI，提升传统行业自主AI开发能力，AI的资源也被统一管理，避免资源的浪费，流程也是统一的，最后让企业可以自己完成从信息化到智能化的升级。我们做了三个平台叫产品地名称叫Metamind，以自动机器学习平台为核心，附加自动标注平台，AI开放平台，也做了一些实际地案例。平台支持绝大多数框架，除了一开始机器学习，数据挖掘，我们现在也延展到了CV，自然语言处理，现在整个这套平台可以覆盖95%以上的AI领域。

主题2

人工智能与半导体供应链的整合

何薇玲女士上海芯联芯智能科技有限公司董事长、源创芯动科技（宁波）有限公司创始人兼董事长

中国过去三十年半导体产业的发展，从“我有”半导体到“我会”半导体，到现在有无可能在半导体这个行业“我赢”? 人工智能和半导体就是算法+算力，需要人工智能与半导体供应链的紧密结合。AI要解决算力问题，而集成电路设计需要解决出货量的问题，也即：必须达到SoC设计生产所需要的经济规模。要解决AI或者ADAS的落地问题，需要采取开拓性的采用众筹、chiplet等方式，建立相应的半导体供应链。目前新能源汽车、AI、ADAS等的快速发展，为我们提供了重新领跑的机会。对比Tesla和蔚来的竞争就会发现，特斯拉十七年做出五款量产车，第一年交付两千多台，首批交付整整花了九年时间；而蔚来到第六年有三款车型，最近蔚来最近把轿车推出来，首年交付11384台，这是一个了不起的成绩。而对比今年九月的汽车排行榜，在汽车排行榜后跑的蔚来已经排名第三名42.59万售价，而十三名才是特斯拉。然而，可下个十年谁会赢？这对我们产品设计和所有做算法跟算力都是很大挑战。第一，所以核心技术研发是否已经掌握，包括：汽车配件成本；第二，自动驾驶技术核心技术的来源？Tesla的自动驾驶FSD是特斯拉的独家产品，而蔚来等新势力目前均使用Mobileye的技术。在核心技术上，中国是否可做到自主可控？一套FSD在中国售价是六万四千元，六万四千元等于刚刚汽车售价的七分之一，而此七分之一或许将决定车企下一个十年！解决此问题，不但要完全自主研发，而且要让每一个普通家庭都要能付得起，也就是国民车的需求。但ADAS的发展离不开半导体业的发展。在汽车产业里面， AI跟半导体是两条平行线，尚未真正交汇，原因在于：做半导体需要有一定的出货量支撑，比如：要做这个ADAS的芯片，假如没有一百万颗量就无法盈利。蔚来据说也要做芯片，但做芯片马上遇到一个问题：投片一颗芯片，要做到七纳米，生产起价做一套价钱就是六百万美元以上，没有一千万美元的投入是做不出来的。所以在新能源汽车领域: 如果主机厂的产量不足，就是一个很大问题。如何把各自不同产量的用户如何聚集在一起，解决成本和实际产量问题，采用所谓众筹(拼多多)的形式，用Chiplet的方式创造性的解决。为什么需要用众筹(拼多多)的方式? 单一车厂的产能可能不到二十万台，可不可以其他的两家达到六十万台？假如还不够，我们再找一些传统业的车厂加在一起，可以过一百万颗的门槛，基本上做一款芯片就可能可以赚钱的。也就是:采用拼多多模式，把量做起来。9月，新能源汽车前十名排名，第一名不是特斯拉，第一个是宏光MINI EV，这个人民代步车2万8千8百块，这个是只有我们中国可以做得到，当五菱Mini做到特斯拉的水平，必然大卖，而相应的量也必然是巨大的。所以我们会不会走上这个美国日本的老路，相信我们需要跨代的思路，绝不是自己单打独斗，除了造车新势力外，整个新能源车加在一起把这个量做起来。而半导体工艺的发展，半导体的经过几代快速发展，从四寸到八寸到十二寸，整整花了已经是几十年的时间，现在主流十二寸晶圆可以看一下，到七纳米、五纳米的不断的突破，除了更更低功耗、面积，有一个很大的原因是经济规模，7纳米工艺下，能切除更多的晶圆，达到更大的经济规模。除了量的需求之外，还需要Chiplet的方式创造性的解决成本和上市时间(TIME TO MARKET)问题。把芯片按照功能划分，一颗半导体芯片基本部分分开：GPU分开， NPU分开、CPU分开，这样算力的工作是心管心的工作，脑管脑的工作，心给力量，脑请AI放进去，这个就是我们看到的集成电路的整合方式：先进封装。通过先进封装，把各个集成电路的组成模块封装在一起，快速做成一颗芯片，可极大节省开发时间、不需要每颗SoC都要花费三年的时间，或许可以从十八个减到十二个月，甚至减到六个月，缩短上市时间更快抢占市场，这就是先进封装的威力。当今我们有最好的算法，我们有巨大的客户需求，我们把所有需求量加在一起，一百万颗过了这个门槛，基本上我们就赢了。假如可以把刚刚讲的这个ADAS所用自动驾驶芯片的算法、算力，我们把一颗ADAS芯片压到一百块美元以下，绝对做得到，可是你要有量，你开一颗和一万颗对于做芯片来讲MASK是一样的，做到后来这个价钱有机会可以摊平，这个芯片可以做CPU可以做GPU，在中国已经有这个市场，只是我们没有一起合作共赢。举一个业界常用的车载24颗芯片的例子图，ADAS是一个很好的例子，因为ADAS非常贵，而更进一步考虑到其他的车用芯片，有太多的工作可做。集成电路是一沙一世界，一花亦天堂，我们可以在硅这个材料上握出一片半导体上，这个刹那就在手上，我今天带了一句为了AI借来的这句诗有爱就是无限，我们有这个机会创造无限，可是我们算力跟我们算法人工智能跟半导体一定要携手前进。

主题3

AI- 神话与现实

默克许先生马衡达信息技术（上海）有限公司大中华区&日本区 – 地区主管及副总裁

默克许先生说，让我们机器正常运作，并且能预知环境，可以帮助我们感知环境，接收环境的信息帮助我们做决策，所以我们在做决策的时候，具体是什么样呢？首先我们要感知环境，我们要去周围的人以及周围的环境进行连接、采集数据、分析数据，我们进行数据的一种建模，这就是我们需要去进行这种数据建模、数据科学，这就是我们AI所能发挥的作用。我们要通过一些建模，比如说我们一个照片，不同图像的照片，我们前面的讲者说到的智能的就是我们这样一个功能，我们有各种各样的合作，我们可以看到，他们就做的不同的一些领域、不同的场景。我们其实也看到在现在它已经是超过人脑了，所以这也是比较有意思的方面，这就是我们对人工智能现实方面，我的演讲也提到了AI的一个爆炸式的发展，主要是因为大数据的支撑还包括算力的增加，还有就是我们很多的终端的设备来支撑着我们的AI方式增长，一个方面是机器学习，机器学习定义着未来的人工智能的发展方向，这也是最令人期待的一个方面。我们看一下AI数据有哪些不同的类型数据，比如说有结构化的数据，还有可以看一下结构性的数据可以来进行管理的，还有时间序列的数据，还有一些非结构性的数据，比如说图片、视频、文本或者是音频的这样一个方式，我们知道使用这种图象识别技术的研发的这样一个领域，在使用AI的这样一个数据技术，所以对于在互联网上的联络也就是通过不同数据实现这样的连接效果，在过去两年我们可以看到这个AI的系统其实在这个图象识别的这个方向是做的非常的好的，甚至可以说在图象识别这方面的功能，已经超过了人脸的功能。所以说这样的一些系统的这样一个应用，其实也被很多的企业所应用，包括一些中小型的企业，对于具体乐观行业来说，AI还能产生什么样的好的作用呢？比如说我们可以看到这边就提到了AI可以帮助一个企业来提高它的一个收益，来降低它的一个成本，这样就可以最大化的利润率，我们想象一下，如果你雇佣一个CU或者雇佣一个AI，这个AI已经录入了这个所有的数据，所有需要的信息，这个CU或者这个AI就可以大大提高它的工作效率，过程当中也可以极大的降低他的运营的成本，所以我们现在面临的一个风险就是，我们在使用AI的过程当中，一方面利用到它为我们带来的好处，另一方面控制可能相应而来的风险。但是其实在现实生活当中，我们知道AI不仅仅是这样的一个魔法，更重要的在现实当中我们要考虑到对我们的一些行业的不同行业的朋友来说，他们在AI应用到不同的行业当中的时候，他们也会碰到不同的问题和挑战，有的时候感觉AI对他们的帮助也不是很大，其实我们也要帮助我们不同行业的朋友让他们了解，AI的能力有哪些，它的能力界限在哪里，可以帮助哪些方面对我们不同行业、不同企业的朋友带来帮助，这边我们可以看到刚才提到的AI带来这个好处，但是比如说这边在和这个帮助我们提高和消费者还有我们的员工的交互的效率上，通过AI可以帮助我们提高67%的效率，另外就是我们通过AI的数据分析，可以帮助我们提升我们对于事情的这样一个洞察力，这也是我们利用AI提高我们运行效率当中很重要的，在整个建设链当中和企业当中，可以使用AI帮助我们流程上实现自动化，从而提高工作的效率，这边我们可以看到一些例子，我们使用AI的这样一些应用、环境，比如说AI的计算机识别技术，还有物联网跟AI综合性的使用，还有这个机器人的一个自动化，还有深度学习，还有自然语言的一个理解。我们知道像使用AI的话，可以帮助我们去识别和理解不同的语言包括中文、英文，包括其他的语言，这样的话就可以极大提升我们的沟通效率，所以在过去两三年当中，AI我们可以发现，它的应用其实是越来越广泛，在不同的行业当中。接下来我们刚才提到了关于这个AI我们称之为是一个神话，但是我们现在还要再回到现实，下面我来举几个例子，一个就是制造业的例子，还有一个医疗业的例子讲述一下AI的应用，首先看一下关于这个图象识别技术的一个应用，现在AI在进行图象识别包括我们的面部还有我们的手势识别过程当中应用非常广泛，而且效果也是非常好，这些技术很多时候也都是就在我们日常生活当中，大家可以接触得到，所以跟我们每个人都是非常近的我们的生活，以及在工业行业当中的应用，比如可以使用机器视觉检测这个表面的缺陷，会发现这样的它的一个检测率或者表现会甚至超过人工的检测表现。这样因此也受到了很多制造企业的一个推崇和热中，另外就是比如说我们可以通过AI技术来帮助我们测量一些工业部件的尺寸，有的时候一些工业部件的尺寸确认精细度要求非常高，需要花费很多时间，不同部件，不一定所有部件都是可以进行精确的测量，我们通过AI的这样一个机器学习的能力，可以使它快速的来检查不同的部件，并且能非常准确的测量这个部件的尺寸，另外使用AI进行到3D和检测当中，我们知道对3D的尺寸的检测对精度要求也是非常高的，这个过程也是非常复杂，需要进行大量计算和技术，我们使用AI的软件可以支持我们来进行3D的这样一个尺寸的测量，并且我们的这个软件已经应用到一些三维智能传感器上面，这边再举一个例子，我们使用AI来帮助我们的流程实现自动化来提高效率这方面的应用。比如说它可以用在流程的优化还有质量控制，还有测试方面等等这样一些不同的应用场景，在这个测试方面可以用于飞机的这样一个机翼自动气流的测试，可以自动的检测到飞机上比如说部件，把这些信息推送到仪表板上来进行调整，另外AI技术用于实时的投资还有贸易咨询这样一个应用，这边我们提到这个应用并不是说这些决策用AI做，AI只是起到一个辅助作用，会帮助我们的人做出更好的决策，这边提到的应用我们客户就是美国的一家大型金融服务的机构，客户经理会为客户提供关于理财、保险这样的服务，对AI来说可以为我们理财经理提供非常多的信息，比如说对客户的这样一个个性化的分析，还有对于市场的信息分析，可以帮助客户经理给客户提供更好的一个服务还有推荐，另外对于深度的一个授权挖掘还有知识发现的系统的应用，这个应用也是我们的一个客户全球非常大的航天航空的公司，会发现希望能利用这个AI去提取一些不同格式来储存的非结构化的数据做出标准的文本管理模式，来提升他们管理效率。另外，再提一下AI在医疗保健领域的应用，这边可以看到使用AI技术来进行肺支气管的分割模拟，这边是AI应用于主动脉支架的一个植入术的这样一个手术，所以说我们可以看一下这边总结了一下，我也碰到很多企业的CU跟我交谈的时候，我们到底如何应用在我们企业当中，如何可以帮助我们，所以我们要考虑到我们AI技术，能给企业带来一个届时的帮助，我们需要解决的问题或者当前面临的问题，对数据进行标记、训练，当时数据结合算法的偏见问题等等。

主题4

扩博智能用AI赋能风电，加速产业生态化发展

陈丽苹女士扩博智能 Clobotics 联合创始人，COO

今天很意外能看到这些参会主题演讲，也很荣幸能跟各位企业家做很多的沟通交流，与各位的有识之士进行探讨。我先来介绍一下扩博智能Clobotics。当我们2016年差不多创立这家公司的时候，当时所有投资人都会问，你为什么不做人脸识别？人脸识别从2013年开始，2016年那个时候是最火的。我们当时考虑的是，要抵御诱惑不跟风，了解我们自己的强项是什么，我们创始团队都来自大型欧美企业，欧美人做数据生意非常讲究所谓的PII，也就是个人隐私。我们不是非常确定人脸识别这件事人工智能所谓的方法我们怎么样做才能不跨PII的红线，所以我们抵挡住了诱惑。今年的10月16日到19日在北京中国风能展，这是我们公司第三次参加。风能展之前总书记提出一个2060年碳中和的概念，承诺2060年50%能源来自绿色能源，之后所有的能源类新闻在总书记讲话以后，可以看到党中央、国务院、副总理、各个部委办都在关注强调新能源规划，昨天出来的最近的十四五规划新闻，把新能源排第一位，一些传统行业人工智能对它的赋能，做深做扎实是非常重要的。简单介绍一下我们公司，我们到11月3日，下周成立四周年了，在这四年时间里，自己觉得发展的还是不够迅速，但我们还是很幸运，有四个国家、五个地区已经有我们办公场所，最大的在中国。今年疫情期间我们做了两个丹麦的并购，我们收购了两家丹麦公司都是风电业务方向的，一家做欧洲海上风电最知名的一家公司，另外收购一家的技术研发公司是给所有大的风电的西门子这样的公司做咨询服务的，新加坡是我们销售在亚太地区的市场。目前主要员工大概130人左右，我们已经申请有100+个发明专利，很幸运昨天正式收到了我们第一个已经注册成功的美国专利，对一家成立还未满四年的公司，我们专利方面布局比较多的。大概简单看一下全球管理团队，更重要的是早期比较难如何把你这个全球化的管理文化，能统一在一起，让大家在一个管理文化架构走。比较有意思的给大家分享一下这个管理，每个地方的文化非常不一样，我们在内部招聘重要岗位会做一个岗位标杆，我们会发现，这个岗位要服务四个国家的时候，四个国家负责人对这个岗位技术要求都是不同的，我们会做很多的所谓中文互联网叫“对齐”的动作，这个工作我发觉无论用接地气的方式说对齐还是英文说Alignment，对企业发展、岗位定义怎么做都是非常有帮助的。这是我们的一些过去四年当中，赢得的一些头部客户，今天主要讲风电这部分，可以看到所有的无论零售还是风电，服务都是全球的头部企业，不单单在中国。现在讲讲风电业务，有一个视频可以看一下。我们服务能源行业一直在做真正的产品。我们不是做项目，我们卖的标准化产品在全球范围服务，我用一台无人机做三维自动驾驶，是一个三维立体的外形，客户的要求从叶根的螺栓到叶键都要有清晰可见的照片。取决叶片的长短，十五到二十分钟之内完成这个巡检，没有人参与。全部的一切全部由机器自动完成的，包括飞行、拍摄等等。视频里左边是欧洲传统，怎么去做，完全由人做的，一般三到五个人一组，这个方式管它叫蜘蛛人，另外比较安全的方式叫吊篮，基本三到五个人一组，一天只能做一台风机巡检。我们用现代化人工智能巡检方式在国内、天气比较好的，在新疆一天可以做十五台，在欧洲由于客户的成熟度和配合度比较高，我们在海上一天也能做十五台。大家都知道海上的风气更大，难度越高，因为天气恶劣，我们这个风电的业务上面讲的都是这个效率，我就不重复了，更重要是说通过采集这个数据叶片传统怎么做，我为什么需要你，传统行业在于人工智能很有意义的，传统行业很渴望有数字化转型，但是什么叫数字化转型，数据哪里来，其实是不少的。有很多数据，拿来以后会发现对我来讲一个风机提升发电效率很重要的一个部分是我叶片状态如何，一个大型风厂170天，一年可以满足巡检条件天数也就几十天，做透彻的检查非常难。我们和丹麦团队一起开发了一个风机叶片的能量损耗模型。模型告诉我们如何通过这些传感器、SCADA数据磨合知道我的风机发电效率怎么样。目前中国大部分巡检怎么做呢？靠望远镜看然后靠人工估，会说，嗯，大概离夜间十五米地方有一个三到五米长的腐蚀，或者靠人去爬上去检测。同样的叶片，我是在沙漠地带的问题更多，还是海上问题更多，是这一批的所谓环氧树脂材料抗腐蚀性不行还是抗风沙性的不行，给到风电运维企业，给到我们叶片厂，给到主机厂，给到厂主，知道我的资产情况到底是怎么样的。这个三位自动驾驶的全自动巡检产品是我们今天已经在全球售卖的。服务方式和能力是从用我们运维团队为客户服务，已经演变到客户可以自己实施。极端天气后客户可以随时自己来检查，做完以后数据传给我们就可以，客户不需要专业飞手，只需要现场工程师进行我们的培训。所以我们是把我们的产品做成一个工具给大家用。我们用的所有硬件产品部件都是民用的，在中国可以淘宝上买到备品。我们认为这样才是真正为行业去赋能。今天产品的第一步是巡检服务，所有用过的客户都说你的产品非常好。现在中国很多大型主机厂商和叶片厂商、用户，已经不靠估计来算，已经拿着我们的报告来招投标，报告可以告诉他，你哪些东西应该修，哪些东西可以先不修，如果修该怎么修。我们的另外一个产品是和跟欧洲团队一起开发的，基于我们巡检数据和SCADA数据，我会提供维修计划，尽量早期进行维修，然后告诉用户这样修以后你能提升多少发电量，我们认为应该是3-5个点，大家可能不太熟悉能源行业，能源行业我觉得一个Cash cow, 能源行业很有钱，比如风机就像一个印钞机一样，风机一旦起来了只要在转，转一下就是钱，所以底下如果有做投资的朋友，不妨经过这次十四五规划考虑一下新能源行业。给大家看一下照片，这就是我们自动无人机，拍摄下来比较好的叶片，这是一些前面的腐蚀，当中这个是雷击，右边也是雷击后的照片。给大家一个对比，我们的所谓一毫米到三毫米是什么样，这是某个叶片上一个标准的疑似缺陷，放大一看是一个苍蝇。经常有人问八到十米远的照片，必须每张清楚的看到裂缝怎么定义，所以现在的对标就是苍蝇腿。工程师开玩笑说根据百度这是一只母苍蝇。我们的巡检是不需要预先建模的。不论什么品牌的，国产的、进口的风机，叶片多长，怎么停，停什么角度对我们都没有关系，我是一边飞，一边导航算法一起飞，所有都是一起完成的，我们对我们导航和飞空技术是非常有信心的。我们所有出去的每一套升级算法基本都会做至少一万次的仿真，在计算器仿真上现场做验证，对于真正做产品来讲非常重要。我们的照片在完成巡检上传数据以后十分钟客户就可以看到，这样的损伤都是通过机器视觉判定以后，大概知道，为什么这么做，全自动能知道损伤的大小、级别，必须通过这些照片进行定位处理，不会扔掉任何一张进行判断。这是一些完整的拼接示意图的示意，不同的路径，这是我们做一些三维模型，虽然叶片本身是一个二维的图片，但是有信息，我可以做三维模型，最终可以到一个有弧度的数据，这是我们做的一些缺陷测试的结果对比，最终的业务覆盖范围，今天卖的是巡检，以后还有维修，最终目的通过这样一个循环帮助我们发电企业进行发电量提升。这是两头在帮大家增加收入和利润，大家看这个发电量模型就是说新叶片三年以后如何发电量就开始断崖下降，灰色部分就是你所损失的收入，我们会告诉你怎么用最少的钱把它修复好。我们风机越来越大，离海越来越远，今后无论在中国还是在海外，海上风电都会是发展方向。但海上风电服务越来越难，因为你去一次都很困难。还有我们现场人工短缺很明显，中国基本45岁以上人不愿意爬塔，环境非常恶劣，夏天五十到六十度，冬天零下二、三十度，年轻人宁可拿两千五百块钱工资在家打王者荣耀，也不愿意做这个，人工智能不是取代人的工作，而是让人做更有意义的事情，谢谢大家，谢谢主办法提供的这个机会与大家交流。

主题5

人工智能赋能医疗健康

倪渊博士平安智慧医疗智能疾病管理部负责人

经过二十几年的深耕，平安已经成为国内领先的医疗健康企业，打造了全方位的PPP模式医疗生态圈，即患者端，医疗提供者端以及支付端。在患者端，我们有平安好医生提供线上和线下患者入口；在支付端，我们有平安医保科技，覆盖200多城市，8亿多用户的理赔风控，另外一部分我们平安传统的商保，包括健康险、寿险、及养老险，覆盖1.8亿的用户。在医疗提供者端，我们有平安智慧城市，用AI的方案为政府和医院提供一站式解决方案。现在政府的政策也更鼓励保险公司做相关的医院的运营，所以平安现在也在跟深圳龙华医院成立平安龙华医院，由平安共同运营三甲医院，同时平安也会联合构建高端的医院。最下面是平安医疗科技，通过人工智能、大数据技术为我们内部的医疗子公司提供赋能，我们平安医疗科技现在大概有一百多个人工智能算法专家，基本都是博士和硕士。我们整个平安医疗科技主要在做的有三件事情，第一个构建底层五大医疗知识库，覆盖疾病，药品，手术，检查检验，医学文献，医疗机构以及医生等信息。其次，我们需要将医学知识表示成机器可以理解的形式，我们构建了医疗知识图谱，现在规模有300万节点及3000多万的关系。在此之上，我们利用人工智能技术，研发了覆盖患者的诊前、诊中、诊后的全流程智能模块，下面，我将分享这些智能模块的技术以及我们最后落地的案例。对于诊前，我们通过构建疾病预测模型来辅助患者分层。从疾病预测来说，有人工智能或大数据技术之前，很多医生也会做疾病预测模型评估一个疾病的风险，传统的方法医生根据经验，挑选十几个维度，通过逻辑回归等方法来构建模型。这样有一些问题，第一医生的经验只是看到他看到的数据考虑的维度，更多的维度可能或者是变化医生没有考虑进去。第二，逻辑回归要求我这个疾病的结局和我风险因子是一个线性的关系，很多时候我们这个结局不是线性关系。我们这里构建的疾病预测模型主要有三大核心的技术，第一个我们要做大量数据的治理。真实世界的医疗数据是存在大量的噪音数据和缺失数据。我们曾经分析过一百万糖尿病人数据，发现在数据噪音去掉之后，一百万只有不到十万人数据是全的，我们需要自动化方法来对数据进行补全，让这些数据更可用。这里，我们会考虑多个纬度的患者信息来进行补全，包括同一个患者在前后不同次就诊的数据，纵向相似的患者在同样的时间点上的维度，我们还考虑一些斜向的数据，把这个患者的数据点补全。我们案例下面曾经有两百个维度数据里只有十几个维度完全好用的，通过这一套补全之后，可以把维度到160几个维度都可以用的。第二个核心技术，我们会用更多深度学习的方法做这样的一些疾病的预测模型，会发现我们去深度学习的方法做了模型之后，这个精度肯定比传统方法更准。因为深度学习可以挖掘到临床结局和风险因子之间的非线性关系。我们最终还要做一个可解释性的一个难题，因为我们真正临床要用的时候，医生一定要把这样的黑盒子，转换成临床当中可以用的风险的量表，所以我们也怎么样做模型的可解释性。第三个我们做患者分群的时候，做药物疗效分析，把患者分成多个子群，每个子群上看哪个药物更有效，传统用非监督学习，可能非监督学习会把患者分到每个群当中，有临床结局不是很相似的患者做了一个分到一个群里我们从我们目的出发，希望临床结局非常类似的患者分到一个群，这样才可以做更好药效的评估，我们也提出用监督方式让机器自动学到，做患者相似的时候，用什么样的方法来做，更合理的把患者做好。下面我将分享用人工智能技术做疾病预测模型的案例，这是和东总这边合作的关于iga患者的ESRD风险模型。我们的训练数据有几千例的样本，通过以上的核心技术，我们最终的精度比传统回归方式大概有十个点提升，第二我们利用了集成学习的技术，获得的模型性能更鲁棒。当这个数据只是缺失的时候，其实回归的方法精度下降非常快，我们用更多的集成学习方法，我们的模型鲁棒性非常好，因为真正去临床应用会碰到数据的缺失。第三，我们也通过可解释技术来分析风险因子的权重，将风险因子以更可视化的方式展现给医生。患者来了马上知道这个患者风险高，是因为什么原因，会有一个全景图给医生展示。第四，通过深度学习建模技术，我们也发现了有一些风险的结局跟因子本身就不是一个线性方式，本身就是U型，传统方法不能很好的做，有进一步空间。我们的这项工作也在肾病领域顶级的学期期刊AJKD上做了发表，这也是第一点我们用人工智能技术在医学期刊上做的发表。我们现在在用这一套技术跟我们的保险，我们的寿险、产险都有一些结合，我们要算人群的风险，我们针对不同人群的风险做这种不同的个体化的这种保险的产品，都会需要大量的去做疾病的相关的预测，同样我们产险，我们在做人伤处理的时候，我不知道这个该赔多少，现在有这样大数据模型，可以精准预估人伤事故带来多少费用，做到快速理赔。我还要分享一个我们在药物疗效分析上的工作。是用大数据来分析免疫抑制剂适应的人群的。之前通过很多方法做，会发现免疫抑制剂效果不是很明显。我们通过精准分群分析的方法，对人群做细粉，最终找到两个人群，免疫抑制剂的效果非常明显。这个技术也可以用在加速药物临床试验上。通过精准人群分析，可以找到最适合这种药物的人群，进而可以提升二期，三期临床的成功率。第二大类很多人工智能公司都在做的医疗影像的赋能，可以看到从头部，到肺部，到四肢都有不同公司在做。但现在很多的AI公司存在一个问题，他们往往只盯着一种做，很多公司做肺部只做结节，有人做眼底只看眼底视网膜病变。很多医生跟我说，看一张肺部片子不是只看结节，还要看所有肺部感染。平安选择在一个应用场景下，做的深入。比如，我们做的眼科OCT，可以覆盖近二十种眼部疾病。我们将这套技术和市面上的各种设备厂商进行了集成，在设备上提供智能的阅片功能。我们也在跟上海五官科医院孙主任一起做这样的筛查类眼科智能影象云平台，上海很多社区都铺了这个设备，及时扫描到患者，只要患者去健康驿站就可以得到一份筛查报告，中国人眼部问题很多，在筛过的患者中，有近20%的阳性率。第三大类是针对医生的辅助诊疗。医生的临床决策可以分为诊疗中和诊疗旁。在诊疗中，需要根据用户的主诉进行快速的诊断及给出治疗方案。在诊疗旁，医生碰到复杂的案例需要去查询相关文献，同时为了临床科研，医生也需要了解疾病领域的研究热点，追踪最新的文献。针对于诊疗中，我们研发了临床决策支持系统，覆盖1500种疾病的诊断推荐以及100种常见疾病的精准治疗推荐。对于辅助诊断模型，我们融合知识图谱及深度学习模型，诊断推荐准确率达到90%。在医生诊断过程中，针对于用户的主诉，我们会提示医生相关的症状，并给出疑似诊断的推荐。同时，系统也会推荐相应的鉴别诊断，及检查检验的解读。当医生确认了诊断疾病后，我们会给出用药推荐。传统的决策支持系统主要是将指南变成决策树，进而给到治疗方案。而指南往往会力度比较粗，比如针对已经服用双胍的糖尿病人群，血糖控制仍然不满意的时候，会推荐二联用药。但是是加磺脲类，还是dpp4，指南并没有给出个性化的推荐。我们利用了大数据技术对真实世界的数据进行精准分群，在指南的基础上，进一步给出相似人群上不同药物的效果，给到医生个性化的治疗方案推荐。这块在基层的应用上非常大，我们这块跟甘肃卫健委合作已经落到了全省1.6万家基层医疗机构，提升了基层医生的诊疗规范性。针对于诊疗旁，我们融合了3800万中英文文献，疾病百科，药品说明书等，为医生提供一站式医学知识查询。同时，针对于英文文献，我们还支持一键翻译中文，帮助医生快速浏览。医学文献更新也很快，每年有上百万的更新，肿瘤医生可能每个月得看一万多篇论文才跟得上最新的研究趋势。我们这边通过自然语言处理的技术对3000万文献去做了一个深入的分析，并进行综合，以更可视化的方式呈现给医生。并且基于医生的使用习惯，构建了精准的医生画像，提供千人千面的个性化推荐。我们去年跟今年搞了两次人机大赛，去年把AI和基层医生做一个对比，当时主要是想说AI怎么赋能基层医生。我们找了十个基层医生做六个房颤真实病例做对比，其中五个医生用我们的决策支持引擎，另外五个医生可以查百度，可以查任何的搜索引擎做这六个题目，最终用了AI系统的医生以86分比51战胜了没有AI辅助的医生，而且用了AI的这组医生，得分的方差比较小。组织比赛的专业也说到，AI可以帮助基层医生快速提升诊疗水平。在最近刚结束的心血管最大的学术会议长城会上，我们又做了AI对抗三级医生。这次的比赛病历是以房颤为中心的心血管综合管理，患者有房颤伴随高血压、冠心病、肾功能不全等疾病，针对这样的病例让AI直接给出治疗方案。疾病的治疗真的是一个非常复杂的过程，医生要考虑相当多的指南、相当多要素点。一个房颤人还要问这个人有没有睡眠综合症，有没有甲亢，有没有出血历史等各种情况。医生还是会有一些遗漏的，最终这个比赛是AI以97比93战胜了医生组。这说明，针对于复杂疾病的综合管理，AI对于三级医院的医生也是有帮助的，可以辅助医生给出更完善及合理的建议。第四类核心技术是针对于患者离开医院之后的院外管理。在患者离开医院之后是需要进行持续的管理和健康教育，比如心血管术后的随访，糖尿病的长期管理等。传统的疾病管理需要护士或者家庭医生给患者打电话，或上门进行随访。但中国可能一个家庭医生管一千多个患者，是没有时间将每位患者都管理的很好。这里，我们利用AI技术研发了智能的慢病管理系统。首先，我们利用疾病预测模型来预测患者各种并发症的风险，构建患者健康画像以及进行危险分层。其次，系统基于患者健康画像来制定个性化的健康管理方案。第三步，在患者执行过程中，我们通过AI来提醒患者完成任务，帮助医生自动回答患者常见的健康教育问题，并代替全科医生进行疾病随访，收集患者自我管理的信息。随访一般都是套路性问题，问你血糖、血压有没有测，具体值多少，我们先用AI做收集，只有AI收集失败的时候，我们会才给医生做任务，让医生随访。基于智能的疾病管理平台，我们联合中华医学会糖尿病分会以及赛诺菲做了升级版的三人行糖尿病管理，已经入组了七万多糖尿病患者。通过这套融合AI的管理系统，我们将平均每个患者5个随访电话降低到了每人2.9个电话。我们有了AI之后，患者有更多的方式来获取健康知识，因此在整体的管理效果上，也是比传统的方式有了显著的提升。我们可以看到，人工智能技术在医疗领域已经有了很多的应用。我们也相信，在未来的医疗服务中，人工智能技术可以辅助医生，帮助患者，起到更多的作用。我的分享就到这里，谢谢各位的时间。

主题6

解密头部企业的创新获利套路-AI在中小企业创新的杀手级应用场景

钟基立博士MIT美国麻省理工学院斯隆学者，智汇权创始人兼董事长，Innovations’ Crouching Tiger作者

人工智能在行业应用正在展开，我讲的是中小企业的应用，中小企业是经济的基石，但是不见得技术那么高深对，我要讲的更多是基于一些商业的常识，还有我们一般的心理学跟AI应用的一个互动。今天这个演讲有很大一部分来自这本书，是我在11月即将出的一本书《Innovation’s Crouching Tiger》，世界第一本以英文介绍中国创新生态系的专著，结合了我过去在金融业，在科技业还有法律服务业的一些心得，以及2016到2017年在麻省理工学院担任斯隆学者和大家交流的结果。我们有一个猜想，人工智能这么厉害，有没有办法把这些头部企业、获利这么强的企业，获利法宝，它的套路给AI机器学习出来，让更多人得到这个好处？有可能，但没有那么简单，有困难必须克服，怎么克服是今天讲的重点。一开始梳理一下头部企业，例如阿里巴巴、谷歌到底怎么样实现领先地位，有什么方式维系领先。它的方式、它的逻辑、它的做事方法，我们能不能用AI的方式把它学习出来，当然有一定的难度，如果可以的话，可以解决我们现在中小企业所面临什么样困难或者什么样痛点。头部企业的创新套路，这些企业这么赚钱，到底靠的是什么，归根结底，有一些与众不同的地方，这个叫差异化。差异化有三种法宝，第一个就是技术密集、资本密集。在另外一个极端，差异化也可以做的很轻薄，也可以做的很短小，但是一样很有效，如果在经营上能结合潮流以及创意。第三种差异化，我觉得是更厉害，是跨界整合的差异化。麦肯锡战略咨询公司，我相信在座的人都知道，但是你们肯定不知道他的灵魂人物是一个律师，他首先把律师行业的尊重客户，以客户为中心文件的管理和标准化，作为一个流程导入战略咨询行业，彻头彻尾的改变了这个顾问咨询行业，造就了麦肯锡这家公司。但底头部企业怎么做到？首先克服信息障碍，然后更重要的，是克服心理的障碍。我们思考有两种模式，一个像兔子跑的一样快，一个像乌龟爬的一样慢，跑的快帮助我们日常的决策，它省力，但有个缺点容易忽视掉影响大但时间更长的事情。企业成功的时候，决策效率非常好，做判断非常准，但是事实上正在进入另外一个陷阱，忽略本业之外，重要的机会，忽略掉那个慢慢在爬的乌龟。因此头部企业获利那么多，套路那么多，总归来讲是在它的企业文化、工作流程对于将来的探寻，无所不用其奇的克服这两种障碍。但是不是克服障碍产生新想法就会成功？那倒未必，因为稀奇古怪不是差异化，有没有人去过监狱餐厅？服务员打扮成狱卒的样子给你送饭，黑黑的牢笼，保证不会去第二次，太稀奇古怪。相对的是海底餐厅，这种创新可能觉得带着美女去一下，为什么？因为它除了出现一个新的想法，还能符合市场的检验。市场检验什么呢，我们归结为M-I-T，不是我的母校，是三个字的缩写。第一个M市场消费潮流，第二I是知识产权战略，第三T是技术生命周期。光有想法没有用，必须通过这三层市场检验。我举三个例子，第一个平衡车，平衡车这家公司破产，现在变成小米生态体系旗下的一员，为什么，因为太多精力放在开发产品、保护IP，完全不做消费者测试，如果当时先走消费者测试，开发成本迅速下降，可以存活的更久。小米很厉害对不对，米粉操作，最了解市场趋势、消费者趋势，但是它却在知识产权上踢到了跌板，2016年手机行业刚刚起来，声势如洪，想进军印度、美国，都是因为专利的问题没有进去，之后专心做生态系，至今一直在做知识产权的堡垒、知识产权的策略。既然IP这么重要，有一个问题请教大家，为什么2014年的时候特斯拉要送给全世界250个电动车的专利。如果是小米，应该保护的紧紧的。原因在于，如果特斯拉要做的是电动车霸主，应该把专利保护起来，但他想到要做汽车业霸主，然后进入能源企业，那必须众人拾柴火焰高。他的策略，是让更多供应商一起研发，更多人可以参与到生态里面来，从而垫高他自己的产值，这就是第三个MIT的T产生的影响力。我稍微总结一下，刚才讲头部企业的创新套路就是差异化，克服两个障碍，信息障碍、心理障碍企，然后通过市场化的检验：M-I-T。这个套路我能讲明白，但是AI能学会吗？AI在医疗应用，看片子非常精准，但必须要整合其他信息，才能做一个医生做出的判断。下棋大家都知道“阿法狗“，在固定的棋盘上，人类没有办法匹敌了，但是商业政策从来不是在棋盘下，有各式各样的不按常理出牌，才有商业上成功。AI在IP上的利用，我以前做专利律师，搜寻一个专业前案要三个月，现在三秒钟，但帮助的人群，限于我们做专利的同事。同样AI在生产流程里的应用，刚才讲到风电、检查仪器设备，非常好用，但是你如果没有好的市场，你的产品再做的怎么精细，再便宜也卖不出去。AI做市场很厉害，现在做精准营销，根据你每天看到的信息推送给你需要的产品，我们手机经常收到看似自己需要的，又不想购买的邀约，都是这样来的，每一个区分领域都已经非常成功。但是我们今天讲的主题，是企业的转型升级，企业的转型升级从来不是单一部门，或单一方向，或一个管理功能所能决定的。MIT教授的研究指出，当企业越大，部门之间有不同的矛盾和冲突，不同的主管都觉得自己很专业，你让他们拿到他们认为有效的AI工具时，生产部门主管觉得我的生产效率大为提升，营销部门主管觉得我的精准营销做的更好了，IP主管说我们这么做绝对没有起侵权问题。但是，你忘了横向沟通，可能反而加剧了企业内部的斗争。表面上，部门最高的副总，可能握手、协同创新，但是背地里，是不是要想办法为自己的部门争取多的资源，你有团队要带，你要有奖金，你要有表现，怎么样共同为公司来服务？在既定的营运轨道可以，但是你讲到转型升级这么重要的根本性商业决策，开始变得困难，这就是斯隆商学院说的组织惰性和市场惰性。中小企业在我来看，反而比较有可能去突破，老板说了算，企业内部没有那么多方方面面的部门政治，中小企业不用上市，不用向董事会、投资人交代，不用向股票股民交代，可以更快速做转型升级。但是在那个发生之前，还得替中小企业老板们做两件事。第一件事要开始整合AI挖掘的信息，我们看到AI发展到今天为止，在垂直领域的挖掘做的非常好，越做越深，越做越精细。但是，老板从来不是这样做决策的，我们已经看到M-I-T缺一不可，我们要的可能是三个维度都还不错合起来能成功的商业决策，而不是单一维度特别好，就把它作为公司转型升级的方向。这就像我们高考对，数学偏科、历史偏科或者英文偏科，最终可能都考不上理想的学校，很多单科第二、第三名的，最终可能是状元。商业也是这样，单一领域的优秀并不代表整合结果或者完整商业决策的优秀。第二个，需要为现在AI加入洞见和感性。疫情期的这个图，一目了然看到全世界正在发生的变化，如果把这个画片换成数字，你要看好久，但是图片一目了然。真正重要决策的时候，公司董事长、公司董事会，从来不会只依赖数字分析的结果，数字分析很重要没有错，但董事长一定要求看到所谓的big picture，就是这种洞见跟感性。现有的AI，我们再往上述两个方向做调整，就能很好的解决现在三个最痛苦的中小企业的问题。第一个讲到今年年初北大清华做的联合调研，20%几的企业获利下降50%，50%几的企业，获利下降20%，需要探索转型升级的方向。第二，是家族接班。厦大做了一个调研，300万家企业在将来十年内遇到这个问题。儿子、女儿国外回来，他们的思维和老爸是不一样的，爸爸希望他接班，儿子女儿想，你那生产型企业，和现在新经济不融合，我是想作为家族企业的一分子，但是我不想做你这个，怎么办呢？开始探索了。有没有工具可以加速这种家族接班的探索，更有效率、有系统化？有，AI可以做。第三个应用场景，你我都需要。我们每天都获取大量的信息，你们有注意到，我们大量信息来自哪里？来自我们朋友圈、舒适圈、同事。换句话说，真的让你找到新方向的信息，少之又少。我们相当于生活在一个泡泡里里面。而企业要转型升级，需要这种来自业外的重要趋势，不需要了解太透彻，要知道存在，知道这个趋势和他关系是什么，回答这两部分就好了，从大部分媒体收不到这样的信息。AI可以协助你筛选，完成这种信息类的收集。我做结论：头部企业这么会赚钱，他有没有套路？有，套路可不可以复制？可以，但是没那么简单。可不可用来协助广大的中小企业转型升级，存在可能性，这是我们智汇权做的事情，但是要做两个转换：第一个从过去深度的挖掘，开始做横向连接，更接近商业决策；再来我们需要一目了然，增加感性与洞察。一旦能找到转型升级的方向，反而是中小企比较容易实现，这就是我的期待。以上是我的分享，谢谢大家。

主题7

数智中台在经营管理中的应用

刘福东先生上海汉得信息技术股份有限公司融合中台运营总经理

各位下午好，很高兴能和各位一起交流碰撞，感谢俱乐部给我们创造这样的机会，感谢致同提供这么棒的场地。刚才听了前面各位的演讲学习了很多，不虚此行。倪渊博世的演讲，让我想起我的学生岁月，为了做“因病致贫，因病返贫”的政策评估研究，我们到贫困山区调查，用计量经济学评价社保政策的效果，倪博士的工作让AI对基层医生非常有帮助，对于提高医生的工作效率非常有帮助。王昕磊博士的演讲，让我对AI的深度应用有了清醒更深入的人事，对于王博士提到的场景化的痛，我们感同身受，用一句歌词改下“你的痛，我们懂”首先做一个自我介绍，我是刘福东，来自汉得信息。汉得信息成立与1996年，是数字化转型的综合服务提供商，在过去20年的信息化历程中，汉得是国内最大的ERP咨询服务商。我本人目前主要负责企业级数字化平台-汉得融合中台的运营工作，我和我的团队有着强烈的使命感和责任心，打造世界级业界一流的开源开放，自主可控的企业级数字化平和企业级的PAAS平台。我个人曾经就职于中航汉胜和华为。首先，我讲一下对数智化的理解。我认为数智化 = 数据 + 场景 + 智能。先说数据，我是学统计学出身的，统计学是通过设计一个合理样本，来代表总体，通过统计学的方法来描述总体。我用一个统计学的通用函数公式来表达，，指的是我们对事物的认识，是我们已知的维度，是不可知的因素。越多，我们对事物的认识就越清晰，现在的大数据给了我们更清晰认识事物的机会。再说场景，我认为场景 = 行业 * 业务域（时间+空间+情景），场景是业务域和行业的叠加，同一个业务域，比如财务，营销，制造等等在不同的行业是有不同特点的，甚至同一个公司业务域在不同的子公司之间也会不同。所以业务域也会有时间、空间、情景交互的不同。最后是智能。我认为智能 = 模型 + 算法，听了王博士和何女士的演讲，我觉得我漏掉了“算力”后面我会补充上。算力对于我们国内目前的基础设施而言，我个人觉得没有问题的。对于数智化转型，我认为应该是两个词“数智化”和“转型”数智化刚已经讲过了，转型一定是企业内外部条件发生变化了，导致业务的变革和转型，当然数智化新技术是其中的一种因素，但不是唯一的因素。所以数智化转型是业务的事情，是CEO的事情，是企业战略决策。数智化转型的目标，短期目标：数据+算法驱动运营，获得持续增长，提升运营效率。长期目标构筑可持续的竞争优势。接下来我想分享下我理解的智能化，数智化=信息化+数字化+智能化叠加。先说信息化，信息化是过去20年以ERP、PLM、MES等成熟套件为代表，主要是管结果，把企业经营活动的核心流程标准化纳入系统管理起来，财务业务一体化，流程驱动，企业的核心流程标准化沉淀，关注财务结果与合规，打通核心业务流程，数据，与合规。数字化企业业务过程的数字化，通过数字化新技术，赋能运营，提升整体运营效率，关注过程，个性化，效率。聚焦过程数字化，驱动业务改变。智能化的核心是数据资产化，场景智能化，通过核心AI算法，将数据在特定场景下智能化，赋能业务，提升效率，实现数据资产化。让数据通过智能和场景发挥作用成为资产。技术的加速发展使得一个企业会同事面临三化叠加，场景会更加复杂。处于三化叠加的企业，会面临着业务创新对数智化的要求。我总结主要是三个方面：业务场景全面纵深，构建产业链生态；客户需求变更迭代，有序快速，需要敏捷快速的价值交付系统；同事要构建企业技术生态，开放开源的技术应用，确保企业数据和系统的安全、自主和可控。技术架构上，因为三化叠加，智能化需要与不同的技术架构融合，包括以ERP成熟套件为代表的SOR系统，自主可控的SOD中台系统，灵活组合的创新系统SOI。这使得智能化场景落地尤其复杂。接下来想聊一下数智化转型如何做？首先组织层面，遵循康威定律，以智能化技术赋能组织，构建开放协作的敏捷型协同组织。其次平台工具层面，企业数字基础设施升级，构建企业级的数字化平台来进行业务+技术+数据共享能力沉淀，开源+开放，链接内外，安全可控，赋能业务创新。最后通过方法论的革新，提升业务创新需求敏捷响应，持续价值交付。数智化大数据先行，有了数据才有后续智能化，资产化的可能，这个是目前主流的数据平台的架构。后面是我们数智中台的一些落地的场景和案例，请大家参考。

主题8

人工智能技术在知识产权服务中的典型应用

张成先生智慧芽（中国）科技有限公司首席人工智能科学家/首席架构师

我是最后一个给大家主题分享，确实大家很辛苦，从一点坚持到现在非常感谢。今天我给大家分享的内容是人工智能技术在知识产权服务中的典型应用，说到知识产权服务，可能大家会想到，是不是你们公司是做专利申请或者专利代理的，其实不是，但是有很多做专利知识产权中介机构在跟我们合作，我们主要是通过知识产权服务帮助企业科技创新，因为我们掌握了大量的数据，包括我们专利、论文、商标，著作权、生物医药等等，从大数据里面可以分析和提炼出技术发展路径和技术发展趋势等东西，把这些前沿的技术分析跟企业现在要做的研发结合起来，可以有效帮助企业去创新，所以我们更多的是服务到企业R&D的部门。另一个方面，我们也建立了比较完善的知识产权服务生态，包括咨询服务、智慧芽学院，以及我们与金融行业联合，包括银行和投行，跟政府联合，帮助这些机构发现有价值有潜力的科创企业，对这些“潜力股”进行辅导，让他们更好更快的成长，我们智慧芽主要做这个事情。我本人一直做AI和大数据研究，1990年在中科院开始做语音识别和模式识别，后来结合AI做大数据。今天我给大家分享内容主要四各方面，人工智能技术的概要，知识产权服务中的典型应用，用了AI技术以后给用户带来什么新的体验，最后简单介绍一下智慧芽。这张图把生物界进化和人工智能界进化对照起来，都经过四个阶段发展，第一个是A我们传感器级别感知，对应草履虫，进化到B本能感知和行为，包括现在的计算机视觉、语音识别，实际上是更高级别的感知，相当于昆虫，再往上C是简单学习和理解行为，相当于我们现在的自然语言对话，带有一些情感识别和意图分析，相当于脊椎动物，比如狮子，再往上进化，达到D主动学习和进化，人工智能产生一个新的物种，相当于我们人类。AI现在在什么阶段，处于B到C之间，所以人工智能你说现在能代替人吗，是肯定不可以的，它可以帮助人做一些事情，但是不可以代替人做事情。我们对人工智能有这样一个正确的期待，能做什么不能做什么，这便于我们更好的落地。从人工智能内涵和外延来讲，首先人脑认知是基础，人工智能发展为什么没有根本性突破，或者不能取代人，与我们没有研究透人脑到底怎么工作有关。我是1990年开始研究神经网络，我们现在所说的神经网络和人的脑神经不是一回事，我们没有完全搞清楚人是怎么思维，人的情感怎么产生，意识怎么来的，这些都不知道，所以我们这个脑认知基础还要打牢。AI有两块发展，一个机器感知和模式识别，现在我们所讲的语音和图像属于这块，另一块是自然语言处理和生成，实际上NLP发展到现在，做了很多成果，但还是一种自然语言的表征处理，我们需要对自然语言进行理解，完成理解后可以实现自然语言的生成，让计算机能自己写文章出来，写摘要，确实很难做得好，但要不断的尝试。最上层是机器具有知识和推理的能力，这时候需要完整的知识图谱。我们也建知识图谱，但是光建知识图谱我觉得不够，因为知识图谱没办法反映人的背景知识。人在做判断的时候，有常识在背后支撑，比如一篇文章写下雨天打开窗看见一轮红日，我们马上认为不对，因为违背常识，下雨天我们是看不到太阳的，但是计算机就不一定有这个常识去判断，越是底层的常识，我们越难去梳理，因为人是通过生活积累出来的，这是后面做知识推理、知识发现所面临的困难。AI落地的关键因素。我本人一直在做AI的应用研究，不主要研究算法本身，研究如何将应用场景和AI算法结合起来赋能产品。第一、应用场景很重要，用户往往对AI期望很高，认为AI可以解决他解决不了的问题，真能解决掉吗，我们一定要慎重！如果专家解决不了的问题，想通过AI解决比较难，AI擅长解决某一个领域某个应用，阿尔法狗可以下棋很牛，但是炒菜肯定不行。人的能力是多方面的，可以炒菜、读书、去公园玩、下棋等。AI可能在某个领域里做的比人好是有可能的，但是都好是很难的，一定要让我们的用户知道，AI能解决的问题实际上是有限的。我们一定要掌握好这个点。第二、很重要的就是数据，我们现在神经网络层次越来越多，需要的数据量越来越大，我们需要海量的同时要高质量的数据，数据需要人工标注，这本身是烧钱的过程。我们在研究看能不能用更少量的标柱数据来训练模型，比如预训练模型、迁移学习、主动学习等。数据越多模型精度越高，理论上没问题，但经济和时间支撑不了。比如我们要对图片分类，每个类我们可能要标注10000张，标注需要大量的人也需要成本的。第二、高性能的计算机硬件。我觉得模型本身并不是特别难的事，模型这么多年其实没有太大的发展，深度模型算法早就有了，CNN和LSTM是后来对深层神经网络做了算法的改进，数据和场景决定了模型的进化，实用方面的，算法理论没有根本性突破。算力GPU的需求实实在在的多了，举个例子，我们训练一个模型，可能需要一百块V100，要一个月，花的钱是很多很多。GPS是硬件，企业可以自己投入，也可和高校合作，用他们资源训练，还有很多云上的服务。第三、模型在线训练的问题，训练的时候用到大量的GPU，模型上线了就不能这么多，否则钱烧不起，AI模型上线就是一个真正落地的过程。第四、如果没有大数据做支撑，训练模型实际上最后是不可信，肯定有偏的，因为你数据有限，得出的结论可能有局限。我们现在收集的数据比较多，我们现在有1.5个亿的专利数据，每周更新， 1.6亿论文数据，10万IC数据，1.7亿化学结构数据、生物基因、蛋白数据、药品审批和临床数据、500万软著、七个国际标准组织数据等。数据覆盖116个国家和地区、时间跨度是150年。我们也搜集很多非资产的数据，包括企业科研投入，财务数据，法务数据，知识产权纠纷都是我们所需要掌握，数据唯独足够丰富，人工智能才更有用武之地，应用功能更加贴近需求。这是我们的AI架构，这是我们的训练样本和知识图谱。我根据场景来介绍一下，第一是语义检索，通过它更快找到最相似的专利，例如，我研究一个东西的时候，我需要看有没有国内国外相似的研究成果，我只要输入一段文字，AI自动找到这个相似的成果。再如，我要使用一项技术，如果有专利保护就可能涉及到侵权。使用自然语言来做语义相似比对，大家乐意用。专利技术本身专业性比较强，就像我读专利，可能在IT和人工智能读得懂看得透，但其他行业就是外行。有时候写的专利就是让你不好懂，也是一种保护手段吧。如果人都看不明白，如何让计算机读懂，这就是NLP的挑战。我们如何做？简单讲这就是划重点，一篇文章不要求机器全部都读懂，但重点的地方要读懂。把关键词及其之间的联系找到，结合后台的语义网络和知识图谱可以把相似专利找出来，而且我们现在找出来的准确度很高，从1.5亿专利中找出来进行相似度排序，而且在前20个里面，时间在2-3秒，现在同行没有一家做到这样的水平。第二是机器翻译。普通的机器翻译相对容易，很多搞机器翻译的公司翻不出专利。专利专业词汇多，新的词也多。我们形成了专利词典，收集了12亿专利翻译平行语料。专利翻译模型我们有一些自己的特点，这个跟阿里巴巴达摩院做法比较相近。先让机器把中文翻成英文，再让它翻回去，自己看差别在哪里，自己去学习，多次迭代翻出的质量越来越好，这就是提高流畅度的做法。还有一个是概念扩展，概念扩展非常重要，乙醇和酒精我们知道是一个东西，机器会认为这是两个毫不相关的东西，需要AI模型教会机器去识别和影射。专利有很多新的词汇出来，尤其是生物医药等新兴行业，不能每次都是人去告诉机器，这个非常困难，我们一定要找到一种方法，找对一种方法，比如通过概念共现的方法。概念关联度是我们自己研究的，还有详细的技术分层主题。技术层级的提取算法以及关键词扩展模型很关键，这个做好整个基础就有了。还有智能附图，这个说起来比较简单。智能附图是图上很多有标注号，比如上面这张图，但是这个标注没有对应的文字需要自己在文中去找。如果把标注和文字对起来，就不用去来回翻专利文本了，直接在图上可以看到，这个在机械行业特别有效，机械的图很多，这个事情实际上你就是把语义和图像结合起来。具体来讲，首先把图像分割把数字识别出来，知道数字标号在什么地方，具体做起来有难度，数字字体差别较大，涉及到110多个国家，还有手写体，图片清晰度影响OCR。文本中哪一段才是真正在描述这一个标识符的，有时候有六、七个地方候选，你要精确识别出来，这个有难度的。这是图像检索，主要用在商标检索，检查商标有没有侵权会用到，比如以图搜义，输入自行车把手或者是汽车方向盘，你要把相关图全部找出来，有各种各样的方向盘，找到他想要的方向盘，比如方向盘上带有花纹的。是方向盘图片的某一个部分不同，所以不光是整体，而且找出局部的一致性。这个涉及到图像细粒度识别，其实图像识别相对容易，但细粒度识别就麻烦得多，也需要将图像向量和语义向量影射到同一空间并建立关联。专利价值评估也很重要，在金融行业中专利价值评估，就是算出专利值多少钱。你做投资也好，做评估也好，专利价值都很重要。目前专利价值评估有市场法、成本法和收益法。不同应用领域和业务场景，方法也不一样。金融行业更看重收益法，当然收益法很难做，需要AI模型去研究评估。还有专利分析，举个例子，通过专利可以分析出来企业的核心技术是什么，有些科创企业为了申报，买了20多了专利，之间没有太多的关系，与和核心业务关系也不大，分析结果一看就知道不靠谱。还有企业专利画像，通过画像，我知道你的科创能力到底在什么样水平，哪些地方强哪些地方弱。这个是智能标引。行业分类，在座各位都会碰到，专利有专利分类，经济技术有分类，金融有自己的分类等等，大的企业还有自己的分类。怎么和专利分类打通，这个不是简单AI技术也需要行业领域专家参与。这是我们实现的差异化，采用AI技术明显提升了客户体验。会议主持告诉我还有一分钟时间了，我简单介绍一下智慧芽，可能有在座一些朋友知道，有的可能不清楚，智慧芽成立2007年，总部在苏州，上海也有研发中心，在英国、新加坡都有我们人工智能团队，现在公司差不多一千人的队伍，中国团队五百人，70%研发人员，每年研发投入大概一个亿，持续投了好几年，我们有高投入，我们SAAS产品产值一年也有四个多亿。这是我们整个公司的生态，服务的合作伙伴，我们现在跟高校、政府、科研院所包括中科院还有很多机构都在合作，包括园区政府，我们主要的目的是打造一个生态圈，科创企业不仅仅需要专利服务、创新服务，还包括金融配套，包括成长辅导等等。国家也在提倡科技金融创新，我们跟银行、投行也在合作，给企业提供一个科创质押贷款方面的支持。

主题9

分享主题：传感技术推动AI发展

朱佳骐先生国家智能传感器创新中心副总裁，中国传感器与物联网联盟副秘书长

传感器本身和AI是精密相关的，所有数据的采集技术依靠的就是传感器，今天听到很多数据来了以后怎么分析和建设体系，但在数据分析之前，数据采集的准确性及数据量至关重要。国家智能传感器创新中心投入大量的资源建设的8英寸和12寸晶圆线正是为了支撑MEMS和先进传感器的研发，也是我们工作的重要组成部分。同时我们有芯片设计以及其系统应用。我们非常重视传感器的应用，因为我们一直觉得传感器现在的应用量还是不够的，虽然大家可能我听到几位都提到传感器了，在我们看来真正的传感器的量完全没有起来，主要还是集中在智能终端及汽车方面，同样，我们希望在环境保护、智慧农业、智慧医疗、智慧楼宇等领域也能爆发，形成万亿级使用量的市场。这是我们为什么希望和大家来交流，共同寻找大市场，也是帮助各位的产业能有形成一个成熟的这样一个体系。在应用技术方面，传感器的数据现在也在和边缘计算紧密结合，在终端完成第一步的数据处理，几个典型应用包括，自动驾驶对数据的处理，监控系统对数据处理等。从传感器技术来说，我们也在推进智能传感器的研发，就是集中了数据的感知采集，边缘计算、数据传输等。

圆桌分享

圆桌主题：AI技术赋能产业升级及企业市场突围之道

短暂休息后峰会进入下半场，在圆桌论坛中达到高潮。主持人陈敬文先生与圆桌分享嘉宾精辟问答，现场观众热烈提问，欲罢不能，直到华灯初上，峰会才在主持人宣布下，圆满结束。

会员服务 MEMBERSHIP SERVICE

“数字引擎AI+ 跨界融合”新业态高峰论坛在沪引热议

联盟概况

联盟动态

会员服务

感知领航项目征集

联盟成员

分支机构

关注联盟微信公众号