论文部分内容阅读
纺织厂的设备操作、汽车制造流水线和手机制造流水线，这些以往工业革命带来的制造流程仍然还有大量重复性的日常工作。但是，由人工智能推动的此次变革，最明显的一个不同就是，人工智能将在几乎每个方面提升自动化水平，因此大量的重复性日常工作岗位需求将大幅度缩减。
与此对應的是，对数据科学工作岗位的需求增加，比如数据科学家、具备一般性数据科学能力的数据科学工程师等。这些岗位的数量将远远少于当前重复性日常工作岗位。
也就是说，未来的组织人员构成可能是菱形的，其中大量处于底部的基础性、重复性日常岗位将会被AI所取代。
华为轮值董事长徐直军在2018全联接大会上，从技术、人才和产业三个方面分享了人工智能将会带来的十大重要变革方向。
这十个改变，一定不是AI技术、人才、产业发展的全部，但都是未来发展的重要基础。
改变之一：缩短训练模型的时间
按照目前的技术水平，训练某些复杂模型时往往需要数天甚至数月。
我们认为，未来模型的训练要能在几分钟、甚至几秒钟内完成。
改变之二：充裕经济的算力
算力是AI的基础，但目前的算力非常昂贵，是一种稀缺资源。
我们认为，算力应该是充裕且经济的，并且这种需求应该尽快实现。
改变之三：人工智能要适应任何部署场景
混合云已经成为企业采用云服务的主要模式，当前的AI主要在云，少量在边缘，与企业的业务环境的结合有待进一步深入。
我们认为，未来AI将无处不在，要能够部署在任何场景，并确保用户隐私得到尊准和保护。
改变之四：更高效更安全的算法
算法是推动AI发展的另一个主要动力，但目前运用的主要算法多诞生于1980年代。随着AI的广泛普及，这些算法的不足愈发明显。
我们认为，未来的算法，要能够基于更少的数据需求，即数据高效。也要能够基于更低的算力和能耗，即能耗高效。同时要解决自身的安全问题，并实现可解释等，这都是AI全面发展的重要技术基础。
改变之五：更高的自动化水平
今天的人工智能，自身还需要大量的人工。
我们认为，应该大大提升AI自身的自动化水平，比如在数据标注、数据获取、特征提取、模型设计和训练等环节，要实现自动化或半自动化。
改变之六：模型要面向实际应用
当前很多优秀的模型算法，更多的是“考试”优秀，还未达到“工作”优秀。
我们认为，未来的模型必须实现工业级的优秀，即满足工业生产的需要，而不仅仅满足于测试集上的“考试”优秀。
改变之七：模型更新
模型的准确率并非是一成不变的，始终保持准确率在期望的范围内对于企业应用是必须的。但目前的模型更新是非实时的，依赖人工周期性的更新，因此是一个半开环的系统。
我们认为，未来的模型要能及时适应各种变化，实时更新，实现闭环系统，保证企业AI应用始终处于最佳状态。
改变之八：人工智能要多技术协同
每一个通用目的技术，只有与其他技术充分协同配合，才能发挥到极致，创造巨大的经济价值。AI也不例外。
我们认为，AI需要与云、物联网、边缘计算、区块链、大数据、数据库……等技术充分协同，如此才能发挥更大价值。
改变之九：人工智能要成为由一站式平台支持的基本技能
今天，AI还是一项只有具备高级技能的专家才能完成的工作，获得一个AI模型还是一个非常复杂、耗时耗力的事情。
我们认为，应该有一站式平台，提供必需的自动化工具，让AI应用开发更容易，更快捷。从而，使AI成为所有应用开发者甚至所有ICT技术从业人员的一项基本技能。
改变之十：以AI的思维解决AI的人才短缺
解决之道应该是，以AI的思维解决AI的人才短缺。通过着力发展智能化、自动化、简单易用的AI平台和工具服务，以及提供培训教育，培养大量的数据科学工程师，使他们能完成大量基本的数据科学相关工作。
通过这些大量的数据科学工程师与数据科学家和各领域专家相互配合的梯形结构，来解决AI人才稀缺问题。
与此对應的是，对数据科学工作岗位的需求增加，比如数据科学家、具备一般性数据科学能力的数据科学工程师等。这些岗位的数量将远远少于当前重复性日常工作岗位。
也就是说，未来的组织人员构成可能是菱形的，其中大量处于底部的基础性、重复性日常岗位将会被AI所取代。
华为轮值董事长徐直军在2018全联接大会上，从技术、人才和产业三个方面分享了人工智能将会带来的十大重要变革方向。
这十个改变，一定不是AI技术、人才、产业发展的全部，但都是未来发展的重要基础。
改变之一：缩短训练模型的时间
按照目前的技术水平，训练某些复杂模型时往往需要数天甚至数月。
我们认为，未来模型的训练要能在几分钟、甚至几秒钟内完成。
改变之二：充裕经济的算力
算力是AI的基础，但目前的算力非常昂贵，是一种稀缺资源。
我们认为，算力应该是充裕且经济的，并且这种需求应该尽快实现。
改变之三：人工智能要适应任何部署场景
混合云已经成为企业采用云服务的主要模式，当前的AI主要在云，少量在边缘，与企业的业务环境的结合有待进一步深入。
我们认为，未来AI将无处不在，要能够部署在任何场景，并确保用户隐私得到尊准和保护。
改变之四：更高效更安全的算法
算法是推动AI发展的另一个主要动力，但目前运用的主要算法多诞生于1980年代。随着AI的广泛普及，这些算法的不足愈发明显。
我们认为，未来的算法，要能够基于更少的数据需求，即数据高效。也要能够基于更低的算力和能耗，即能耗高效。同时要解决自身的安全问题，并实现可解释等，这都是AI全面发展的重要技术基础。
改变之五：更高的自动化水平
今天的人工智能，自身还需要大量的人工。
我们认为，应该大大提升AI自身的自动化水平，比如在数据标注、数据获取、特征提取、模型设计和训练等环节，要实现自动化或半自动化。
改变之六：模型要面向实际应用
当前很多优秀的模型算法，更多的是“考试”优秀，还未达到“工作”优秀。
我们认为，未来的模型必须实现工业级的优秀，即满足工业生产的需要，而不仅仅满足于测试集上的“考试”优秀。
改变之七：模型更新
模型的准确率并非是一成不变的，始终保持准确率在期望的范围内对于企业应用是必须的。但目前的模型更新是非实时的，依赖人工周期性的更新，因此是一个半开环的系统。
我们认为，未来的模型要能及时适应各种变化，实时更新，实现闭环系统，保证企业AI应用始终处于最佳状态。
改变之八：人工智能要多技术协同
每一个通用目的技术，只有与其他技术充分协同配合，才能发挥到极致，创造巨大的经济价值。AI也不例外。
我们认为，AI需要与云、物联网、边缘计算、区块链、大数据、数据库……等技术充分协同，如此才能发挥更大价值。
改变之九：人工智能要成为由一站式平台支持的基本技能
今天，AI还是一项只有具备高级技能的专家才能完成的工作，获得一个AI模型还是一个非常复杂、耗时耗力的事情。
我们认为，应该有一站式平台，提供必需的自动化工具，让AI应用开发更容易，更快捷。从而，使AI成为所有应用开发者甚至所有ICT技术从业人员的一项基本技能。
改变之十：以AI的思维解决AI的人才短缺
解决之道应该是，以AI的思维解决AI的人才短缺。通过着力发展智能化、自动化、简单易用的AI平台和工具服务，以及提供培训教育，培养大量的数据科学工程师，使他们能完成大量基本的数据科学相关工作。
通过这些大量的数据科学工程师与数据科学家和各领域专家相互配合的梯形结构，来解决AI人才稀缺问题。