本文由公众号“苏宁金融研究院”原创，作者为苏宁金融研究院金融科技研究中心主任助理王元

2020年是不寻常的一年，全球的健康、贸易、经济、文化、政治和科技领域，无不发生着深刻的变化。笔者所在的科技领域，也恰逢现代人工智能（简称AI）发展10周年。前10年，人工智能技术得到了长足的发展，但也留下许多问题有待解决。那么，未来AI技术将会如何发展呢？本文将结合学术界、工业界的研究成果，以及笔者个人研究见解，从算力、数据、算法、工程化4个维度，与读者一起探索和展望AI发展的未来。

我们首先分析数据的发展趋势。数据对人工智能，犹如食材对美味菜肴，过去10年，数据的获取无论是数量，还是质量，又或者是数据的种类，均增长显著，支撑着AI技术的发展。未来，数据层面的发展会有哪些趋势呢，我们来看一组分析数据。

首先，世界互联网用户的基数已达到十亿量级，随着物联网、5G技术的进一步发展，会带来更多数据源和传输层面的能力提升，因此可以预见的是，数据的总量将继续快速发展，且增速加快。参考IDC的数据报告（图1），数据总量预计将从2018年的33ZB（1ZB=106GB），增长到2025年的175ZB。

其次，数据的存储位置，业界预测仍将以集中存储为主，且数据利用公有云存储的比例将逐年提高，如图2、图3所示。

以上对于未来数据的趋势，可以总结为：数量持续增长；云端集中存储为主；公有云渗透率持续增长。站在AI技术的角度，可以预期数据量的持续供给是有保证的。

另一个方面，AI技术需要的不仅仅是原始数据，很多还需要标注数据。标注数据可分为自动标注、半自动标注、人工标注3个类别。

那么，标注数据未来的趋势会是怎样的？

我们可从标注数据工具市场的趋势窥探一二，如图4所示。可以看到，人工标注数据在未来的5-10年内，大概率依然是标注数据的主要来源，占比超过75%。

通过以上数据维度的分析与预测，我们可以得到的判断是，数据量本身不会限制AI技术，但是人工标注的成本与规模很可能成为限制AI技术发展的因素，这将倒逼AI技术从算法和技术本身有所突破，有效解决对数据特别是人工标注数据的依赖。

我们再来看看算力。算力对于AI技术，如同厨房灶台对于美味佳肴一样，本质是一种基础设施的支撑。

算力指的是实现AI系统所需要的硬件计算能力。半导体计算类芯片的发展是AI算力的根本源动力，好消息是，虽然半导体行业发展有起有落，并一直伴随着是否可持续性的怀疑，但是半导体行业著名的“摩尔定律”已经经受住了120年考验(图5)，相信未来5-10年依然能够平稳发展。

不过，值得注意的是，摩尔定律在计算芯片领域依然维持，很大原因是因为图形处理器（GPU）的迅速发展，弥补了通用处理器（CPU）发展的趋缓，如图6所示，从图中可以看出GPU的晶体管数量增长已超过CPU，CPU晶体管开始落后于摩尔定律。

当然，半导体晶体管数量反映整体趋势可以，但还不够准确地反映算力发展情况。对于AI系统来说，浮点运算和内存是更直接的算力指标，下面具体对比一下GPU和CPU这2方面的性能，如图7所示。可以看出，GPU无论是在计算能力还是在内存访问速度上，近10年发展远超CPU，很好的填补了CPU的性能发展瓶颈问题。

另一方面，依照前瞻产业研究院梳理的数据，就2019年的AI芯片收入规模来看，GPU芯片拥有27%左右的份额，CPU芯片仅占17%的份额。可以看到，GPU已成为由深度学习技术为代表的人工智能领域的硬件计算标准配置，形成的原因也十分简单，现有的AI算法，尤其在模型训练阶段，对算力的需求持续增加，而GPU算力恰好比CPU要强很多，同时是一种与AI算法模型本身耦合度很低的一种通用计算设备。

除了GPU与CPU，其他计算设备如ASIC、FGPA等新兴AI芯片也在发展，值得行业关注。鉴于未来数据大概率仍在云端存储的情况下，这些芯片能否在提高性能效率的同时，保证通用性，且可以被云厂商规模性部署，获得软件生态的支持，有待进一步观察。

现在我们来分析算法。AI算法对于人工智能，就是厨师与美味佳肴的关系。过去10年AI的发展，数据和算力都起到了很好的辅助作用，但是不可否认的是，基于深度学习的算法结合其应用取得的性能突破，是AI技术在2020年取得里程碑式发展阶段的重要原因。

那么，AI算法在未来的发展趋势是什么呢？这个问题是学术界、工业界集中讨论的核心问题之一，一个普遍的共识是，延续过去10年AI技术的发展，得益于深度学习，但是此路径发展带来的算力问题，较难持续。下面我们看一张图，以及一组数据：

 根据OpenAI最新的测算，训练一个大型AI模型的算力，从2012年开始计算已经翻了30万倍，即年平均增长11.5倍，而算力的硬件增长速率，即摩尔定律，只达到年平均增速1.4倍；另一方面，算法效率的进步，年平均节省约1.7倍的算力。这意味着，随着我们继续追求算法性能的不断提升，每年平均有约8.5倍的算力赤字，令人担忧。一个实际的例子为今年最新发布的自然语义预训练模型GPT-3，仅训练成本已达到约1300万美元，这种方式是否可持续，值得我们思考。

2.  MIT最新研究表明，对于一个过参数化（即参数数量比训练数据样本多）的AI模型，满足一个理论上限公式：

上述公式表明，其算力需求在理想情况下，大于等于性能需求的4次方，从2012年至今的模型表现在ImageNet数据集上分析，现实情况是在9次方的水平上下浮动，意味着现有的算法研究和实现方法，在效率上有很大的优化空间。

3.  按以上数据测算，人工智能算法在图像分类任务（ImageNet）达到1%的错误率预计要花费1亿万亿（10的20次方）美元，成本不可承受。

结合前文所述的数据和算力2个维度的分析，相信读者可以发现，未来标注数据成本、算力成本的代价之高，意味着数据红利与算力红利正在逐渐消退，人工智能技术发展的核心驱动力未来将主要依靠算法层面的突破与创新。就目前最新的学术与工业界研究成果来看，笔者认为AI算法在未来的发展，可能具有以下特点：

（1）先验知识表示与深度学习的结合

纵观70多年的人工智能发展史，符号主义、连接主义、行为主义是人工智能发展初期形成的3个学术流派。如今，以深度学习为典型代表的连接主义事实成为过去10年的发展主流，行为主义则在强化学习领域获得重大突破，围棋大脑AlphaGo的成就已家喻户晓。

值得注意的是，原本独立发展的3个学派，正在开始以深度学习为主线的技术融合，比如在2013年，强化学习领域发明了DQN网络，其中采用了神经网络，开启了一个新的研究领域称作深度强化学习（Deep Reinforcement Learning）。

那么，符号主义类算法是否也会和深度学习进行融合呢？一个热门候选是图网络（Graph Network）技术，这项技术正在与深度学习技术相融合，形成深度图网络研究领域。图网络的数据结构易于表达人类的先验知识，且是一种更加通用、推理能力更强(又称归纳偏置)的信息表达方法，这或许是可同时解决深度学习模型数据饥渴、推理能力不足以及输出结果可解释性不足的一把钥匙。

（2）模型结构借鉴生物科学

深度学习模型的模型结构由前反馈和反向传播构成，与生物神经网络相比，模型的结构过于简单。深度学习模型结构是否可以从生物科学、生物神经科学的进步和发现中吸取灵感，从而发现更加优秀的模型是一个值得关注的领域。另一个方面，如何给深度学习模型加入不确定性的参数建模，使其更好的处理随机不确定性，也是一个可能产生突破的领域。

AI模型训练依赖数据，这一点目前来看不是问题，但是AI模型训练依赖人工标注数据，是一个头痛的问题。利用算法有效解决或者大幅降低模型训练对于人工标注数据的依赖，是一个热点研究领域。实际上，在人工智能技术发展过程中一直若隐若现的美国国防部高级研究计划局（DARPA），已经将此领域定为其AI3.0发展计划目标之一，可见其重要程度。

现有的AI算法，无论是机器学习算法，还是深度学习算法，其研发模式本质上是通过训练闭环（closed loop）、推理开环（open loop）的方式进行的。是否可以通过设计模型自评估，在推理环节将开环系统进化成闭环系统也是一个值得研究的领域。在通信领域，控制领域等其他行业领域的大量算法实践表明，采用闭环算法的系统在性能和输出可预测性上，通常均比开环系统优秀，且闭环系统可大幅降低性能断崖式衰减的可能性。闭环系统的这些特性，提供了对AI系统提高鲁棒性和可对抗性的一种思路和方法。

上文已经对人工智能数据、算力、算法层面进行了梳理和分析，最后我们看看工程化。工程化对于人工智能，如同厨具对于美味佳肴一样，是将数据、算力、算法结合到一起的媒介。

工程化的本质作用是提升效率，即最大化利用资源，最小化减少信息之间的转换损失。打一个简单的比喻，要做出美味佳肴，食材、厨房灶台、厨师都有，但是唯独没有合适的厨具，那么厨师既无法发挥厨艺（算法），又无法处理食材（数据），也无法使用厨房灶台的水电气（算力）。因此，可以预见，工程化未来的发展，是将上文提到的算力与算法性能关系，从现在的9次方，逼近到理论上限4次方的重要手段之一。

过去10年，AI工程化发展，已形成一个明晰的工具链体系，近期也伴随着一些值得关注的变化，笔者将一些较为明显的趋势，汇总如下：

总结来说，AI工程化正在形成从用户端到云端的，以Python为编程语言的一整套工具链，其3个重要的特点为：远程编程与调试，深度学习与机器学习的GPU加速支持，以及模型训练与推理工具链的解耦。与此同时，产业链上游厂商对开源社区的大量投入，将为中下游企业和个人带来工具链的技术红利，降低其研发门槛和成本，笔者认为微软、脸书、英伟达3家上游厂商主推的开源工具链尤其值得关注。

对于人工智能技术过去10年发展取得的成就，有人归因于数据，也有人归因于算力。未来人工智能技术发展，笔者大胆预测，算法将是核心驱动力。同时，算法研发的实际效率，除了算法结构本身，还取决于设计者对先进工具链的掌握程度。

未来10年，科技界是否能用更少的数据，更经济的算力，获得真正意义上的通用智能呢？我们拭目以待。

陈立明 平安科技CEO

谷俊丽 小鹏汽车自动驾驶研发副总裁

牛奎光 IDG资本合伙人

Tom Mitchell 卡内基梅隆大学计算机科学学院机器学习系主任

Michael Jordan 加州大学伯克利分校教授 人工智能专家

过去十年，移动互联网从诞生到爆发，最终重构我们的生产生活方式。如今人工智能的发展，也正在被推向前所未有的高度，我们再次步入重构与再造的快车道上。

从去年底开始, 手机行业便悄然掀起一股AI风潮，不少手机新品中开始融入AI功能和元素。荣耀总裁赵明认为，AI将给手机带来划时代的变革，而荣耀也早在2016年便开始了对手机AI领域的探索。

赵明：其实我们从2016年12月，发布荣耀Magic，它是集中在手机的智慧操作系统。到2017年荣耀V10是集成麒麟970的芯片，它是一个专为人工智能打造的AI处理器。再到今天荣耀10，其实它是把AI处理器、AI智慧系统、AI引擎，以及AI应用所集成起来。AI，荣耀一直把它定义成是未来人脑的协处理器，它能够帮助我们，延伸很多能力，缩短普通人跟任何专家之间的差距。

AI是人类能力的延伸 让普通人成为“专家”

比如在手机当中的拍照，其实我们一般人拿着单反相机也拍不出一张好照片来。参数设置、取景，整张照片，人物在取景当中的结构，构图是什么样的，这其实是我们（与摄影师）的差距。那现在我们用人工智能技术，学习摄影师的拍照技巧。比如人物照，一般人物照的构图是什么样的，他处在照片中什么位置，黄金比例的分割点是在什么地方，把这些融入到人工智能手机当中，一下就把我们跟摄影师之间拍照的差距缩短了。

“中兴事件”反映出我国以电子信息为代表的高新产业，在关键芯片、核心零部件方面的基础薄弱。任正非在2012年曾说过，不自主研发，就永无安宁之日。加强关键领域的自主创新能力已成当务之急。业内普遍认为，AI芯片仍属新兴方向，中国有机会在此寻求突破。

一直坚持多芯片战略降低供应链风险

赵明：我们在芯片策略上，一直采用的是既有自主研发，也有多方的合作，高通、MTK（联发科技），其实全球的芯片我们是没有障碍的，我们要以一种开放的心态去构建我们全球供应链的体系。第二，在核心的关键技术上，其实我们自己要有所突破和积累。在推出人工智能手机的时候，我们会打造自己的芯片，我们会打造自己的智慧引擎和系统。当你把核心的能力和战略控制点，掌握在自己手里的时候，你的发展当中，依赖部分出现问题的时候，就不会出现致命的影响。举例来说，到今天AI的智慧引擎，我们已经做了六年，那AI的芯片，我们十年的芯片积累，打造麒麟970，在AI处理能力上远超现在行业内所有的手机处理芯片。

第三，AI应用，只有在头两方面都有强大的处理能力，给真正的AI体验和应用带来大幅度提升的时候，互联网的公司和互联网的应用才愿意跟你合作。其实我们现在是把核心的应用，都在用AI的能力进行改造，抖音的改造，看到其实差别非常大，还有WPS，还有淘宝，大幅度提升我们日常的体验。

人工智能的开启，在迅速改变着金融生态与环境。以平安科技为例，通过将人脸识别，声纹识别、图片识别等AI技术应用于具体金融场景，智能认证、金融营销、反欺诈、个人信贷、智能投顾等等，人们的使用方式和真实体验都在发生着切实的改变。

陈立明：从金融来说，比如有个人贷款，你可以从一个手机APP，你自己上传所有的文档，然后用视频跟我们的经理交流，在这个过程的背后，已经有人脸识别的应用，已经有声纹识别的应用，同一时间连情绪、微表情情绪识别，也是包含在里面，所以我们每一个场景里面，都要很多不同的AI技术在背后。

车险定损仅5分钟 AI技术助力效率提升

这提高是蛮明显。举例车险，如果有碰撞的时候，以前可能是要拍完照，填表格，现在只是用我们的APP，你如果把车碰撞的地方拍照片，立即上传给我们后台，机器学习，图片的识别，立刻知道这车是不是你的车，然后也知道碰撞的严重性，再联系我们零配件的数据库，立刻知道碰撞应该大概要花多少钱来解决，如果客户同意的话，整个过程从你上传照片，到理赔到你的账号，只是5分钟的事情，以前可能要几天，现在5分钟过程就可以统统解决，所以效果是提升很高的。

但同时各项AI技术，在金融业落地推广过程中，可能导致的潜在安全、隐私或风险，尤其是金融数据的安全问题也尤为引人关注。

解决数据安全问题 技术和管控两手抓

陈立明：数据安全可能有两个纬度，第一个纬度是我们用技术的手段，来解决这个安全问题，技术来说我们当然要不停地研发更新的技术，拿到所有不同的全球的认证，除了自己不断优化以外，也希望利用自己内部工具的办法，对任何将来的风险，我们要提早防范。

管控方面，平常我们员工的文化要提升，最重要是谁可以看到什么数据，这是很重要的，以前可能是管控谁可以看到什么，我们现在也用人工智能来判断，不但是你可以看，而是你可以看的时候你是不是应该看，用人工智能判断一下，可能你是可以看到这个客户的信息，那么应不应该看到那么多，我们有一个学习的过程，也管控得到，所以是不同纬度解决这个问题。

自动驾驶汽车无疑是这波人工智能浪潮中，竞争较激烈的战役，谷歌、特斯拉、百度等科技巨头，以及国内新兴造车势力纷纷投身其中。这其中也包括互联网造车新星小鹏汽车。董事长何小鹏曾表示，AI未来发力点将是自动驾驶、互联网整合车。

当今AI最大挑战 产业化和产品落地

谷俊丽：因为我们自己做一个很大的场景下可用的产品，肯定要突破很多idea层面的东西，把它变成产业化，这也是当今AI最大的挑战，如何从idea变成一个完整的在场景下可用的一个产品，这是我们一定要从产品研发阶段，去把它紧密耦合的一个层面。从我们小鹏自己的量产车上，全国海量场景中搜集数据，从数据中我们进行AI的算法创新，以及软件的自我研发，然后把这个算法推送到我们车载的高性能计算芯片上去，我们将会跟国际上最前端的芯片公司一起合作，智能车在未来是一个集大成者。

AI汽车要针对驾驶问题逐一突破

我们现在自动驾驶事业部是横跨硅谷、广州、上海，最近在北京也有和很多优秀的人才去聊，AI肯定是我们核心的驱动力，除此之外我们还有机器人，还有大数据，还有计算层面，嵌入式层面很多人才的储备。所以AI不是一个单维的一项技术，AI是一种方法论，要把大数据，要把AI的算法，其实AI的算法也不是一个算法，AI的导论非常广，如何把它六维感知，针对我们的驾驶问题进行逐一的突破。

与前几次人工智能浪潮不同，如今它不再只是一个漂浮的概念，随着AI技术的成熟，不少应用场景已经逐渐成熟、产生规模化价值。

资料显示，到2035年，人工智能的生产力工具可以让世界整体的劳动生产效率提高40%；同时，到2030年，人工智能自动化技术在各个行业里的带动作用，可能可以使全球的生产总值提升14%、15.7万亿美元，相当于中国加印度的GDP总和。

目前人工智能在哪些领域应用最为成熟？

牛奎光：从人工智能的角度来说，它能解决人输入和输出多媒体的问题，从人接受和输出的信息量上来讲，眼睛大概占80%，语音占18%，所以从这个意义上来讲，在视觉领域这样一些人工智能的应用，更好更快抓住了机会，成长起来。

汤姆·米歇尔：我认为目前AI应用最成熟的领域之一是信用卡交易和金融交易。早在1995年，就已经有AI系统应用于此。通过分析先前的交易数据，计算机可以知道哪些交易可以优化改进，所以这是早期大数据应用于机器学习的案例。

当我们使用信用卡或者微信来进行支付时，交易中的自动决策都是由AI系统来决定的。由此可见，AI在金融领域已经可以成熟应用了。同样地，计算机图像识别是一个新兴领域，可以应用在许多方面。目前最受瞩目的皮肤癌检测，在这一领域计算机图像识别，被认为是最好的解决方案。

迈克尔·乔丹：我不认为最人工智能最重要的应用，是仿生方面，例如计算机视觉，计算机自然语言。我认为像供应链预测，欺诈检测，推荐系统，AB测试等，这些才是在行业中广泛应用的。这些都应用了基于大数据的智能AI算法。这些领域的应用，都是有巨大的影响，背后有着数百万的价值。因此这些领域，才是人们应该更加关注的。

人工智能为什么这次不再是泡沫？

汤姆·米歇尔：我对人工智能的未来，以及人工智能的可持续发展，非常乐观

正如人们开始意识到的一样，AI现在的确受到了过多的关注。未来人们将会更加理智，但我们仍然会看到AI不断发展，会不断有令我们惊喜的新技术出现。人们可能都忘记了，这十年，我们在人工智能方面有了多大的进步。十年前当IPhone刚刚诞生时，计算机既不能“听”和“看”，IPhone刚出现时，你也不能像今天这样和它对话。苹果甚至不允许你对IPhone说话。为什么呢？因为当时技术还不够成熟。尽管我们已经习惯每天使用Siri这样的AI技术，我们却忘记了这些改变仅仅是十年时间。

按照这样想想，未来十年会怎么样？我想未来十年会令人更加兴奋，因为一方面，相比十年前，现在更多力量开始介入AI技术的发展。另一方面，人工智能领域已经产生很多令人惊奇的新技术，并且这些技术，制造了巨大的财富，真正的财富。这是与前两次人工智能泡沫，最大的区别之处，之前的人工智能更多的是吹嘘，更多的是泡沫，没有什么实质性的东西。今天还是有很多的吹嘘与大话，但还是有一些实质性的发明，并且真的产生了大量的财富和利益。

继2017年首次被写入政府工作报告后，人工智能今年又出现在李克强总理所作的政府工作报告当中。具备着资金、数据、政策等方面的多重优势，中国有望成为引领人工智能发展的重要引擎。

中国在人工智能发展中将承担什么角色？

汤姆·米歇尔：我到过世界各个国家，考察人工智能的发展。从我的角度来看，中国和美国目前是这一波人工智能发展最活跃的开发者。在这两个国家，开发者、风险投资、创新公司、创新想法中都蕴含巨大活力，在这两个国家都非常明显。中国和美国将旗鼓相当，它们具有良好的基础设施，很多创新的想法和可能性，这将产生很多令人惊喜的人工智能商业应用。中国现在处于一个特殊的位置，正有望成为领导者，中国有数据、技术，中国有政府结构和文化，更容易向世界来展示，AI如何成为社会化商品。

牛奎光：人工智能大概可以分为两部分，目前来讲应用上比较多的，其实都是这种大数据，小智能。就是在数据量比较大的一些标注数据的训练情况下，然后能得到一个好的，或者能够比人更好的一个结果。典型的比如人脸、物体的识别，这是典型的应用，包括语音的识别。这些情况下，其实中国在这个方面的应用，比其他国家是有优势的，因为我们的人口最多，我们的移动互联网的用户最多。换句话说，找同样几百万或者是几十万的数据，那在我们这个地方，相对来讲比较容易和便宜的，那有这个数据基础的话，其实是一个非常好的一个竞争。

第二，从人才上来讲，其实华人里面的人才，在人工智能方面的，并不落后。我们跟美国相比，华裔科学家发表的论文，应该是跟美国差不多的，都是40%多，然后剩下的是一些其他的国家。所以从这个意义上来讲的话，我们人才上没有太大劣势，然后在数据上有巨大的优势，而且我们从市场迭代的情况来讲，中国也有巨大的优势。其实总体上来讲，我觉得对于中国出世界级AI企业，我挺看好的，市场还是有巨大的一个比较优势。

另外小数据，大智能，我们可能往人工智能，在本质的地方更去靠近的一些尝试。从这点上来讲，应该说整个人工智能还是在发展的初级阶段，这方面还是有很多的挑战和研究，新的东西需要去做。这块因为涉及很多研究性的东西，很多学科包括，神经学，包括心理学，包括认知学，包括博弈论，这样的一些综合交叉科学，那可能进展不会像我们想象的那么快。

迈克尔·乔丹：首先我认为所有国家，都应该参与进来，这并不是一场国家间的竞争。中国将是一个很好交易对象，不同国家都在发展自己的专业能力，再用自己的专长，与其他国家交换，这样每个人都能得到自己想要的部分。我认为中国拥有很好的自然资源，大量的人口，意味着大量的数据，同时中国学生受到了大量的数学思维训练。因此在数据，统计学方面，中国很强大，很多人认为AI是计算机领域，这只是部分事实。我认为它也涉及到许多统计学的知识，在其他国家没有这么强大的数学和统计训练。