“縱觀整個人工智能的發(fā)展歷程可以發(fā)現，我們是站在過往先輩的肩膀上在做這件事情”，順豐科技數據總監(jiān)余何在物流沙龍2018數字化供應鏈峰會既LOG年會上的演講開頭如此強調。作為順豐數據中心、服務中心，基礎的IT設施數據負責管理者，理論與實踐并重，他從人工智能的定義說起，緊接著從人工智能的發(fā)展歷程、技術框架以及應用場景等內容延伸開來，闡釋了人工智能在供應鏈數字化下的應用。

　　在業(yè)內有著“大師兄”昵稱的余何，令人忍不住聯想到武俠小說里門派中的大師兄，接下來，我們一起來看一看他的人工智能“江湖”，學個一招半式。

人工智能是什么？

　　人工智能是什么？余何給出了自己的解讀——人工智能是指計算機能夠替代人類實現識別、認知、分析和決策的多種功能，它主要包括三個階段，依次分別是：邏輯計算、學習認知與意識情感。

　　1）邏輯計算。通過運用布爾代數、符號邏輯建立算法公式，再通過計算機進行計算，以達到釋放人腦計算的目的。

　　2）學習認知。包括時空感知、經驗抽象與想象創(chuàng)造三個部分。

　　3）意識情感。什么是意識情感？我知道我就是我，我知道自己的存在。我們在電影中看到的人工智能是什么？就是機器人有自己的意識會毀滅人類。而在余何看來，人工智能是可以模擬滿足人類的情感需求，對人類自己缺乏的情感進行補充，要能證明自己的意識以及滿足人類的情感才是真正的人工智能。

人工智能的發(fā)展歷程

　　“縱觀整個人工智能的發(fā)展歷程可以發(fā)現，我們是站在過往先輩的肩膀上在做這件事情，很多偉大的科學家都在無關乎商業(yè)的象牙塔里做過研究?！庇嗪伪硎尽?

　　人工智能的發(fā)展經歷了三個階段：

　　1、第一階段：人工智能起步期

　　整個人工智能是從1956年開始的，當時最年輕的科學家只有29歲，名氣最大的科學家當時不是討論有什么樣的科研結果或者什么產出？而只是做了一些假設：即什么是人工智能，可以通過哪些方式實現，有無相關標準？1956年，馬文·明斯基組織達特茅斯會議標志AI誕生。

　　實際上，關于如何模擬人工智能當時分為兩派，一派認為可以通過邏輯符號、布爾代數模擬；一派則主張完全打破原來計算的結構，仿造人類的大腦做神經網絡。

　　1957年，心理學家羅森布拉特發(fā)明了神經網絡模型Perceptron感知機，論文發(fā)表后引起了社會轟動，并得到商業(yè)界諸多投資。但與此同時，整個學術界亦對其進行非常激烈的批評，其中以馬文·明斯基尤甚，馬文·明斯基將對羅森布拉特的批評直接寫到書中。

　　直至1970年，整個對人工智能的投資就像2000年互聯網一樣被打入寒冬。但無論如何，他們仍舊是人工智能的先驅。

　　2、第二階段：機器學習時期

　　1982年，霍普菲爾德提出復合型的神經網絡遞歸（復發(fā)型）網絡，但當時投入到工業(yè)和商業(yè)的價值并不是很大；1986年，Rumelhar、Hinton等人提出了反向傳播BP算法，解決了兩層神經網絡所需要的復雜計算量問題；90年代，DARPA人工智能計算機研究失敗，SVM（Support Vector Machines，支持向量機）算法誕生，迅速打敗了神經網絡算法成為主流。

　　3、第三階段：深度學習時期

　　2006年，Geoffrey Hinton發(fā)表了論文，首次提出了“深度學習”神經網絡，人工智能在此興起；2010年，舉辦ImageNet挑戰(zhàn)賽；2012年，Andrew Ng建造最大的神經網絡，骨骼大腦；2013深度學習算法在語音和視覺識別上都有重大突破；2016，AlphaGo擊敗人類職業(yè)圍棋選。

　　尤其值得一提的是，1986年，“深度學習之父”Geoffrey Hinton當時在一所大學當教授，在這個時期，由于計算能力能夠滿足之后，他把人類的神經網絡進行擴張，并且?guī)С隽撕芏鄬W生，其中包括華裔李非非。

　　李非非做了一件事，她將1500多萬張圖片放到互聯網上，通過分布式的管理方式讓學生和科學家對這些圖片進行標注，分成2200個分類，通過神經網絡來快速識別圖片，識別圖片的正確率提高了2倍?！翱梢园l(fā)現它不是一個算法的問題，而是數據問題，只要數據量足夠大，正確率就高?！庇嗪芜@樣說道。

　　目前基本上是到了這樣的階段，我們的數據量已經足夠，有了云計算的資源來支撐，至少在某個專業(yè)領域已經取得相應的成功。

人工智能的技術框架

　　很多人想自己做人工智能，或者成立一個團隊去做和人工智能這個行業(yè)的相關工作，在這個行業(yè)中整個技術框架是怎樣的？

　　1、大數據、云計算

　　大數據和云計算是整個AI的基礎，先要信息化、數字化，這兩個基礎是最難的。和以往相比，現在獲取數據的手段更多速度更快；在計算能力這塊有順豐云，在單位空間中計算能力越強越好。

　　2、算法、模型

　　在算法和模型這塊，可以發(fā)現很多科學家采用的方式完全不一樣，比如在神經網絡這塊，在沒有計算能力和數據量的情況下可能是劍走邊鋒。

　　算法主要包括三種類型，分別為：無監(jiān)督學習、監(jiān)督學習和強化學習。

　　無監(jiān)督學習是給定數據，從數據中發(fā)現信息。通過對這些事情分析后發(fā)現神經網絡中只要看到有貓的視頻存在，某部分神經元就會產生反應，自動辨別哪個是貓，這個時候是沒有人去干預的。

　　監(jiān)督學習會給定數據，預測這些數據的標簽。它會告訴我們大量的信息是什么，并進行歸類，比如前面李非非做的項目，1500萬圖片都是經過大量的人工去處理和達標的，識別率達到90%。

　　強化學習是給定數據，選擇動作以最大化長期激勵，是這幾個階段中最復雜的。類似于在玩一個游戲，這個時候不需要任何人告訴他游戲的規(guī)則，整個激勵和角度在于是否做得好。

　　3、技術方向

　　技術方向比較明確的是計算機視覺，人臉現在也非常普及，此外還包括語言工程、自然語言處理以及決策規(guī)劃。

　　4、瓶頸與研究

　　當前應用這些技術會遇到很多問題，如計算機視覺和語音工程會有很多噪音和干擾，這樣的情況下通過什么方式讓你的機敏度更高？機器與自然語言翻譯這一塊要求語量的信息要足夠豐富；決策規(guī)劃方面，目前我們要做的是，把應用場景中基于原來信息化、數據化和不斷在變化的內容糅合在一起。

人工智能的應用場景

　　人工智能在物流領域有哪些應用？余何總結歸納了四個應用場景，包括收派、中轉、運輸、倉儲。

　　其中，收派做了手寫體的識別，原來是有人工跟單的，要去識別各種各樣的人的字體，識別率可能在60%左右，現在完成第一輪的翻譯后，結合現有的技術庫歷史數據進行識別，識別率可能是90%。

　　中轉主要是網絡的選址和路徑規(guī)劃。這是一個決策系統，要將整個全國全網的網點整個大的數據實現整個流轉流向非常難。

　　當時做了一個切割，比如分為華東、華北，根據具體的業(yè)務場景做摸索，原來的人工智能也可以很好的運用，如計算機視覺可以在整個中轉場有整套人工智能的識別系統，可以快速看到包裹的真實物流位置、捕捉單號；甚至可以在整個中轉場看到人工作業(yè)的情況，如有無高空拋物或者按照制定位置認真工作；也可以通過計算機系統去完成具體場景，只要大的整套系統明確便可以很快運用。

【獨家稿件及免責聲明】本網注明轉載文章中的信息僅供用戶參考。凡注明來源“運輸人網”的作品，未經本網授權均不得轉載、摘編或使用。聯系郵件：master@yunshuren.com