最近一段時間，圍繞人工智能（Artificial intelligence，以下簡稱 AI ）如何落地的行業事件很多。6月的時候，IBM 旗下面向醫療領域的 Watson Health 正在啟動一項大規模裁員計劃，裁員比例高達 50%-70%。
IBM 未對裁員作出評論，外界普遍認為，IBM 寄希望將人工智能帶入醫療領域的努力遭遇重大挫折，不管是醫療數據不完整還是數據監管力度加大，似乎都可以作為 Watson Health 此次裁員的主要原因，而更深層次的原因則是 AI 落地的之難。
而在科技媒體億歐網的一份行業盤點中也明顯感覺到了風向的變化，「一個顯著的變化是，去年創始人還在拿數據和算法講故事，今年則開始強調大訂單與大客戶。」
在經歷 2016、2017 年的概念滿天飛、資本狂熱之後，一系列更實際也更殘酷的問題被放在每家 AI 公司的工作日程。同樣也是在過去兩年多時間裡，阿里雲依託在城市、工業、農業領域的探索，也找到了一條頗具特色的產業 AI 之路。在今年 6 月初的雲棲峰會的上海場，阿里雲發佈面向農業領域的 ET 農業大腦，至此，阿里雲已經完成了在城市、工業、農業三大領域的 AI 落地嘗試。
上述這些頗具代表性的挫折、變化和進展，構成了觀察 2018 年 AI 行業尤其是中國 AI 發展方向的重要切入點，透過這些經驗和教訓，我們試圖找到幾個關鍵問題的答案，比如為什麼 AI 產業遇到困境，再比如阿里雲在 AI 落地過程中到底做對了什麼？尤其是，作為阿里雲產業 AI 代表之一的城市大腦，如何成為一個可以出口到國外的中國軟件技術？
從來沒有 AI 產業？
「AI 產業」和「產業 AI」，看似是一個文字排列問題，但由於側重點不同，其含義也有本質的不同。首先必須明確一點，「AI」本身從來不是技術名詞，而是一個領域的統稱，至今也沒有一個公認的學術定義，當下媒體熱議的「AI」技術，基本等同於語音、計算機視覺以及自然語言處理技術，其背後的推動力是機器學習、深度學習的進步。
從這個角度上看，「AI 產業」也就是語音（包括語音識別、語音合成）、計算機視覺包括圖像/人臉/視頻識別）和自然語言處理等技術發展後所形成的產業。這個所謂「AI 產業」有多大呢？下圖是美國數據諮詢公司 CBinghits 對於中國計算機視覺創業公司融資狀況的統計，可見這個市場在過去兩年的發展有多麼迅速。
但這些「AI 產業」公司卻都面臨一個困境，或者是絕境，他們根本無法獨立形成一個產業，這是當下 AI 各項技術的本質所決定的。
與過往互聯網推動在線（Online）產業以及移動互聯網打造的「指尖經濟產業」相比，不管是語音、圖像還是自然語言理解，其本質是一種底層技術，這意味著，倘若沒有合適的應用場景，這些技術不過是實驗室的玩具。
這更意味著，「AI 產業」從邏輯上完全不成立，那麼「產業 AI」 呢？
「產業 AI」 最早由阿里雲提出，在 2017 年 12 月的北京雲棲大會上，阿里雲總裁胡曉明明確表達了阿里雲對技術與產業集合的思考：「過去每一次產業革命，都是技術與產業的深度融合，從而引發經濟和社會變革，AI也不例外。未來AI要深入各行各業，去解決生活、生產和社會環境中遇到的棘手問題，這樣才能引領真正的產業革命。」
換句話說，阿里雲從來沒有將 AI 作為一個獨立產業來看待，而是將其放在產業變革的大背景下，尋找語音、圖像、自然語言處理處理等技術在各行各業所能發揮作用的場景，這是「產業 AI」與「AI 產業」的根本不同。
而從行業發展趨勢來看，阿里雲力推產業 AI 也有其必然性。首先，阿里雲已經多年位居國內公有云市場市場龍頭老大地位，在產業覆蓋範圍和產業輻射能力有著不小優勢，這也使得阿里雲有能力推進產業 AI 。
其次，AI 作為雲計算領域的技術新變量，其帶來的技術、商業變革正在左右雲計算的市場格局，某種意義上說，阿里雲的產業 AI 規劃，也是阿里雲定義的雲計算 2.0 時代的必然選擇。
不論是有意還是無意，阿里雲很早就走到了產業AI的方向上，其中ET大腦是最具代表性的一系列產品。
早在 2016 年，阿里雲就啟動了一項頗具野心的嘗試，2016 年的杭州雲棲大會上，一手締造了阿里雲的王堅博士揭開了「杭州城市大腦」的神秘面紗。
2017 年上半年的時候，一個「1%」的數字被胡曉明反覆提及，這是阿里雲ET工業大腦被應用到國內能源巨頭協鑫光伏切片生產車間後所提升的良品率，如果考慮到協鑫光伏一年百億規模的收入，這個「1%」的提升也就是數億元的收入。後來，還有更多製造企業誕生了這樣的百分數。
一年後，將ET農業大腦安裝到養豬場的四川特驅集團也分享了一組數字：預計今年母豬年生產能力可以提升 3 頭，死淘率降低 3% 左右。至此，阿里雲的產業 AI 已經全面覆蓋到城市、工業、農業領域，加上之前在航空、醫療領域的佈局，阿里雲產業 AI 產品矩陣已基本成型，這其中，上線時間最早、也可能是技術最複雜的城市大腦，最具代表性。
城市大腦正在成為什麼？
在一個產業轉型和崛起的新時代，AI 之於產業的意義絕不侷限在優化提升，更在創造一個全新的基礎設施，這恰恰也是阿里雲的ET城市大腦正在做的事情。
我們知道，雲計算的三大層次裡，處於基礎設施層面的 IaaS 層，通過底層計算資源池化以及構建可靈活擴展的架構，支撐了上層的 PaaS 和 SaaS。而細心去看這個全新的城市基礎設施，城市大腦的角色和雲計算領域的 IaaS 頗為相似。
在杭州蕭山區，由數據和 AI 驅動的城市大腦展示了一個案例，如何優先調度 120 救護車。根據阿里官方給出的一組數字：「救護車到達現場的時間已縮短一半，平均節省7分鐘。以市心路-晨暉路到市心路-建設一路全長7公里路段為例，救護車總計需要經過21個路口。在最近一次出車中，救護車節省時間高達14分鐘，沒有遇到一個紅燈。」
在上述看似簡單的數據提升案例裡，背後卻是一套極其複雜的系統。首先，從 120 接到電話到患者進入醫院，這個過程中涉及到多個交通參與主體，而且交通路況又是隨機、動態變化；其次，120 救護車的位置與每個路口交通信號燈切換頻率也是實時調整，需要精確計算才能實現，
這意味著，必須打通交通和救護車急救點的數據系統。急救點一旦接到電話，語音數據直接進入城市大腦中實時計算轉換為指令，自動調配沿線信號燈配時，為救護車設置最優路線。同時，監控視頻根據救護車GPS定位，始終跟蹤救護車行駛。指揮中心的終端大屏，則會幫助交警把控急救的實時進展，必要時提供警力的支持。
縱觀整個流程，當城市道路以及交通參與主體被數字化之後，這些交通資源就成為一種可伸縮、可定製的資源，像極了在雲計算資源池化的屬性，所有的交通資源也被資源池化，根據用戶需求智能調配。其應用場景也覺不僅僅是侷限在特殊車輛通行應用層面，它構成了一種現實版的 IaaS 平臺，比如公交公司可以基於這個平臺合理規劃公交車發車效率，保證一路綠燈；再比如，共享出行或地圖公司可以在此基礎上衍生出更豐富的商業應用等等。
這個流程也蘊含著 ET 大腦的核心能力：認知反演。簡而言之，無論是城市交通、工業製造還是航空運輸，其本質都是拓撲網絡問題，即城市交通是車流的網絡，工業製造是流程的網絡問題……這些網絡中的每個節點都會發出各種信號，比如在城市交通裡，每個路口可能就是一個節點，當一個路口交通堵塞的時候，如何將這個信號傳遞給其他路口以及是否傳遞這個信號，其背後的決策機制異常重要。
而認知反演就是通過這些表面信號，結合關鍵統計量和算法找到數據特徵尋找到這些拓撲網絡上的量化關係，通過這些量化關係就可以找到控制的竅門。
在 ET 城市大腦的實踐過程裡，利用城市交通攝像頭，可以實時、全量人流、車流、時間等的具體信息，但車流、人流複雜多變，城市道路縱橫交錯，在哪個交通口進行信號燈優化、在什麼時間點優化都無法通過深度學習來解決，需要採用認知反演的能力，找到這些人流、車流、時間背後的關係，並通過對關鍵路徑的調控，實現了從數學世界到物理世界的巨大跨越。
城市大腦不是什麼？
自 2016 年亮相雲棲大會之後，圍繞阿里雲ET城市大腦的一系列疑問之中，有個問題被提及最多：城市大腦是什麼？
但這個問題還有另一個可以回答的方式，那就是搞清楚城市大腦不是什麼。自 2016 年亮相雲棲大會之後，圍繞阿里雲城市大腦的一系列疑問之中，有個問題被提及最多：城市大腦是什麼？
但這個問題還有另一個可以回答的方式，那就是：城市大腦不是什麼？
過去二十多年時間，科技公司們為了改造城市，提出了各式各樣的解決方案，並以「智慧城市」、「智能城市」的字眼進行包裝炒作，但遺憾的是，這二十多年的實踐花費巨大，不僅沒有根治城市病，還讓城市陷入到一個個數據孤島中。比如為了解決交通擁堵，各種解決方案都是以安裝單點（智能）攝像頭、紅綠燈，並在路口鋪設磁線圈，這些硬件設備前期投資巨大，而安裝鋪設完畢之後又「各自為政」，不同硬件裡的數據無法協同共享。
更重要的是，面對城市每時每刻產生的海量數據，很長一段時間內，缺乏有效的工具去挖掘城市實時海量數據的價值。這也導致城市決策無法做到全局和實時，導致決策片面和滯後。
阿里雲的ET城市大腦顯然是要和上述這些「智慧城市」劃清界限。
阿里雲有著豐富的數據分析經驗，既應對過海量的數據存儲，也扛過類似雙十一這樣的高併發數據挑戰，這也構成了阿里雲在人工智能應用領域一個特點，即通過數據維度切入這個領域，並利用海量、實時的數據倒逼計算能力和算法的優化改進，從而釋放數據智能帶來的潛力。
而城市數據，在過去很長一段時間內都是一個沉睡的金礦。
作為人類生活的主要聚集地，城市天然就是記錄人類行為軌跡的「數據庫」。如果從過去十幾年的「智慧城市」算起，城市「數據庫」的搭建工作幾乎從未停歇，但其結果並沒有給城市帶來所謂「智慧」，反而由於不同數據庫之間的割裂、數據陳舊以及處理能力的匱乏造成大量投資被浪費。
在城市交通數據中，交通信號燈的數據與交通監控攝像頭的數據完全割裂，這些來自空中影像數據又和地面的傳感器數據缺乏關聯，再加上處理海量影像數據的效率缺乏，也就構成了這個「世界上最遠的距離」。
交通數據雖然僅僅是城市數據的一方面，但交通數據的重要性不言而喻。特別是在中國城市發展過程中，道路交通狀況往往成為影響城市規劃的重要參考因素。也因此，阿里雲ET城市大腦落地的第一步，就瞄準了困擾長期困擾杭州的交通問題。首先，將長期以來沉澱在不同部門、不同設備裡的數據實時在線地整合在一起；其次，通過雲端的計算能力和算法來釋放海量數據的智能，從而能夠真正實現「讓城市交通數據自己說話、自己決策」……
事實上，面對來自交通局、氣象、公交等十幾家機構的海量、實時交通影像數據，城市這個「數據金礦」催生了算法的創新。比如，ET城市大腦的視覺計算團隊為了應對複雜場景下的車輛檢測任務，提出了基於區域融合決策和上下文相關的多任務深度神經網絡，可以解決多視角、多姿態及車輛遮擋等問題。這一技術成果打破了全球權威視覺算法測評平臺 KITTI 的世界紀錄，將車輛檢測率拉昇至 90.55%。
至此，可以清晰地看到，阿里雲ET城市大腦不是過往任何智慧城市解決方案的延續，而是完全站在一個全新的角度，用城市每天產生的海量數據作為破解城市密碼的第一步，通過雲端計算能力和算法，進一步理解城市裡的人、車、物的行為邏輯。
未來已來的城市
杭州城市大腦的實踐也讓未來城市的樣子逐漸清晰起來。
歷史上，卡爾維諾曾用詩化的語言描繪過一座座「看不見的城市」，這是一個完全個人化的城市體驗，「每當馬可·波羅描繪了一座城市時，可汗就會自行從腦海出發，把城市一點一點拆開，再將碎片調換、移動、倒置，以另一種方式重新組合。」
當簡·雅各布斯目睹美國各個城市一次次失敗的城市規劃後，她敏銳察覺到城市是一個複雜、多樣的有機體，在那本影響深遠的《美國大城市的死與生》裡，雅各布斯以一己之力挑戰了傳統的城市規劃理論。
如今，當人工智能不再侷限在發表論文、展示實驗室 Demo 後，依託海量數據和普惠的計算能力，阿里雲 ET 城市大腦的一系列落地案例裡，從交通資源數字化開始，城市各個資源，包括但不限於教育、醫療、環境、零售的數字化趨勢不可阻擋，這也讓城市最終會成一個數字資源平臺。
阿里雲機器智能首席科學家閔萬里曾這樣評價ET城市大腦：「我們通過計算這個槓桿，來撬動整個社會中沉睡的公共數據資源，把底層的價值釋放出來，由此產生的價值是無法想象的。」
在這樣的一個未來城市裡，城市裡的每一個元素都被數字化並且實現「在線」共享，城市的所有基礎設施，如道路、汽車、購物中心都成為彈性可伸縮的計算資源，城市不僅運行在物理世界，更以一種數據化、數字化的形態存在於雲端，你可以在現實世界的城市裡淘金，也可以在雲端的數字城市裡找尋商機，這是阿里雲ET城市大腦給未來的承諾，也是正在杭州、蘇州、雄安以及吉隆坡等地發生的故事。
正如馬雲早前反覆強調，如何通過機器智能的實踐，從而讓機器幫助人類完成人類不擅長的事情才是人工智能的關鍵。阿里雲在過去兩年所趟出來這條產業 AI 之路，尤其是城市大腦的落地實踐，已經讓業界看到了機器智能帶給人類的絕不是終結者的恐怖或娛樂至死的無聊，更可以通過數據、計算能力以及算法的結合，重構一個美好的未來生活，這恰是阿里雲ET城市大腦給行業的最大啟示。
閱讀更多 趙賽坡商業評論 的文章
