MEET2020 | 曠視唐文斌：你到底給誰創(chuàng)造了什么樣的價(jià)值？這是AI產(chǎn)品的靈魂拷問

郭一璞 2019-12-17 12:17:24 來源：量子位

郭一璞 整理自 MEET2020智能未來大會(huì)
量子位 報(bào)道 | 公眾號(hào) QbitAI

落地，是2019年AI行業(yè)的共同話題，創(chuàng)造價(jià)值、降本增效，成為行業(yè)共識(shí)。

作為AI頭雁公司、也即將成為AI創(chuàng)業(yè)第一股的曠視，又是怎樣看待落地這個(gè)話題的？

而作為一位技術(shù)領(lǐng)袖，曠視聯(lián)合創(chuàng)始人兼CTO唐文斌，又認(rèn)為當(dāng)下環(huán)境下有哪些技術(shù)創(chuàng)新的機(jī)會(huì)？

在MEET2020智能未來大會(huì)現(xiàn)場，作為在行業(yè)中摸爬滾打八年的實(shí)踐者，唐文斌用四個(gè)字解答了人工智能落地的議題——價(jià)值創(chuàng)造。

關(guān)于MEET2020智能未來大會(huì)：量子位主辦，現(xiàn)場20多位行業(yè)大咖分享，1000多名行業(yè)觀眾參與，線上有近百萬從業(yè)者通過直播參與觀看和互動(dòng)，包括新華社在內(nèi)的數(shù)十家主流媒體報(bào)道，活動(dòng)整體線上總曝光量超過千萬。

要點(diǎn)

1、 AI落地必須回答產(chǎn)品經(jīng)理靈魂拷問：你到底給誰創(chuàng)造了什么樣的價(jià)值？

2、 AI的價(jià)值主要體現(xiàn)在三個(gè)方面：成本優(yōu)化、效率提升、體驗(yàn)增強(qiáng)。

3、 AI在不同行業(yè)發(fā)展的速度不一樣，有難有易，更容易發(fā)展起來的，是那些給予AI試錯(cuò)機(jī)會(huì)的場景。

4、 AIoT 是人工智能技術(shù)與產(chǎn)業(yè)深度結(jié)合的必經(jīng)之路，因?yàn)橛布杀局饾u變得更低，5G讓連接變得更迅捷，在這些基礎(chǔ)之上實(shí)現(xiàn)非常好的IoT的連接后，就能夠產(chǎn)生更多數(shù)據(jù)，讓AI算法實(shí)現(xiàn)快速突破。

5、 AIoT在體系下有且僅有三種角色，分別是感知器、決策器、執(zhí)行器，每個(gè)部分都有創(chuàng)新機(jī)會(huì)。

唐文斌演講分享全文

注：量子位在不改變原意的基礎(chǔ)上進(jìn)行了編輯整理

謝謝大家！謝謝量子位、謝謝主持人對(duì)我們的介紹，其實(shí)AI公司做的事情并非光鮮亮麗，反而非常的實(shí)際、非常的累，所以今天我想講點(diǎn)接地氣的事情。

現(xiàn)在很多人都在講AI，我們也可以看到AI技術(shù)確實(shí)給不同場景帶來了很多應(yīng)用，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)都給計(jì)算機(jī)視覺、語音識(shí)別，NLP等一系列的技術(shù)提供了好的手段，使其性能有大幅度的增長。

因此，這也給不同產(chǎn)業(yè)帶來了不一樣的價(jià)值，從技術(shù)到產(chǎn)業(yè)落地的過程已經(jīng)在實(shí)踐、在發(fā)展了。

舉個(gè)例子，我們現(xiàn)在可以通過計(jì)算機(jī)視覺幫助制造業(yè)廠商做缺陷檢測，用機(jī)器人幫倉儲(chǔ)物流行業(yè)降本增效，用AI的方式讓你提前測試某款化妝品、衣服的上身效果，不用再出門去商場了。

不管是降低成本、提升效率還是增強(qiáng)體驗(yàn)，在很多場景中，AI都是用這樣的方式來產(chǎn)生價(jià)值的。

但是這件事情并沒有大家想象中的那么好。

在AI的熱度之下，其實(shí)企業(yè)對(duì)AI如何落地、如何使用、如何給自己帶來價(jià)值，是沒有那么清楚的，落地的過程也沒那么容易，這也是我一上來講我們做的事情并沒有那么光鮮，反而非常累的原因。

AI落地回歸價(jià)值本身

這是Gartner統(tǒng)計(jì)的阻礙企業(yè)應(yīng)用AI的原因，其中包括現(xiàn)有員工缺乏相關(guān)的技能、對(duì)AI的作用和用途不了解、缺乏數(shù)據(jù)、系統(tǒng)整合起來比較麻煩、場景不清晰、戰(zhàn)略不清晰、隱私安全保護(hù)、價(jià)值不好衡量……一大堆的問題，其中有幾個(gè)問題是比較關(guān)鍵的。

首先，我們做一個(gè)應(yīng)用產(chǎn)品，需要盡可能控制成本，不管是算法研發(fā)的成本，還是技術(shù)應(yīng)用的成本，我們必須要算這個(gè)賬。這項(xiàng)技術(shù)／產(chǎn)品地使用帶來的價(jià)值增量到底有多大？如果企業(yè)不采用這項(xiàng)技術(shù)／產(chǎn)品，成本相對(duì)而言是更低還是更高？你的ROI怎么樣？這是我們必須要回答的問題。

第二，當(dāng)我們在一個(gè)特定場景中落地的時(shí)候，需要一個(gè)完整的解決方案。如果你的方案不完整，不能幫用戶解決切實(shí)的問題，企業(yè)怎么會(huì)用起來呢？所以需要明確的落地方案。

第三，需要更多的專業(yè)人員。因?yàn)槔斫饧夹g(shù)和理解場景這兩種知識(shí)往往分布在不同的人群，需要兩類專業(yè)人員結(jié)合到一起，才能夠深入到場景當(dāng)中解決行業(yè)痛點(diǎn)、給客戶帶來真正的價(jià)值。

今天我們講AI技術(shù)講了很多，但AI本質(zhì)上只是一個(gè)技術(shù)實(shí)現(xiàn)手段，最終大家都要回答產(chǎn)品經(jīng)理的靈魂拷問：

你到底應(yīng)用AI在這個(gè)場景給誰創(chuàng)造了什么樣的價(jià)值？為什么你能行？為什么是現(xiàn)在？

這是最根本的問題，AI帶來的價(jià)值有多大？客戶愿不愿意用？

對(duì)于技術(shù)公司來講，我們也需要回答這樣的問題。我們需要從價(jià)值創(chuàng)造的角度、從需求側(cè)來看是不是真的解決用戶的痛點(diǎn)，技術(shù)應(yīng)用能不能成規(guī)模，我們才會(huì)選擇做這樣的方向。

反過來講，我們也要考慮技術(shù)能不能滿足這樣的場景。

任何技術(shù)，不管是人臉識(shí)別還是自動(dòng)駕駛，都必須回答一個(gè)問題：你的技術(shù)成熟嗎？性能足夠解決這些問題嗎？

我認(rèn)為自動(dòng)駕駛應(yīng)該是從低速到高速的發(fā)展路徑，先做低速自動(dòng)駕駛，再做高速自動(dòng)駕駛；應(yīng)該是從受限場景到開放場景；應(yīng)該是從運(yùn)貨到運(yùn)人。因?yàn)樽詣?dòng)駕駛是一個(gè)肩負(fù)著極重社會(huì)責(zé)任責(zé)任的應(yīng)用，價(jià)值極其大，最終必將被人類所征服。但是它的技術(shù)也許需要三年、五年，或者十年，甚至更長的時(shí)間才能成熟。

自動(dòng)駕駛是一個(gè)價(jià)值極其大的場景，自動(dòng)駕駛必將被人們所征服。

所以我們在思考任何一個(gè)場景的時(shí)候，都需要回答本質(zhì)問題：

你的價(jià)值到底夠不夠大？

技術(shù)能不能滿足用戶需求？

只有這兩點(diǎn)結(jié)合起來，才能夠給這個(gè)場景真正地創(chuàng)造價(jià)值。

從做錯(cuò)了也可以補(bǔ)救的場景開始

正是因?yàn)锳I落地應(yīng)用有需求側(cè)的問題，有供給側(cè)的技術(shù)問題，所以我們會(huì)看到不同的行業(yè)發(fā)展的速度不一樣。有一些場景會(huì)相對(duì)簡單，有些場景會(huì)相對(duì)的難。那什么場景更容易發(fā)展起來呢？我們覺得要先從你做錯(cuò)了也可以補(bǔ)救的場景開始。

舉個(gè)例子，比如說我們現(xiàn)在做缺陷檢測。缺陷檢測場景的核心是“寧可錯(cuò)殺一千，不可放過一個(gè)”，錯(cuò)殺就錯(cuò)殺了，人工再來一遍就好了，通過人機(jī)結(jié)合的方式可以做到一個(gè)很好的體驗(yàn)。

此外在視覺識(shí)別的很多場景下，雖然AI只是起到輔助性的作用，但它幫助人提升效率、降低成本，在這些場景下，錯(cuò)誤是可以補(bǔ)救的。所以雖然這種場景下AI的精度很重要，但它并沒有那么關(guān)系重大，還有一定的容錯(cuò)率。

而在一些成敗攸關(guān)的領(lǐng)域，比如自動(dòng)駕駛，還有我們在做的生產(chǎn)制造、物流，都是一些更偏向主營業(yè)務(wù)線上的工具，我們有客戶就提到：“如果你導(dǎo)致我的生產(chǎn)線停產(chǎn)幾分鐘，你就要給我相應(yīng)的賠償。”

因?yàn)槿魏我馔馔ｎD都會(huì)給客戶的生產(chǎn)線帶來巨大損失，在這樣事關(guān)重大的場景，AI是不能出錯(cuò)的，否則付出的代價(jià)是很大的。

因此我們衡量AI落地領(lǐng)域熱度的坐標(biāo)系里有兩個(gè)軸，一個(gè)軸是價(jià)值大不大，價(jià)值越大，這個(gè)領(lǐng)域越熱門；另一個(gè)軸是技術(shù)行不行，技術(shù)越好，這個(gè)領(lǐng)域就會(huì)越熱門。

所以AI可以賦能非常多的行業(yè)，但是當(dāng)下這些行業(yè)還處在發(fā)展周期的不同位置上。

現(xiàn)在是發(fā)展AI特別好的時(shí)機(jī)，大家都在講AIoT，AI+IoT是特別干柴烈火的場景，因?yàn)橛布杀局饾u變得更低，5G讓連接變得更迅捷，在這些基礎(chǔ)之上實(shí)現(xiàn)非常好的IoT的連接后，就能夠產(chǎn)生更多數(shù)據(jù)，讓AI算法實(shí)現(xiàn)快速突破，新技術(shù)也就得到了更好的結(jié)合，能夠被應(yīng)用到各種場景中。

AIoT的三個(gè)角色：感知、決策、執(zhí)行

我分享一下曠視對(duì)于AIoT的理解。我們認(rèn)為整個(gè)AIoT體系下有且僅有三種角色，分別叫感知器、決策器、執(zhí)行器。道理其實(shí)很簡單，比如人用眼睛和耳朵做感知，用大腦做決策，用手和腳做執(zhí)行，任何一個(gè)場景都是這樣的閉環(huán)架構(gòu)。

舉個(gè)例子，比如我們有一個(gè)產(chǎn)品是人臉識(shí)別門禁，就是特別簡單的AIoT場景。感知環(huán)節(jié)是用攝像頭拍人臉；決策環(huán)節(jié)是對(duì)人臉進(jìn)行判斷，如果這個(gè)人是公司的員工或訪客，就把門打開；執(zhí)行器就是那個(gè)門。這就是非常簡單的場景。

再比如我們給日本客戶做了一個(gè)演示，控制很多的機(jī)械臂、傳送帶、AGV（自動(dòng)導(dǎo)引車，有輪子的移動(dòng)機(jī)器人），幫助倉庫、工廠實(shí)現(xiàn)自動(dòng)化。這里面的感知環(huán)節(jié)，是有很多的攝像頭對(duì)貨物、場景、操作者進(jìn)行感知，通過IoT的方式收集設(shè)備的數(shù)據(jù)；決策環(huán)節(jié)就是決定機(jī)械臂什么時(shí)候該動(dòng)，小車什么時(shí)候去哪個(gè)地方接貨物、走什么路徑、送到哪里去；最后是執(zhí)行需要有一個(gè)好的硬件載體做執(zhí)行。

感知、決策、執(zhí)行，這是我們做AIoT的框架和邏輯。

AI也好，IoT也好、AIoT最終還是要回到價(jià)值，我們到底給什么場景、什么客戶、在什么樣的情形下帶來價(jià)值。

價(jià)值主要是三個(gè)方面：成本優(yōu)化、效率提升、體驗(yàn)增強(qiáng)。所以我們必須思考如何能夠給客戶帶來這方面的價(jià)值。

因此我們判斷一個(gè)場景該不該做，也是通過前面這些方式。我們要考慮ROI，要考慮給客戶帶來了什么樣的回報(bào)，要看技術(shù)是否成熟，場景是否夠大，如何能實(shí)現(xiàn)規(guī)模化。

現(xiàn)在，任何一個(gè)場景中都需要很多算法，比如說視覺識(shí)別在工業(yè)場景中的應(yīng)用，可能需要上千個(gè)算法去識(shí)別不同的東西。
所以，低成本、大規(guī)模產(chǎn)生算法，是AI賦能得以迅速推廣的關(guān)鍵。

那么視覺算法如何低成本實(shí)現(xiàn)呢？有沒有批量化生產(chǎn)這些算法的機(jī)制？

曠視的解決之道是做了一個(gè)底層的算法平臺(tái)，叫Brain++。Brain++做的事情就是通過高效的深度學(xué)習(xí)的平臺(tái)，更有效、低成本地生產(chǎn)算法，讓研究員更快生產(chǎn)出他們想要的算法，通過AutoML的方式，針對(duì)已經(jīng)規(guī)范好的場景，自動(dòng)化生成算法。

感知層的算法、決策層的優(yōu)化算法、控制層的控制算法，都可以通過Brain++降低生產(chǎn)成本，也降低了AI應(yīng)用到一個(gè)場景的成本，讓AI落地到更多產(chǎn)業(yè)中去。

基于算法，能夠形成行業(yè)的應(yīng)用軟件和平臺(tái)軟件，比如在不同場景中需要不一樣的應(yīng)用軟件。那么這些應(yīng)用軟件是否有好的PaaS層、提供好的共性、提供更低成本的落地方式，關(guān)系到整個(gè)過程能否實(shí)現(xiàn)低成本化，實(shí)現(xiàn)貼近使用場景，這是非常關(guān)鍵的事情。

曠視在做什么呢？我們基于Brain++算法平臺(tái)，深耕三個(gè)主要的應(yīng)用場景。

第一個(gè)場景以手機(jī)為終端，去賦能手機(jī)，讓手機(jī)具備識(shí)別人臉的能力，具備識(shí)別各種信息的能力，能夠刷臉解鎖，能夠把照片變得更漂亮，讓相機(jī)變得更智能。

第二個(gè)是城市物聯(lián)網(wǎng)，以相機(jī)為終端，通過分析相機(jī)中的數(shù)據(jù)，讓城市變得更加的便捷和安全。

最后一個(gè)場景是供應(yīng)鏈物聯(lián)網(wǎng)，就是前面講的把機(jī)器人、機(jī)械臂、AGV等一系列的自動(dòng)化的設(shè)備連接起來，通過視覺的方式提供完整的解決方案，給倉庫、工廠降本增效。

這是我們支持的天貓超市的一個(gè)倉庫，大概用了400多臺(tái)機(jī)器人，來幫助天貓超市完成整個(gè)京津冀地區(qū)的發(fā)貨。如果在座的各位在北京去下天貓超市的訂單，很有可能是我們的機(jī)器人系統(tǒng)把貨發(fā)給你的。

對(duì)于曠視這樣的技術(shù)公司來說，AI的場景其實(shí)是有巨大機(jī)會(huì)的，因?yàn)锳I作為一個(gè)很好的手段，可以給不同的場景帶來不同的價(jià)值。

具體怎么去創(chuàng)新呢？放在剛才感知、決策、執(zhí)行的框架下來看，其實(shí)每一個(gè)環(huán)節(jié)都有創(chuàng)新的機(jī)會(huì)，都有做出足夠好的差異化產(chǎn)品的機(jī)會(huì)：

我們可以做出不一樣的傳感器，通過感知算法加上新形態(tài)的傳感設(shè)備，實(shí)現(xiàn)更好的感知，面向更多感知維度，提高精度，實(shí)現(xiàn)更好的集成度。

我們也可以做更好的決策器，這能提供很大的價(jià)值，比如解決倉庫里大量機(jī)器人的統(tǒng)一調(diào)度、統(tǒng)一運(yùn)行問題，需要優(yōu)化的算法，需要一個(gè)決策器；如何讓收集來的海量數(shù)據(jù)產(chǎn)生對(duì)場景有價(jià)值的計(jì)算方式和業(yè)務(wù)模型，這些都是在決策器上可以做創(chuàng)新的點(diǎn)。

在執(zhí)行器上，我們也可以做很多不一樣的執(zhí)行器、不一樣的自動(dòng)化的裝置、不一樣的設(shè)備。AI+IoT對(duì)于場景能夠帶來非常多的價(jià)值，曠視作為AIoT方向的踐行者，我們最早從感知出發(fā)，現(xiàn)在從感知逐漸邁向決策、邁向執(zhí)行，也希望通過這些技術(shù)方式，最終給客戶創(chuàng)造更大的價(jià)值。

這就是我們現(xiàn)在在做的事情，謝謝大家。