編者按：

“縱觀整個(gè)人工智能的發(fā)展歷程可以發(fā)現(xiàn)，我們是站在過(guò)往先輩的肩膀上在做這件事情”，順豐科技數(shù)據(jù)總監(jiān)余何在物流沙龍2018數(shù)字化供應(yīng)鏈峰會(huì)既LOG年會(huì)上的演講開(kāi)頭如此強(qiáng)調(diào)。作為順豐數(shù)據(jù)中心、服務(wù)中心，基礎(chǔ)的IT設(shè)施數(shù)據(jù)負(fù)責(zé)管理者，理論與實(shí)踐并重，他從人工智能的定義說(shuō)起，緊接著從人工智能的發(fā)展歷程、技術(shù)框架以及應(yīng)用場(chǎng)景等內(nèi)容延伸開(kāi)來(lái)，闡釋了人工智能在供應(yīng)鏈數(shù)字化下的應(yīng)用。

在業(yè)內(nèi)有著“大師兄”昵稱(chēng)的余何，令人忍不住聯(lián)想到武俠小說(shuō)里門(mén)派中的大師兄，接下來(lái)，我們一起來(lái)看一看他的人工智能“江湖”，學(xué)個(gè)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(jì)算機(jī)能夠替代人類(lèi)實(shí)現(xiàn)識(shí)別、認(rèn)知、分析和決策的多種功能，它主要包括三個(gè)階段，依次分別是：邏輯計(jì)算、學(xué)習(xí)認(rèn)知與意識(shí)情感。

1）邏輯計(jì)算。通過(guò)運(yùn)用布爾代數(shù)、符號(hào)邏輯建立算法公式，再通過(guò)計(jì)算機(jī)進(jìn)行計(jì)算，以達(dá)到釋放人腦計(jì)算的目的。

2）學(xué)習(xí)認(rèn)知。包括時(shí)空感知、經(jīng)驗(yàn)抽象與想象創(chuàng)造三個(gè)部分。

3）意識(shí)情感。什么是意識(shí)情感？我知道我就是我，我知道自己的存在。我們?cè)陔娪爸锌吹降娜斯ぶ悄苁鞘裁?？就是機(jī)器人有自己的意識(shí)會(huì)毀滅人類(lèi)。而在余何看來(lái)，人工智能是可以模擬滿(mǎn)足人類(lèi)的情感需求，對(duì)人類(lèi)自己缺乏的情感進(jìn)行補(bǔ)充，要能證明自己的意識(shí)以及滿(mǎn)足人類(lèi)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(gè)人工智能的發(fā)展歷程可以發(fā)現(xiàn)，我們是站在過(guò)往先輩的肩膀上在做這件事情，很多偉大的科學(xué)家都在無(wú)關(guān)乎商業(yè)的象牙塔里做過(guò)研究?！庇嗪伪硎?。

人工智能的發(fā)展經(jīng)歷了三個(gè)階段：

1、第一階段：人工智能起步期

整個(gè)人工智能是從1956年開(kāi)始的，當(dāng)時(shí)最年輕的科學(xué)家只有29歲，名氣最大的科學(xué)家當(dāng)時(shí)不是討論有什么樣的科研結(jié)果或者什么產(chǎn)出？而只是做了一些假設(shè)：即什么是人工智能，可以通過(guò)哪些方式實(shí)現(xiàn)，有無(wú)相關(guān)標(biāo)準(zhǔn)？1956年，馬文明斯基組織達(dá)特茅斯會(huì)議標(biāo)志AI誕生。

實(shí)際上，關(guān)于如何模擬人工智能當(dāng)時(shí)分為兩派，一派認(rèn)為可以通過(guò)邏輯符號(hào)、布爾代數(shù)模擬；一派則主張完全打破原來(lái)計(jì)算的結(jié)構(gòu)，仿造人類(lèi)的大腦做神經(jīng)網(wǎng)絡(luò)。

1957年，心理學(xué)家羅森布拉特發(fā)明了神經(jīng)網(wǎng)絡(luò)模型Perceptron感知機(jī)，論文發(fā)表后引起了社會(huì)轟動(dòng)，并得到商業(yè)界諸多投資。但與此同時(shí)，整個(gè)學(xué)術(shù)界亦對(duì)其進(jìn)行非常激烈的批評(píng)，其中以馬文明斯基尤甚，馬文明斯基將對(duì)羅森布拉特的批評(píng)直接寫(xiě)到書(shū)中。

直至1970年，整個(gè)對(duì)人工智能的投資就像2000年互聯(lián)網(wǎng)一樣被打入寒冬。但無(wú)論如何，他們?nèi)耘f是人工智能的先驅(qū)。

2、第二階段：機(jī)器學(xué)習(xí)時(shí)期

1982年，霍普菲爾德提出復(fù)合型的神經(jīng)網(wǎng)絡(luò)遞歸（復(fù)發(fā)型）網(wǎng)絡(luò)，但當(dāng)時(shí)投入到工業(yè)和商業(yè)的價(jià)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(jīng)網(wǎng)絡(luò)所需要的復(fù)雜計(jì)算量問(wèn)題；90年代，DARPA人工智能計(jì)算機(jī)研究失敗，SVM（Support Vector Machines，支持向量機(jī)）算法誕生，迅速打敗了神經(jīng)網(wǎng)絡(luò)算法成為主流。

3、第三階段：深度學(xué)習(xí)時(shí)期

2006年，Geoffrey Hinton發(fā)表了論文，首次提出了“深度學(xué)習(xí)”神經(jīng)網(wǎng)絡(luò)，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(jīng)網(wǎng)絡(luò)，骨骼大腦；2013深度學(xué)習(xí)算法在語(yǔ)音和視覺(jué)識(shí)別上都有重大突破；2016，AlphaGo擊敗人類(lèi)職業(yè)圍棋選。

尤其值得一提的是，1986年，“深度學(xué)習(xí)之父”Geoffrey Hinton當(dāng)時(shí)在一所大學(xué)當(dāng)教授，在這個(gè)時(shí)期，由于計(jì)算能力能夠滿(mǎn)足之后，他把人類(lèi)的神經(jīng)網(wǎng)絡(luò)進(jìn)行擴(kuò)張，并且?guī)С隽撕芏鄬W(xué)生，其中包括華裔李非非。

李非非做了一件事，她將1500多萬(wàn)張圖片放到互聯(lián)網(wǎng)上，通過(guò)分布式的管理方式讓學(xué)生和科學(xué)家對(duì)這些圖片進(jìn)行標(biāo)注，分成2200個(gè)分類(lèi)，通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)快速識(shí)別圖片，識(shí)別圖片的正確率提高了2倍?！翱梢园l(fā)現(xiàn)它不是一個(gè)算法的問(wèn)題，而是數(shù)據(jù)問(wèn)題，只要數(shù)據(jù)量足夠大，正確率就高?！庇嗪芜@樣說(shuō)道。

目前基本上是到了這樣的階段，我們的數(shù)據(jù)量已經(jīng)足夠，有了云計(jì)算的資源來(lái)支撐，至少在某個(gè)專(zhuān)業(yè)領(lǐng)域已經(jīng)取得相應(yīng)的成功。

人工智能的技術(shù)框架

很多人想自己做人工智能，或者成立一個(gè)團(tuán)隊(duì)去做和人工智能這個(gè)行業(yè)的相關(guān)工作，在這個(gè)行業(yè)中整個(gè)技術(shù)框架是怎樣的？

1、大數(shù)據(jù)、云計(jì)算

大數(shù)據(jù)和云計(jì)算是整個(gè)AI的基礎(chǔ)，先要信息化、數(shù)字化，這兩個(gè)基礎(chǔ)是最難的。和以往相比，現(xiàn)在獲取數(shù)據(jù)的手段更多速度更快；在計(jì)算能力這塊有順豐云，在單位空間中計(jì)算能力越強(qiáng)越好。

2、算法、模型

在算法和模型這塊，可以發(fā)現(xiàn)很多科學(xué)家采用的方式完全不一樣，比如在神經(jīng)網(wǎng)絡(luò)這塊，在沒(méi)有計(jì)算能力和數(shù)據(jù)量的情況下可能是劍走邊鋒。

算法主要包括三種類(lèi)型，分別為：無(wú)監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

無(wú)監(jiān)督學(xué)習(xí)是給定數(shù)據(jù)，從數(shù)據(jù)中發(fā)現(xiàn)信息。通過(guò)對(duì)這些事情分析后發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)中只要看到有貓的視頻存在，某部分神經(jīng)元就會(huì)產(chǎn)生反應(yīng)，自動(dòng)辨別哪個(gè)是貓，這個(gè)時(shí)候是沒(méi)有人去干預(yù)的。

監(jiān)督學(xué)習(xí)會(huì)給定數(shù)據(jù)，預(yù)測(cè)這些數(shù)據(jù)的標(biāo)簽。它會(huì)告訴我們大量的信息是什么，并進(jìn)行歸類(lèi)，比如前面李非非做的項(xiàng)目，1500萬(wàn)圖片都是經(jīng)過(guò)大量的人工去處理和達(dá)標(biāo)的，識(shí)別率達(dá)到90%。

強(qiáng)化學(xué)習(xí)是給定數(shù)據(jù)，選擇動(dòng)作以最大化長(zhǎng)期激勵(lì)，是這幾個(gè)階段中最復(fù)雜的。類(lèi)似于在玩一個(gè)游戲，這個(gè)時(shí)候不需要任何人告訴他游戲的規(guī)則，整個(gè)激勵(lì)和角度在于是否做得好。

3、技術(shù)方向

技術(shù)方向比較明確的是計(jì)算機(jī)視覺(jué)，人臉現(xiàn)在也非常普及，此外還包括語(yǔ)言工程、自然語(yǔ)言處理以及決策規(guī)劃。

4、瓶頸與研究

當(dāng)前應(yīng)用這些技術(shù)會(huì)遇到很多問(wèn)題，如計(jì)算機(jī)視覺(jué)和語(yǔ)音工程會(huì)有很多噪音和干擾，這樣的情況下通過(guò)什么方式讓你的機(jī)敏度更高？機(jī)器與自然語(yǔ)言翻譯這一塊要求語(yǔ)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(yīng)用場(chǎng)景中基于原來(lái)信息化、數(shù)據(jù)化和不斷在變化的內(nèi)容糅合在一起。

人工智能的應(yīng)用場(chǎng)景

人工智能在物流領(lǐng)域有哪些應(yīng)用？余何總結(jié)歸納了四個(gè)應(yīng)用場(chǎng)景，包括收派、中轉(zhuǎn)、運(yùn)輸、倉(cāng)儲(chǔ)。

其中，收派做了手寫(xiě)體的識(shí)別，原來(lái)是有人工跟單的，要去識(shí)別各種各樣的人的字體，識(shí)別率可能在60%左右，現(xiàn)在完成第一輪的翻譯后，結(jié)合現(xiàn)有的技術(shù)庫(kù)歷史數(shù)據(jù)進(jìn)行識(shí)別，識(shí)別率可能是90%。

中轉(zhuǎn)主要是網(wǎng)絡(luò)的選址和路徑規(guī)劃。這是一個(gè)決策系統(tǒng)，要將整個(gè)全國(guó)全網(wǎng)的網(wǎng)點(diǎn)整個(gè)大的數(shù)據(jù)實(shí)現(xiàn)整個(gè)流轉(zhuǎn)流向非常難。

當(dāng)時(shí)做了一個(gè)切割，比如分為華東、華北，根據(jù)具體的業(yè)務(wù)場(chǎng)景做摸索，原來(lái)的人工智能也可以很好的運(yùn)用，如計(jì)算機(jī)視覺(jué)可以在整個(gè)中轉(zhuǎn)場(chǎng)有整套人工智能的識(shí)別系統(tǒng)，可以快速看到包裹的真實(shí)物流位置、捕捉單號(hào)；甚至可以在整個(gè)中轉(zhuǎn)場(chǎng)看到人工作業(yè)的情況，如有無(wú)高空拋物或者按照制定位置認(rèn)真工作；也可以通過(guò)計(jì)算機(jī)系統(tǒng)去完成具體場(chǎng)景，只要大的整套系統(tǒng)明確便可以很快運(yùn)用。

此文系作者個(gè)人觀點(diǎn)，不代表物流沙龍立場(chǎng)