《大数据和人工智能产业发展的思考》由会员分享，可在线阅读，更多相关《大数据和人工智能产业发展的思考（6页珍藏版）》请在金锄头文库上搜索。
1、拓尔思总裁施水才在第七届中国智能产业高峰论坛作主题报告发布时间:016 10月1日-13日,由中国人工智能学会主办的CIS第七届中国智能产业高峰论坛在广东顺德隆重举办。本届高峰论坛以“创新、协调、绿色、开发、共享”为主题,中国人工智能学术界和产业界出名学者、顶级专家和业界精英近300人齐聚一堂,共同探讨人工智能发展的科技创新与行业变革战略，破解人工智能创业和商业模式的密码。李德毅院士、李伯虎院士、清华大学孙富春专家、拓尔思总裁施水才在大会上作主题报告,施总的演讲主题是“大数据和人工智能产业发展的思考”。施总在大会上刊登主旨演讲如下是精彩要点：人们上午好。非常感谢中国人工智能学会邀请我在大会上做
2、分享报告。今天我想给人们分享一下对于大数据和人工智能产业的发展思考。 第一点，我觉得大数据和人工智能产业进行比对非常故意义; 第二点,针对“人工智能行业”和“行业+人工智能”，谈一下个人理解和结识; 第三点，我觉得对于将来人工智能的研究和应用,仅有计算能力、数据和算法是不够的,需要加入其她重要因素; 第四点,探讨人工智能目前的几种方向中,哪些尚有大机会; 最后，讲一讲拓尔思基于LP平台的某些人工智能应用实践。大数据对人工智能产业的四大启示一方面,人工智能产业的发展和数据密不可分,另一方面，数据驱动的商业比智能驱动的商业更符合产业本质，大数据产业的落地能力强于人工智能产业,因此观测大数据产业发展
3、对人工智能产业很故意义。 目前大数据产业发展处在非常初期的阶段,仍然是大数据投资和创业的最佳时机,但数据魔咒难破局,数据霸权、数据质量、灰色数据等问题凸显，中国大数据变现之路是垂直行业下的场景服务。 大数据对人工智能产业发展的启示:人工智能产业仍处在非常初期的阶段;数据的重要性不容置疑，但问题也不少；应用场景才是驱动力；垂直行业才是大部分参与者的机会所在。行业+人工智能是智能产业发展的主流 在智能产业发展中,“行业+人工智能”占了9%，而“人工智能+行业”则占1%，可以看出,“行业+人工智能”仍然是智能产业发展的主流。 两者的区别重要在于:“人工智能行业”是发明新模式,更多表目前不成熟行业或者
4、没有良好商业模式的领域，例如自动驾驶。而“行业+人工智能”是用AI技术（即人工智能）对行业进行变革和改造，要么减少成本，要么提高决策和管理水平,例如在法律、教育、金融等领域的应用。 如果智能产业%的机会在于“行业+人工智能”,那么钱、数据和算法就不是决定性的因素,行业知识和行业专家将成新壁垒，大公司压迫下的创业公司仍具有广阔空间,那些对经验/知识依赖限度高的行业，那些有足够成长空间的行业将浮现爆发式增长。知识:人工智能的第四要素人工智能正从计算智能、感知智能向认知智能及发明智能的方向发展。认知智能涉及理解、运用语言的能力，掌握、运用知识的能力,以及在语言和知识基本上的推理能力，重要集中在语言智
5、能即P。 到了认知智能这个阶段只有数据、算法和计算资源还远远不够,它需要什么?很重要的一点也许是需要知识和知识图谱等，因此知识很也许是人工智能的第四个要素。以NLP为代表的认知智能是大机会 人工智能的重点机会和方向在于以自然语言解决即NLP为代表的认知智能。以自然语言解决为核心的认知智能,目前在国内的投资及发展和美国有不小的差距。腾讯研究院报告显示,美国在NP领域的新创公司其实差不多是中国的倍。乌镇智库报告显示，以来,美国每年新增的自然语言解决公司占当年全球新增公司总数的比例保持在0左右。全球自然语言解决公司&融资规模发展趋势 目前，国内在自然语言解决的投资远远落后于视觉解决领域,这是我们的一
6、种大机会。但是自然语言的解决障碍和壁垒更大，和行业结合得更快密,这是它的一种特点。拓尔思以NLP为核心能力的“大数据+人工智能”实践拓尔思是一家以大数据人工智能为发展战略的创业板上市公司。拓尔思的人工智能发展战略，一方面,是AIAllin的路线，即我们所有的技术产品、应用产品和云服务都内嵌A技术；第二,是大数据驱动，运用大数据的技术和应用基本来支撑和驱动AI技术和应用的发展；第三,是应用场景优先,AI技术需要应用场景来前导拉动和价值变现。目前拓尔思A技术重要拓展的场景在金融、安全、传媒、司法、情报等垂直行业领域。 拓尔思AI NLP架构中有诸多产品和服务,最核心的是R DL K,我们从开始研发这个产品，目前它的功能已经相称全面和强大,拥有50LP功能组件，20+P调用接口，以及100+客户群体。拓尔思具有自主完备的NLP体系，技术架构更先进,技术性能更优秀,可以让数据解决更简朴。我们在做A工程和应用的过程中，有几点体会: 专注细分领域的垂直应用 构建特定的知识图谱 运用约束或指引手段,限定输入空间 强调人机协作,特别在初始阶段 注重提高自动持续机器学习的能力和效率
