AI 是否已经带来了颠覆性的产业价值？AI+不同领域的条件有 ...

利用 AI 预测蛋白质结构被 Science 杂志评为 2021 年科学界重大突破。除了划时代的科学突破之外，AI 已经产生了哪些颠覆性的产业应用成果？能源、制造业、生物医药、天文等领域都提出了要与 AI 深度交叉，这些领域差异巨大，他们的智能化应用是什么样的？要产生高质量的融合价值，在认知、人才、算法、算力、数据、知识、政策等各种条件要素上有哪些差异？
我是中科计算技术西部研究院副院长张春明，我想向知友发出提问：「AI 是否已经带来了颠覆性的产业价值？AI+不同领域的条件有哪些差异？」邀请大家关注讨论。
本提问为知乎「向科学要答案·科学无界」系列问题之一。当大环境日趋复杂，行业发展充满变数，我们能做的，便是携手交流，以联结的力量抵御不确定性，浇灌新机遇生长。
让我们一起，向科学要答案！

cot76 · 2022-6-26 11:26:29

从智能手机的语音助手到商场的引导机器人，人工智能（AI）已经逐渐渗透到我们的日常生活中。
人工智能是机器，尤其是计算机系统对人类智能过程的模拟。
作为人工智能的分支之一，机器学习是当前大多数人工智能应用背后的算法。
一般来说，AI+就是AI加各种行业。但这不仅仅是一个简单的添加。
AI+就是将人工智能技术和互联网平台与传统和新兴产业深度融合，为社会创造真正的效益。智能住宅、自动驾驶汽车和智能医疗是 AI+ 的例子。
人工智能国家队

为推动中国科技发展，中国科技部于2017年将四家国内科技巨头确定为第一批“人工智能国家队”。
他们是百度、阿里巴巴、腾讯和科大讯飞。
百度专注于自动驾驶，阿里巴巴专注于人工智能解决方案“城市大脑”以改善城市生活，腾讯专注于医疗诊断的计算机视觉，科大讯飞专注于语音智能，包括语音识别。
正是在这样的背景下，工业互联网连续五次出现在政府工作报告中，无形中给出了制造业转型升级的最优解：通过工业互联网实现无处不在的连接，具备对设备的控制能力、人员、原材料等各种生产要素的数据综合采集，通过云服务对数据进行深度分析，实现行业知识的沉淀和复用，助力企业数字化转型，提高企业效率和竞争力，实现从制造强国发展为制造强国。
《“十四五”智能制造发展规划》等政策陆续出台，提出到2025年，工业互联网平台渗透率达到45%。工业互联网是支撑制造业的全要素、全产业链、全价值链资源聚合配置的新基础设施，已成为推动产业转型升级、推动经济高质量发展的重要力量。
工业互联网“升级之路”

借用中国信息通信研究院院长于晓辉的观点：工业互联网可以概括为三个方面：一是网络体系，即全产业要素、全产业链、全价值链深入相互连接；二是平台体系，这是产业智能化发展的核心载体；第三，安全体系，这是工业智能的安全和信誉保障。
在传统制造业中，数据价值挖掘还停留在起步阶段。由于缺乏有效的分析工具，没有基于产业化机制的智能分析，大量数据没有得到合理利用。
解决这些问题，势必跳出传统的产业思维，必须与人工智能深度融合，让这些数据成为数字经济引擎的“燃料”。
知名智库SaidI在《AI+工业互联网平台市场研究》中写道：“人工智能与工业互联网的融合应用是制造业数字化、网络化、智能化发展的必由之路，它是数字经济时代的制造强国、网络强国与数字中国的交汇点。”
根据Sadie给出的定义：“AI+工业互联网”是指基于工业互联网架构的人工智能技术的融合，其特点是以大量数据采集为基础进行材料计算、取机以学习或深度学习算法为核心、以用户需求为导向，为工业场景提供智能解决方案，帮助工业企业更好地实现数据价值和效率提升，实现数据驱动的业务转型和创新，云仿真设计的出现、预测性维护设备、产品质量追溯、网络协同制造、智能产品运维等新模式新业态。
如果说机器联网是工业互联网的第一阶段，那么人工智能、大数据等新技术将主导工业互联网的第二阶段。
总之就是人工智能技术与工业生产各个环节的融合创新，再配合设备接入、协议分析、边缘计算、大数据分析、可视化开发等创新技术，工业互联网造机器、人、信息流等高效连接，打通了不同行业的信息孤岛、网络和平台，促进各类数据的有序流动，为各行业数字化转型提供智能感知、网络连接、数据分析等能力支持 , 推动生产服务资源在更大范围内的精准化 , 高效配置 , 提升各行业发展质量和效益 .
现阶段，AI在工业互联网领域的应用主要是设备预测性维护、工业设备边缘质量分析等单点应用。随着产业转型的逐步深入，AI+工业互联网将呈现多点落地的大规模趋势。
AI 将在工业互联网平台的边缘设备层、平台层、应用层等领域发挥价值。对应的工业互联网平台是任何层级的先进计算、分析，也需要AI的深度参与。可见，AI+工业互联网融合发展的技术解决方案、应用模式等可复制性、可扩展性将越来越成熟，真正为工业企业带来降本增效的价值。
云智融合“中国智慧”

AI+工业互联网的兴起，让外界看到新的可能，即利用工业互联网平台构建全要素、全产业链、全价值链的服务体系，为企业数字化转型提供个性化路径和方法论各行各业，同时也为互联网巨头打开了一扇机会之窗。
拥有领先AI技术的百度就是典型代表。作为一家 10 家在 AI 领域的研发投入占营收比重达到 20% 的企业，百度在人工智能领域取得了丰硕的成果，逐步形成了推进器、智能交通、软硬件的优势比如自研芯片，由此打造了以工业智能为核心的工业互联网平台。
2021年5月，百度智能云正式命名沉淀了四年多的工业互联网平台。“开放物”，把自己的“云智融合”优势传递到千行百业。以及百度智能云启在部分重点领域的落地案例。，也提供洞察行业AI+工业互联网价值落地案例：
比如某钢铁企业与百度智能云启的合作。, 热轧生产线10万+ 在学习和提炼样本数据及相关质量相关知识后，介绍了从模型服务到终端平台的软硬一体热轧钢表面缺陷质量检测方案，缺陷的准确性识别率达到99%以上，在相同的测试环境下，准确率高于国外同类系统300%。
又如恒逸石化联合百度智能云启打造质检一体机解决方案。, 质检人员手持强光手电, 靠肉眼的画面, 取而代之的是高速摄像头, 后台采用人工智能模型算法, 可处理羊毛、绊线、蜘蛛网、油污、准确检测缺陷如捏丝，20公斤丝饼的质量检测仅需2.5秒，耗时比传统人工检测短70%以上。
在汽车领域，吉利与百度智能云启物联手打造“1+6+N”吉利混合云平台，帮助吉利降低管理运维成本30%，提升资源利用率20%。百度和吉利正在积极探索未来智能制造新模式，布局未来工厂3.0格局。双方将共同探索打造吉利专有的百度智能云。+AI平台，构建完整的吉利大数据生态环境，打造完整的集成智能技术平台、业务平台、融合产业场景的吉利创新安全平台。
通过这些案例我们可以看到，AI+工业互联网不仅打破了工业生产的效率瓶颈，还进一步激活了生产数据要素的潜力，补足了知识沉淀和应用创新的短板，帮助企业完成转型新旧动能的新旧动能和价值链的延伸，也向我们展示了中国制造业在全球竞争中反超的机遇。
再放大一点，百度智能云启AI+工业互联网平台，以区域工业互联网平台的形式，跨区域、探索跨行业产业创新，推动多区域共建AI+工业互联网特色产业园，支持小型中小企业走“专业化、创新”的发展道路。
截至目前，百度智能云启已经在贵阳。、重庆、桐乡、常熟、泉州、广州、宁波等地区落地，因地制宜，电子、汽车、装备制造、钢铁、化工、水务等22个行业相继落地300多家标杆企业建立合作。
综上所述，基于人工智能的前沿技术正在赋予工业互联网新的内涵：它是企业转型的智能化基地，贯穿工业企业的产品研发设计、生产、运营管理、销售、供应链等数字化转型的全生命周期。同时，它也是区域产业升级的智能引擎，在一定程度上也是中国智能制造抓住机遇、深化转型的可行路径。随着产业人才的发展、数据质量、技术手段的提高，以工业互联网为特征的AI+产业园区将成为新趋势。
在不久的将来，人工智能肯定会在很多方面更多地参与到世界各地人们的生活中。
你准备好改变了吗？

qkbhbq · 2022-6-26 11:27:15

AI已经带来了颠覆性的价值，至少在游戏领域是这样的。

阿尔法狗大败四方

深蓝与 AlphaGo 让顶级职业棋手焦头烂额

游戏领域AI的颠覆式表现请参考：人工智能已在哪些领域超越了人类的表现？

如果希望讨论AI对各个领域带来了哪些巅峰性产业价值，可以参考这本书[1]~

c2yp9 · 2022-6-26 11:27:39

AI+网络安全
正常计算机系统运行时产生的主机日志数据是很多的，网络流量也是巨大的，长期以来，如此庞大的主机侧和网络侧数据，不仅没有被很好的利用起来应对网络安全问题，反而成为了安全人员分析时的困扰。
如何从海量的日志数据中找到出错信息，或者说异常数据和异常流量，是个靠人力来搜索的工作，当然，也可以依靠工具，但这也只不过把这些数据当作了背景板而已，对于数据的浪费是巨大的，其中还有许多值得挖掘和学习的信息量，并没有给传统的安全技术捕捉到。

与此同时，传统的业务系统也很难支持持续增加的数据源、不断变化的数据分析和展示方式。同时海量的网络、信息安全日志数据分析、挖掘建模对大数据处理技术和网络、信息安全业务专业性提出更高的要求。
而面临着海量的数据和层出不穷的安全漏洞，人工智能对于目前的网络攻击识别能起到的作用极大，因为数据是人工智能技术的核心之一，而一直以来网络攻击方面所需要面对的系统数据都是巨大的，如何处理海量高维数据，以及进行更高效的多分类，都是目前网络安全领域急缺的。

例如，在拥有大量日志数据支撑情况下，对于目前的攻击检测来说：
启发式或编码规则的方法在开发和维护上非常耗时，并且需要不断更新规则来覆盖新开发的攻击手段，没法做到高效以及及时识别未知恶意攻击。
基于异常的方法，虽然可以识别未知攻击，但其只学习用户行为来对异常与否做出判断，随着用户行为随时间的变化，它们可能会产生许多误报，也需要重新调整。
而基于ML和DL的方法，则可以有效减少对日志数量的需求，便能找到攻击事件的高级视图，对于新的攻击手段，也仅需要更多的攻击训练数据即可学习新的攻击模式。
单纯依靠规则库匹配或者专家知识，无法覆盖无穷无尽的文本对抗，攻击者可以不断挖掘出新的变形方式来绕过，也可以通过加密、混淆和加壳等方式来绕过检测，例如，在网络流量被加密后，特征匹配会失效。
此外，在实际的业务场景中，过多复杂的正则匹配会带来无法承担的性能压力，而通用性较高的规则库匹配则会带来大量的误报，而放过可能存在的攻击点。
人工智能很重要，但数据更重要，面临着海量的数据和层出不穷的安全漏洞，如果我们在未来还想要解决日益增多的安全问题，人工智能是必须应该掌握的一项技能或者说工具，两者结合也是必然的。
因为表层对抗是无穷无尽的，检测需要由表及里，尽可能挖掘出更本质的解决方法，这就是人工智能在网络攻击识别中所能帮忙起到的作用了，AI对于海量数据间特征的分析要比人类强上太多了。
从网络安全的角度来看，借助人工智能这项如日中天的工具来解决日益复杂的安全问题是必然的选择；从人工智能的角度来看，网络安全问题或许是人工智能的下一个突破口也说不准。所以我认为，以后网络安全和人工智能的结合会更加的紧密，利用AI来解决安全问题会成为一种常见的方法和手段。

另一方面，对于不常见的攻击方法和手段，基于规则的检测很容易产生漏报，且传统的神经网络可能无法很好到学习到其相关特征，无法做到高准确度的检测。这时候，深度学习中的一些概念如迁移学习，小样本学习等可能会帮助我们在攻击样本不足的情况下做到更高精准度的检测。
因此，需要面对大量日志数据的处理；或者保密度较高，容易被最新非常见入侵方法所攻击的的场景，在我看来都应该很适合AI的加入。
新的机器学习，深度学习，自然语言处理，图神经网络等方法，可以用来构建基于序列的模型，基于溯源图的模型等，帮助更高效和准确的识别网络攻击。
其实在网络安全方面，也有很多工作运用到了人工智能的技术，并且超越了人类的表现，如CGC(Cyber Grand Challenge)，这是美国DARPA(国防高等研究计划署)举办的自动网络攻防竞赛。CGC旨在建立实时自动化的网络防御系统，并且能够快速且大量的应对新的攻击手法，来应对频发的网络攻击，并降低攻击出现到防御生效之间的时间差。
2016年的Defcon CTF比赛上，迎来了漏洞分析领域首次人机黑客的大战，比赛最终由来自ForAllSecure的机器人Mayhem夺得了冠军。
利用AI来挖掘漏洞，应该是以后的必然趋势了，因为目前很多病毒的感染性很强，传播速度极快，且构造越来越复杂，单凭人类自身以及很难跟上这样的速度，也很难分析出如此复杂的漏洞了，必须要以来自动化的AI工具才行。
虽然目前利用AI来挖掘漏洞目前还存在一些例如逻辑漏洞无法检测等等的局限性，但我相信AI在漏洞分析领域的普遍使用是以后的必然事件。
我在下面这篇文章还介绍了另外一些人工智能在网安领域超越传统技术的例子，有兴趣的可以去读读看。
人工智能已在哪些领域超越了人类的表现？另一方面，对于不常见的攻击方法和手段，基于规则的检测很容易产生漏报，且传统的神经网络可能无法很好到学习到其相关特征，无法做到高准确度的检测。这时候，深度学习中的一些概念如迁移学习，小样本学习等可能会帮助我们在攻击样本不足的情况下做到更高精准度的检测。
因此，需要面对大量日志数据的处理；或者保密度较高，容易被最新非常见入侵方法所攻击的的场景，在我看来都应该很适合AI的加入。
两者相结合的工作还有许多，再次就不做过多赘述了，详情可以翻翻我之前的回答。
此外，用PEiD来进行反编译，黑客就会找寻反编译工具的问题，同样，用人工智能识别网络攻击，那么攻击者自然会把矛头移到人工智能方面来。
谈谈机器学习在网络安全领域的局限性，以及是否乐观？关于人工智能运用在网络安全领域，其实还有很多的局限性，我在上面这篇文章中也做了阐述，可以点进去阅读。
对抗性学习的先前工作已经揭示了，机器学习本身在工作流程的所有阶段引入的相当大的攻击面。例如，成员推理攻击(membership inference attacks)破坏了模型的隐私，允许攻击者通过利用深度神经网络中的过度拟合来泄露训练示例的信息；预处理攻击（preprocessing attacks）针对特征提取步骤向系统注入任意输入，从而影响之后的步骤；中毒和后门攻击篡改数据以修改模型的行为；模型窃取允许近似模型，泄漏知识产权并加速进一步攻击；最后，还有对抗样本攻击，允许对手控制最终预测的输入。
以上，谢谢~

p0gr1 · 2022-6-26 11:27:58

很遗憾，截至目前，人工智能(AI)基本没有带来颠覆性的产业价值。原因也很简单，AI目前不具备处理世界“复杂性”的能力。如何判断AI+是否可以为一个产业带来颠覆性影响与价值，关键在于AI能否处理这个产业所在供给需求的复杂性。
复杂性是系统科学发展到当前阶段，人类对系统属性的本质认识。从对自然现象的解释，到对生物进化的理解，再到对社会领域人造工程系统的构建，以及对经济发展的管理，人们开始意识到再这些探索活动背后都面临着相同的敌人，那就是“复杂性”。现在全球对复杂性没有一致的定义，但对其属性倒是有基本统一的认知：非线性、混沌、涌现性、自组织、自适应性等。
除此以外，复杂性还有3个层次：自组织、自适应和决策博弈。第一层次是自组织，指无机系统演化遵从自然规则，第二层次是指生物系统演化遵循目的导向的自适应性，而最高层次是人类处理事情时的决策博弈过程。因此所谓复杂性，可以理解成无机世界的自组织、有机世界的自适应以及人类的心理决策博弈。
每一个产业都有其自身的自组织、自适应和决策博弈，AI+必须直面这个复杂性，才能创造增量价值。以肿瘤治疗为例，AI可以帮助人类克服肿瘤吗？那么AI首先就要直面肿瘤的复杂性！AI必须理解生命是如何在内在机制的驱动下，如何自行从简单向复杂、从粗糙向细致方向发展。她必须理解生命系统如何对外界环境干扰或内部变化做出自我适应。她必须考虑肿瘤自身与人免疫系统的博弈，理解肿瘤和人免疫系统的相互博弈。
以上述标准看，在多个行业，AI+仅仅解决了“点”的问题，而没有触及系统复杂性，更谈不上解决复杂性问题，自然无法创造增量价值，颠覆传统模式。在未来，谁先掌握解决复杂性的AI，谁才能真正运用AI，为产业赋能。

asbn3i · 2022-6-26 11:28:47

正如问题所说，在差异巨大的不同领域，AI的应用也不甚相同，但不可否认，AI在各个领域都产生了重要作用。在我所处于的天文领域中，越来越多的天文学家把AI技术应用在星系分类、系外行星搜寻、脉冲星发现、光变信号搜寻、引力波信号探测等研究方向上。AI技术加速了天文学领域的数据处理和科学发现。
类似人脸识别，乃至狗脸识别、猫脸识别，天文学家可以基于星系的特征，利用AI技术，识别出各种类型的星系的“脸”。主要由来自日本国立天文台(NAOJ)的天文学家组成的研究小组将AI技术应用在星系分类上。他们利用卷积神经网络（CNN）和斯巴鲁望远镜拍摄的海量图像数据把星系按照形态自动分为S型旋涡、Z型旋涡和非旋涡星系。他们首先使用1447个S型旋涡、1382个Z型旋涡和51650个非旋涡星系的图像来训练CNN分类器，训练好的CNN分类器应用到验证集的准确率高达97.5%。最后，他们利用该CNN分类器对56万余个星系进行分类，并且识别出大约8万个旋涡星系。其研究发表于天文学顶级期刊《皇家天文学会月刊》[1]。
我国的天文学家也利用AI技术加速了脉冲星的发现。搜寻与发现射电脉冲星是我国500米口径球面射电望远镜FAST的主要科学目标之一。FAST又称“中国天眼”，是具有我国自主知识产权、世界最大单口径、最灵敏的射电望远镜，是我国重大科技基础设施建设项目。“中国天眼”FAST在1周内产生的数据大约相当于3000万张信号图，如果以人工肉眼处理，按照1张/秒速度，大约一年时间的不间断工作才能将其全部处理完。为了加速脉冲星的发现，中国科学院国家天文台的李菂研究员，也是中国天眼和之江实验室数字反应堆计算天文方向的首席科学家，与之江实验室联合攻关，利用AI技术，实现对～100TB/天的脉冲星巡天数据的实时处理。
除了搜寻脉冲星，天文学家也在利用AI技术搜寻地外生命。其中一个方法，是从中国天眼FAST和未来的平方公里阵等更大型的天文设备产生的数据中筛选地外生命发出的信号，但天文设备产生的信号量过于庞大，天文学家很难手动筛选。利用AI技术将使筛选地外生命信号的效率大幅提升。目前，尚不知晓地外生命会发出怎样的信号，对此，天文学家首先建立了搜寻未知信号的能力，以确保能从已有数据中准确筛选出可能是地外生命信号的未知信号。我的同事罗睿开发了一套生成高时间分辨率射电信号的工具 [2]，该工具可以生成各种类型的未知信号，例如，图1所示的“外星喵”信号。期待未来在AI的帮助下，搜寻到地外生命和“外星喵”的信号！

图1：文献[2]中的图8，模拟的未知信号。

参考文献
[1] Tadaki, K.-i., Iye, M., Fukumoto, H., et al. 2020, MNRAS, 496, 4276
[2] Luo, R., Hobbs, G., Yong, S. Y., et al. 2022, MNRAS, 513, 5881

AI 是否已经带来了颠覆性的产业价值？AI+不同领域的条件有 ...

5 个回复