鋼鐵工程師怎么看待人工智能

前言：回顧二十幾年的職業(yè)生涯，一個(gè)干鋼鐵的，從操作、質(zhì)檢、性能、合同、異議、自媒體科普、知識管理，最后轉行人工智能。雖然做過(guò)很多工作，但在我內心深處，其實(shí)還是有著(zhù)深深的工業(yè)情節。

那么從鋼鐵工程師的角度，對人工智能領(lǐng)域總結一些個(gè)人理解，歡迎大家提出不同的意見(jiàn)，互相交流、互相印證。

人工智能三要素

數據、算法、算力，是人工智能三要素，三者缺一不可。本質(zhì)上，做人工智能項目就是根據本公司在這三要素上的資源儲備，平衡優(yōu)化，給出一個(gè)性?xún)r(jià)比最高的解決方案。

三要素是必要條件，缺一不可。三要素存在木桶短板效應，最短的那塊板子決定了整個(gè)項目的上限。當然，也有互聯(lián)網(wǎng)營(yíng)銷(xiāo)中常說(shuō)的木桶長(cháng)板效應——只要你在三要素里有一塊長(cháng)板，就可以和其他公司的長(cháng)板合作，做一個(gè)大木桶。

但是，前提是你得有一塊長(cháng)板。很多公司以為自己有，其實(shí)并沒(méi)有。

我們用工業(yè)領(lǐng)域的逐層解析的思維，用“剝洋蔥”的方法，一層層分析，看看“人工智能”這顆洋蔥是不是會(huì )讓我們淚流滿(mǎn)面~

算力——花錢(qián)就能搞定？

算力的升級是現代人工智能技術(shù)的先決條件，因為算力提升超過(guò)一定的閾值，使得大數據灌入并應用復雜的算法在有限的時(shí)間內計算出結果得以實(shí)現。

但是，算力其實(shí)是有窮盡的。畢竟，普通的商業(yè)公司不像谷歌、清華這些行業(yè)領(lǐng)軍者，可以拿著(zhù)幾億幾十億的資金去做預訓練和后續的一系列應用。

所以，對于普通的商業(yè)公司來(lái)說(shuō)，我們現實(shí)一點(diǎn)：一塊12G顯存的英偉達特斯拉K40顯卡能不能完成模型訓練并且在預估的時(shí)間內跑通少量并發(fā)的預測任務(wù)完成DEMO？

如果可以，那這個(gè)項目大體可控；如果不行，那也許這個(gè)項目的可控性是存疑的?；蛟S算法選擇不當、或許預處理效率不高，或許數據基礎太差等等~這些底層的基礎環(huán)節失控才會(huì )導致對算力無(wú)法做出準確評估。

我本人的經(jīng)驗：以中文NLP實(shí)體抽取為例，在配置十代桌面i7芯片的電腦上，能不能六小時(shí)內完成訓練（用CPU可以隨時(shí)評估，不受限于GPU服務(wù)器。），能不能在30秒內完成千字左右的單次小樣本預測。

如果可以，那這個(gè)項目對算力的需求是大體可控的。既然能控住算力需求，想必對項目的整體框架也是心中有數的。

算力就是水電煤，是能源，是動(dòng)力。

算法——常被誤解為是數學(xué)問(wèn)題

從工業(yè)應用的角度來(lái)看，算法的通俗理解是“滿(mǎn)足業(yè)務(wù)需求的邏輯”，算法是服務(wù)于業(yè)務(wù)需求的。

算法本質(zhì)上是把業(yè)務(wù)流程進(jìn)行高度抽象之后進(jìn)行范式轉換，然后再用數學(xué)方法運算，最后用于高效解決實(shí)際問(wèn)題的工具。

所以大家發(fā)現重點(diǎn)沒(méi)？要設計算法，首先得有業(yè)務(wù)抽象能力。沒(méi)有業(yè)務(wù)抽象能力無(wú)法設計出“滿(mǎn)足業(yè)務(wù)需求的邏輯”，在人工智能領(lǐng)域，算法不應當是一個(gè)單純的數學(xué)概念。

既然算法設計是個(gè)偏業(yè)務(wù)類(lèi)的工作，那么在工業(yè)領(lǐng)域的人工智能項目中，設計算法最強的是誰(shuí)？當然是“有一定IT知識的業(yè)務(wù)專(zhuān)家”，也就是前幾年傳統行業(yè)里說(shuō)的“數字化人才”。

那么在人工智能領(lǐng)域中數學(xué)家做的是什么？個(gè)人理解數學(xué)家的核心價(jià)值是設計運算模組，也就是業(yè)務(wù)算法和機器算力的中間層，是我們常常提到的BERT模型、W2V模型等等。

這些模型把業(yè)務(wù)抽象的邏輯算法進(jìn)行再度的抽象，制造出一種普適性的、高效的”運算模組“。他是算法調用的一個(gè)運算模塊，但不是算法本身。

算法是什么？算法是軋機、是退火爐。

運算模組是什么？是馬達、是離合器。

數據——你以為“有”，其實(shí)“并沒(méi)有”

數據的完整稱(chēng)呼應當是“可被算法用于計算的數據”。垃圾數據能計算么？不能，所以垃圾數據只是字節。

順帶一提，因為對于數據的定義產(chǎn)生了誤解，很多公司對于數據資產(chǎn)也產(chǎn)生了誤解。什么是資產(chǎn)？是預期會(huì )給企業(yè)帶來(lái)經(jīng)濟利益的資源。不能帶來(lái)經(jīng)濟利益的資源不能作為資產(chǎn)，只是企業(yè)的權力，擁有這些字節的權力。

評估一個(gè)企業(yè)是否擁有數據，要看擁有的是一堆硬盤(pán)中保存的字節，還是分門(mén)別類(lèi)，代碼化管理，規則清晰，結構合理的，“可被算法高效運算并產(chǎn)生經(jīng)濟利益“的數據。

除此之外，如何獲取和加工數據是一個(gè)重資產(chǎn)的話(huà)題。積累數據資產(chǎn)不可能空手套白狼，必須投入大量人力物力。更高層次的行業(yè)知識數據的獲取更是一個(gè)知識密集型的工作，不是行業(yè)頭部的公司恐怕做不了。

數據是生產(chǎn)原料，就像澳洲鐵礦、巴西鐵礦、或是印度鐵礦。從綜合成本的角度來(lái)看，投入產(chǎn)出是要平衡的，還沒(méi)有聽(tīng)說(shuō)有哪種一種技術(shù)可以低成本地從垃圾中煉出金子（開(kāi)發(fā)這種技術(shù)本身就是個(gè)重資產(chǎn)投入）。

算法+算力+數據=生產(chǎn)線(xiàn)

算法+算力+數據，就形成了一條可以生產(chǎn)的生產(chǎn)線(xiàn)，就像冷軋產(chǎn)線(xiàn)、熱軋產(chǎn)線(xiàn)、退火產(chǎn)線(xiàn)。

這些產(chǎn)線(xiàn)串聯(lián)起來(lái)，就是一個(gè)工廠(chǎng)：

鋼鐵工廠(chǎng)：高爐/電爐——連鑄/模鑄——熱連軋/厚板單軋——酸洗冷軋——連退/罩退/熱鍍/電鍍。

人工智能工廠(chǎng)：語(yǔ)音/CV/OCR——NLP/規則模型——知識圖譜/SQL庫——應用功能模塊。

結語(yǔ)

在這一輪互聯(lián)網(wǎng)+的人工智能大潮之前，鋼鐵、電力、化工等行業(yè)其實(shí)都已經(jīng)做了大量的探索和基礎工作?；蛟S受限于工業(yè)體系技術(shù)成熟，設備更新周期較長(cháng)等原因，所以工業(yè)智能軟件的迭代沒(méi)有互聯(lián)網(wǎng)行業(yè)那么快。

但是這并不意味著(zhù)工業(yè)領(lǐng)域的人工智能基礎薄弱，反而是在基礎數據的規范體系建設、在如何結合現場(chǎng)設備壓榨算力等方面，工業(yè)領(lǐng)域做的非常出色。

以計算機視覺(jué)識別技術(shù)為例，其實(shí)鋼廠(chǎng)二十年前就在使用了。即使當年計算機算力低下，但工業(yè)領(lǐng)域的工程師仍然通過(guò)規范輸入信息（固定距離、流明等參數）+領(lǐng)域專(zhuān)家高質(zhì)量標注，通過(guò)大系統設計的思維，使得300米/分鐘的高速產(chǎn)線(xiàn)的視覺(jué)識別得以實(shí)現并穩定應用。

工業(yè)生產(chǎn)對準確性和穩定性要求非常高，一些從互聯(lián)網(wǎng)領(lǐng)域發(fā)展起來(lái)的人工智能技術(shù)或許很難短期快速的進(jìn)入工業(yè)生產(chǎn)的領(lǐng)域，但是在工業(yè)的管理和服務(wù)等領(lǐng)域人工智能技術(shù)還是可以有很大的發(fā)揮空間。

比如使用NLP（自然語(yǔ)言處理）技術(shù)用來(lái)讀取質(zhì)量異議文檔，自動(dòng)轉成表格化數據，然后減輕人工整理的工作量，便于統計分析和質(zhì)量管理。

或是使用NLP技術(shù)對工業(yè)領(lǐng)域的知識文檔進(jìn)行知識抽取，并用知識圖譜技術(shù)做底層的關(guān)系結構，用于鋼廠(chǎng)技術(shù)文稿、檔案、知識庫的管理，提供技術(shù)資料的快速檢索也是可以探索的。

至于知識圖譜技術(shù)，它在流控方面具有天然優(yōu)勢，用來(lái)做制造部排產(chǎn)優(yōu)化、質(zhì)量異議的產(chǎn)線(xiàn)排查、質(zhì)量缺陷傳導分析等方面理論上也可以帶來(lái)更高的能效。