5月24日，騰訊「雲+未來」峰會繼續在廣州進行，在上午的「AI 專場」中，騰訊優圖實驗室傑出科學家賈佳亞首個開場，對AI 產業的發展趨勢，以及騰訊在醫療、內容、自動駕駛等產業的 AI 落地進行闡述。
在加入騰訊前，賈佳亞曾與微軟研究院、谷歌、高通、英特爾、Adobe等圖像和人工智能研究機構開展過聯合研究工作，而在加入騰訊后，除了負責計算機視覺、機器學習等人工智能領域的研究外，在賈佳亞的職責中，探索「人工智能與各種應用場景結合」是極其重要的一環。
賈佳亞以個人經歷談到了 AI 在過去一年的變化。從2013年至今，AI 從「深度學習」等晦澀的名詞逐漸在產業落地，他發現不論是大樓內部還是烤紅薯的壁爐，都開始在溫度控制等方面用到 AI ，這種技術落地的速度讓 AI 與普通人的距離越來越近。
如何甄別「真假 AI 」是他談到的第一個議題。在賈佳亞看來，2013年之後，AI 在場景、行業、任務、技術層面有飛躍式的提升，大家都在說自己做人工智能，但如果沒有基於深度學習進行訓練和測試的結果和場景，就不應該稱之為「真AI」。
隨着 AI 的迅速落地，行業產生了另一個看似矛盾的現象：算法的開源讓人們學習 AI 的門檻降低，但在產業層面，AI 的發展依舊具備明顯的壁壘效應。
賈佳亞將其歸結為三點原因：
首先是計算資源。2015年以前，不少 AI 研發團隊還在利用通用的計算資源做運算，如今，每個部門都會有自己專有的計算資源，以減少功耗，加快速度以及增加準確率，這會是接下來的發展中一個重大趨勢。
其次是計算平台和框架。市面上雖然有開源學習框架供 AI 愛好者學習，但專業的 AI 團隊一定會有自己的業務強優化編程平台，並用非常低的功耗實現高速得出訓練結果的能力。
最後是人才。在 AI 誕生之前，大家會認為AI研發是極少數研發人員主導的小數據、小模型研發樣本。而在2017年，除了大量的技術人員之外，有了更多底層編程人員開始做算法調優，AI 人才的金字塔開始變得穩固和龐大。
「如果一個團隊已經有先發優勢，想成為後起之秀，必須以更快的速度積累人才、積累框架、積累行業經驗，這也是為什麼在產業層面會越來越具有壁壘效應。」賈佳亞表示。
以下為騰訊優圖實驗室傑出科學家賈佳亞在騰訊「雲+峰會」的演講實錄，經鈦媒體編輯后發佈：
賈佳亞：大家早上好，我所在的部門是騰訊優圖實驗室，今天我想給大家介紹一下，過去一年我們看到的 AI 進程是如何變化的。
AI 正同我們生活有越來越密切的聯繫。舉個例子，大家出去買樓，售樓小姐會說，我們的大樓溫度控制都是用AI設計的；有一次我去買一個烤紅薯，大爺說我們烤紅薯溫度也是AI控制的，肯定比別的地方的烤紅薯好吃。
這讓我感受到，從去年以來，我們有越來越多的機會接觸 AI 名詞，這也意味着現在必須回歸本源，想一想如何定義AI。
首先給出一個概念：真 AI。
2013年之後，AI 在場景、行業、任務、技術層面有飛躍式的提升，大家都在說自己做人工智能，但如果沒有基於深度學習進行訓練和測試的結果和場景，就不應該稱之為「真AI」。
以工業自動化場景為例，傳統工業自動化是希望在生產中盡量實現流程自動，用機器輔助流水線，盡量減少人工干預，這並沒有涉及到智能這一塊，即使大家有非常先進的機械人做製造，但最後一個零件生產出去合不合格，絕大部分還是依賴於人做判定。
而在AI時代，我們可以打通工業自動化的最後一環，讓所有判定、決策都由機器實現，這就是AI自動化在自動檢測產品以及改進自動生產精度上面的表現。
還有醫療。在兩年前，醫療可能還是一個實驗室產品，大家都說我們在實驗室做了某一個技術，希望幫助某一類病種得到檢測上的提升，但沒有人敢說這種技術可以實際投入使用。
從去年開始，我們發現醫療開始走出實驗室，走入醫院和醫生身邊。每個醫生都有機會接觸智能技術，並對診斷和判斷帶來新的幫助。
還有非常重要的一個部分：海量線上內容自動處理。
之前講線下內容，比如一張圖片里有什麼可以吸引你的目光，它有沒有社交價值，能不能通過審核，能不能給小朋友看，都需要大量的人去觀察和檢測。但現在除了一些特殊問題，所有線上檢測都可以實現自動化。
目前技術最前沿的 AI 應用在自動駕駛。通過這幾年的投入，我們對道路行人的判定、包括有多少輛車、司機的駕駛意圖，都可以通過深度學習完成，在技術層面上看，很多AI 應用已經超越了人。
除了場景之外，對於研發人員而言，整個技術研發的歷程同樣在演化中。
首先是計算資源。2015年之前，我們在深度學習或者其他的研發過程中，只需要2-4GPU計算卡就能供一個人完成檢測識別內容，但是到2017年，我們需要的資源從2-4張計算卡變成200-400張計算卡。
另外，我們也不僅僅是利用一些通用的計算資源做運算，而是每個團隊，每個部門都會有自己專有的計算資源，以減少功耗，加快速度以及增加準確率，這會是接下來的發展中一個重大趨勢。
第二個維度是計算平台和框架。
2015年，市面上出現了公有的開源學習框架，雖然比較粗糙，但可以供廣大AI愛好者來使用；到了去年，市場又出現了很多編程平台，解釋性語言已經被廣泛應用起來；而從今年開始，每個真正做AI的研發團隊，一定會有自己的業務強優化編程平台，這意味着會用非常低的功耗實現高速得出訓練結果的能力。
第三個維度是人才。2015年，大家會認為AI研發是極少數研發人員主導的小數據、小模型研發樣本。而在2017年，除了大量的技術人員之外，我們發現有了很多底層編程人員開始做算法調優，AI 人才的金字塔開始變得穩固和龐大。
最後給大家說一下我的總結：AI在技術普及層面民主化——人們學習AI的門檻開始變低，網上有無數在線教材和開源代碼，用戶可以自行構建 AI 系統——這是民主化的進程，但這並沒有令人工智能發展進入白熱化的階段。
相反，我們發現在產業層面，人工智能的發展上反而具備了壁壘效應。為什麼？就是我之前講的三個因素，每個人工智能團隊要發展，必須充分考慮計算資源，計算平台，要構建自己的私有計算平台，必須有非常強有力的人才儲備。
如果一個團隊已經有先發優勢，想成為後起之秀，必須以更快的速度積累人才、積累框架、積累行業經驗，這非常不容易，也是為什麼在產業層面會越來越具有壁壘效應。
舉個例子，大家想買一輛汽車很容易，因為汽車產業很成熟，但是如果想進入汽車行業，自己開一個廠，再造一批汽車，這就很難。
最後，我們優圖實驗室和騰訊其他團隊希望能開放自己的技術給所有客戶，相信會有一天，賣紅薯的大爺能用上了「真·AI」技術提高烤紅薯的質量。謝謝大家。（本文首發鈦媒體，整理/蘇建勛）
更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App
