順豐科技數據總監余何：人工智慧「江湖」

演講人 | 余何

整理｜物流麻將胡

來源 | 物流沙龍

編者按：

「縱觀整個人工智慧的發展歷程可以發現，我們是站在過往先輩的肩膀上在做這件事情」，順豐科技數據總監余何在物流沙龍2018數字化供應鏈峰會既LOG年會上的演講開頭如此強調。作為順豐數據中心、服務中心，基礎的IT設施數據負責管理者，理論與實踐並重，他從人工智慧的定義說起，緊接著從人工智慧的發展歷程、技術框架以及應用場景等內容延伸開來，闡釋了人工智慧在供應鏈數字化下的應用。

在業內有著「大師兄」昵稱的余何，令人忍不住聯想到武俠小說里門派中的大師兄，接下來，我們一起來看一看他的人工智慧「江湖」，學個一招半式。

人工智慧是什麼？

人工智慧是什麼？余何給出了自己的解讀——人工智慧是指計算機能夠替代人類實現識別、認知、分析和決策的多種功能，它主要包括三個階段，依次分別是：邏輯計算、學習認知與意識情感。

1）邏輯計算。通過運用布爾代數、符號邏輯建立演算法公式，再通過計算機進行計算，以達到釋放人腦計算的目的。

2）學習認知。包括時空感知、經驗抽象與想像創造三個部分。

3）意識情感。什麼是意識情感？我知道我就是我，我知道自己的存在。我們在電影中看到的人工智慧是什麼？就是機器人有自己的意識會毀滅人類。而在余何看來，人工智慧是可以模擬滿足人類的情感需求，對人類自己缺乏的情感進行補充，要能證明自己的意識以及滿足人類的情感才是真正的人工智慧。

人工智慧的發展歷程

「縱觀整個人工智慧的發展歷程可以發現，我們是站在過往先輩的肩膀上在做這件事情，很多偉大的科學家都在無關乎商業的象牙塔里做過研究。」余何表示。

人工智慧的發展經歷了三個階段：

1、第一階段：人工智慧起步期

整個人工智慧是從1956年開始的，當時最年輕的科學家只有29歲，名氣最大的科學家當時不是討論有什麼樣的科研結果或者什麼產出？而只是做了一些假設：即什麼是人工智慧，可以通過哪些方式實現，有無相關標準？1956年，馬文·明斯基組織達特茅斯會議標誌AI誕生。

實際上，關於如何模擬人工智慧當時分為兩派，一派認為可以通過邏輯符號、布爾代數模擬；一派則主張完全打破原來計算的結構，仿造人類的大腦做神經網路。

1957年，心理學家羅森布拉特發明了神經網路模型Perceptron感知機，論文發表後引起了社會轟動，並得到商業界諸多投資。但與此同時，整個學術界亦對其進行非常激烈的批評，其中以馬文·明斯基尤甚，馬文·明斯基將對羅森布拉特的批評直接寫到書中。

直至1970年，整個對人工智慧的投資就像2000年互聯網一樣被打入寒冬。但無論如何，他們仍舊是人工智慧的先驅。

2、第二階段：機器學習時期

1982年，霍普菲爾德提出複合型的神經網路遞歸（複發型）網路，但當時投入到工業和商業的價值並不是很大；1986年，Rumelhar、Hinton等人提出了反向傳播BP演算法，解決了兩層神經網路所需要的複雜計算量問題；90年代，DARPA人工智慧計算機研究失敗，SVM（Support Vector Machines，支持向量機）演算法誕生，迅速打敗了神經網路演算法成為主流。

3、第三階段：深度學習時期

2006年，Geoffrey Hinton發表了論文，首次提出了「深度學習」神經網路，人工智慧在此興起；2010年，舉辦ImageNet挑戰賽；2012年，Andrew Ng建造最大的神經網路，骨骼大腦；2013深度學習演算法在語音和視覺識別上都有重大突破；2016，AlphaGo擊敗人類職業圍棋選。

尤其值得一提的是，1986年，「深度學習之父」Geoffrey Hinton當時在一所大學當教授，在這個時期，由於計算能力能夠滿足之後，他把人類的神經網路進行擴張，並且帶出了很多學生，其中包括華裔李非非。

李非非做了一件事，她將1500多萬張圖片放到互聯網上，通過分散式的管理方式讓學生和科學家對這些圖片進行標註，分成2200個分類，通過神經網路來快速識別圖片，識別圖片的正確率提高了2倍。「可以發現它不是一個演算法的問題，而是數據問題，只要數據量足夠大，正確率就高。」余何這樣說道。

目前基本上是到了這樣的階段，我們的數據量已經足夠，有了雲計算的資源來支撐，至少在某個專業領域已經取得相應的成功。

人工智慧的技術框架

很多人想自己做人工智慧，或者成立一個團隊去做和人工智慧這個行業的相關工作，在這個行業中整個技術框架是怎樣的？

1、大數據、雲計算

大數據和雲計算是整個AI的基礎，先要信息化、數字化，這兩個基礎是最難的。和以往相比，現在獲取數據的手段更多速度更快；在計算能力這塊有順豐雲，在單位空間中計算能力越強越好。

2、演算法、模型

在演算法和模型這塊，可以發現很多科學家採用的方式完全不一樣，比如在神經網路這塊，在沒有計算能力和數據量的情況下可能是劍走邊鋒。

演算法主要包括三種類型，分別為：無監督學習、監督學習和強化學習。

無監督學習是給定數據，從數據中發現信息。通過對這些事情分析後發現神經網路中只要看到有貓的視頻存在，某部分神經元就會產生反應，自動辨別哪個是貓，這個時候是沒有人去干預的。

監督學習會給定數據，預測這些數據的標籤。它會告訴我們大量的信息是什麼，並進行歸類，比如前面李非非做的項目，1500萬圖片都是經過大量的人工去處理和達標的，識別率達到90%。

強化學習是給定數據，選擇動作以最大化長期激勵，是這幾個階段中最複雜的。類似於在玩一個遊戲，這個時候不需要任何人告訴他遊戲的規則，整個激勵和角度在於是否做得好。

3、技術方向

技術方向比較明確的是計算機視覺，人臉現在也非常普及，此外還包括語言工程、自然語言處理以及決策規劃。

4、瓶頸與研究

當前應用這些技術會遇到很多問題，如計算機視覺和語音工程會有很多噪音和干擾，這樣的情況下通過什麼方式讓你的機敏度更高？機器與自然語言翻譯這一塊要求語量的信息要足夠豐富；決策規劃方面，目前我們要做的是，把應用場景中基於原來信息化、數據化和不斷在變化的內容糅合在一起。

人工智慧的應用場景

人工智慧在物流領域有哪些應用？余何總結歸納了四個應用場景，包括收派、中轉、運輸、倉儲。

其中，收派做了手寫體的識別，原來是有人工跟單的，要去識別各種各樣的人的字體，識別率可能在60%左右，現在完成第一輪的翻譯後，結合現有的技術庫歷史數據進行識別，識別率可能是90%。

中轉主要是網路的選址和路徑規劃。這是一個決策系統，要將整個全國全網的網點整個大的數據實現整個流轉流向非常難。

當時做了一個切割，比如分為華東、華北，根據具體的業務場景做摸索，原來的人工智慧也可以很好的運用，如計算機視覺可以在整個中轉場有整套人工智慧的識別系統，可以快速看到包裹的真實物流位置、捕捉單號；甚至可以在整個中轉場看到人工作業的情況，如有無高空拋物或者按照制定位置認真工作；也可以通過計算機系統去完成具體場景，只要大的整套系統明確便可以很快運用。

此文系作者個人觀點，不代表物流沙龍立場

— END —

更多分類精選文章

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！