99热日本,久热精品视频在线播放,午夜羞羞影院

中國AI四小龍通過科創板審核有望成為AI第一股

2021-07-26 12:47:45 來源：第一財經

近日，以CV（計算機視覺）起家、隨后晉身“中國AI四小龍”的云從科技IPO申請已通過科創板審核，若后續進展順利，云從有望成為“AI第一股”。

實際上，同在四小龍隊列的其他三家公司，在證券市場的表現一直不盡如意。曠視科技2019年曾經沖擊港股上市，2020年赴港上市計劃擱淺，后來又在2021年3月沖擊科創板上市，目前仍在排隊狀態。而依圖科技也曾經沖擊科創板，后于2021年6月撤銷上市申請。

作為四小龍領軍者的商湯科技，雖然有關融資的聲音傳出不斷，但依舊沒有落實上市的具體細節。

當下真的是AI四小龍上市的最佳時機嗎？

7月16日，國家網信辦會同公安部、國家安全部、自然資源部、交通運輸部、稅務總局、市場監管總局等部門聯合進駐滴滴出行科技有限公司，開展網絡安全審查。

一時間，凡是涉及大數據的互聯網行業企業，都有風雨欲來的感覺。

業內人士認為，以深度學習作為核心AI理論的AI四小龍，其實已經感受到了非常大的壓力。

甚至有言論表示， AI四小龍現在要過數據安全關了。

#01

繞不開的核心

現在說AI四小龍必須重視數據安全，跟他們所采取的AI核心理論有關。

經過多年發展，AI技術已經從2006年多倫多大學的杰弗里·辛頓教授對外發布自己的那三篇關于深度學習的論文開始，逐漸衍生出眾多的流派。

現在主流的是三大技術領域，也就是深度學習、機器邏輯和人工大腦。

所謂機器邏輯是希望通過算法和數據的疊加，讓計算機具備符合人類社會要求的邏輯和方法論，可以自主在某個領域判斷并分析相應問題，并得出答案。

所謂人工大腦，實際上是通過對人類大腦組織的研究，利用計算機的性能模擬和算法組織，形成類人工大腦功能和工作機制的計算機集群。

以上兩種人工智能理論，要么是從行為上希望能模擬人類的運作，要么是從大腦結構上希望對人類解析從而產生技術上的突破。問題是，這兩個領域現在都是在探索階段，離相應產品落地還有很長的距離。

當下AI技術落地最普遍的，還是深度學習。

深度學習技術意味著計算機要進入學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字、圖像和聲音等數據的解釋有很大的幫助。

它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。深度學習是一個復雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關技術。

在深度學習之前，哪怕是百度這樣的AI巨頭，都無一例外經歷了窮舉法的所謂“特征工程”階段。例如最早的阿波羅自動駕駛平臺，所有在AI中計算機應該對路上發生行為進行的反應，都是由線下的工作人員根據人工對此的反應進行的標注。

一方面，每個人對任何事項的判斷和反應都有著不同，這些不同積累到一定程度就容易引發AI系統的結構化錯誤；另一方面，要想完成龐大的面向社會層面操作的AI系統，那這種數據標注的結構下，又要動用大量的人力和時間。

這種數據標注的“特征工程”方式實際上是一種“偽”AI，人類訓練計算機只是進行一種簡單的因果關系，而并沒有掌握事情的本質。

近年來，研究人員逐漸將“特征學習”和“規律發現”等AI方法結合起來，對原本已有督學習為基礎的卷積神經網絡，結合自編碼神經網絡進行無監督的預訓練，進而利用鑒別信息微調網絡參數形成的卷積深度置信網絡。

與傳統的學習方法相比，深度學習方法預設了更多的模型參數，因此模型訓練難度更大，根據統計學習的一般規律來看，模型參數越多，需要參與訓練的數據量也越大。

而隨著計算機技術的進步以及分布化網絡的形成，越來越多的算力，可以通過網絡協調提供，這也就給人類AI技術的發展提供了一個新的基礎。

可以說，深度學習逐漸成為AI的主流。另外，由于大量數據的引用和積累，深度學習跟數據安全之間，也產生了必要的聯系。

#02

深度學習的痛點

實際上，在數據安全方面，深度學習有著自己基本無法解決的痛點。

由于深度學習是建立在大量數據的應用與計算機訓練基礎上實現，基礎數據的獲得，對于深度學習技術的落地非常重要。

比如特斯拉被人詬病的攝像頭自動駕駛技術。馬斯克一直不愿意采用激光雷達作為關鍵性地標數據的測定工具，堅持使用攝像頭來采集道路信息，基于龐大的已有汽車上路數據的訓練，特斯拉本身汽車的自動駕駛技術穩定性相對來說很強。

AI四小龍也是如此，這兩年的發展都跟大量基礎數據的積累有關。

媒體報道顯示，依圖在“AI+醫療影像分析”方面所有突破，背后是海量的醫療影像圖片的分析；云從在金融領域的AI學習和數據分析方面領先，不完全統計其服務的金融公司就超過50家，日常AI系統處理的數據也是一個無法想象的數量；而曠視科技圍繞AI核心的行業物聯解決方案是優勢，成百上千萬的物聯網數據交換過程是曠視科技最核心的技術基礎；另外，商湯在監控分析和城市管理等方面與政府和企業達成了不少合作，這也需要大量數據進行底層支持。

另外這4家也陸陸續續發布了一些新的技術服務，而這些新的技術無一例外都跟大數據的獲取和分析一脈相承。

比如商湯科技在上海車展期間發布了自己的座艙AI數據化解決方案，功能直逼華為數字座艙，與特斯拉的一系列操控系統和自動駕駛功能類似，當然這也需要海量數據(603138,股吧)對系統進行馴化，才能產生更加準確的結果。

如今國家對數據安全的重視程度越來越高，這也就意味著以前利用客戶數據大量積累，調試系統的時代一去不復返。

畢竟根據剛剛公布的征求意見稿，相應用戶在應用中的數據企業如果想要采用，必須事先得到用戶本身的許可。

這從一個角度無形中提升了深度學習的難度，并讓四小龍現有技術的進一步拓展和新技術的落地產生了一些問題。

#03

私有云的無奈

所有的AI企業在遇到數據安全的時候，都會有一系列的預案。其中只為客戶提供技術，而數據訓練和學習的過程留在客戶自身系統中完成，已經成為不少國內外AI巨頭，在遭到數據安全阻擊的時候采用的重要產品策略。

根據市場一般的操作方式， AI企業只負責制作算法和系統封裝之后的系統提供給用戶，并幫助用戶建立自己的私有云和數據空間，然后由用戶根據相應的格式上傳歷史數據，讓系統自我進行深度學習，最終完成用戶在 AI領域功能的定制。

這種私有云的部署方式，看似完美解決了AI企業技術研發和用戶數據安全之間的矛盾，然而，這樣的情況背后還存在著一個無法解決的問題。

實際上所有這4家企業做的技術都是基于深度學習而深入學習，即使出來一個可以安排客戶私有部署的AI系統或者平臺，它一定會對某一個行業的數據進行過總結，也一定會有基礎數據進行訓練才行。

而當下的AI技術并沒有進化到系統可以自主學習，并樹立獨立人格和思維方式的時代，所有的系統都必須有一個知識邊界，這個知識邊界是越畫越小才能越來越精確。