科技是推动人类社会发展前进的核心动力源。历史上，蒸汽机时代、电气时代和当前的互联网时代，都深刻地改变了世界的格局和人类的面貌。从历史来看，科技发展不会一帆风顺，人工智能发展的第一个春天在1970年后就到了瓶颈期，进入了长达几十年的沉静期。当下，人工智能的发展在经过Lecun的手写字符识别，ImageNet的高图像分类识别率，AlphaGo在围棋领域完胜人类，及AlphaFold发布至今最完整的预测人类蛋白质三维结构数据库、深度学习解决MIP问题的辉煌之后，不可避免地再次走入了深水区，这其中最核心的工作目标包括：1）对非AI行业发展的推动和赋能；2）自身的技术层级持续演进。

1.对非AI行业发展的推动和赋能

行业对AI的需求是显著和热烈的，这里面既有行业人员对AI不切实际的想象，但绝大部分是确确实实的刚性需求，以视觉智能应用为例，主要体现在：

（1）日常管理应用类

a)单点应用的需求：如人脸识别、车牌识别、字符识别等目标识别类应用，如道路交通的车流、车站码头机场人流的目标检测类应用，这些应用的需求在复杂的实际环境中，如出现多人/多物体、遮挡、重叠背景时具有很高的实现难度，但依然可以被拥有较高的AI技术的公司较好地满足。

b)单过程类应用的需求：如追踪人员或车辆轨迹等目标跟踪类应用， 对人员姿态的识别和连续跟踪，这些应用目前是难以保障跟踪准确度的，甚至连续性也难以做到，但是需求是很显著的。

c)组合类应用的需求：单点和单过程类虽然可以满足特定条件下目标的分析，但在实际应用过程中，对AI分析的需求是组合式的，单点、单过程算法满足不了实际中用户对算法变化的要求。

（2）  机器替人应用类

d)站场无人值守的需求：如变电站、基站等远离操作中心的场址，人工巡检的低效性是司空见惯的，对AI替人的呼声是非常高的。这些应用的需求都是组合式的应用需求，和行业的使用惯例和操作规程有很高的关联度，即使AI不能满足所有的替人工作，但大量减少低效劳动、实现工况实时智能分析乃至智能维护具有很高价值。

（3）  智能装备应用类

e)自动驾驶需求：尽管当下从汽车自动驾驶的火热程度来看似乎AI视觉已经接近成功，但是按照SAE的自动驾驶等级L4、L5要求来，离真正的“无人”智能驾驶差距还很大。无人驾驶依赖的AI技术很多基于数据驱动，缺乏因果可解释性，而因为现实场景的复杂性，数据无法实现全量覆盖和对所有情况的预训练，不断出现的无人驾驶事故也在提醒人们基础理论还有很长的路要走。这些应用的需求超越了以上组合式的应用需求，在多源数据、多模态数据处理方面有紧迫和天然的需求，而现有的解决方法虽然名义上是针对多源的，数据也是多重模态，但处理都是各自分开的，如雷达、视频、红外、超声波都是独立的，所谓的“数据融合”是仅仅在决策层级的融合，达不到多模态实现后的智能化水准，缺乏对未知状况的主动探索，从而会带来极大的安全风险。例如无人驾驶汽车缺乏类似人类探索的自主交互，在视频、雷达暂时不可见（或分析不出目标）的情况下，仅仅依靠车-车和车-路之间不可靠的通信做信息协同，这种安全境地是完全被动的，对安全的保障退化到了最基础的程度。

2.自身的技术层级持续演进

按照2018年图灵奖获得者之一Yoshua Bengio的说法，现阶段的AI擅长处理的是类似人类直觉的，快速的、无意识的、非语言表达类、习惯性的处理功能，即System 1，直觉系统；面对相对慢、有逻辑要求、有次序性、有意识、需语言表达类、带估算、规划、需要推理的功能是不足的，也就是System 2，逻辑分析系统。在面向非AI行业赋能的过程中，我们已经发现来自行业的需求，更多的是类似System 2的分析需求。这种需求对AI行业既是挑战也是明显的差异化机会，只有对用户真实、变化和符合逻辑的要求进行积极快速的响应，才能推动AI真正进入行业核心，支撑其主要业务的升级转型，同时人工智能会在多重场合被具体的开发过程、特定场景下算法准确度困扰，AI专业人员需要对用户的分析需求进行更有结果保障的快速交付才能满足同类、不同类海量用户的需求，实现不了这一点会使得人工智能有可能再次进入低潮。

来源：岱名科技