好用的智能才有未来

首先抱歉很久没更新，最近事情特别多。后面尽量保持每周一到两次。

随着智能逐渐进入越来越多的领域，也暴露出越来越多的问题，问了些同行朋友，普遍觉得做出一个真正好用的智能产品，不管是软件还是硬件，很多工作往往不在智能算法上，大量工作在智能应用的业务场景中，分析需求和收集数据。我有一种感觉，也得到一些专家的认可，智能技术可能随着基础的建立，可能会像软件一样变成比较通用的基础工具，能不能用好，做出好的产品，会更倚重于所在行业的从业者。

大家都知道，智能主要解决的是复杂信息处理的问题，通过软件程序控制机器的行动。其性能表现与实际需求之间的符合程度决定了好用的程度，尤其是与人类的平均水平对比，是否能够在实际场景中将信息处理的更加准确及时，决定了其用户体验。

这里面很困难的问题就是怎么做到对实际场景和功能要求全面而准确地描述。面向未来各种各样的AI机器人，构建基于全面准确真实场景的虚实结合的测试评价体系已经成为智能技术走向产品的关键因素，也是行业的普遍共识。

只通过仿真精度来保证测试的有效性是不够的，还需要有针对性的设计测试科目，提出考核指标与评估方法，才能够对智能所带来的功能性能作出合理评价。所谓的技术涉及了数据采集、分析与处理，虚实场景建立，评价体系等多个方面难题。这不仅是自动驾驶等智能技术密集应用产业面临的问题，也是几乎所有智能技术应用行业都要面临的技术难题。

这个技术难题背后的一个核心问题是对复杂度的描述。因为智能技术擅长解决的就是非常复杂的问题，复杂到难以通过目前的技术手段进行描述和处理，最好的方式就是用神经网络这样复杂的模型来处理，只需要把问题相关的数据扔给模型，模型就会给出一个合理的结果。所以在复杂度方面就存在了一个悖论。如果不是非常复杂，那么就没有必要使用智能技术，如果确实很复杂，智能技术能够解决的比其他方法好，但是又非常难以解释清楚为什么，也很难保证技术的可靠性。

对于智能技术应用的担心主要来源于两大方面，一个是智能技术在外部条件自然变化情况下的极端环境适应性，比如复杂交通路况、高速行驶的应急控制等；第二是智能技术受到针对性的干扰时，可能触发其功能失效，比如对识别算法的攻击、决策算法的诱导等。

目前重点要解决的还是第一方面的问题。在这方面出的问题已经很多。大家可以自行搜索一些自动驾驶等事故案例。

主要原因还是智能技术对所有情况的适应能力还有限，没有遇到足够多的情况，人类进化到现在也是经过了很多的调整以后才逐渐适应的，智能技术的这个适应过程可以加速，但无法跨越。比如对传感器在不同环境下采集数据的适应，对于盲区的处理，对于突发情况和高速情况的应对等。要有足够的耐心，也要做足够的准备。

其实这种情况很常见，并不是智能独有的问题。人类社会解决问题通常都是暴力破解，不断探索尝试，最后找到合适的方法。比如一个工艺如何让材料性能足够好，让轴承甚至发动机的质量足够好，往往都是摸索出来的。理论可以指引方向，但是实践通常都要迭代积累经验。这种细节上的经验往往只可意会，很难清楚表达，智能技术的应用就是要在具体的实际场景中积累这样的经验，才能做出足够好的智能产品。

这样的积累要投入的资源是非常庞大的，实际场景越复杂的智能产品投入的资源也就越庞大，比如自动驾驶。要面对的场景从最简单的停车入位，到低速城市行驶，高速道路行驶，乃至山路行驶等。整个行业要有长期巨大的投入才会获得足够好的自动驾驶产品，这是软硬件和算法的深度结合，不能仅仅强调某一方面。

目前智能技术经常暴露出来的问题，不一定是数据处理本身无法实现，经常是对于数据中所蕴含信息的理解与实际情况有偏差，比如虽然图像或雷达探测信号中能够探测到异常情况，但是未必能够识别出来是因为下雨还是真的出现了障碍物。让机器通过采集的信息建立对世界的常识和细节认识是非常困难的，在人类的大脑之中，这种认识通常已经预置在出生婴儿的大脑之中，再通过行动反馈不断迭代完善，发展出不同的特点。这种预置通常是大脑的结构和基本配置决定了。行动反馈则是环境的交互中获得的，包括直接实践和间接学习。机器的预置模型则远远没有达到这种程度，这种预置模型的学习恐怕非常庞大的工作，可能是通过预先训练的方式逐渐积累出大模型。

智能的测试评估问题最终还是实践应用效果来体现，未必一定要在理论上先突破，也可以是工程上先走出来，用好的工程积累足够的现象，也可以找出更好的理论。理论，技术和工程的路，不论是在越来越小尺度的微观上还是在越来越复杂的宏观上，都是没有止境的。