作者 | 宮學源
來源 | 《人工智慧全球格局》
人工智慧技術的應用，或許能幫助藍色星球的科學家們擺脫無窮無盡實驗的痛苦，加速重大科學理論的發現，將人類文明提升到新的台階。
——題記
人工智慧技術的潛力大家都有目共睹，但未來人工智慧可以用來做什麼，將會給人類社會帶來多大的變革，也在考驗我們的想像力。
儘管人工智慧技術還處在初級發展階段，但它現有的能力也足以改變眾多領域，尤其是那些有著大量數據卻無法有效利用的領域。
1 人工智慧推動基礎科學理論突破
實際上，材料、化學、物理等基礎科學領域的研究過程中充滿了「大數據」，從設計、實驗、測試到證明等環節，科學家們都離不開數據的搜集、選擇和分析。
由於物理、化學或力學規律的存在，這些領域的數據往往都是結構化的、高質量的以及可標註的。
人工智慧技術（機器學習算法）擅長在海量數據中尋找「隱藏」的因果關係，能夠快速處理科研中的結構化數據，因此得到了科研工作者的廣泛關注。
人工智慧在材料、化學、物理等領域的研究上展現出巨大優勢，正在引領基礎科研的「後現代化」。
以物理領域為例，人工智慧的應用給粒子物理、空間物理等研究帶來了前所未有的機遇。為尋找希格斯玻色子（上帝粒子），進一步理解物質的微觀組成，歐洲核子研究中心（CERN）主導開發了大型強子對撞機（LHC）。
LHC是目前世界上最大的粒子加速器，它每秒可產生一百萬吉字節（GB）的數據，一小時內積累的數據竟然與Facebook一年的數據量相當。
有一些研究人員就想到，利用專用的硬體和軟體，通過機器學習技術來實時決定哪些數據需要保存，哪些數據可以丟棄。
事實證明，機器學習算法可以至少做出其中70%的決定，能夠大大減少人類科學家的工作量。
儘管人工智慧商業化發展更容易受關注，但人工智慧在基礎科研中的應用，卻更加激動人心。
因為社會生產力的變革，歸根結底在於基礎科研的進一步突破。
我們或許再也回不到有著牛頓、麥克斯韋和愛因斯坦等科學「巨人」的時代。
在那個時代，「巨人」們可以憑藉著超越時代的智慧，在紙張上書寫出簡潔優美的定理，或者設計出轟動世界的實驗。
像這樣做出偉大工作的機會或許不多了，在這個時代，更多需要的是通過大量實驗數據來獲取真理的工作。
大到宇宙起源的探索，小到蛋白質分子的摺疊，都離不開一批又一批科學家們前赴後繼、執著探索。
人工智慧技術的應用，或許能幫助藍色星球的科學家們擺脫無窮無盡實驗的痛苦，加速重大科學理論的發現，將人類文明提升到新的台階。
2 人工智慧推動社會生產效率快速提升
人工智慧無疑是計算機應用的最高目標和終極願景：
徹底將人類從重複機械勞動中解放出來，讓人們從事真正符合人類智能水平、充滿創造性的工作。
在60年的人工智慧發展史中，已經誕生了機器翻譯、圖像識別、語音助手和個性推薦等影響深遠的應用，人們的生活在不知不覺中已經發生了巨大變化。
未來，人工智慧應用場景進一步延伸，是否能夠帶來社會生產效率的極大提升，引領人類進入新時代？
為了探索這一問題，曾在谷歌和百度擔任高管的吳恩達於2017年成立了一家立足於解決 AI 轉型問題的公司 Landing . ai。
吳恩達通過一篇文章和一段視頻在個人社交網站上宣布了該公司的成立，並表示希望人工智慧能夠改變人類的衣食住行等方方面面的生活，讓人們從重複性勞動的精神苦役中解脫。
Landing的中文含義是「落地」，這家公司的目標是幫助傳統企業用算法來降低成本、提升質量管理水平、消除供應鏈瓶頸等等。
截至目前，Landing . ai已經選擇了兩個落地領域，分別是製造業和農業。
Landing . ai最先與製造業巨頭富士康達合作。
Landing . ai嘗試利用自動視覺檢測、監督式學習和預測等技術，幫助富士康向智能製造、人工智慧和大數據邁進，提升製造過程中AI應用的層次。
吳恩達認為，人工智慧對製造業帶來的影響將如同當初發明電力般強大，人工智慧技術很適合解決目前製造業面臨的一些挑戰，如質量和產出不穩定、生產線設計彈性不夠、產能管理跟不上以及生產成本不斷上漲等。
目前，工業網際網路、智能製造和工業4.0等概念已經深入人心，傳統企業都在向智能化、數據化轉型，但生產過程中獲取的大量數據如何應用又成了新的問題。Landing . ai與富士康的合作，或許將給傳統製造的從業者帶來新的啟示。
當然，製造業的核心競爭力還在於製造業本身，比如車床的精度、熱處理爐的溫度控制能力等等，農業的核心競爭力也在於農業本身，比如育種技術、轉基因技術等等。
人工智慧技術的主要價值在於提升決策能力，進一步提升生產效率，以及降低人的重複性勞動等方面，這就是人工智慧為什麼可以「賦能」各個行業的原因。
3 人工智慧將有效改善人類的生存空間
自第一次工業革命以來，人類活動對自然界造成的影響越來越大，日益增長的資源需求使得土地利用情況產生巨大變化，污染愈發嚴重，生物多樣性銳減，人類的生存空間變得越來越惡劣。
進入人工智慧時代後，怎樣更好地利用大數據和機器學習等前沿技術，為環保和綠色產業賦能，成為了政府、科學家、公眾以及企業的關注焦點。
在能源利用方面，谷歌旗下的DeepMind無疑走在了最前面。
2016年開始，DeepMind將人工智慧工具引入到谷歌數據中心，幫助這家科技巨頭節省能源開支。
DeepMind利用神經網絡的識別模式系統來預測電量的變化，並採用人工智慧技術操控計算機伺服器和相關散熱系統，成功幫助谷歌節省了40%的能源，將谷歌整體能效提升了15%。
2018年後，DeepMind更是將「觸手」伸向了清潔能源領域。我們都知道，風力發電因為有較大的波動性和不可預測性，因而難以併入電網，無法有效利用。
DeepMind利用天氣預報、氣象觀測等數據訓練神經網絡模型，可以提供36小時後的風力預測，從而讓農場的風力發電變得能夠預測。
一旦風力發電可以預測，電廠就能有充裕的時間啟動需要較長時間才能上線的發電手段，與風力互補。如此一來，風電併網難的問題就可輕鬆解決。
DeepMind預測的風力發電量和實際發電量對比
在自然環境保護方面，微軟的「人工智慧地球計劃（AI of Earth）」則為大家做出了表率。
這一計劃於2017年7月啟動，旨在藉助雲計算、物聯網和AI技術，保護和維持地球及其自然資源，通過資助、培訓和深入合作的方式，向水資源、農業、生物多樣性和氣候變化等領域的個人和組織機構提供支持。
例如，「SilviaTerra」項目通過使用Microsoft Azure、高分辨衛星圖像和美國林務局的現場數據來訓練機器學習模型，實現對森林的監測；「WildMe」項目通過使用計算機視覺和深度學習算法，可對瀕臨滅絕的動物進行識別；「FarmBeats」項目在戶外環境下可以通過傳感器、無人機以及其它設備改進數據採集，進而提高農業的可持續性。
在前三次工業革命中，科學技術進步給人們帶來極大生活便利的同時，也帶來了氣候變化、生物多樣性退化、大氣與海洋污染等棘手的自然環境問題，人類的生存環境正逐漸變得惡劣。
從表面上看，似乎發達經濟體的自然環境已經改善了，但這種改善是以轉移污染、破壞發展中國家自然環境為代價的，世界整體的自然環境狀況依然不容樂觀。
一直以來，人們寄希望於未來的科學技術進步能夠解決當下的自然環境問題，而人工智慧技術的出現點燃了這一希望。
一旦人工智慧技術可以加速基礎科學理論的突破，實現生產效率的大幅提升，有效改善人類的生存空間，一切發展與自然環境的問題也就迎刃而解。
4 總 結
站在2019年看人工智慧，不免感到幾絲寒意。人工智慧算法沒有明顯突破，魯棒性差、算法黑箱等問題依然突出，部分商業化落地也不及預期，一些專家學者開始擔心人工智慧將迎來新的「寒冬」。
但若站在未來回顧人工智慧，當前所有的擔憂將僅僅是一個個小插曲。
即便是目前，人工智慧技術的潛力也遠遠未終結。
人工智慧即將帶來的變革，仍將會超乎大部分人的想像。
近年來，許多行業都已切實感受到人工智慧帶來的顛覆，包括金融、製造、教育、醫療和交通等等。
但人工智慧的價值維度還有很多，加速基礎科學研究、提升社會生產效率和改善人類生存空間也只是其中的幾個方面，我們不妨先提升一下自己的想像力。
人工智慧將為人類帶來怎樣的變革，讓我們拭目以待吧！