腾讯云王龙：大量中小企业用不起人工智能 怎么办?

　　新浪财经讯 9月3日消息，由长江商学院主办的“产业互联新生态，智绘商业新图景——第十届长江青投论坛”今日在深圳举行。腾讯云副总裁王龙出席并发表演讲。

　　王龙在演讲中表示，有人问他什么时候人工智能才能大规模落地？要定义什么叫大规模落地，如果说落地很容易，有很多头部企业，只要使用人工智能技术去提升一点点就获得了巨大的收益。

　　可是有大量的中小企业，或者是一些实体企业，它可能没有那么大的吸引力，付不起那么高的工资，养不起那么多人工智能专家、研发工程师，这样他就用不了人工智能。

　　在这种情况下，我们到底应该怎么办？

腾讯云副总裁王龙

　　以下为演讲实录：

　　我今天和大家分享云和AI在产业互联网领域的进展，两年前我刚回国的时候不太喜欢在外面演讲，但是最近这一年多做的演讲很多，因为人工智能、大数据是非常热的词，虽然今年热度有所衰减，但还是非常热。

　　做产业互联网会遇到很多实体企业，这些实体企业不管是因为什么原因，在媒体、社交媒体、自媒体上看到耸人听闻的词汇，基本上会问我两个问题：

　　第一，人工智能会不会完全替代人类。

　　第二，人工智能是不是能帮我赚钱、省钱。

　　一方面特别欢迎人工智能，一方面对未知的未来有很多恐惧，这也是我最近这一年在外面做演讲的原因，下面我跟大家分享人工智能到底能做什么、不能做什么、怎么样更好的用人工智能。

　　我们把人工智能定义为产业升级的新引擎，以前叫产业数字化转型、信息化转型，现在除了信息化、数字化、互联网化的转型之外，还有智能化的转型。

　　数字化就是把实体经济、实体公司、实体社会的各种场景变成可以存储在计算机世界的数据；智能化就是这些数据进入计算机世界之后，我们需要做分析、运用，让它能够反铺实体社会的运行。

　　如果大家读很多文章的话，人工智能起起落落有好几回了，2016年这一次是以深度学习为代表的流派崛起，在深度学习领域、人工智能领域，把所有的人工智能技术分为四种：

　　1、感知，就是通过计算机把物理世界的场景变成二进制数据存到计算机世界里，感知很容易理解，第一步拍视频、照片、录音，先把这些东西变成计算机可以处理的二进制数据，再使用计算机技术把它做成分析、结构化，放到数据库、存储系统里，然后使用各种各样的系统进行分析。

　　2、认知，是分析的结果。数据做完分析之后，我要清晰地认知，计算机世界要清楚地认知到底发生了什么事，在物理世界发生了什么事。

　　举个简单的例子，大家出去现在看到很多电子警察，摄像头感知到这个车越界了，背后要有智能程序去认知，说这个车带违法行驶，还要把这个车牌号分析出来，送到罚款中心去。

　　3、交互，计算机系统分析了数据，知道发生了什么事，需要反过来跟物理世界进行交互。

　　最简单的例子，大家可能都用过智能音箱，智能音箱就是一个典型的人工智能去和现实世界做一个交互的例子。

　　4、决策，有很多，最古典、最老的例子比如说量化交易，股市的量化交易就是一个决策，它分析了大量的数据，有一些决策模型。

　　这些技术如果再从另一个维度来解释，就是计算机视觉、语音识别、语音合成和自然语言处理，这些最基本的计算机的AI技术能够满足我们感知世界、认知世界，用计算机去感知、认知世界，做交互、决策的基础。

　　分析了这么多原理，我们来讲一个例子。比如说这是我们说的一个非常典型的智能客服。我们说传统的智能客服很简单，接了一个客户的电话，问他有什么问题，最后给出解决答案，最后再做满意度调查，基本上就是这样的逻辑。

　　人工智能在这个过程中能起到什么作用呢？它又用了哪些技术呢？我们如果使用一个人工智能来代替客服的话，首先要用语音识别（ 就是我前面说的人工智能技术），必须识别前端的语音，把它转成文字，然后要使用意图识别，包括自然语言理解和各种各样的知识图谱，这样的方式理解这个用户到底想干什么，大概能给他一个什么样的结论。

　　我做了技术识别以后，还要使用各种类型的知识图谱做问答，我可能要识别这个用户是闲聊，我就要找一个闲聊的知识库回答他，如果是他要问我转账，我就得找一个转账的知识库去给他应答。

　　我识别了意图，有了各种问答系统以后，后面还有一个任务系统，接触到过去数十年的软件系统，完成一个真正的转账或者是处理。

　　还有现在突破的一些技术，叫多轮问答技术。大家应该知道，有一个图灵测试，如何判断一个人工智能是好还是坏，你在跟人工智能的对话中，需要多少轮才知道这个人工智能不是一个真正的人类，背后是一个计算机程序。但是对用户的体验而言，就会变得特别好。

　　我相信很多人在很多地方都看过一些例子，比如说我说我要转账给某某某，转完了以后，结束了对话以后，我说对不起，我再加五百块。这个时候系统必须要记住你前面给某人转了多少钱，你说再转五百块的时候，他能把前面的流程全部自动重复。这是一个典型的多轮对话的场景。

　　那我们可以看到，把人工智能技术慢慢渗透到客服的各个环节之中，这个技术用得比较多了，在这么多的客户中我们也做了比较典型的案例分析。我们可以看到，它对于客户、企业来说是有非常直接的降本增效的作用。一方面能够降低人力服务运营的成本，另一方面也能提升服务的质量、客户的满意度。

　　我们再看一个案例，智能核保。这是一个典型的计算机视觉和NLP结合的案例。比如说我们现在有很多保险公司，都已经完成了线上的作业，比如说我们去看了病，需要保险公司提交报销申请，一般就是拍个照，把我的病例、吃的什么药，把这些信息传到保险公司。

　　在没有人工智能的时候，保险公司后面是有个人去阅读这份报告、这些材料，再结合你保单的信息，决定OK，这个钱我怎么给，给到哪个账户，应该有什么样的售后服务的措施。

　　使用了AI怎么处理呢？当你去拍照，拍到不管是医疗单据还是治疗单据的时候，会有人工智能使用OCR技术、视觉技术，把里面不管是手写的文字还是印刷的文字，转成计算机可以识别的文字，上传到系统当中、上传到服务器当中，服务器会把保险公司投保的信息汇总到一起，再使用NLP一些相关的决策技术去决策，核准这个人的概率区间有多大，如果核准概率我们认为没有任何风险，直接就把钱打到这个人的账号里，如果有一些风险，可能还要把这个流程转交到一个人工处理。

　　使用了这些技术之后，我们可以看到对保险公司而言也是同样的，节约了大量的人力和运营，提升了服务质量，让客户的满意度也得到了提升。基本上我们和很多保险公司合作当中，比如说在这种场景下讨论IOR，基本上15- 20个月他都能收回投资。

　　当然还有很多，我这儿时间关系，也不一一列举。我们可以看到，如果每个企业你想去研究怎么样把AI应用到你的场景当中去，都是有一个非常清晰的方法论。在你企业运转的整个流程中，在你服务客户的整个流程中，哪些流程是需要用眼睛看、耳朵听、用嘴说，但是又比较枯燥的，大概率可以使用人工智能来解决的，或者是背后有一些相对比较简单的逻辑，都是可以大概率使用人工智能来解决的。

　　如果人工实在不能解决，只要你的系统设计足够完善，你背后有一个兜底的人工坐席，多多少少都可以帮你节约你的成本，提升你的效率。

　　这是一个证券公司智能开户的案例，我就不说了。录音质检也是应用比较广，我在这儿也不详细去拆解了。

　　看起来很好，很多人问我说人工智能什么时候能够落地，人工智能什么时候才能真正大规模铺开。为什么会有这样的问题？大家回过头来看我刚才那些案例，它存在几个问题：

　　1、替代一些比较传统的人力。我们都知道中国有一个问题，我们的人力是相对比较便宜的，你去替代人力，用谁去替代人力呢？需要人工智能专家、需要IT工程师、开发工程师一起去开发这个程序，去替代人力。你替代的人力要足够多，才有好的IOR和好的投资回报。

　　2、人工智能提升用户体验的问题。提升用户的体验，获取新的用户，这是一个帮你赚更多钱的方式，但是到底又能赚多少钱？这个也是取决于你企业的规模、业务形态。

　　回到别人问我的问题本身，什么时候人工智能才能大规模落地？我就说，你要定义什么叫大规模落地，如果说落地很容易，有很多头部企业，比如说像腾讯这样，我们这么大的体量、这么大的规模，我们只要使用人工智能技术去提升一点点，那我们就获得了巨大的收益。所以，我们养得起算法专家、开发工程师。

　　可是有大量的中小企业，或者是一些实体企业，它可能没有那么大的吸引力，付不起那么高的工资，养不起那么多人工智能专家、研发工程师，这样他就用不了人工智能。

　　在这种情况下，我们到底应该怎么办？我们认为通过云服务、一系列的改进，通过整个行业、合作伙伴以及我们和客户之间的各种合作，我们有机会把人工智能的ROI提上来，这样才能让人工智能在更多的企业、行业当中得到应用。

　　很多人可能还没有特别清晰的感觉到问题出在哪，人工智能有一个很大的缺陷，2016年以深度学习为代表兴起的人工智能缺陷是深度学习神经模型的不可解释性，因为现在一个深度学习训练出来的模型往往有上百万、上亿个参数，每个数据进来之后会在这个神经网络中做判断、做决策，一旦出问题，比如结果不是你想要的结果，你很难知道应该调整哪些参数，而且这些参数都是只有计算机能懂的语言，通常你是不懂的，这是它和机器学习最大的区别。

　　于是，你需要懂人工智能、神经网络的人，在出现问题的时候，他必须想办法帮你做这样的一个调整，换句话说就是有多少人工就有多少智能。

　　我去构建这个人工智能能力的时候，技术和人才难以获得，你做训练的时候需要好的数据、规模、质量，如果你还有智能硬件设备，很难去适配，最后你的应用迭代周期会变得很长，比如传统的ERP、CRM软件要使用人工智能技术，你去做调整，你要把人工智能整个训练过程导入到你的应用开发和更新的过程中，这个非常贵。

　　还有另外一个问题，中国过去二三十年发展非常快，但是信息化基础很薄弱，企业的治理和管理过程比较初级，其实信息化也是如此，大部分企业可能还没有一套比较科学的IT管理、应用管理能力，这个时候把人工智能加上去，原来企业落地信息系统的难题还没有解决（比如实施周期长、成本高、维护成本高），又来了人工智能这个很不确定性的东西。

　　这两个困难加在一起，使得人工智能在很多中小企业、窄的企业里用起来不划算，商业上没有价值。

　　我们要深入到你构建AI能力、应用AI能力的各个环节里，企业需要有配套的流程、组织结构，去优化这个流程，需要有人了解应该在什么地方应用人工智能，是看一个文件还是听一个语音，定义好问题之后要准备数据，看见的大概是什么情况、听到的是什么东西，我需要有样本数据，还需要数据科学家、人工智能算法专家做各种各样的建模，然后做训练，训练完了做测试，测试完了集成这个应用系统，你还要有一个应用系统团队去做模型分装，很多时候一个流程当中会应用多个模型，这个模型还要组合，然后把它真正集成到环境当中，最后因为人工智能不可解释性，一旦出了问题，必须要有人把这个错误信息导回到数据准备这一步，再去做更新，这个流程非常长。

　　我们需要把这些过程全部放在一个平台上，这么长环节，在这些环节工作的人都在不同的系统、不同的地方工作，效率没有办法提升，落地周期也不会短，所以你需要给他们一站式的工具，或者一个地方，让他们能够在人工智能落地过程中更好的配合，减少人工智能应用周期。

　　这切回到我今天的主题，为什么我认为云+AI是产业升级、智能化升级的最佳搭档？因为云最早诞生就是为了降低应用落地的门槛，或者是软件实施、交付、部署、运维的门槛儿存在的，本身就有这样的一个特性，能够帮助大家去解决包括传统应用的一些门槛。

　　人工智能我们都知道，因为现在各个云厂商都非常重视，腾讯云也一样，我们不我们内部所有的人工智能平台都部署到了云上，你接入了这样一个云，既可以面对传统软件这样的一些问题，同时还能够把更多的人工智能新技术、更长的链条也能够导入到你的环节当中来。

　　这是我们内部做得一个数据评估，我们都知道腾讯在过去这么多年做了这么多人工智能相关的应用，我们以前很多都是分散在各个团队里。我们和云联合做这样事情的时候，我们可以让一个人工智能相关的应用平均的开发和使用周期从26天缩短到7天，而且还大大降低了很多的成本，我们觉得未来这个成本还是可以进一步压缩的。

　　回到前面的智能客服系统，这是使用了云和云上的组件之后，我们把很多能力拆开来，和客户、合作伙伴去互相配合、专业人工，我们得到了很好的回报。我们在落地人工智能在智能客服的系统中，可以进一步把成本压缩至原来的一半，把周期也压缩到原来的20%，采用这样方案的客户现在也越来越多。

　　同样在核保也是一样，我们得到了类似的结果，你可以把你的实时成本降下来，把更新效率提升，把交付的周期大大缩短。

　　腾讯云在AI的布局是什么？我们的目标是让AI无处不在。我们怎么样才能让AI无处不在？腾讯在过去20年，我们开发了数千种不同的应用，QQ、微信我就不用说了，包括各种游戏、腾讯音乐、腾讯视频。在这些应用里面，我们有大量的人工智能技术都已经被使用了五年、十年，这些技术在过去以更好的连接人与内容、人与人、人与服务为主，我们相信这些技术在产业互联网时代，它也能够更好地连接企业与企业、企业内部的团队与团队、企业与客户、企业与上下游的企业，从而能够为企业创造更美好的未来。

　　我们的人工智能团队（说了很多次）内部超过两千名算法专家，他们预设好的模型通过各种各样的方式在腾讯云上输出，而且还把他们用的工具、平台也都放在腾讯云上使用。

　　所以，我们的企业无论是说我已经有一支很强的算法专家团队，我只希望使用腾讯云的工具，还是说我没有算法专家团队，只有软件开发工程师，我想使用你预置的AI能力，还是说我没有IT团队，我也没有开发团队，只希望得到你端到端的解决方案，腾讯云都提供了这样一个非常丰富层次的矩阵。

　　同时腾讯在合作伙伴上也是非常开放的。就我刚才说的这个情况，所以人工智能在落地当中有大量的人力消耗，怎么解决这个问题？怎么能够更好地造福社会，完成这个腾讯科技向上的使命。

　　我们在人工智能整个矩阵的各个层次、各个环节，都对合作伙伴开放，我们的合作伙伴可以把他的产品、应用放到腾讯云的产品矩阵上，一起来更好地建设产业互联网。

　　我也欢迎更多的合作伙伴加入我们，同时也欢迎各位企业家、各位对人工智能有兴趣的朋友，能够到腾讯云上来适用我们的产品。

　　谢谢大家！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。

责任编辑：李思阳