编者按:由金融协会、科技创新板日报精心打造的“CTO谈”栏目，从技术和投资的角度，与中外优秀TMT企业的首席技术官进行深度对话。聚焦元宇宙、人工智能、金融科技、区块链、云计算、物联网等科技热点话题。以顶尖、最新的夏普企业CTO的视角，为观众带来对技术趋势、行业热点的不同思考。
科技创新板日报11日报道，AIoT，即人工智能物联网，是人工智能与物联网在实际场景中融合的产物。AIOT作为物联网新的应用形态，是“连接一切”、“深化人机关系”的必由之路。
目前，AIoT广泛应用于汽车、零售、金融、交通等行业，包括目前热卖的元宇宙，也离不开AIoT技术的支持。被称为“连接实体与虚拟世界的桥梁”。
CICC预计，2022年，人工智能与物联网的结合有望全面助力智慧城市、智慧工厂、智能交通、智慧矿山等加速其落地，促进新ICT基础设施的规模化。但这一波AIoT的繁荣背后，是对其发展前景的无尽质疑。尤其是在AI产业化方面，还有很多瓶颈。
近日，英特尔物联网视频事业部全球首席技术官、英特尔物联网事业部中国区首席技术官张宇博士接受《科技创新板杂志》采访，畅谈AIoT与人工智能发展。
张宇认为，人工智能与物联网的结合需要经历三个阶段，AIoT的发展暂时还处于第一阶段。只有当机器能够根据人类的需求自主学习时，真正的ait才能实现。
在他看来，AI是技术，但从终端用户的角度来看，能体验到的是服务。所有的服务都不是单一技术支撑的，而是一系列技术的结合，一系列平台的支撑。
对于AIoT的应用场景，他认为2B和2C是有区别的。2B要求精度高，使用参数多。2B认为，人工智能在智能制造领域有着广阔的应用前景。一方面帮助企业提高生产效率，另一方面也为碳中和、二氧化碳排放峰值做出相应贡献。
谈及最近热门的元宇宙，他认为AR/VR其实只是元宇宙的入口，但AR/VR背后的内容其实需要AI技术的支撑。通过AI技术，我们可以感知用户需要什么样的信息，然后对信息进行汇总、处理和分析，最终使结果出现在AR/VR设备上。
以下采访记录为《科技创新委员会日报》整理:
当前的人工智能:50%人工VS . 50%智能
科技创新板日报:如何看待人工智能与物联网的结合？
张宇:我认为AI和IoT的结合可以分为三个阶段:
第一阶段是AI技术首先应用在边缘端，在推理阶段。在这个阶段，需要大量的数据中心能力来帮助我们训练人工智能的网络模型，并将推理结果推送到前端使用。
第二阶段是边缘训练阶段。如果总是使用数据中心进行模型训练，必然导致训练时间更长，模型更新频率更慢。
随着物联网的发展和数字化转型的推进，在更短的时间内及时更新网络模型的需求会越来越强烈。所以我们相信在未来，培训工作会慢慢从数据中心迁移到边缘。在边缘，动态收集的新数据可用于第二次更新模型，更新后的结果可用于指导下一步操作。
第三阶段是自主学习阶段。现在人工智能有很多局限性。之前和很多专家交流的时候，我经常开一个玩笑:从人工智能的字面来看，既有“人工”的部分，也有“智能”的部分。这也反映了目前人工智能的使用模式——大约50%是人工的，另外50%是智能的，由机器生成的。
科技创新板日报:目前人工智能离不开人的支持。这会带来哪些障碍？
张宇:现在在人工智能的使用中，人仍然起着非常重要的作用。虽然我们可以用巨大的计算能力来训练模型，但是模型结构还是需要人来训练和设计。因此，AI模型在设计过程中加入了许多人的意愿。
而且这个模型的结构一旦固定，它的应用场景也会相对固定。比如某个模型可能适合视频处理，那么同一个模型就不适合自然语言处理。因为早在人们设计模型的时候，局限性就已经造成了。
所以我们需要进入第三个阶段，这个阶段其实是一个自我学习、自我训练的过程，叫做自动机器学习。简单来说，就是机器根据人类的需求，利用相应的数据自主设计和训练模型，然后将这个模型应用到最终的推理过程中。
从未来的发展来看，尤其是在数字化转型中，越来越需要这种能够感知人类意图的机器。可以根据用户和终端用户的意图，主动进行自我分配，选择合适的网络模型和数据结构，从而得到最适合处理当前场景的模型，并将模型发送到前端进行相应的工作。
AI本身就是一种技术。用户体验的是服务。
科技创新板日报:我们现在处于AIoT发展的哪个阶段？
张宇:暂时还在第一阶段，第二阶段还在探索中。因为计算能力和数据是两大挑战。比如在物联网的边缘，如何给数据贴标签，这是一个亟待解决的问题。
科技创新板日报:能具体谈谈AIoT落地的挑战吗？
张宇:首先，随着AI的应用越来越多，对AI的效果和即时性的要求也越来越强。如何保证大量的AI数据能够及时处理，是一个很大的问题。现在有一些解决方案，比如越来越流行的边缘计算。AI的处理放在边缘去操作，才能更好的响应用户的需求。
第二，不同的AI框架、不同的计算平台、不同的应用场景越来越多。在这种碎片化的场景下，开发者如何有更好的开发工具，可以用来找到最适合使用场景的关键API和合适的硬件平台，让创意快速落地。开发这些工具也是一个巨大的挑战。
我们已经看到了PaddlePaddle的推出，英特尔推出了OpenVINO。通过这类工具的组合，开发者可以拥有从构建、优化到最终部署的一整套开发工具，帮助他们更快地实现自己的想法。
第三是生态挑战。AI是技术，但从终端用户的角度来看，你能体验到的是服务。所有的服务都不是单一技术支撑的，而是一系列技术的结合，一系列平台的支撑。
因此，我们需要AIoT产业链的各个环节，包括开发者、服务商、芯片商、硬件OEM、ODM、软件ISV，共同努力，构建一个完整的服务平台。通过这样的服务平台，最终用户可以感受到基于AI的及时、实时的服务。但是，如何打造这样一个产业链，打通产业链的各个环节，是一个很大的挑战。
AI芯片落地需要生态系统协同
科技创新板日报:目前AI芯片初创公司的产品很难落地。也是生态吗？
张宇:一方面是由于AI芯片研发投入大，比如芯片流片成本高；另一方面，生态系统。因为芯片不能只有硬件，需要软件，需要和应用结合。AI芯片的落地不是一家公司就能完成的，需要生态圈的共同努力。
比如做芯片的公司，需要软件合作伙伴帮他们做软件方案和工具，然后和硬件一起推送给用户。这是产业链合作完成的，单靠一家公司很难做成。
科技创新板日报:你看到AIoT有哪些应用场景？
张宇:其实这个领域有很多应用。一般来说，可以分为两类，一类是2B应用，一类是2C应用。
在2C应用方面，像手机上的美颜，或者大家都在购物的时候，电商平台会主动给你推送可能需要也可能不需要的产品。其实这些都是人工智能技术的应用。
包括最近很火的元宇宙，其实AR/VR只是元宇宙的入口，但AR/VR背后的内容其实需要AI技术的支撑。通过AI技术，我们可以感知用户需要什么样的信息，然后对这些信息进行汇总、处理和分析，最终使结果出现在AR/VR设备上。
在2B方面，我们看到AI在智能制造领域的应用越来越广泛。比如在边缘端，可以进行AI缺陷监控，及时发现生产线上有缺陷的半成品，第一时间消除。这样一方面帮助企业提高生产效率，另一方面也为碳中和、二氧化碳排放峰值做出相应贡献。这些都是AI在2B场景中的具体应用。
科技创新板日报:2B和2C的要求有什么不同？
张:和2C最大的区别就是要求精度高。比如个人手机上使用的智能美颜功能，即使美颜有错也无伤大雅。如果2B业务出现问题，将导致成本消耗和产品损失。另外，B端的应用场景更加复杂。
比如2021年，我们在奥迪德国工厂落地了人工智能。那个工厂有2500个机器人，其中1000个是焊接机器人，全部用于奥迪的汽车制造。
一辆车有多达5000个焊点。奥迪用焊接机器人分析每个焊点的质量，包括电流情况，焊枪位置等等。综合这些信息来判断当前焊点质量的好坏，是利用一整套人工智能算法来完成的。
可想而知，如果5000个焊点中只有一个出问题，那么这辆车就报废了。所以B端和C端的要求不一样，算法难度更大，会用到更多的参数。
底层架构和数据能力的提升是关键。
科技创新板日报:人工智能的概念最早是在五六十年代提出的。目前经过三波发展，你认为哪些因素会影响其发展？
张宇:虽然我们今天说的更多的是AI本身，但是AI的实现离不开计算和数据，数据采集离不开数据传输和数据存储。
从AI的发展来看，这一轮人工智能高潮的起点是2012年。上一轮人工智能的高潮是在90年代。如果把90年代的技术和这一轮技术对比一下，可以看到计算、通信、存储的能力提升了一百万倍以上。
那么，卷积神经网络是推动人工智能发展的最关键因素吗？我不这么认为。
因为在90年代，卷积神经网络已经出现。当时人工智能三巨头之一的LeCun在贝尔实验室工作时，设计卷积神经网络做OCR处理。这不是一项新技术。相比90年代，真正推动这一轮人工智能快速发展的是这些底层基础设施和数据能力的提升。
当然，英特尔也在其中扮演了非常重要的角色。在刚刚发布的2021年下半年世界超级计算机500强名单中，超过80%的超级计算机使用英特尔产品。我们希望帮助用户建立一个端到端的具有AI能力的训练和推理平台，能够覆盖数据采集、计算、存储、传输的所有流程，推动人工智能的应用更快落地。
