首页 资讯正文

防微杜渐,“急”智非凡——人工智能赋能的智慧应急

防微杜渐,“急”智非凡——人工智能赋能的智慧应急

人工智能驱动的数字化转型,以及作为核心基础设施的人工智能计算与赋能平台,将为应急管理提供强大支撑和赋能,为智慧城市发展保驾护航。

文/尹 智 商汤智能产业研究院副院长

智能与人工智能

提到智慧应急,首先想到的是人工智能。那么,为什么会出现人工智能,它的出现到底是历史必然,还是偶然的科技进步?回顾人类科技发展历史,我们会发现,只要人类追求更高效率和更低成本的脚步不停歇,人工智能的出现和发展就会是一个必然的趋

人类为了提升外力的效率,发明了蒸汽机,首次用可以控制的机械力,即蒸汽机产生的动力,代替了原来生产生活借助的不可控的水力、风力等自然力。然而,蒸汽机是一个机械设备,它的能量传动和部件运动的速率是机械物理速率。为了能够发明传动效率更高、更容易传输能量和信息的介质,人类发明了电并开始使用各种电气设备。然而,早期的电气设备还是由机械或人力控制的,如最早的电话交换机就是靠人手进行交换的。那么,是否有更高效、更自动的方式来控制电呢?有,那就是电本身。例如,半导体就是典型的用电控制电的流通。随后,人类发明了一系列自动化设备,可以对电气设备、电子设备进行编程,直到后来又出现了通用的、可编程的自动设备,那就是计算机。计算机虽然很自动,但其强项只是强规则计算,只要是有明确可表达逻辑、可以用规则描述的问题,就是计算机智能可解决的领域。但是,这恰恰也成为其弱点,对无法用明确规则表述的问题,例如,如何鉴定一个古玩,如何从一个医学影像中看到异常和病灶,如何用某种风格创作一幅画,如何学习一门方言,传统计算程序是非常低效甚至是无可奈何的。也就是说,计算机只适合执行指令,而不擅长根据对不规则的输入进行分析判断后做智能的决策。我们给它一张图,它并不知道也不关心图里有什么内容,它能做的只是用0和1代表的数据把这张图存储下来。因此,当我们需要更高自动化程度的时候,人类就需要机器自己去判断、解析信息,如我们给它一张图、一段视频或一段语音,我们希望它能够理解这些信息里的相关内容,并基于这种解读做出反应,这种无须人类干预的模式才有可能突破目前计算机系统整体效率的瓶颈。基于这样的逻辑,让机器帮我们看、听甚至帮我们思考的人工智能就出现了。

因此,只要我们持续地追求效率最大化,人工智能就几乎是一个必然的趋势。如果把人工智能与人类智能进行对比,不难发现二者在“智能展示”方面非常相似。例如,二者都有感觉的过程,只不过人类是通过五官、肢体进行感觉,而智能体(如智慧城市)是用各种各样的传感器、摄像头进行感知。在传输方面,人类通过脊髓和神经通路,而智慧城市则是用有线和无线网络。在解析信息的过程中,人类是把信息传到大脑,由大脑进行处理。这是人工智能出现之前最大的差别,人看到一个信息立刻就能够判断出这个信息里有什么。例如,我们看到一个人,我们知道应该怎样跟他打招呼,但机器是不知道的,它看所有的东西都是“像素”。如何让机器解析信息?过去,机器只能感觉到但不能感觉懂,它只能把信息存下来。也就是说,原来那些非结构化的数据、视频、声音等只能称为“数字化”,不能称为“数据化”,因为它不能直接被机器所使用。只有机器能够理解图像或视频里有什么,它才真正是数据化。我们解析出信息之后,可以做一定的关联。例如,看到这个人,我们认识他,知道怎么打招呼。机器也一样,通过数据库里的数据关联,知道怎样去处理信息,最后去控制。

智能体跟人类的智慧展示方式非常像。同时,智能有不同的层级。首先是运算与分析智能,手机、电脑可以进行运算,可以做一些数据分析。其次是感知智能,这是应急管理的基础。一个人类智能体如果不能感知,就没有办法进行决策,也就没有办法进行控制。因此,感知是智能的基础和前提。感知智能就是让机器能够听懂、看懂。最后是认知智能。例如,我们看到他是人,还要知道是什么样的人,怎样跟他打招呼。其实,现在每个人都有一个人工智能的设备,那就是手机。在边缘侧,一个典型的代表就是自动驾驶车。自动驾驶车是典型的边缘设备,会把各种信息集中到车的神经网络里进行自动驾驶判断。云端、智慧城市大脑等都是云端智能。

智能感知是应急管理数字化的前端,实现应急信息的实时感知和传输。智能感知是应急管理的基础和前提,智能时代的智能感知利用智能传感、视频图像、激光雷达等感知技术,依托空天地一体化应急通信网络,面向自然灾害、生产安全、疫情防控、城市安全等实际应用建设需求,构建全域覆盖的应急管理智能感知与传输网络,实现风险隐患和灾害事故数据的全面感知和实时传输。

感知智能的计算模式变革

整个智慧感知的基础是计算,过去是基于程序规则和算法代码的计算,现在是基于人工智能的计算。人工智能计算出现之前的计算统称为传统计算,它有其固有优势,也有其固有问题。传统的计算主要是指CPU,但CPU的计算和存储是分离的,这跟人的思维方式是不一样的。人类的存储和计算是在一起的,我们看到一个东西的时候不会专门到大脑的某个区域去“调用”一下,神经网络在一瞬间就调用神经元的存储,同时进行计算。由此可见,传统的计算模式实际上不适于现在的感知智能。

一个理想的智能,无论是感知智能,还是认知智能,都是由两部分构成的。一部分是逻辑的部分,即计算,大规模的科学计算就是逻辑计算。另一部分是创造性的情感、经验感知,这是人工智能的计算,更多是偏模糊的推理,基于概率的模糊推理计算。这就是我们常说的传统计算的一些挑战。

那么,基于传统计算的感知和基于人工智能计算的感知差别是什么?差别的根源在于计算模式的不同。一是计算形态不同。传统计算是非零即一的,所有的电脑最后处理的就是“0”和“1”,非黑即白,是不可能有任何模糊的,也不允许有任何模糊,否则程序无法执行。但是,人工智能计算就像我们推理一样,实际上是一个基于概率的推理。我们看到一个人或者一个动物,我们并不是百分之百确定,并不是“搜”到了就是“认识”或者“不认识”,往往是“这个人很可能认识,这个动物很可能是一条狗”。这是一个基于模糊推理的概率计算。第二是计算规则不同。传统计算每一行代码、每一个字符都是程序员写出来的,人类可以百分之百控制所有程序。程序有一个字符错了,程序是运行不下去的。人工智能神经网络绝大部分的规则是学习出来的,从这些数据中学会如何去识别一个物体,这个计算规则是人工智能学习出来的,并不是我们指定的。我们的角色实际上是从指定它怎么做,变成辅助找到怎么做的方法,人类的角色发生了改变。由于两者前述的差异,传统计算和人工智能计算还会引起能效利用的差异,从而引起其对硬件需求的差异。传统的计算对每一个字符都是掌握的,对每一行代码都是非常清楚的,所以我们可以精确地计算能效,知道运行效率、能耗。人工智能神经网络大多是机器学习出来的,在很多情况下并不了解它的能耗。

由于计算的方式、计算规则生成不一样,现在整个智能获取或者智能产生都不一样。人工智能围棋程序AlphaGo有一个升级版本叫AlphaGo Zero,它只训练了3天就以100∶0的成绩战胜了AlphaGo。它的下棋能力是通过强化学习、不断地找到最优策略学习出来的。仅仅是这样一个人工智能围棋程序,对算力的要求已经非常高了。自2012年以来,人工智能训练任务中使用的算力呈指数级增长,其目前速度为每3.5个月翻1倍,而摩尔定律是每18个月翻1倍。实际上,摩尔定律远远赶不上现在算力增长的需求。

需要处理的数据量也是呈指数级增加的。其中,80%的数据只是数字化的,并不是数据化的。过去,这些数据只是被存储下来,机器并不在乎它具体是什么内容。但是,人工智能出来之后,它会解析这些数据。这也是算力增长这么快的原因之一。然而,算力是非常昂贵的。有一个深度学习的模型叫GPT-3,它有1750亿个参数,训练费用更是高达1200万美元,而这个训练费用还只是用于支付电费,还没有考虑设备的折旧费。由此可见,人工智能的算力和由此带来的感知智能在现阶段还是奢侈品,不是一般中小企业可以负担得起的,只有大型企业或者政府才可以负担得起。那么,我们既要追求感知的智能,而感知智能又非常贵,怎样才能解决这个问题呢?其实,所有新技术出来的时候都很贵,汽车刚出来的时候也没有几家能够买得起。事实上,每一次产业革命都有一个思路,那就是把资源集约化管理、集约化分配。每一次产业革命都有生产要素的大规模使用,这个大规模使用促使另外一个要素大规模成长,最后出现赋能百业的生态。第一次产业革命的驱动是煤,第二次产业革命的驱动是电,而第四次产业革命的驱动是数据。大量数据的获取、整理、标注,促进了算法、人工智能模型的优化。把这些算法聚集起来就变成了一个平台,这个平台可以集中提供算力,企业可以对其进行租用。这种人工智能计算和赋能平台能将应急管理中的人工智能算法的生产和部署的成本和门槛降低,让更多智慧应急的政府、科研机构和企业能够开发得起,使用得起人工智能算法

人工智能在应急管理中的应用

应急管理的未来趋势是协同化、智能化发展。应急管理的数字化、智能化以需求为导向,围绕自然灾害、生产安全、疫情防控、城市安全等领域应急场景治理对象,贯通预防与应急准备、监测与预警、应急处置与救援、恢复与重建应急管理全环节,融合智能感知、数字应急大脑等能力,并与应急管理业务联动,驱动应急管理业务、流程、决策等方面创新,赋能应急管理不断向数字化、协同化和智能化方向发展,助力解决传统应急管理中的诸多问题,进一步助推国家发展与社会进步。

作为核心基础设施和承载体,人工智能计算与赋能平台将为应急管理提供强大支撑,为智慧城市发展保驾护航。以综合应急为例,城市通常会有一个综合运行指挥中心,其中会有一个智能视觉中枢,它可以解析所有与视觉相关的信息,然后发出预警,通知第二级城市综合应急指挥中心。第二级城市综合应急指挥中心根据业务规则判断要具体采取什么措施,一般会发送到行业专门的监管单位或者是具体的单位去执行具体的措施。火灾检测、危化品运输、交通事故识别等应用场景都可以采用平台上的人工智能应急模型。平台借助预训练体系,利用已有数据,提高基础模型精度,助力用户快速打造自己的视觉智能应用。交通应急管理一般也分为三级。智能视觉中枢会把解析到的信息给到第二级交通调度平台,交通调度平台会产生具体的规则到具体的执行单位或者执行的组织,执行组织会进行相关的交通指挥调度。目前,交通领域出现的各种应急场景,如高速公路上倒车、低速行驶、车起火冒烟、车相撞、起大雾、交通拥堵等,已经不需要用人工监测了。

再以疫情管理为例,疫情等公共卫生事件具有可预见性差、暴发突然、原因复杂、蔓延快速、影响广泛、危害严峻等特点,传统应急措施难以有效防控。全方位、全体系、全部门配合,多层面、多体系联动指挥,是应急管理数字化转型在疫情防控中的关键突破。以公共卫生服务体系和政府疫情防控体系实际应用作为着力点,依托数字应急大脑,构建疫情防控数字场景,将对实现疫情防控全周期安全目标具有关键意义。综合利用大数据、人工智能等数字技术,建立疫情防控智能化决策分析和指挥系统,结合重大公共卫生应急事件知识图谱,快速识别预警,提升基层防控能力,提高指挥决策水平;通过无感核验、健康码、刷脸识别,实现通行人员的非接触、快速便捷的体温测量与身份识别,变被动为主动核验;通过视频监控录像的跨镜跟踪,可以完整绘制一个或多个疑似感染者的时空行动轨迹,接触人群,病毒可能传播路线,大大提升了疫情追溯和控的效率和效果。

版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。

本文链接:https://www.chinaai.com/zixun/15336.html

发表评论

评论列表(0人评论 , 10533人围观)
☹还没有评论,来说两句吧...