第一節　數據“永動機”

人工智能激活了數據，讓數據的價值得到了凸顯；而數據在未來整個人工智能產業中，也成了永不休眠的驅動力。沒有數據，未來的人工智能就無法達到普遍人工智能階段。而機器要想獲得人類最擅長的歸納和演繹技能，也需要不斷的數據習練。當算法與算力都得到平衡后，人工智能的競爭最終是數據的競爭。

人工智能的發展離不開數據，只要有數據注入，人工智能就如同“永動機”一樣，源源不斷推動人類社會前進。

數據好似普羅米修斯盜取的火種，點燃了人工智能的革命之火。要想深入理解人工智能，需要先理解數據與人工智能的關系。

一切可以從全球知名人工智能學者李飛飛說起。這位華人學者是ImageNet圖像數據集的發起人，在學界聲譽卓著。她的一大關鍵貢獻就是洞悉數據的重要性，并以構建圖像數據集的形式推動了人工智能技術的發展。

2000年，李飛飛在攻讀加州理工學院的博士，研究的是神經科學和計算機科學的交叉領域。她發現一個問題：計算機視覺同行一直研究計算機感知和解碼圖像的模型，但模型總是針對個別具象的物體，比如狗或者貓，識別效果不盡如人意，且模型的應用也有巨大的限制。

李飛飛開始另辟蹊徑。她靈光一現，認為要害也許不在模型而在數據上。比方說，孩子從小觀察無數物體和場景，學習視覺，其中識別貓與狗也是基于重復觀察?；蛟S，計算機可以模擬同樣的學習方式，基于大量圖像的瀏覽進行類似的學習，最終識別出圖像中的具體物體。

顛覆性的想法一出現，李飛飛很興奮，認定數據才是解決問題的方向。她一刻也沒停，開始推進想法落地，但實踐起來卻困難重重。

首先，她需要構建一個完整的標注標準，方便在龐大的數據庫中為每張圖片的物體做標記，避免性別、民族或個人主觀偏見。標注一張照片時，數據標簽要從抽象、概括的描述一直標注到具體、細致的分類，比如，從抽象的“哺乳動物”一直到具體的“星鼻鼴鼠”。

其次，圖片標記的工作量巨大，過程相當乏味。起初，李飛飛給普林斯頓大學的學生每小時10美元的報酬，但是任憑學生們如何加班加點，標注工作依舊進展緩慢。后來，在學生的提醒下，她發現了一個解決問題的好辦法——使用Amazon Mechanical Turk5，聯合全球標注人員參與，成本低、標注速度快。如此一來，工作才明顯提速。

到2009年，李飛飛領導的團隊已經標注了近320萬張圖片，涉及種類繁多。因為她本科就讀于普林斯頓大學，該學校的研究者設計過一種基于認知語言學的英語詞典，取名WordNet，于是李飛飛將這個圖像數據集命名為ImageNet。

現在，ImageNet擁有1500萬張圖片，這不僅僅是一個龐大的數據庫，也提供了一套行業基準的測試標準。不同算法可基于百萬級的圖片各顯能力，以準確率來定量分析算法的有效性。

ImageNet圖像數據集一建立，李飛飛就設法說服了一個計算機視覺比賽的主辦方，請他們使用這個數據庫訓練和檢驗參賽者的算法。主辦方在2010年舉辦的歐洲比賽，便成了載入人工智能發展史的ImageNet大規模圖像識別挑戰賽。

從2010年到2017年，ImageNet挑戰賽的分類錯誤率從28%降到3%以下，只有最初的1/10左右；物體識別的平均準確率從23%升至66%。特別是2012年杰弗里·辛頓引入深度學習算法后，準確率有了大幅的提升。到2015年，計算機視覺在若干細分場景的錯誤率甚至低于人類水平，基本攻克簡單的物體識別問題，開始了大規模產業應用。

李飛飛和ImageNet挑戰賽的貢獻，生動地說明了數據與人工智能的關系。

第一，數據是人工智能第三波浪潮的關鍵。如果不是調整方向，先構建ImageNet這樣的大型數據庫，這一波人工智能的興起時間可能會大大延后。

第二，流行的深度學習算法、驗證與應用，都要基于大量的數據訓練。以計算機視覺為例，所有研究者先在ImageNet數據集中預訓模型已成為全球慣例。

第三，構建適用人工智能的數據庫，有賴于底層繁重的標注工作。杰弗里·辛頓在“一戰”成名，但是若沒有Amazon Mechanical Turk平臺大量無名者的努力，他的算法再精妙，也是無源之水、無本之木。

ImageNet挑戰賽后，李飛飛的研究方向轉向探索視覺關系識別，其核心工作之一依然是構建數據。

2019年，李飛飛團隊又推出Visual Genome（視覺基因）數據集，其中包含10萬張圖像、420萬條圖像描述、180萬個問答對、140萬個帶標簽的物體、150萬條關系及170萬條屬性，其目標就是走出物體本身，關注更多物體對象間的關系識別、語義表征和聯合推理等。比如，將一張照片輸入算法模型中，希望算法可以識別出其中的重點物體，找到所在位置，并且找到物體與物體之間的兩兩關系。

數據標注者是AI革命的無名英雄

數據與AI是強互動關系，現在，用于機器學習算法的數據都要標注，沒有數據標注的無監督學習是盲目的，算法效果較差；只有借助標注的數據，才能取得較好的效果。

20世紀90年代，人工智能的主流方向一度是符號式學習（symbolic learning），數據并沒有貢獻多大價值。客觀地說，當時業界也沒有大量數據可以“滋養”人工智能。進入2000年后，互聯網應用廣泛開展，計算存儲能力大幅提升，大數據才真正出現，并與深度學習技術一起碰撞出新的價值。

ImageNet數據集助力了深度學習的誕生。一開始，數據就與人工智能形成了強互動關系。

深度學習技術的基本原理，就是模擬人類大腦，構建一個由算力支持的神經網絡系統，經由大量的數據訓練，學習識別不同的模式，模仿人類的思維模式進行決策。數據訓練量越大、越豐富，訓練的模型效果越好。

●數據標注

人工智能可識別的數據必須進行標注，唯有如此，人造的神經網絡系統才能“看見”?，F階段，許多公司擁有大量數據，但并非撿起來就能使用人工智能，如果沒有現成的算法模型，就須先過標注這關。

數據標注的全流程，涉及收集、清洗、標注及校驗。數據標注的最基本工作是“畫框”，比如檢測目標是貓，標注員就要將圖上的貓標出來，標注的畫框需要完全覆蓋住貓，并標注體現貓特征的關鍵；如果檢測目標是人，就要標注與人相關的18個關鍵點。

以現在的技術水平，零售、自動駕駛、醫療等各行業要利用人工智能，都要先由人工進行數據標注，才能讓機器在特定場景運用相應數據訓練神經網絡。因此，在專業領域，標注人員要有專業背景。舉例來說，涉及醫療影像數據，標注員需要有醫療背景，能看得懂醫學圖像；涉及地方方言或者外語的智能化應用，標注者就要掌握這門語言。

由于數據標注是人工智能不可或缺的環節，所以標注的類型越來越多，也慢慢形成了一個產業。既有全球平臺級公司搭建開放的數據平臺，如Amazon Mechanical Turk，也有以標注為主業的創業公司，比如CrowdFlower、MightyAI等。目前，全球數據標注從業者超過千萬，分布在中國、印度、馬來西亞、泰國等人力成本低的國家。在中國的河南、貴州等一些內陸省份，數據標注已成為新興產業，漸成規模。

數據標注的興起，加速了人工智能的行業落地。比如，工業質量檢測、設備缺陷檢修等領域，機器得到的訓練日益充分，已開始大幅度替代傳統的人工作業。從起步的ImageNet數據集一直到產業的廣泛引用，人工智能發展的背后都有數據標注者的辛勤貢獻。

因此，我一直認為，數據標注者是人工智能革命的無名英雄。

現階段，訓練數據短缺是全行業遇到的瓶頸。很多視覺的細分類目下，用于訓練的圖片樣本只有幾個或者十幾個；而若是樣本量大，清洗、分析、標注等工作的時間和資金成本又讓企業不堪重負。

●小數據樣本深度學習

為解決因數據短缺而拖累深度學習落地的困境，人工智能研究者也開始創新深度學習的方法，提出“從少量數據中快速推理”的研究方向，以提升機器在少量標記樣本下的學習能力。

就“小數據樣本深度學習”探索，現在有三大前沿研究方向：一次性學習（one shot learning）、元學習（meta learning）和遷移學習（transfer learning）。

這三種學習均起源于人類學習。

人類在看過別人演示一兩次后，就可以觸類旁通，模仿并學會新技能。一次性學習強調機器用之前學到的方法與參數快速學習，避免從頭開始學習所有參數。元學習也稱學會學習（learning to learn），解決“機器學習如何學習”的問題，最終希望機器與人類一樣，以少量樣本就能迅速完成學習。

另外重要的一點是，小數據樣本深度學習的技術方向是可以成立的。以兒童的學習過程為例，在簡單教導后，小孩看到兩三次某個物體后，就會自動識別且不會忘記。那么，經過大量標注數據的訓練后，機器擁有的智能理論上也可以存儲與延續。當其看到新的小數據樣本時，就可以憑借過往積累的智能快速學習了。

●建立可解釋AI

現階段人工智能機器學習領域的主要研究方向是監督學習（supervised learning）、無監督學習（unsupervised learning）和強化學習（reinforcement learning）。研究人員正努力讓人工智能可以不依賴人類訓練，自己“觀察”世界如何運轉，并學會分析，建立洞察力，建立生成模型（generative models），通過真正了解世界來生成新的數據，創造新的世界。

目前機器學習中最為重要的深度學習技術，還沒有能夠完全超越模式識別，模型的可解釋性很差。比如，基于模型訓練，深度學習可以從醫學影像素材中發現癌癥跡象，卻無法解釋為什么特定的圖像模式可能存在病變。未來人工智能的研究方向必將重新引入邏輯推理演繹，人工智能不僅要給出問題的答案，還要展現解決問題的方案。

以大數據為基礎的深度學習經過七八年的發展，在處理相關性的問題上頗有優勢，而在處理因果關系方面進展有限，已進入瓶頸期。

深度學習技術三巨頭之一、圖靈獎得主約書亞·本吉奧（Yoshua Bengio）認為，除非深度學習能夠超越模式識別，并真正掌握因果關系，否則不可能發揮全部潛力。也就是說，深度學習需要了解“為什么”。

只有了解到因果關系后，人工智能才可以擁有人一樣的思考力和智能度，也能更好理解人類的目標指令，進入更高一層的創新境界。

2019年，約書亞·本吉奧帶領的研究團隊創建出一套數據集，以概率形式描述真實世界現象之間的因果關系，如吸煙與肺癌的關系。以此為基礎，團隊又創建出了直接包含因果關系的多套綜合數據集，且同步開發出一種能夠識別簡單因果關系的深度學習新方法。

即便是對新技術方向的探索，基礎工作終究離不開數據。

行業落地，重要的是“相關數據”

首先，無論大數據或小數據，有價值的就是好數據；其次，“大數據”這個詞，更多是一種思維方式和一個時代標志。實際的場景中使用的數據往往是有限的，真正有用的是“小數據”。

基于數據的重要性，我一直主張，大數據和人工智能是同一價值鏈中的要素，無論是大數據還是小數據，行業落地應用中重要的是“相關數據”，而不是“大而全”的數據。

2009年開始，“大數據”成為科技行業的流行概念。其實，數據自古至今都是存在的，書籍的文字內容是數據，圖片和視頻是數據，一件文物的年代、尺寸和材料是數據，甚至人們的動作和行為也可以是數據。在很長的時間里，數據的記錄和存儲手段非常有限，比如，早期有甲骨和石刻，漢朝才出現紙張。這限制了數據的積累。

計算機出現后，數據開始電子化，存儲成本越來越低。特別是進入互聯網時代后，瀏覽搜索、網絡社交、電子商務、游戲娛樂等用戶行為產生大量數據，且互聯網也能實時記錄、保存和追蹤這些數據，積累海量數據，這才有了大數據時代。大數據的四個特性可以簡單概括為四個V：volume（大量性）、variety（多樣性）、velocity（及時性）和veracity（真實性）。

大數據的產生，驅動了新的研究方法。利用大型計算機網絡，數據從收集、存儲、清洗、分析到應用，可以盡可能完整地還原特定對象的行為軌跡，以更大的樣本量和更細的顆粒度進行分析。而過去只能用抽樣方法進行分析，往往因取樣偏差或者樣本量不足產生錯誤的結論。

流媒體公司奈飛（Netflix）就利用大數據的優勢取得了成功。2013年，奈飛上線熱門劇集《紙牌屋》，其內容選擇、劇情設計都歸功于基于大數據的社交媒體分析。奈飛掌握了很多社交媒體的數據：它了解用戶更喜歡看何種類型的內容，怎樣的片段會選擇重看，什么樣的演員更受他們喜愛。這些全面的信息，對內容生產和運營的作用不言而喻。相較傳統的通過收視率、票房或用戶調研得出的結果，通過大數據所得出的準確性高出很多。

●找到“強相關數據”

用戶源源不斷地產生數據，目前對于企業來說，數據的收集和存儲能力并不構成障礙。癥結在于，90%的數據沒有被真正利用起來，成了“廢數據”。

主觀上，這與機構的數據思維文化有關，并不是所有公司都能像奈飛、亞馬遜那樣推崇用數據說話；客觀上，則與數據的相關度有關，比如一名用戶10年前的互聯網數據，對于分析當下或預測未來并沒有太多的作用，時間序列上的弱相關度，大大減弱了數據的效力。

人工智能要落地行業，數據量大固然好，但更重要的是相關度要高，而不是簡單的大而全。兵法上講，“傷其十指不如斷其一指”，大數據是一樣的道理，要用力在關鍵的“一指”上，不必追求“十指”面面俱到。

相關數據，特別要強調與特定場景的相關度?，F在，人工智能的應用針對的是某個具體任務或具體目標，需要的數據類型不盡相同。比如，傳媒、金融、醫療等各行業需要的細分數據不同，具體到同一行業的子領域也不同。比如，在醫療領域，心血管疾病和癌癥診斷所要的細分數據就不一樣。

大部分人工智能的應用場景，都是針對一個具體的任務。比如，個人信貸鑒別申請者的信用風險，餐飲外賣確定最優的派送路線，資訊信息流做精準的個性化推薦……具體的場景中，起作用的主要是相關度高的數據。不同的數據種類，根據相關度來看也是“親疏有別”。同樣是信用無抵押借款，支付寶“花唄”可調電商交易數據，微信“微粒貸”能用微信社交數據。一般而言，交易數據的相關度會高于社交數據。

●重視小數據

以我過去合作的眾多客戶項目來看，由于目前的人工智能大都以完成特定任務為主，尚未出現通用型的人工智能，也沒有無所不能的人工智能。相對大數據來說，能直接用起來的相關數據，往往是一種特定的小數據。

這里的小數據，指的是使用場景單一、對應算法簡單、及時性較高、數量規模較少的數據。只要采集、存儲、處理小數據集，就可以在商業應用中落地，產生作用，比如奈飛的打分數據。著名的AlphaGo，它的主要用途就是下圍棋，其核心數據是過往對弈的棋譜數據。這些棋譜數據就是小數據。

可以說，大數據是宏觀、全面的分析，小數據則是針對特定任務的具體分析?，F階段真正好用的其實是小數據。因此，我一直認為，人工智能不是大公司的專利，中小企業只要有意識地采集垂直領域的小數據，就有機會用好人工智能。

同樣以奈飛為例。1997年，它以DVD在線出租起家，還沒有那么強的數據能力，幸運的是，它早年就上線了用戶打分功能。2007年，奈飛推出流媒體業務“Watch Now”（立即觀看）的時候已經積累了20億條用戶打分數據。通過這些數據，就能夠非常容易了解用戶對內容的偏好。這個打分數據就是小數據，維度很單一，卻非常契合奈飛的業務場景，對內容決策非常有用。

無論大數據還是小數據，歸根到底，有價值的才是好數據。大數據和人工智能是同一價值鏈中的要素，激活價值鏈，讓有用的數據動起來，就能驅動業務，進而在特定的場景中驅動價值。

當然，在大數據時代，小數據的內涵也會發生延展。比如，圍繞個體的全方位數據更加重要。這里的“個體”不只是自然人的個體，也包括社會組織，如商店、企業、社會團體等。掌握全方位的個體數據，一個直接的好處就是可以精準推送個性化服務。

中國的互聯網巨頭們利用自身強勢業務，以兼并收購、生態投資等各種方式，建立了龐大的To C（對消費者）業態，能夠介入一個獨立個體的消費、社交、信貸、娛樂、資訊等方方面面，方便獲取個體的全方位數據。在人工智能時代，這種數據優勢正轉為巨大的競爭優勢。

AI的競爭最終是數據的競爭

人工智能只是一種技術手段，數據資產最終決定人工智能的行業應用發展，以及企業新的市場。

人工智能是算法、算力和數據三位一體，缺一不可，三者在產業競爭中的地位不盡相同。算法可以共享，比如在谷歌的TensorFlow、百度的飛槳（PaddlePaddle）平臺上，開發者都能調用各種算法；算力可以采購，只要資金實力充裕，廠商可以尋找合適的設備商或者解決方案供應商，搭建大規模Docker6集群或者GPU集群。

隨著互聯網、開源、云計算等技術的發展，企業在技術上會越來越接近。不久的將來，超級摩爾定律下芯片計算力會有更大突破，人工智能作為一種技術能力將越來越普及，長期來看，技術能力上的差異會越來越小。在行業應用上，真正能建構牢固“護城河”的核心要素一定落在數據上。

我相信，未來3～5年，人工智能的競爭將會圍繞數據展開。

那么，數據又從哪些維度展開競爭呢？

我認為，這場競爭會主要圍繞著以下三點：

第一，數據的品質。比如數據的準確性、完整性、可追溯性、持續性、真實性和共享性。這些品質決定著人工智能模型的質量，也決定最終的落地成果。

第二，數據競爭存在先發優勢。那些占據著特定的應用場景，并且更早、更多地獲取數據的領域，人工智能的優勢會更明顯。

第三，數據的安全和隱私保護，決定了人工智能應用最終可以走多遠。

●數據品質

數據的品質在某種程度上會決定算法的準確性。并且，以同樣的初始算法起步，數據品質不同，篩選與迭代出最佳算法需要花費的時間不同。

針對特定領域的數據集越龐大、越真實、越準確、越可追溯、維度越豐富、越協同共享，越能得出最佳算法并帶來競爭優勢。

比如，在奈飛的網站上，圍繞用戶的維度，有性別、年齡、瀏覽過的電影、喜歡的明星、過往閱覽記錄等；圍繞某個電影的維度，有年代、導演、演員、風格、題材、用戶評價等。圍繞兩個主體的數據維度越豐富，越能在兩者間建立精準匹配的關系，讓企業以更好的體驗擴大用戶群，不斷強化自己的優勢。

我們看到，App（應用程序）的用戶規模越大，往往越能更精準地滿足個性化體驗。比如，現在我們使用的一些音樂App已經能夠精洞悉每個用戶喜歡的音樂風格，并準確推送喜歡的音樂。

對如何提升數據品質，企業可以在兩方面同時努力。在內部，要有系統的規劃，實時采集和整理數據，建立長期數據積累；在外部，要有意識地構建生態體系或者尋找合作伙伴，盡可能多地獲得相關數據，且搭建統一架構，幫助數據互通。

●數據的先發優勢

數據競爭一定存在先發優勢。企業越是占據特定的場景，更早、更多地獲取數據，人工智能的優勢就越明顯。

現在，數據尚未全面商品化，企業與企業之間的數據交換尚未暢通。由于市場的復雜和競爭、數據安全和監管等原因，企業或機構不敢輕易開放數據，企業或機構需要通過自己的產品和生態體系來獲得更多數據。從這個角度看，平臺型科技公司基于自己強大的數據基因，占有完全優勢。

長期來看，數據是可以創造收益的資產，是公司的核心競爭力，越早入局規劃，越能占據主動。未來數據全面商品化之后，價值會非常明顯。

●數據安全和隱私保護

作為未來企業的核心資產，數據的安全性一樣重要。大數據時代，一旦丟失數據，損失也是巨大的。

數據安全有兩層含義：一是保證用戶數據不損壞、不丟失，這種情況發生的概率不大，數據存儲在云端也安全得多；二是保證數據不泄露或者濫用，這是主要的關注點。

無論在電子商務、航空旅行、金融借貸還是醫療行業，全球已發生多起數據泄露的事件，引發公眾的憤慨。2017年，單是美國征信企業艾可菲（Equifax）一家公司的信息泄露，就涉及多達1.43億人的姓名、住址、出生日期、社會保障號和駕照等敏感信息。

人們不可能縱容自己的數據隱私被侵犯。任由信息泄露和濫用，公司會陷入輿論的漩渦，商業發展的困境最終會阻礙人工智能的發展。對數據安全和個人隱私的保護程度，決定了人工智能可以走多遠。

國外若干代表性的法律法規也已出臺，比如2018年生效的歐盟《通用數據保護條例》（GDPR），2020年1月生效的《2018年加州消費者隱私法案》（CCPA），這些立法正給商業運營和人工智能帶來巨大影響。

2020年7月，全國人大常委會法制工作委員會在中國人大網公布了《中華人民共和國數據安全法（草案）》，并向社會大眾征求意見，這會進一步規范行業內的行為和競爭。