联想毕巍：大数据本质场景未变 突破在于底层技术
|
我不知道大家有没有了解到，其实这一轮整个的AI，它的起步点我认为是在1995年谷歌的翻译，50年代的时候翻译理论其实已经比较成熟了，当时有两大路线之争，一个是介模驱动的，一个是统计分析驱动的，当年统计分析驱动是完全被嗤之以鼻，到1995年的时候谷歌这边推进了整个的线上，面对互联网2C的谷歌翻译，1995年我那时候就用过了，我觉得效果很差，但到2005年的时候，它的效果已经是相当不错了。十年的积累，其实积累的不是算法，积累的是数据，大量的数据在里边，使得谷歌翻译迅速地能够产生价值。 所以我认为到今天为止，我们的AI本质上还没有改变这样的一个本质的应用场景，它其实就是算法加数据的驱动，才能够让这个算法比较落地。所以上周一我配元庆（音）去访问了我们投的另外一家公司，我们创投企业投的另外一家公司，是深圳智能交通设计院。在这个当中，它现在目前在深圳整个的智能交通这块，在全国甚至在全球是处于一个领先地位的，它在这个当中，它告诉我们说麻省理工其实现在目前拥有非常好的算法，但是不得不也找深圳交通去合作，原因其实很简单，深圳交通立足在中国这样一个比较肥沃的土壤上，它拥有大量的数据，他们现在每天大概是每天日增1.8亿条数据、新的数据。这使得它在全球应有了一个不可复制的、难以逾越的这样一个壁垒。所以基本上我们看到说，到目前为止其实数据量，我们认为是狭义的人工智能，其实主要是模式识别，这样的一个角度找到了应用场景，可能是现在目前落地感比较强的一个地方。 对于联想的实践来说的话，我们基本上是把它分成两块领域，一块领域是面向城市的、一块领域是面向企业的。这两块领域里，从应用场景和行业属性角度来讲，它还是存在比较大的差异的。但是从背后的技术基理角度来说，其实它共享的是同一套技术基理。简单来讲，我们现在目前在城市的实践当中，我们看到在智慧交通领域，像智慧医疗领域，智慧医疗其实有的时候很难讲，一部分可能是在行业的、一部分可能在企业的、一部分可能是在城市领域里面的；还有在智慧教育领域、智慧农业等等这些领域里边，现在都已经有一些比较具体的生根发芽的一些实践的场景。 在智能制造领域里边，目前对于联想来说，这个领域里边我们是生根得比较深的一个领域，因为联想自己本身可能就是全球500强比较大的、著名的，原来我们可以认为我们是离散制造，但今天我们可能是，自动化程度越来越高的情况下，我们可能现在目前已经快接近于智慧制造这样一个程度。今天由于时间有限，我其实有一个我们现在目前最新的，大概在去年投产的，在合肥有一个联保厂，这个联保厂基本上代表了现在目前环亚太地区的，应该说环太平洋地区的最新型的单体最大的，自动化程度和智慧化程度最高的一个大规模的制造厂。在这个制造厂里边，我们除了自动化领域以外，我们大量地实现了智慧化的工作。这个智慧化工作其实本质上来讲，其实最重要的是什么呢？最重要的是联想自己本身业面临很大的一个转型的挑战，这个挑战在哪里？这个挑战在于是说，原来大规模的批量制造现在已经赚不到钱了，我们现在目前越来越多地要去接一些小批量定制的订单。 比如说举个例子，国家统计局他们现在目前可能定制的每年大概是3万台的pad做统计用，这种pad它其实不是我们的标准2C的pad，它上面外加了很多的模块。比如说交行，它们的这种业贷，针对他们的业贷也是定制上千台的pad，这些小批量的定制在以前其实它整个的设计、制造的成本是偏高的，可能它项目的毛利率可能比对消费者单机的毛利高，但是我们的生产成本、我们的设计成本可能会把很多毛利给侵蚀掉了。在今天的环境里边，我们在联保厂里边我们已经能实现柔性自造了，实现柔性自造以后，它里面一个比较重要的视角，就是它的MES和ERP之间的联动已经做得比较好了。前端的ERP，我们以前讲按订单制造、按订单制造，但其实一直卡在哪里？ERP里边按订单制造是OK的，但是你跑到了MES，真正地能不能按订单去动态地调整你整个的生产线？这个其实一直以来是一个比较大的挑战。同时还有一点，你整个的新产品设计的生产周期、设计周期能不能大量缩短？这个其实是另外一个挑战。 这些领域，现在目前我们用了一些人工智能手段、一些新产品平台、新的信息化的手段，在这些领域里边，我们现在都得到大大的改善，使得小批量订单制造现在目前的毛利率能够得到一定的保证，这个是在智能制造领域里边的。以及同时在智能制造里边，其实联想在上半年的时候，我们面临一次巨大的挑战，挑战在哪里？挑战在汇率的变化，以及今年上半年供应链CPU memory硬盘SSD整个部件的涨价，然后供应链短缺。这样的一个情况下，这当中其实对整个的制造产业、制造企业带来一个很大的挑战，很大的要求，这个要求是什么？就是（15：00英文）的精准预测。如果我们能够对今年上半年的订单在去年就有一个精准预测的话，我们就可以提前备货、我们就敢于提前备货，这个提前备货以及对于汇率的变动可能有一些短期预测的话，那这种备货就可以让我们整个的成本得到大规模的优化。 这些方面也是目前的落地实践的一个比较重要的地方，我们目前在帮宝钢做的整个的精准预测当中，其实是帮他们从80%几提升到90%，所以这些地方其实也是有一些比较重要的获得实践的经验。这当中，在这次去年一年宝钢的项目当中，我可以跟大家讲一下，在宝钢的精准预测当中，我们总共用了一万多个参数建的模型，这一万多个参数如果手工去调优的话，几乎是不可行的，所以背后的深度学习、算法chaning（16：07英文），在它现有的数据里边的算法chaning（16：09英文）动态地去调整，然后让这一万多个参数最后调到一个比较有用的组合状态，其实就变得非常重要了。 大家可以想象，就是一个汽车钢材，它的汽车订单对宝钢特种钢材的订单，和它的下游、上游的供应链之间的联动关系的精准预测，这件事用了一万多个参数。如果按照传统的方式去做的话，其实大家都知道，参数越多，你这个模型可能越精细化，但是在传统的技术环境里边，你要去调优，你要让这个算法变得非常精准、变得非常符合有用，其实是非常难的。但是现在目前人工智能深度学习的能力，帮我们逾越了这个障碍。所以我现在看到说，如果简单来讲的话，人工智能与大数据的结合最主要体现在这里边。 在医疗这块，我们近期也是做了很多的挑战，在这个领域里边，其实还结合了一些AI、BI的技术，后面我有一些具体的场景跟大家汇报一下。 （编辑：厦门网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
