疫情大数据回顾系列四:新冠疫情之后谈新基建

南京数睿 2020-03-28

我们都知道疫情的突如其来,给全世界带来了重大的压力,几大股指重挫,各地封城、封地,疫情在国内也导致了大量的工厂停工、停产,另外为防止疫情扩散以及应对疫情的诊疗,国家付出了巨大的代价。


为振兴经济、抓住产业发展重大机遇,国家着力推出了万亿规模的新基建计划。新基建主要指以5G、人工智能、工业互联网、物联网为代表的新型基础设施,本质上是信息数字化的基础设施。为什么在这个时候推出新基建,笔者认为有以下几个方面的原因:


1、“新基建”是应对疫情和经济下行的最简单有效手段,也是应对中美贸易摩擦的关键之举,功在当代,利在千秋


新基建带来了巨大的市场机会,拉动了整个产业的发展。据有关机构测算,2020年,5G投资规模将近3000亿元,特高压投资规模超600亿元、轨道交通投资规模在5000亿元、充电桩在100亿元左右,而数据中心有1000亿左右的规模,人工智能投资规模约350亿元。随着时间推移,新基建在整个基建中的规模会逐步增加,每年有数万亿的投资。这对稳增长、促进就业,以及应对疫情这一重大突发事件有重要的经济和社会价值。当然,单纯稳增长、促发展这个角度看,我们也要认识到单纯靠“新基建”还不足以达到目的。在目前22个省公布的47万亿的投资计划中,“新基建”仅占一成,业内主流观点还是要双管齐下。把新基建着力来强调,实际上也是也反映一种导向作用,就是要加大数字基础设施的建设投入比例。

中美贸易摩擦的实质不是关税之争而是科技之争。一个国家真正的强大还是要建立在强大的科技实力之上,世界大国的兴衰史就是一个围绕新的科技革命的发展史。谁能够把握科技革命的脉搏,通过科技革命极大解放生产力,谁就能够走到世界的前列,实现强国梦。从中美贸易战以来,美国的一些关键举措也能看到这点。美国对5G的领导企业华为不遗余力的动用举国之力进行打压,说明了美国已经意识到5G对一个科技国家的基础性作用。美国对人工智能关键技术做了大量出口管制,正说明人工智能是未来关键的竞争力要素。从科技发展的角度,我国的科技创新的强项主要在应用层面、工程制造层面,对基础理论的研究还需要很长时间的追赶。而应用层面的创新,尤其是围绕数字经济的创新,对数字基础设施的依赖是非常强的。在这块完全可以发挥我们国家“集中力量办大事”的制度优势,通过超前构建基础设施来推动应用的创新和发展。这个在过去已经被证实是行之有效的发展,大家可以回顾我国互联网应用发展的历史。


2、“新基建”可以加速新旧动能转换,全力发展数字经济,实现全要素生产率的提升


读者在很多报道中,能看到降档、升级,供给侧改革,新旧动能转换等等这些,其实背后就是一个意思,就是我们国家未来的发展,主要依靠创新驱动、依靠全要素生产率的提升来完成。最近几年随着人工智能、大数据、云计算以及3G、4G的大规模应用,突然出现了很多新经济、新模式、新业态,它们的出现让大家明明白白看到了效率的提升。这个在消费互联网领域,大家可以明明白白感受到,网上购物的便利、物流的发达以及沟通效率的大大提升,这些都在很真实的影响着我们每个人的生活。这里有两个重要的要素影响着商业文明的发展,就是连接和数据,这是曾鸣教授在《智能商业》这本书里面着重强调的两点。“连接”解决的是协同问题,人与人的协同、人与设备的协同以及设备与设备的协同,这些都加速了或者拓宽了生产要素之间的配合,从而带来了整个生产率的提升。而“数据”是作为生产资料被大家所广泛接受,因为数据参与到整个生产率提升的环节,产品创新、生产制造、销售、营销、物流以及服务等多个环节,都需要“数据”来优化流程,提升效率。


我们还要关注到一点,人工智能、大数据、云计算以及3G、4G这些技术本身是具备“通用性”的,所以各大互联网巨头纷纷进入产业互联网也就不足为奇了,因为他们在消费互联网领域积累的技术、能力、模式和知识是可以迁移到传统产业的,这些要素本身不一定能完全照搬,但本质上有很大的重叠性。与消费互联网容易替代相比,传统产业特别是制造、能源、交通以及金融有其自身的专业性和行业管理的特点,这些科技主要还是起赋能作用。在实践当中有一点是肯定的,消费互联网主要解决的是人和人的问题,产业互联网还要着重解决机器和人、机器和机器的问题,新的需求需要新的方式来解决。例如机器通信的时延、互联网设备的海量、物理设备的数字化映射以及大量设备产生数据的及时处理等等,这些恰恰是新基建着重要解决的问题。


3、“新基建”所涉方案在疫情期间的应用,让我们既看到效果也看到差距


在疫情期间,大数据、人工智能、移动通信以及物联网等科技抗疫方案层出不穷,移动通信不仅仅提供了通话、上网等服务,通过移动轨迹可以知道个人过去14天去了哪些城市,这个对跨地域流动的隔离非常重要。大数据发挥的作用在本系列一,我们也详细提到了,包括人员信息的采集、疫情传播排查以及疫情预测等等。在人工智能领域防疫语音机器人、肺部CT辅助诊断以及测温和口罩人脸识别等得到了广泛的应用,大大节省了人力投入、降低了政府和企业的成本,提升了效率。另外,在方舱医院通过手环、摄像头等物联网设备对人员活动以及个人关键指标进行监测也发挥了很好的作用。除了直接用于疫情防疫,我们也看到了在线互联网服务带来的巨大作用,在线视频会议、在线办公系统等等大大推进了人员在无法现场活动情况下业务的开展,为企业抗疫、复工复产带来了极大的便利。这些成功的应用案例让大家看到了科技的力量。


正如在本系列第一篇所说,尽管我们看到了科技的力量,但我们也看到在这些新科技的使用上还有很多的事情要做。无论是通过移动通信技术的远程诊治、大数据深入分析还是提升人工智能在药物筛查和辅助诊断能力以及加速工厂智能制造的能力等,都有需要攻克的关键技术和需要结合场景的深入应用。“新基建”为解决其中的关键问题提供了方案,同时我们也认为广泛和深入的应用才能带动“基建”的长足发展,两者是相辅相成的。


前面我们从“新基建”的必要性说明了为什么这个时候要推出新基建,让我们把目光回到“新基建”本身。从目前了解的信息来看,新基建主要是指下面其中基础设施的建设:5G基建、大数据中心、人工智能、工业互联网、特高压、新能源汽车充电桩以及城际高铁和城轨交通。表面看起来这是七个并列的基建选项,但笔者认为我们要从系统化的视角审视这些选项之间的关系,笔者把这七项技术按照之间的关系做了一个初略的划分。


首先,5G基建是最基础的部分,它不仅仅带来了大的带宽,同时为大规模机器连接和低时延应用需求提供了保障,所以5G为大数据的汇聚积累、为人工智能的广泛的应用奠定了基础。但从另外一个角度看,5G需要支持更多的设备连接和低时延通信,在基站部署、分布式通信以及能源消耗方面都需要更精细的规划,它本身也需要基于大数据、大量使用人工智能算法和模型来优化部署、调度和能耗,即5G本身必须是智能基础设施才能更好满足应用需要。


其次,看大数据中小和人工智能,我们容易想到随着5G的广泛应用,更多的数据将需要处理。熟悉大数据的知道,3个“V” 即大容量、多样和高速的数据将出现指数级增长,这些涛涛的数字洪流必须有更多更好的大数据中心来处理。这里注意的是大数据中心不同于数据中心,后者主要指硬件的建设,机房、机架以及配电等,大数据中心包含了为处理大数据以及基于大数据的信息化应用提供的各种基础设施,包括了新型数据中心的建设、云计算平台以及各种信息化应用的构建等。大数据中心为人工智能提供了“数据”原料,也为人工智能提供了“场景”应用。算力、算法和数据被普遍认为是推动最近这波人工智能浪潮的三大要件。通过更多的数据采集、标注和反馈修正为提升人工智能模型的准确性提供了可能。同时大数据中心也为“算力”的部署提供了保障。在大数据中心部署的各类应用又代表着各行各业的场景,而场景又是人工智能发展的最重要的推动力之一,甚至超过前面三者。反过来,人工智能又为大数据中心的建设提供了新动能,首当其冲的就是能耗问题,如何通过有效的规划、智能的调度以及多方协同来降低能耗,提升效率是大数据中心必须解决的问题,人工智能的算法和模型,可以用于解决这些难题。一个典型的例子,就是谷歌把AlphaGo的相关能力用于数据中心的能耗管控,整体降低数据中心能耗15%以上。除此之外,人工智能可以解决大数据中心应用部署、自动化运维以及上层应用智能化等诸多问题,所以业界有“AI in All”的说法也就不足为奇了。回头来看人工智能作为基础设施来建设,除了“算力”这一硬的基础设施,还包括了人工智能基础软件、人工智能通用模型、人工智能行业模型以及人工智能数据集等各种相关的能力建设。就是要从只有少部分企业依赖专家的建设和应用方式,变成广泛的、普通人就能用的基础设施。


再次,看工业互联网建设,工业互联网表面看是把互联网技术用于工业领域,其实不然,工业互联网有其自身的特点。工业互联网的关键核心技术主要涵盖“一硬(工业控制)+一软(工业软件)+一网(工业网络)+一安全(工业信息安全)”四大基础技术,“边缘智能+工业大数据分析+工业机理建模+工业应用开发”四大关键技术。目前国内领先的工业互联网平台基本以国外基础工业体系为基础,我们国家95%以上的高端PLC和工业网络协议市场被GE、西门子等国外厂商垄断,工业软件90%以上也被垄断,这就为工业信息安全带来了隐患,这四大基础技术是薄弱的。边缘智能由于国外厂商封闭接口,不开放互联,加上大数据分析、机理建模和应用开发还处于缺标准、缺工具和缺深度应用的阶段,也限制了工业互联网的发展。加大工业互联网建设,其一:加强工业控制和工业软件的自主供给能力,不仅仅是在低端领域,而且在高端领域特别是在国民经济的命脉领域加大自主可控研发能力,逐步替代或至少做到有备胎,这同时也会为国外厂商开放协议提供动力。其二:加强工业网络和安全建设,借助5G建设,实现弯道发展,推动5G在工业互联领域的大规模应用,降低工业互联的成本,拓宽应用场景。夯实工业信息安全,在漏洞挖掘、安全网关、安全态势感知以及数据安全方面加强研发,未雨绸缪。其三:加强工业领域大数据和人工智能的应用,建立工业大数据分析和机理建模的相关标准,推动通用工具、模型和算法等基础能力建设,并建立开放的、行业共享的平台,使得应用开发百花齐放。


最后,是三个垂直的具体行业方向,一个是特高压建设,在我国,特高压是指±800 千伏及以上的直流电和1000千伏及以上交流电的电压等级。特高压可以大大提升电网的输送能力,一回路特高压直流电网可以送600万千瓦电量,相当于现有500千伏直流电网的5到6倍,而且送电距离也是后者的2到3倍,因此效率大大提高。第二个是新能源汽车充电桩,经过这么多年国家的大力推广,新能源汽车得到了很大的发展,其中电动汽车占有量达到了全球的一半,新的氢能和新型环保汽车研发也在进行。新能源汽车充电桩的发展,为进一步推广清洁能源汽车发展,特别是逐步在市内公共交通、短距离交通实现逐步替代以及延伸电动车应用范围等都非常有必要。这里面不仅仅是建设的问题,要考虑整个充电设施的规划、充电行为的引导以及充电工具的控制,还要考虑交通整体的规划怎么结合电气化的需求来布局。新能源汽车充电桩本质上涉及到信息网、交通网和能源网融合协作的问题,也有大数据和人工智能用武之地,我们稍后再表。第三个是城际高铁和城轨交通建设。城际铁路主要解决的是城市之间的客流交互,多采用高速、大战间距、线位大多避开中心城区。城市轨道交通主要解决是城市内部的通勤客流,也就日常的出行,如上下班等,采用相对较低的速度、相对较小的站间距、线路沿城市中心区域或者待开发区域建设。城际高铁和城轨交通为推动我国城镇化建设,加速人员流动,推动地区经济发展有非常大的作用,大家看最近几年高铁发展的带动作用就有直观的感受。这三个方向都会从5G、大数据中心、人工智能以及工业互联网建设中获益,一者是因为这些领域的厂商大多是制造企业,企业本身的数字化转型升级就会从这些技术获益;二者这些方向的建设,直接会应用到5G、人工智能和大数据技术,例如智能电网应用,特高压线路的基于大数据的监测、特高压线路的巡检机器人;新能源汽车充电桩中,基于大数据的充电桩规划,结合旅游大数据规划可以考虑分布式电源的规划以满足阶段性充电设施的提供;城际高铁和城轨交通,大数据在城市出行整体交通态势运营、交通规划、为民服务以及交通流量预测等方面都可以发挥作用,交通领域的大数据和人工智能应用已经走在各个行业前列。


讲完了为什么要搞新基建,以及新基建七大内容,以及他们之间的关系,我们来重点看看,这些“新基建” 到底怎么在国民经济中用起来。


因为特高压、新能源汽车充电桩以及城际高铁和城轨交通本身就是垂直应用,所以我们主要讲述其他几个方向一些应用或者可能存在的挑战和机遇,笔者也会结合自己的经验指出现有技术的不足,或者不足以满足新需求的地方,以为未来技术的演进和发展提供一些思路。限于工业互联网的重要性,我们考虑在未来的文章中单独讲,主要结合工业大数据和工业智能来展开。


1、5G基建是“新基建”的底盘,“连接”是数字经济的核心


通常我们讲5G有三大类应用场景,如上图所示,一类是eMBB,叫“增强型移动宽度”,是以人为中心的应用场景,主要表现为超高的传输速率,广覆盖下的移动性。未来随着“视频”成为消费者使用移动互联网的主要媒介,用户端数据流量将成爆发式增长,特别在5G下,用户可以先手在线的2k/4k的视频或者VR、AR视频应用,用户端网络速率可以提升到1Gbps,峰值甚至可以超过10Gbps,对比4G只有10Mbps。虽然5G可以在消费端带来体验的提升,但业内专家普遍共识,目前4G网络的带宽基本可以满足绝大部分视频传输的需求,目前尚未出现必须使用5G的消费场景。被业界寄予厚望的VR、AR消费端应用,由于存在需要昂贵的消费端设备、技术不成熟(眩晕、颗粒感强等等)或者制作效率低,并且没有强的刚需,一直不温不火。反而5G在产业互联网领域的应用被更多看好或期待。


第二类叫uRLLC,就是“高可靠低时延连接”,在此场景下,连接时延要达到1ms级别甚至更低,要支持高速移动(500KM/H)情况下的高可靠性(99.999%)连接。在疫情期间,也有医疗机构展示了远程医疗的应用,疫情期间,远程医疗可以减少交叉感染,还可以解决由于封城、封路带来的交通不便问题,同时也能解决专家资源不足的问题。5G的高可靠低时延,为远程手术和及时检查提供了可能,特别是那些需要实时提供力反馈,马上需要看到结果的场景。所以在5G示范性应用中,远程医疗被寄予了厚望。同样在工业互联领域,围绕工业控制,特别是实时控制,过去只能靠有线网络来确保实时性,大大限制了应用场景,5G网络的高可靠低延很好的解决了这个问题,所以基于5G的智能制造也被认为是弯道超车的一个重要机会,尤其在PLC的无线控制以及机器人操控方面。另外一个,比较大的应用是“车联网”,自动驾驶、编队行驶以及远控驾驶等场景要求连接要高度可靠和及时。在远控驾驶中,当端到端时延控制在10ms以内时,在时速90公里下远程紧急制动所产生的刹车距离不超过25厘米。


最后一类叫mMTC,就是海量互联,主要就是促进万物互联,考虑的是单位频段如何容纳更多设备的互联,另外还要考虑低功耗问题。mMTC的主要场景就是智慧城市、智能家居和智能制造这些需要大量的铺设传感设备进行诸如状态监测的应用。这其中智慧城市被认为是5G最代表的应用场景之一,智慧政务、智慧旅游、智慧应急、智慧环保、智慧城管以及智慧交通等等都会涉及到大量传感设备,大量的数据采集。举几个典型例子,一个是城市大应急,涉及到火灾监测、水灾监测以及生产安全监测,通过这些大量低功耗传感器的监测以及数据入网就能及时发现问题解决问题;第二个是电动车的管理,这个在国内各个城市也是一个大问题,电动车有“三高一低”,盗窃率高、火灾率高以及交通事故参与率高,以及盗窃后破案率低。过去部分城市已经在使用诸如NB-IoT的技术来解决这些问题,取得了很好的效果,那么未来就是mMTC;第三个是城市执法,环境执法、工地施工安全执法以及路桥安全执法等等,我们期望诸如超载上桥、工地事故以及排放超标这些事情可以远程搞定,可以大大降低人员投入,不仅仅提升效率,更提升效果。

2、大数据中心是“新基建”的抓手之一,“数据”是数字经济的核心生产要素


为什么讲大数据中心是“新基建”的抓手?首先,从必要性看,大数据中心是为了应对未来海量数据的信息化处理。这是一个自上而下需要系统化解决的问题。大数据中心不等于“数据中心”,其核心在“大”,那么什么样的架构适合或者能够应对“大”呢?从必要性角度,需要我们综合考虑底层硬件设备、上层软件和应用等完整的方面,这就涉及到包括硬件设备,机房、服务器、空调能源等一系列设备,也涉及到之上的云计算、大数据等基础软件系统,还涉及企业通用应用、行业应用等软件系统。他们一起组成了整个信息化处理的链条。大数据中心绝不是大量堆砌机器的数据中心建设,而是需要系统化统筹的面向未来应用的合理规划和统一协调。其次,从着眼点看,新型数据中心是大数据中小落地最重要的载体,从投入来看,新型数据中心建设也是投入最大的一块,为什么讲新型呢?就是这个数据中心的建设要考虑未来领先性,在数据中心的核心技术上要有所突破,最突出的指标就是能耗比、资源利用率和维护成本,如果各地不管条件一窝蜂建数据中心,就会造成资源很大的浪费。最后,从演进点看,大数据中心必然是软件定义的,因为未来应用非常复杂,即便有中间操作系统或者云平台的隔离,依然复杂,只有把业务、软件和底层硬件打通,才能真正解决端到端最优的问题。为什么这么多领先的云厂商,纷纷进入设备设计和生产领域、进入自造设备领域就是为了让底层基础设施更好的和上层业务联动。


我们讲大数据中心就不能不提“大数据”,“数据”已经成为数字经济的核心生产要素,国家多次报告中已经明确指出了这一点,要发挥大数据在国家现代化治理的核心作用。数据驱动也被认为是企业数字化转型的核心方法论。这些本质上都是为了推动基于事实的理性决策。回顾一下,数据从开始到最后形成智慧要经历四个阶段,D.I.K.W,就是从原始数据变为可以理解的有意义的信息,从这些信息中抽取和学习到知识,以这些知识为基础构建可以用于决策的智慧。数字化转型也是这个道理。过去我们不提数字化转型,主要讲信息化建设,其第一个阶段就是实现无纸化,把线下的移到线上,其典型就是办公自动化,后来实现更多的流程到线上,也出现了各种各样的系统。企业制造也是一样,通过引入各种数字化机床,引入PLC、MES等等一系列系统,可以简单看做这是流程驱动化阶段。那么第二阶段,要解决什么问题呢?就是效率和效果的问题。通过数据分析,能够优化流程、减少人工参与,提前发现故障以致最终影响生产经营决策和企业战略规划,这被称作数据驱动阶段,不同的企业使用程度不同、应用的范围不同就会带来不同的收益。虽然我们讲数字化转型不仅仅保护技术的层面,但数据驱动被认为是数字化转型的重要方法。到第三阶段,就是要进一步提升自动化,提升智能能力,人工智能技术被大量应用在企业生产、经营和销售管理等各个方面。这个在后续部分我们会进一步论述。这个阶段也叫智能驱动阶段。这里要注意的是,这三个阶段不是次序发生的,可能同一个企业同时在不同的方面处于不同的阶段。


要处理大数据,我们现有的技术储备还存在很多不足,这个需要我们在后续建设过程中,着重考虑,也需要产学研结合,一起去攻关突破的。首先,大数据理论基础不足有待突破,2019年12月举行的大数据技术大会上,计算机学会大数据专委会发布的趋势预测中,也着重指出这一点,“数据科学带动多学科发展,基础理论研究的重要性得到重视,但理论突破进展缓慢”。如果数据科学作为一门严谨的科学,我们尚不清楚数据科学的基础理论体系到底是什么或者说怎么搭建?如何去应对ZB甚至更大数据的处理?如何应对大量数据噪声的问题?以及如何解决数据模糊不精确的问题?大数据的范式应该怎么描述和推理?他们和现有计算机体系结构什么关系?其次,从实践的角度看,现在层出不穷的大数据技术是否能够应对这么大量的数据处理,无论是第一代的hadoop生态技术、第二代的spark这些内存加速的技术、第三代的flink这种流计算原生的并且有更好数据库架构基础的技术,还是最新的第四代的多种计算融合或者加速的技术。有一点是肯定的,面向未来现有技术是不够的,性能可能要再提升100倍~1000倍、成本要降低100倍~1000倍,因为逻辑上数据指数增长的惯性推理是这样的,可能不是需要改良式突破而是革命性突破。最后,大数据到底怎么用?现在有观点是先收集后面用再看,这是很要命的,这不仅仅是成本的问题,还涉及数据质量的问题,怎么才能还原“那时那刻”怎么才能更好发挥大数据价值,这一直是困扰大数据从业者的最大的问题之一。


3、人工智能是“新基建”的另外一个抓手,“AI”是数字经济的关键催化剂


人工智能最近几年的发展,以及所带来的价值是被大家看到的。我们从语音讲起,最早是语音识别,叫ASR(自动语音识别), 以科大讯飞为代表,一个是识别率的提高,一个是识别场景的丰富,更多的语言类别、更多的方言,更多的抗干扰能力,和ASR对应的是语音合成,叫TTS(从文本到语音),就是能够自动合成连续发音,这也是讯飞第一个人工智能产品。语音识别变为文字如果要进行后续的处理就需要自然语言处理技术即NLP。消费者直观感受的就是苹果推出的Siri,这样就可以通过语音自动处理一些事情。这个也叫做会话智能。当然NLP不是必须跟ASR一起使用,它出现的更早,搜索引擎核心的技术就是NLP。然后随着深度学习的兴起,语音识别有了很大的提升,同时发展起来的就是计算机视觉,计算机视觉把人工智能应用推到了一个新高度,其中最典型的应用就是人脸识别。消费者感受最多的就是各种美颜相机、美颜直播。而后就是自动驾驶技术的发展,自动驾驶涉及到计算机视觉、语音识别以及其他数据智能等各个方面是非常复杂的人工智能应用。还有一类应用是以传统数据为基础的应用,从数据角度叫数据挖掘,被认为是知识发现的一个手段。前面提到的这些应用更多的是使用了机器学习的技术。以传统数据为基础的应用就包括了人工智能的很多手段,除了机器学习,还有知识推理、搜索等各种方法。但深度学习的出现不仅仅在前述的语音、图像方面发挥了关键作用,也给传统数据的处理带来了新的手段和效果的提升,所以深度学习也被广泛用于了传统结构化数据的处理。


从“新基建”的角度,从未来主要赋能产业互联网角度,或者说为数字经济发展角度,人工智能也有非常多的应用场景,这其中很多已经被得到了证明。首先是感知替代类,就是原来需要人去看,去听的改为机器来执行。一个典型的应用就是工业图像识别,例如有生产工厂通过自动识别印刷电路板图像来找到次品,从目前国内来看主要集中在电子和半导体行业,比如PCB检测、SMT贴装检测、3C组件的表面缺陷检测,早期其他领域其实也有应用,例如汽车表面和内部缺陷检测、烟草外壳印刷检测、纺织品的瑕疵检测;第二类的应用就是声音检测和识别,既包括声音的识别,大量的可以替代人工的客服机器人,就是一个典型应用,可以用于业务推广、信息收集以及客户服务等等,也包括原始声音的检测处理,例如通过声音数据建模和分析来判断设备运行的故障,汽车运作故障、电梯运行故障等。其次是认知增强类的,就是通过数据积累、知识推理等去找到规律并进而影响决策的。其一:辅助产品设计和制造,通过学习人类知识辅助进行设计,AutoCAD作为最著名的产品设计软件已经集成了相关的能力,未来越多的制造软件会加入这个功能;其二:辅助生产和制造,自动化机器人已经可以支持自动化工厂,加入更多的人工智能能力让生产更智能更准确,可以替代原来还必须人工参与的一些环节;其三:辅助物流和分发,不仅仅是物流机器人,还包括仓储的规划、货物的预测、资源的调配等;其四:辅助销售和服务,更好的抓住市场机遇,找到目标客户,增加销售机会,这个也被称作销售智能,还有更好的了解客户,做好售后服务和主动关怀,防止客户流失,提升客户满意度。


人工智能不仅仅在工业制造领域有所应用,在5G、大数据中心建设、特高电压以及新能源汽车充电桩等都有大量的应用场景,在智慧城市建设的方方面面也都有应用,大到城市的整体规划建设、小到一个场景的问题解决,在善政、慧民和兴业各个领域独有广泛的应用。当然目前也有几个问题需要关注和解决:(1)基础设施不完备,缺少国家级或者统一的人工智能基础设施规划和落地,涉及硬件、软件和模型以及最佳实践资产,特别在行业领域也很少有人工智能相关方面的规范和标准。在公安和政务领域有一些零星的规范,例如人脸识别的规范,但综合而言还不够;(2)场景和数据不开放,缺少社会层面的协同和拉通,有技术的没有数据、有数据的没有技术,懂场景的不懂人工智能,懂人工智能苦苦寻找场景,虽然也在例如安防或者公安的部分领域找到了比较大规模的场景,仍然需要更多的企业一起协同创新找到更多的和更大的场景,这也是降低人工智能门槛的重要举措;(3)商业模式亟需创新,即便如计算机视觉四小龙,其商业获利手段也是比较单一的,靠卖设备和算法授权很难保证持续的商业获利和支撑大量的研发投入,这个方面反而消费互联网领域通过人工智能更好的服务用户以获取流量获得丰厚的广告收入值得参考和思考;(4)人才的缺乏,人工智能要服务于产业互联网,需要人才既有人工智能方面的知识也要具备深厚的产业知识,前者本来人才就少,再加上产业知识也需要很长时间的学习和实践更加加剧了相关人才的短缺,一个可能的办法是通过团队合作方式解决,“三个臭皮匠胜过一个诸葛亮”。


本文从新基建为什么出现讲起,对新基建的七个方面的内容进行了阐述,最后结合场景和笔者自身的经验,阐述了几个重点领域的一些应用和可能存在的问题。期望本文对大家了解新基建,了解他们对未来意味着什么有一些启发,特别的对从事大数据和人工智能行业的读者有一些不一样的触动。新基建是新机遇也是新挑战,我辈任重道远。


本系列的下一篇,也是最后一篇,我们回到大数据本身,看看那些疫情大数据应用,并围绕这些应用聊聊未来大数据的发展,题目是:从大数据疫情应用看大数据发展。


马上试用产品 免费试用
观看产品演示 观看视频