人工智能正在变得无处不在。从图像处理、语音、视频领域，到传统的制造业、通讯业、医疗、金融、自动驾驶行业都在大力地追求人工智能。
“当前中国企业的成本在急剧上升，包括人力、厂房等，运营成本的上升必然要求企业找到新的技术来提高生产效率、产品质量，同时降低成本。比如随着未来机器取代人力，人力成本将得到有效控制。”而这种商业需求也是驱动人工智能发展的一大动力。
在近日昆山召开的2018杜克国际论坛上，昆山杜克大学和美国杜克大学电子与计算机工程学教授、IEEE会士李昕博士在一场对话中谈到此番观点。
李昕博士毕业于美国卡内基梅隆大学，他曾短暂创业，在公司被收购后回到卡内基梅隆大学任教了十年。2017年初正式加入杜克大学和昆山杜克大学。
据雷锋网AI金融评论了解，李昕博士早先的工作主要是将数据分析应用在制造业，比如虚拟测试、产线优化等。而随着各行业积极拥抱AI，他的研究方向已经扩展到许多新兴商业领域，包括通讯、自动驾驶、商业决策、医疗保健等。
同时，AI应用的过程并非一条坦途，李昕博士指出，当前面临着复合型人才缺失的挑战。
“现阶段很难找到跨行业AI人才。这就要求人工智能的专家和行业的专家必须有一个非常亲密的对话，但是这个对话很艰难。因为行业壁垒的存在。两个不同的行业在对话，行业术语以及工作习惯都不同。”
雷锋网还与李昕博士就AI应用现状与未来进行了更深入的探讨：
雷锋网：传统行业企业，比如制造业，如今大都也在提互联网、AI转型，您觉得可能会遭遇什么技术难题？
李昕：首先会遭遇一个“先有鸡还是先有蛋”的技术困境。发展人工智能首先需要有很多的数据，但另一方面，在拿到数据之前，你不知道数据的质量，所以很难估计这些数据的价值。采集数据的代价与应用数据的价值很难比较。
不过现在大公司大部分都是选择走下去的，要么是出于占据空白市场，要么是出于狙击对手进行的战略投资，即便不能立刻带来直接的利益。但这对于很多小公司来说就很困难。
第二，行业特别缺乏AI人才。据我了解，大部分AI相关专业的毕业生都去美国五大科技巨头FAAMG.，在中国就是BAT，很少会去传统行业公司。我一个朋友在美国很大的汽车制造厂负责自动驾驶项目，但他在美国找不到计算机视觉这些方向的人才，最后只能选择到其他国家招收了一些博士生。
总之，优秀人才非常稀缺，如何吸收优秀的人才是一个很大的问题。甚至包括学校所在的学术界也有同样的问题。很多AI方向的教授都去到工业界。因为公司意味着更好的计算平台，科研条件比学校更优越，同时也包括很好的薪资待遇。
雷锋网：您提到复合型人才很稀缺，而您的研究结合了不少领域，能否谈谈您是怎么做的？
李昕：现在通行的做法是这样的——让行业内的专家重新学习人工智能知识，同时让AI专家学习行业知识。不过在实际场景中，我们发现AI专家往往不太愿意学习行业知识。比如说，我们发现汽车行业中的工程师会学习机器学习课程，自我充电。但是我们很少看到BAT或者Facebook的员工去深入学习汽车制造。所以行业壁垒不是一个双向壁垒，更多的是一个单向壁垒。
雷锋网：那么中小制造业企业目前的状况如何，技术发展必须要依靠大公司吗？
李昕：中小制造业企业做人工智能、大数据很难，还是要通过大公司来做。大公司的核心竞争体现在大规模生产。其实这个行业的竞争是非常不公平的。大公司体量大，成本可以降低，能做小公司干不了的事情。所以一旦行业成熟以后，小公司很难生存。
雷锋网：现在AI这赛道上，核心技术似乎都被BAT大公司掌握，这是一个值得担心的事情吗？
李昕：BAT的AI是通用的AI，并已经取得绝对领导地位，但是行业AI就不一定了。现在我们确实也看到BAT进入到行业内，但总的来说他们对行业内是持观望状态。一方面就是因为市场还不够清晰，存在商业化的顾虑。另一方面，客户比如大制造商企业都想自己做，并不想把数据分享出去。
雷锋网：最近看到一则未经官方证实的消息，美国一家AI医疗的大公司最近准备裁撤大量员工。真假暂且不论，但这是否又再一次反映了AI商业化难题？
李昕：我们可以具体分析下医疗健康在美国发展AI落地难的原因：
第一，美国的数据非常有限。关于癌症数据，我曾记得一个未经验证的调查说，“美国大医院一年病人的数量，可能跟中国三甲医院一天的数量相当”。还要注意的是，医疗数据量不能看绝对数据量，在看病这件事情上，数据量比较丰富，癌症分为早期、中期、晚期。还有年龄、性别、地域等差异。
第二，数据管控非常严。很多数据在美国不能用，因为法律保护隐私。
第三，美国医疗管控严格。如果要做医疗产品，必须要经过FDA审核，需要花费不少时间。审核通过后，还有一个很大的问题是关于保险公司，是否将新药或者设备纳入保险项目，不然病人可能并不会选择。总之，这几步是一个非常漫长的过程，可能需要十几二十年。
雷锋网：相较而言，中国AI医疗进程的限制是否更少一些？
李昕：一些问题在中国可以有比较好解决的方案，比如数据量本身，中国的数据量很大，能够满足研究需求。不过在管控问题上，中国目前也是非常的规范化，所以周期也很会长。
所以一般的策略是作为医疗辅助设备，而不是全方位利用AI代替人类。在自动驾驶领域也是，商用的大多是“辅助驾驶系统”，辅助系统所承担的责任更小，审批也会简化。
雷锋网：最近我们听到业内声音重提基础科学研究，包括基础学科、操作系统、芯片等。对此，您观察到的现状是怎样的？
李昕：对于学术界来说，基础研究分为基础设施（infrastructure）和基础科学研究。芯片、OS应该是基础设施。当然我觉得基础设施研究非常重要，是一切AI应用的基石。
不过我认为，不管是做基础研究或者应用研究，有一点很重要——我们不能一直追赶别人，追赶别人是追不上的。一是会追赶得很累，二是即便追上了，但是也吃不下已经被瓜分完毕的市场。所以我们需要做的是，创新、占领空白市场，比如AI就是一个很好的机会。
雷锋网：这种思路落到芯片行业，应该怎么做呢？
李昕：传统芯片行业我觉得很难追。但是现在新兴的AI芯片领域会是一个比较好的机会。大家基本站在同一起跑线。实际上中国已经出现几家不错的公司。
雷锋网：在人工智能解放生产力的同时，社会上还有一种蔓延的担忧是失业。
李昕：任何一种技术翻新，必然会使得生产力结构发生很大的变化，会使一些工种需求减少，甚至完全消失。但是同时又会创造新的工种和工作机会。
计算机就是一个很好的例子。计算机出现后，打字员就消失了，但是需要程序员。所以这意味着社会对劳动力的需求是不会减少的，只是工作的性质和种类有所变化。
而对于个人而言，要求人必须有自我学习、转型的能力。知识变化很快，比如人工智能这个方向，再过五年知识可能就不一样了。等一个本科生毕业的时候，可能他大一学的东西已经过时了。所以更重要的拥有自我学习的能力，如此才能在职场上处于不败之地。
雷锋网：最后一个问题，在市场竞争的环境下，如何把握技术的边界？因为最近我们常看到互联网公司的“作恶论”，或许是与KPI挂钩，百度的医疗竞价、滴滴顺风车、携程搭售等行为，大数据杀熟；或许是其他更高的目的，Google用ai提高军事无人机的精准打击度，韩国科学技术员与军工企业联合研发基于AI的自主武器也受到了50多位学者的公开抵制。
李昕：我觉得AI技术的发展必须有相应的法制给予管束。任何的技术，如果没有合理的约束都有可能成为人类的威胁。相反，如果合理利用，技术就可以为人类造福。历史上有很多类似的例子。AI也不例外。而AI的法制推进需要站在全球高度。个人觉得，首先需要一些非盈利组织或者国家去推动，最后应该会形成一个国际组织共同监管。
正在生成分享图...
nebula