当潮水退去，阿里云ET城市大脑会是 AI 落地的新样本吗？

w2512927

最近一段时间，围绕人工智能（Artificial intelligence，以下简称 AI ）如何落地的行业事件很多。6月的时候，IBM 旗下面向医疗领域的 Watson Health 正在启动一项大规模裁员计划，裁员比例高达 50%-70%。

IBM 未对裁员作出评论，外界普遍认为，IBM 寄希望将人工智能带入医疗领域的努力遭遇重大挫折，不管是医疗数据不完整还是数据监管力度加大，似乎都可以作为 Watson Health 此次裁员的主要原因，而更深层次的原因则是 AI 落地的之难。

而在科技媒体亿欧网的一份行业盘点中也明显感觉到了风向的变化，「一个显著的变化是，去年创始人还在拿数据和算法讲故事，今年则开始强调大订单与大客户。」

在经历 2016、2017 年的概念满天飞、资本狂热之后，一系列更实际也更残酷的问题被放在每家 AI 公司的工作日程。同样也是在过去两年多时间里，阿里云依托在城市、工业、农业领域的探索，也找到了一条颇具特色的产业 AI 之路。在今年 6 月初的云栖峰会的上海场，阿里云发布面向农业领域的 ET 农业大脑，至此，阿里云已经完成了在城市、工业、农业三大领域的 AI 落地尝试。

上述这些颇具代表性的挫折、变化和进展，构成了观察 2018 年 AI 行业尤其是中国 AI 发展方向的重要切入点，透过这些经验和教训，我们试图找到几个关键问题的答案，比如为什么 AI 产业遇到困境，再比如阿里云在 AI 落地过程中到底做对了什么？尤其是，作为阿里云产业 AI 代表之一的城市大脑，如何成为一个可以出口到国外的中国软件技术？

从来没有 AI 产业？

「AI 产业」和「产业 AI」，看似是一个文字排列问题，但由于侧重点不同，其含义也有本质的不同。首先必须明确一点，「AI」本身从来不是技术名词，而是一个领域的统称，至今也没有一个公认的学术定义，当下媒体热议的「AI」技术，基本等同于语音、计算机视觉以及自然语言处理技术，其背后的推动力是机器学习、深度学习的进步。

从这个角度上看，「AI 产业」也就是语音（包括语音识别、语音合成）、计算机视觉包括图像/人脸/视频识别）和自然语言处理等技术发展后所形成的产业。这个所谓「AI 产业」有多大呢？下图是美国数据咨询公司 CBinghits 对于中国计算机视觉创业公司融资状况的统计，可见这个市场在过去两年的发展有多么迅速。

但这些「AI 产业」公司却都面临一个困境，或者是绝境，他们根本无法独立形成一个产业，这是当下 AI 各项技术的本质所决定的。

与过往互联网推动在线（Online）产业以及移动互联网打造的「指尖经济产业」相比，不管是语音、图像还是自然语言理解，其本质是一种底层技术，这意味着，倘若没有合适的应用场景，这些技术不过是实验室的玩具。

这更意味着，「AI 产业」从逻辑上完全不成立，那么「产业 AI」 呢？

「产业 AI」 最早由阿里云提出，在 2017 年 12 月的北京云栖大会上，阿里云总裁胡晓明明确表达了阿里云对技术与产业集合的思考：「过去每一次产业革命，都是技术与产业的深度融合，从而引发经济和社会变革，AI也不例外。未来AI要深入各行各业，去解决生活、生产和社会环境中遇到的棘手问题，这样才能引领真正的产业革命。」

换句话说，阿里云从来没有将 AI 作为一个独立产业来看待，而是将其放在产业变革的大背景下，寻找语音、图像、自然语言处理处理等技术在各行各业所能发挥作用的场景，这是「产业 AI」与「AI 产业」的根本不同。

而从行业发展趋势来看，阿里云力推产业 AI 也有其必然性。首先，阿里云已经多年位居国内公有云市场市场龙头老大地位，在产业覆盖范围和产业辐射能力有着不小优势，这也使得阿里云有能力推进产业 AI 。

其次，AI 作为云计算领域的技术新变量，其带来的技术、商业变革正在左右云计算的市场格局，某种意义上说，阿里云的产业 AI 规划，也是阿里云定义的云计算 2.0 时代的必然选择。

不论是有意还是无意，阿里云很早就走到了产业AI的方向上，其中ET大脑是最具代表性的一系列产品。

早在 2016 年，阿里云就启动了一项颇具野心的尝试，2016 年的杭州云栖大会上，一手缔造了阿里云的王坚博士揭开了「杭州城市大脑」的神秘面纱。

2017 年上半年的时候，一个「1%」的数字被胡晓明反复提及，这是阿里云ET工业大脑被应用到国内能源巨头协鑫光伏切片生产车间后所提升的良品率，如果考虑到协鑫光伏一年百亿规模的收入，这个「1%」的提升也就是数亿元的收入。后来，还有更多制造企业诞生了这样的百分数。

一年后，将ET农业大脑安装到养猪场的四川特驱集团也分享了一组数字：预计今年母猪年生产能力可以提升 3 头，死淘率降低 3% 左右。至此，阿里云的产业 AI 已经全面覆盖到城市、工业、农业领域，加上之前在航空、医疗领域的布局，阿里云产业 AI 产品矩阵已基本成型，这其中，上线时间最早、也可能是技术最复杂的城市大脑，最具代表性。

城市大脑正在成为什么？

在一个产业转型和崛起的新时代，AI 之于产业的意义绝不局限在优化提升，更在创造一个全新的基础设施，这恰恰也是阿里云的ET城市大脑正在做的事情。

我们知道，云计算的三大层次里，处于基础设施层面的 IaaS 层，通过底层计算资源池化以及构建可灵活扩展的架构，支撑了上层的 PaaS 和 SaaS。而细心去看这个全新的城市基础设施，城市大脑的角色和云计算领域的 IaaS 颇为相似。

在杭州萧山区，由数据和 AI 驱动的城市大脑展示了一个案例，如何优先调度 120 救护车。根据阿里官方给出的一组数字：「救护车到达现场的时间已缩短一半，平均节省7分钟。以市心路-晨晖路到市心路-建设一路全长7公里路段为例，救护车总计需要经过21个路口。在最近一次出车中，救护车节省时间高达14分钟，没有遇到一个红灯。」

在上述看似简单的数据提升案例里，背后却是一套极其复杂的系统。首先，从 120 接到电话到患者进入医院，这个过程中涉及到多个交通参与主体，而且交通路况又是随机、动态变化；其次，120 救护车的位置与每个路口交通信号灯切换频率也是实时调整，需要精确计算才能实现，

这意味着，必须打通交通和救护车急救点的数据系统。急救点一旦接到电话，语音数据直接进入城市大脑中实时计算转换为指令，自动调配沿线信号灯配时，为救护车设置最优路线。同时，监控视频根据救护车GPS定位，始终跟踪救护车行驶。指挥中心的终端大屏，则会帮助交警把控急救的实时进展，必要时提供警力的支持。

纵观整个流程，当城市道路以及交通参与主体被数字化之后，这些交通资源就成为一种可伸缩、可定制的资源，像极了在云计算资源池化的属性，所有的交通资源也被资源池化，根据用户需求智能调配。其应用场景也觉不仅仅是局限在特殊车辆通行应用层面，它构成了一种现实版的 IaaS 平台，比如公交公司可以基于这个平台合理规划公交车发车效率，保证一路绿灯；再比如，共享出行或地图公司可以在此基础上衍生出更丰富的商业应用等等。

这个流程也蕴含着 ET 大脑的核心能力：认知反演。简而言之，无论是城市交通、工业制造还是航空运输，其本质都是拓扑网络问题，即城市交通是车流的网络，工业制造是流程的网络问题……这些网络中的每个节点都会发出各种信号，比如在城市交通里，每个路口可能就是一个节点，当一个路口交通堵塞的时候，如何将这个信号传递给其他路口以及是否传递这个信号，其背后的决策机制异常重要。

而认知反演就是通过这些表面信号，结合关键统计量和算法找到数据特征寻找到这些拓扑网络上的量化关系，通过这些量化关系就可以找到控制的窍门。

在 ET 城市大脑的实践过程里，利用城市交通摄像头，可以实时、全量人流、车流、时间等的具体信息，但车流、人流复杂多变，城市道路纵横交错，在哪个交通口进行信号灯优化、在什么时间点优化都无法通过深度学习来解决，需要采用认知反演的能力，找到这些人流、车流、时间背后的关系，并通过对关键路径的调控，实现了从数学世界到物理世界的巨大跨越。

城市大脑不是什么？

自 2016 年亮相云栖大会之后，围绕阿里云ET城市大脑的一系列疑问之中，有个问题被提及最多：城市大脑是什么？

但这个问题还有另一个可以回答的方式，那就是搞清楚城市大脑不是什么。自 2016 年亮相云栖大会之后，围绕阿里云城市大脑的一系列疑问之中，有个问题被提及最多：城市大脑是什么？

但这个问题还有另一个可以回答的方式，那就是：城市大脑不是什么？

过去二十多年时间，科技公司们为了改造城市，提出了各式各样的解决方案，并以「智慧城市」、「智能城市」的字眼进行包装炒作，但遗憾的是，这二十多年的实践花费巨大，不仅没有根治城市病，还让城市陷入到一个个数据孤岛中。比如为了解决交通拥堵，各种解决方案都是以安装单点（智能）摄像头、红绿灯，并在路口铺设磁线圈，这些硬件设备前期投资巨大，而安装铺设完毕之后又「各自为政」，不同硬件里的数据无法协同共享。

更重要的是，面对城市每时每刻产生的海量数据，很长一段时间内，缺乏有效的工具去挖掘城市实时海量数据的价值。这也导致城市决策无法做到全局和实时，导致决策片面和滞后。

阿里云的ET城市大脑显然是要和上述这些「智慧城市」划清界限。

阿里云有着丰富的数据分析经验，既应对过海量的数据存储，也扛过类似双十一这样的高并发数据挑战，这也构成了阿里云在人工智能应用领域一个特点，即通过数据维度切入这个领域，并利用海量、实时的数据倒逼计算能力和算法的优化改进，从而释放数据智能带来的潜力。

而城市数据，在过去很长一段时间内都是一个沉睡的金矿。

作为人类生活的主要聚集地，城市天然就是记录人类行为轨迹的「数据库」。如果从过去十几年的「智慧城市」算起，城市「数据库」的搭建工作几乎从未停歇，但其结果并没有给城市带来所谓「智慧」，反而由于不同数据库之间的割裂、数据陈旧以及处理能力的匮乏造成大量投资被浪费。

在城市交通数据中，交通信号灯的数据与交通监控摄像头的数据完全割裂，这些来自空中影像数据又和地面的传感器数据缺乏关联，再加上处理海量影像数据的效率缺乏，也就构成了这个「世界上最远的距离」。

交通数据虽然仅仅是城市数据的一方面，但交通数据的重要性不言而喻。特别是在中国城市发展过程中，道路交通状况往往成为影响城市规划的重要参考因素。也因此，阿里云ET城市大脑落地的第一步，就瞄准了困扰长期困扰杭州的交通问题。首先，将长期以来沉淀在不同部门、不同设备里的数据实时在线地整合在一起；其次，通过云端的计算能力和算法来释放海量数据的智能，从而能够真正实现「让城市交通数据自己说话、自己决策」……

事实上，面对来自交通局、气象、公交等十几家机构的海量、实时交通影像数据，城市这个「数据金矿」催生了算法的创新。比如，ET城市大脑的视觉计算团队为了应对复杂场景下的车辆检测任务，提出了基于区域融合决策和上下文相关的多任务深度神经网络，可以解决多视角、多姿态及车辆遮挡等问题。这一技术成果打破了全球权威视觉算法测评平台 KITTI 的世界纪录，将车辆检测率拉升至 90.55%。

至此，可以清晰地看到，阿里云ET城市大脑不是过往任何智慧城市解决方案的延续，而是完全站在一个全新的角度，用城市每天产生的海量数据作为破解城市密码的第一步，通过云端计算能力和算法，进一步理解城市里的人、车、物的行为逻辑。

未来已来的城市

杭州城市大脑的实践也让未来城市的样子逐渐清晰起来。

历史上，卡尔维诺曾用诗化的语言描绘过一座座「看不见的城市」，这是一个完全个人化的城市体验，「每当马可·波罗描绘了一座城市时，可汗就会自行从脑海出发，把城市一点一点拆开，再将碎片调换、移动、倒置，以另一种方式重新组合。」

当简·雅各布斯目睹美国各个城市一次次失败的城市规划后，她敏锐察觉到城市是一个复杂、多样的有机体，在那本影响深远的《美国大城市的死与生》里，雅各布斯以一己之力挑战了传统的城市规划理论。

如今，当人工智能不再局限在发表论文、展示实验室 Demo 后，依托海量数据和普惠的计算能力，阿里云 ET 城市大脑的一系列落地案例里，从交通资源数字化开始，城市各个资源，包括但不限于教育、医疗、环境、零售的数字化趋势不可阻挡，这也让城市最终会成一个数字资源平台。

阿里云机器智能首席科学家闵万里曾这样评价ET城市大脑：「我们通过计算这个杠杆，来撬动整个社会中沉睡的公共数据资源，把底层的价值释放出来，由此产生的价值是无法想象的。」

在这样的一个未来城市里，城市里的每一个元素都被数字化并且实现「在线」共享，城市的所有基础设施，如道路、汽车、购物中心都成为弹性可伸缩的计算资源，城市不仅运行在物理世界，更以一种数据化、数字化的形态存在于云端，你可以在现实世界的城市里淘金，也可以在云端的数字城市里找寻商机，这是阿里云ET城市大脑给未来的承诺，也是正在杭州、苏州、雄安以及吉隆坡等地发生的故事。

正如马云早前反复强调，如何通过机器智能的实践，从而让机器帮助人类完成人类不擅长的事情才是人工智能的关键。阿里云在过去两年所趟出来这条产业 AI 之路，尤其是城市大脑的落地实践，已经让业界看到了机器智能带给人类的绝不是终结者的恐怖或娱乐至死的无聊，更可以通过数据、计算能力以及算法的结合，重构一个美好的未来生活，这恰是阿里云ET城市大脑给行业的最大启示。