人机协同，云从科技的 AI 工程学方法论 丨 AI 安防峰会

2020年9月5日，由雷锋网(公众号：雷锋网) & AI 掘金志主办的「第三届中国人工智能安防峰会」在杭州正式召开。

本届峰会以「洗牌结束，格局重构」为主题，会上代表未来新十年的15家企业，为现场1000余位听众和线上几十万观众，分享迎接安防新十年的经营理念与技术应用方法论。

在下午场的演讲环节上，云从科技智慧治理行业部总经理李夏风以「人机协同平台，助推社会治理现代化升级」为主题，分享了云从在AI中的思考与应用。

云从认为人机协同有三部分：人机交互、人机融合、人机共创。

人机协同中，各个行业的专家、以机器代表的AI知识服务和用户，三者形成一个闭环，首先专家把知识赋能给机器，机器转换成智能化产品并提升客户的体验，用户从中反馈出个性化的需求，后续提升专家的效率并反哺到产品或服务中。

云从人机协的落地通过三部分实现：智能化终端设备收集数据，同时也是人机交互的入口，云端大脑是整个数据的汇集、分析、提炼的中枢，当数据大脑经过分析，形成相关的服务后，通过嵌入式的模块，即AI平台，实现人机协同在各个场景落地。

而AI训练平台融合数据智能标注、OCR训练、图像训练、NLP训练、视频结构化训练于一体，根据场景数据，生成符合行业需求的AI模型算法。云从的智能解析引擎具备软硬解耦特性，可以适配国有自主芯片，还能实现效率和使用维度的极大地性能提升。

基于云从的数据分析引擎，提供面向数据全生命周期的分析、挖掘及应用服务，完成数据到知识的价值转换，赋能各业务场景应用。

具体来说，汇聚感知数据，打造数据挖掘基础，融合业务数据，灵活定制生成各类标签，拓展业务对象，并依托认知信息，形成各类专家的决策，为决策提供有力的支撑，最后，依托可视化专家建模，固化专家经验模型，积累与传承业务知识。

从数据到知识是数据价值挖掘的必经之路，目前大部分数据资源没有得到充分利用，云从的知识生产与服务平台KaaS，通过将标签、机器学习等知识模型化、在线化，加上AI引擎， 变数据/经验为在线知识。

通过数据智能模型为核心的知识体系构建实现从多维数据中挖掘隐形事件背后的关联关系及规律现象，服务于风险防控、态势预测、行为画像、虚拟轨迹等各类实际业务决策。

以下是李夏风演讲全文，雷锋网AI掘金志作了不改变原意的整理与编辑：

云从科技智慧治理行业部总经理李夏风

大家好，我是李夏风，我首先简要介绍一下云从科技。

云从科技孵化自中国科学院重庆研究院，受托参与了人工智能国标、行标制定，并成为第一个同时承担国家发改委人工智能基础平台、应用平台，工信部芯片平台等国家重大项目建设任务的人工智能科技企业。致力围绕人们生活的每个场景，以人工智能技术与人机协同平台为基础，以用户为中心，定义出场景化、行业化、个性化的智能服务。

云从先后布局智慧金融、智慧治理、智慧交通及智慧商业等四大业务领域，助推各个行业从数字化到智慧化转型升级，每天为全球3亿人次用户带来智慧、便捷和人性化的AI生活体验。

在发展过程当中，云从科技也受到了各级政府的广泛支持，就在今年，我们和广州市政府达成了战略合作，共建国内首个人机协同的开放平台，为人机协同平台城市的落地打下了非常坚实的基础。

云从提出的人机协同与人工智能有什么关系？我们可以回顾下汽车工业发展史。18世纪汽车已经诞生，当时的汽车属于工艺品，需要顶尖工匠手工打造。到了19世纪20年代，通过生产线可将汽车标准化、大规模生产，汽车变成了一个工业产品，规模化、效率化的提升，使得汽车走进了千家万户。到了现在，工业4.0时代，汽车已经可以按照每个个体需求，自由地组合生产了。

人工智能的发展路径是否也像汽车工业一样是渐进式、阶段式发展的呢？

我们总结出人工智能“三浪”发展趋势。前几年驱动了人工智能第一浪，抓住AI单点技术带来的市场机遇期布局战略性技术，尤其是人脸识别技术，驱动了AI广泛应用、市场快速推广的浪潮。

在这个浪潮中，市场从刚开始的不信任，到后来的盲目信任，最后在与AI企业合作过程中发现，对于提出的需求，有些AI公司很难快速响应或者响应效果不尽人意，这时候第一波浪潮有所下跌。

如何解决这个问题？我们认为需要提出一个新概念：AI工程学。

正如汽车工业中工业化、流水线生产的理念，我们需要用AI工程学的方法解决AI生产力快速提升的目标。利用AI工程学提升10倍效率，行业化、场景化后，实现行业价值闭环，人工智能会进入第二个浪潮。随着与更多行业与AI深入的结合，我们有理由相信会进入第三波浪潮。彼时AI广泛存在，将以人机协同的方式嵌入到所有业务流程中，就像现在的互联网一样。实际上，现在没有纯粹的互联网行业，每个行业都必须与互联网结合。人工智能发展到一定程度也会达到这个阶段。这就是我们所理解的人工智能“三浪”发展规律。

人机协同在其中处于什么位置？我们认为人机协同分三个方式：

首先，人机交互。

通过视觉、听觉、文字感知等感知技术，以及认知、决策技术实现与AI之间的基本交互。即，AI至少能听得懂人在说什么，看得见人在做什么。

第二，人机融合。

通过智能技术帮助行业专家总结知识，让人工智能能够为行业用户提供全天候、稳定的、全面的智能服务。即，人和机器共同完成一些事情。

第三，人机共创。

人工智能与行业专家共同探索，创造出新的产品、场景与服务，实现千人前面的个性化精准服务。即，除了完成一些既定的事情外，还可以共同创造出新的东西。

在人机协同这个过程中，也有三个主要角色：各个行业和场景的专家、以机器代表的人工智能的知识服务和用户。

首先专家把他的知识赋能给机器，机器再通过知识服务的方式，通过智能化的产品提升用户的体验，用户在这个过程中也会反馈出他们的个性化需求，然后反哺到机器，机器协助专家，提升其潜能与效率。这三者之间形成的闭环，就是我们所说的人机协同的概念。

而人机协同落地，需要三样东西，云端大脑，整个数据汇集、分析和提炼的中枢；终端设备，智能设备是搜集数据，同时也是人机交互的入口；嵌入式模块，即AI平台，是智能化的中枢和核心载体，数据经过云端大脑 的处理后，形成的服务通过嵌入式模块集成到各类业务当中，从而实现人机协同在各场景落地。

通过以上架构，云从科技在智慧金融、智慧交通、智慧治理、智慧零售等领域都实现了商业落地。

国家层面的治理现代化是除了之前的“四化”以外的第五个现代化，在国家治理现代化当中，智能化是非常关键的一部分。治理现代化或者说治理智能化大概包含以下几点：第一，对治理场景的智能感知。第二，对治理要素的智能认知。第三，对治理动作或者治理行为、治理工作的智能决策。

对于实现智慧治理的方式，云从科技提出了“应用牵引，双擎驱动，平台赋能，终端延伸”的思路。

具体环节，我们提出了智慧治理“N-N”的业务架构。第一个N指的是N类场景，包括社会治理、公共安全等，第二个N是指N类数据源，包括各种边缘设备、智能终端、业务系统等。视频、音频、人车物等N类数据源将进入一个数据汇聚中心。

两大引擎：第一大引擎，智能解析引擎，是以视图解析为核心的解析引擎，它将非结构化数据进行结构化。第二个引擎，数据分析引擎，基于结构化数据进行处理分析，将数据变成信息。

两项平台：一是知识服务平台或者知识生成平台，叫知识及服务。这个“知识”，是“信息”经过解析和分析后形成知识，在这个平台，面向场景，通过这些知识去提供标准化的综合性应用，包括全息档案、态势预测、图上指挥等基础性功能。基于此，到达第二个综合应用平台，真正去赋能N类的专业化场景。这是一个完整的体系。

有人可能会质疑云从科技如何有能力去实现这个蓝图。

首先，N类数据源来自云从科技广泛的合作伙伴。云从科技虽然有硬件产品，也具备硬件生产的能力，但我们只在一些小场景、专业化场景中提供少量设备，云从不是一个专业的、面向广泛场景的硬件设备公司。正因为如此，我们具有开放的心态和生态，实现数据的汇聚。

另外，云从具备打造双引擎和知识服务平台、应用平台的AI能力。第三，云从科技提出的人机协同理论中，核心是对人、对行业的敬畏，所以云从从战略到体系，都结合专家，深入到各个业务环节，深刻地理解业务。

接下来，我介绍一下具体的板块。

智能解析引擎。早期大家说的人工智能主要是人脸识别或者泛人脸识别，随着技术演进，解析内容不断增长，从人脸走向了人体，走向了车辆，也走向了文字和语言，AI的需求和场景极其多，不管我们可以走向多少内容，不可能穷尽，所以就需要开放的训练平台，针对长尾算法进行快速地生产。

视图全结构化解析，在各类人车监控场景下，全结构化引擎是对视频或图片中的人脸、人体、机动车、非机动车以及人体行为进行目标抓拍、识别、属性分析、实时聚类和分析检索的智能视频分析引擎。

其中行为识别是当前的技术热点，在某些场景实现了落地应用，但我认为还远未达到大面积推广的阶段，所以这是我们当前重点研发的课题。

从解析的效率和底层贯通角度看，多家算法对大量人车的关联、人和非机动车的关联以及行为识别等效率和数据利用上影响非常大，无法实现底层贯通，所以以上所有引擎的结构化算法都由云从提供。

OCR场景及产品种类。从卡证和票据的OCR到通用类型的OCR，到自然场景的文字识别，云从都已经有相应的产品落地。比如，在海关，云从识别船舶的集装箱。

云从也做语音识别，因为我们人机协同的战略中，人机交互是非常重要的一部分，而人机交互离不开语音，所以我们在语音上落地效果也非常好。只有语音远远不够，还需要自然语言理解（NLP），如此，才能真正实现这些业务。

语音也好，NLP也好，都是面向场景形成专业化应用，而不是面向通用通常，这与其他友商不同。

AI训练平台。刚才提到，我们不可能穷尽所有的算法，所以我们必须要提供一个可再生产的平台，于是AI训练平台诞生了，它可以实现快速的场景适配，快速的模型生成和便捷的部署，包括模型效果的评价。云从AI落地的行业中，很多是2G或者2B，他们都有自己独立的网络和安全策略，所以我们需要通过AI训练平台，盘活客户的数据活。

现在我做一个总结。

智能解析引擎有四大特点。

首先，软硬解耦，云从自主解析算法支持软硬资源解耦，可以与各类解析中心硬件资源进行适配；其次，云从解析算法可以适配国产化芯片，同时，在底层实现解析算法相互融合，实现效率和使用维度的极大的性能提升。当然，模型训练平台融合智能算法训练于一体，可以根据场景数据生产符合行业需求的模型算法，它是一个自我进化的算法。

数据分析引擎。云从基于此引擎，建设了数据全生命周期的接入、分析、治理、挖掘、认知与决策的体系。其中包括数据治理模块、标签工厂、数据资产、数据可视化等，这些模块把数据变成信息，再通过专家的可视化建模，并利用平台自动的生成，快速响应业务的需求，从而构建自己的业务模型。

机器学习训练推理引擎，能够基于历史数据，找寻规律，通过挖掘，生产出判断模型。知识图谱，实现关系的广泛连接和挖掘。

决策引擎，把基于专家的建模，把基于机器学习的模型，基于关系知识图谱的推理等进行一个综合的决策编排。

数据分析引擎的特点。汇聚感知数据，打造数据挖掘基础；融合业务数据，灵活定制生成各类标签，拓展业务对象；依托认知信息，形成各类专家的决策，为决策提供有力的支撑。最后，我们也可以依托可视化专家建模、固化经验模型，积累与传承业务知识。

知识生产与服务平台KaaS。

这是一个变数据/经验为在线知识的平台。从数据到知识，是数据价值挖掘的必经之路，目前大部分数据资源还没有得到充分利用。

云从定义的知识是广义的，包含数据，描述事实的内容，如人口信息、快递信息等；标签，数据的进一步加工，如高龄老人、购物达人等；知识图谱，进一步把数据加工，存入图数据库，形成关系网络；机器学习模型，通过历史数据沉淀和数据挖掘算法，建立趋势预测、人群分类模型；决策模型，用来提供某种场景下的业务规则，如城市应用响应等；专家模型，用来从海量数据中发现需要的数据，建立数字人像档案等。

将以上这些知识模型化、在线化，加上AI引擎（感知处理能力），就能提供智能服务，赋能应用智能化升级。

有了知识体系后，我们就能快速地支撑决策，当然，决策很多时候是沉淀在业务系统当中，我们可以快速地通过知识体系模式和强大的智能化手段赋能这些业务系统。

举一个例子，这是我们在某个市级单位的应用，我们拉通了覆盖几十个机关，十个区和四个开发区的几千个系统，其中有几万个数据项，形成了专业的数据集，把其中的对象、行为、标签进行提炼，通过云从的算法、规则引擎模型的训练、图谱的构建对知识进行加工，最后形成了面向以“人、事、地、物、组、网”为核心要素的治理知识体系。基于这个知识体系构建了一系列的大数据智能模型，最终实现决策支持、风险防控、治安防控、执法办案、公共服务、市域治理等几大场景的应用，这是一个真实的案例。

最后，在这里我们希望和更多的业内同仁们一起，基于人机协同平台，以业务专家的向导为指引，以核心技术引擎为驱动，以大数据燃料为支撑，实现社会治理智能化。雷锋网雷锋网雷锋网

。