2020年9月5日，由雷锋网&AI掘金主办的“第三届中国人工智能安全峰会”在杭州正式召开。

本次峰会的主题是“洗牌结束，格局重构”。代表未来十年的 15 家公司将为超过 1,000 名现场观众和数十万在线观众分享他们在新十年安全方面的运营。哲学和技术应用方法论。

在下午的演讲环节，云从科技智慧治理产业部总经理李夏峰以“人机协同平台推动社会现代化升级”为主题，分享了云从在人工智能领域的思考与应用。治理”。

云从认为，人机协作包括人机交互、人机融合、人机共创三个部分。

在人机协作中，各行业的专家、以机器为代表的AI知识服务、用户形成一个闭环。一是专家用知识赋能机器，将机器转化为智能产品，提升客户体验。用户的反馈由此产生个性化的需求，专家的效率随之得到提升，反馈到产品或服务中。

从人机联想到云端的落地是通过三个部分实现的：智能终端设备采集数据，同时也是人机交互的入口。云大脑是整个数据的收集、分析和提炼的中心。服务之后，通过嵌入式模块，也就是AI平台，可以在各种场景下实现人机协同。

AI训练平台集数据智能标注、OCR训练、图像训练、NLP训练、视频结构化训练于一体，基于场景数据生成满足行业需求的AI模型算法。云从智能分析引擎具有软硬件解耦的特点，可以适配国有自主芯片，在效率和使用维度上也能实现很大的性能提升。

基于云的数据分析引擎为数据的全生命周期提供分析、挖掘和应用服务，完成从数据到知识的价值转换，赋能各种业务场景的应用。

具体而言，它收集感知数据，构建数据挖掘基础，整合业务数据，灵活定制和生成各种标签，扩展业务对象，依靠认知信息形成各种专家的决策，为决策提供有力支撑。最后，依托可视化专家建模，固化专家经验模型，积累和传承业务知识。

从数据到知识是挖掘数据价值的唯一途径。目前，大部分数据资源都没有得到充分利用。云从的知识生产和服务平台KaaS模型和标签、机器学习等在线知识，加上AI引擎，将数据/经验转化为在线知识。

通过构建以数据智能模型为核心的知识体系，从多维数据中挖掘隐形事件背后的关联性和规律性，服务于风险防控、态势预测、行为画像等各种实际业务决策和虚拟轨迹。

以下为李夏峰演讲全文，雷锋网AI掘金在不改变初衷的情况下整理整理：

云科技智慧治理产业部总经理李夏峰

大家好，我叫李夏峰。首先简单介绍一下云从科技。

云从科技由中科院重庆研究院孵化，受托参与人工智能国家标准和行业标准的制定，成为第一个承担人工智能等国家重大项目建设任务的人工智能国家发改委人工智能基础平台和应用平台，工信部芯片平台。智能科技公司。聚焦人们生活的每一个场景，以人工智能技术和人机协同平台为基础，以用户为中心，定义场景化、产业化、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、智慧商业四大业务领域，助推各行业从数字化向智慧化转型升级，为全球3亿用户带来智能、便捷、人性化的人工智能。世界每一天的生活体验。

云从科技在发展过程中也得到了各级政府的广泛支持。就在今年，我们与广州市政府达成战略合作，共同打造国内首个人机协同开放平台，人机协同平台落地广州。奠定了非常坚实的基础。

云从提出的人机协作与人工智能有什么关系？我们可以回顾一下汽车工业的历史。18世纪，汽车诞生了。那时，汽车属于手工艺品，需要顶级工匠手工打造。到了 1820 年代，汽车可以通过生产线实现标准化和批量生产，汽车已经成为工业产品。规模和效率的提高使汽车走进千家万户。现在，在工业4.0时代，汽车可以根据个人需求自由组合生产。

人工智能的发展路径是否也像汽车行业一样是渐进式的、阶段性的？

我们总结了人工智能“三波”的发展趋势。过去几年，带动了第一波人工智能浪潮，抓住AI单点技术带来的市场机遇，布局战略性技术，尤其是人脸识别技术，带动了人工智能广泛应用和快速发展的浪潮。市场推广。

在这一波浪潮中，市场从一开始的不信任智能安防，到后来的盲目信任，最后在与AI企业合作的过程中发现，部分AI企业难以快速响应或响应效果对提出的需求不满意. 这时候第一波有所回落。

如何解决这个问题呢？我们认为需要提出一个新概念：人工智能工程。

就像汽车行业的工业化和流水线生产的概念一样，我们需要用人工智能工程的方法来解决快速提高人工智能生产力的目标。用AI工程提高效率10倍，经过产业化、场景化，实现产业价值闭环，人工智能将进入第二波浪潮。随着更多行业与人工智能的深度融合，我们有理由相信，我们将进入第三波浪潮。那个时候，人工智能很普及，它会以人机协作的形式嵌入到所有的业务流程中，就像今天的互联网一样。事实上，现在没有纯粹的互联网行业，每个行业都必须与互联网融合。人工智能发展到一定程度，也会到这个阶段。这就是我们理解的人工智能“三波”的发展规律。

人机协作适用于哪些领域？我们认为人机协作可以分为三种方式：

一是人机交互。

与人工智能的基本交互是通过视觉、听觉、文本感知等感知技术以及认知和决策技术来实现的。也就是说，人工智能至少可以理解人们在说什么，看到人们在做什么。

二是人机融合。

通过智能技术帮助行业专家总结知识，让人工智能为行业用户提供全天候、稳定、全面的智能服务。也就是说，人类和机器一起工作来完成某件事。

三是人机共创。

人工智能与行业专家共同探索，打造新产品、新场景、新服务，实现千人面前的个性化、精准化服务。也就是说，除了完成既定的事情之外，还可以共同创造新的事物。

在人机协作的过程中，还存在三个主要角色：各行业和场景的专家、以机器为代表的人工智能的知识服务和用户。

首先，专家将知识交给机器，然后机器通过知识服务，通过智能产品提升用户体验。在这个过程中，用户也会反馈他们的个性化需求，然后反馈给机器，机器辅助专家提升他们的潜力和效率。这三者之间形成的闭环，就是我们所说的人机协作的概念。

人机协同的实现需要三样东西：云大脑，整个数据采集、分析、提炼的中心；终端设备、智能设备是数据采集和人机交互的入口；嵌入式模块，即AI平台，是智能中心和核心载体，数据经过云大脑处理后，形成的服务通过嵌入式模块集成到各种业务中，实现各种场景下的人机协同。

通过上述架构，云从科技在智慧金融、智慧交通、智慧治理、智慧零售等领域实现了商业落地。

国家层面的治理现代化是继以往“四化”之后的第五次现代化。在国家治理现代化中，智能化是非常关键的一环。治理现代化或治理智能化大致包括以下几点：一是治理场景的智能感知。二是治理要素的智能认知。三是对治理行动或治理行为和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“应用牵引、双引擎驱动、平台赋能、终端延伸”的思路。

在具体环节，我们提出了智能治理“NN”的业务架构。第一个N是指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、智能终端和业务系统。视频、音频、人、车、物等N类数据源将进入一个数据聚合中心。

两大引擎：第一个引擎，智能解析引擎，是以视图解析为核心的解析引擎，对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和分析，将数据转化为信息。

两个平台：一个是知识服务平台或知识生成平台，称为知识与服务。这种“知识”就是“信息”经过分析分析后形成的知识。在这个平台上，面向场景，通过这些知识，提供标准化的综合应用，包括全息文件、态势预测、地图指挥等基本功能。以此为基础，达成第二个综合应用平台，真正赋能N类专业场景。这是一个完整的系统。

有些人可能会质疑云技术如何能够实现这一蓝图。

首先，N 种数据源来自 Tech 的广泛云合作伙伴。云从科技虽然有硬件产品和硬件生产能力，但我们只是在一些小型、专业化的场景中提供少量的设备。Cloud从来都不是一个场景广泛的专业硬件设备公司。正因为如此，我们以开放的心态和生态来实现数据的融合。

此外，云从具备构建双引擎和知识服务平台及应用平台的AI能力。第三，云从科技提出的人机协同理论的核心是对人和对行业的敬畏。因此，从战略到制度，云从整合专家，深入每一个业务环节，深刻理解业务。

接下来，我将介绍具体的部分。

智能解析引擎。早期的人工智能主要是人脸识别或泛人脸识别。随着技术的演进，分析的内容不断的增长，从人脸到人体，到车辆，再到文字和语言，AI的需求和场景太多了，不管我们能走多少内容to, 不可能筋疲力尽，所以我们需要一个开放的训练平台来快速产生长尾算法。

全结构化视图分析，在各种人车监控场景中，全结构化引擎是对采集、识别、属性进行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，已经在一些场景中得到应用，但我认为还远远没有达到大规模推广的阶段，所以这是我们目前的重点研发课题。

从分析效率和底层连通性来看，多种算法对大量人车关联、人与非机动车关系、行为识别的效率和数据利用有很大影响，无法实现底层连接。结构化算法均由云端提供。

OCR 场景和产品类型。从卡纸OCR到通用OCR，再到自然场景中的文字识别，云从已经推出了相应的产品。例如，在海关，云可以识别船舶的集装箱。

云从也做语音识别，因为人机交互是我们人机协作策略中非常重要的一环，而人机交互又离不开语音，所以我们在语音上的落地效果也很好。仅有语音是远远不够的，还需要自然语言理解（NLP），才能真正实现这些业务。

不管是语音还是NLP，都是针对场景的专业应用，不是通用的，这点和其他朋友不一样。

人工智能培训平台。刚才提到，我们不可能穷尽所有的算法，所以我们必须提供一个可复现的平台，于是 AI 训练平台诞生了，它可以实现快速的场景适应、快速的模型生成和方便的部署，包括模型评估的效果。在云从AI落地的行业，很多都是2G或者2B的，都有自己独立的网络和安全策略，所以我们需要借助AI训练平台来盘活客户数据。

现在我做一个总结。

智能解析引擎有四个特点。

一是软硬件解耦，云端自分析算法支持软硬件资源解耦，可适配各类分析中心的硬件资源；其次，云分析算法可以适配本地化芯片，同时在底层实现分析。算法相互集成，在效率和使用维度上实现了巨大的性能提升。当然，模型训练平台集成了智能算法训练，可以根据场景数据生成符合行业需求的模型算法。它是一种自我进化的算法。

数据分析引擎。基于该引擎，云从构建了贯穿数据生命周期的数据访问、分析、治理、挖掘、认知和决策体系。这些模块包括数据治理模块、标签工厂、数据资产、数据可视化等。这些模块将数据转化为信息，然后利用专家的可视化建模，利用平台自动生成并快速响应业务需求，从而建立自己的事业。模型。

机器学习训练推理引擎，它可以根据历史数据找到规则，并通过挖掘产生判断模型。知识图谱，实现广泛的连接和关系挖掘。

决策引擎基于基于专家的建模、基于机器学习的模型和基于关系知识图谱的推理进行综合决策安排。

数据分析引擎的特点。聚合感知数据，打造数据挖掘基础；整合业务数据，灵活定制生成各种标签，扩展业务对象；依靠认知信息形成各种专家的决策，为决策提供有力支持。最后，我们还可以依靠可视化专家建模和固化经验模型来积累和继承业务知识。

知识生产与服务平台KaaS。

这是一个将数据/经验转化为在线知识的平台。从数据到知识，是挖掘数据价值的唯一途径。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泛的，包括数据，描述事实的内容，如人口信息、快递信息等；标签，数据的进一步处理，如老人、购物专家等；知识图谱，进一步处理数据，存储进入图数据库，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，建立趋势预测和人群分类模型；决策模型用于提供特定场景下的业务规则，如城市应用响应等；专家模型用于从海量数据中找到需要的数据，建立数字人像档案。

以上知识的建模和上线，再加​​上AI引擎（感知处理能力），可以提供智能服务，赋能应用智能升级。

有了知识体系，我们可以快速支持决策。当然，决策往往是在业务系统中沉淀下来的。我们可以通过知识体系模型和强大的智能手段，快速赋能这些业务系统。

举个例子，这是我们在市级单位的应用。我们已经连接了覆盖数十个机构、十个区、四个开发区的上千个系统，包括上万个数据项，形成一个专业的数据集，提取其中的对象、行为和标签，并通过云从的算法对知识进行处理，规则引擎模型的训练，图的构建。以“群与网”为核心要素的治理知识体系。以此知识体系为基础，构建了一系列大数据智能模型，最终应用于决策支持、风险防控、公安防控、执法办案、公共服务、公共服务等几大场景。实现市政治理。

最后，在这里我们希望与更多的行业同仁一起，以人机协同平台为基础，以业务专家为指导，以核心技术引擎为驱动，以大数据燃料为支撑，实现智慧社会治理。雷锋网 雷锋网 雷锋网