德國人工智能研究中心（DFKI）成立于1988年，是全球最大的基于人工智能的非營利軟件技術中心，是德國最大的從事軟件技術和應用的研究機構，研究方向覆蓋大數(shù)據(jù)分析、知識管理、畫面處理與理解、自然語言處理、人機交互、機器人等各個領域。中心成功吸引了谷歌、英特爾、微軟、寶馬等多家全球前十的頂級科技企業(yè)的投資。

不僅如此，DFKI在科技成果商業(yè)轉(zhuǎn)化方面也有深厚積累，已經(jīng)孵化百余家創(chuàng)業(yè)公司。其中，50多家目前保持著較高的市場活躍度，在各自所處的細分領域也都極具競爭力。

3月29日，DFKI科學董事漢斯·烏思克爾特（Hans Uszkoreit）教授受邀出席2018新智元產(chǎn)業(yè)躍遷AI技術峰會，并與新智元交流了中美歐人工智能市場和技術發(fā)展差異，以及他認為有前景的研究方向。

如何構建一家偉大的人工智能研究機構？DFKI在科技成果轉(zhuǎn)化方面遵循一套怎樣的流程？深度學習在自然語言處理方面有怎樣的發(fā)展？本文一一給出解答。

漢斯·烏思克爾特（Hans Uszkoreit）

歐洲科學院院士

深知無限人工智能研究院院長兼首席科學家

漢斯·烏思克爾特教授是德國人工智能研究中心（DFKI）科學董事，北京深知無限人工智能研究院（AITC）院長兼首席科學家，聯(lián)想研究院人工智能首席顧問，柏林工業(yè)大學榮譽教授，歐洲科學院院士和國際計算語言學委員會成員。烏思克爾特教授多年來從事并引領著人工智能領域的學術及研究工作，尤其在語言和知識科技領域，擁有超過30年的經(jīng)驗，參與創(chuàng)立并指導了數(shù)十家人工智能初創(chuàng)公司，其研究成果刊登于200多家國際出版物。

如何構建一家偉大的AI研究院：最激烈的競爭是爭取人才

DFKI是世界上最大的人工智能研究機構之一，到2018年正好有30年的歷史，成果豐碩。很自然地，如何創(chuàng)建以及管理這樣一家偉大的AI研究機構，就成了我們首先請教烏思克爾特教授的問題。

烏思克爾特教授告訴新智元，如今的情況與30年前發(fā)生了很大的變化?！?0年前，就算前路坎坷，只要我們非常有遠見，有一個強大的團隊，得到業(yè)界和政府專門支持，就可以著手成立研究院。我們有充足的時間去發(fā)展和改變研究主題，同時探索和不斷適應商業(yè)化戰(zhàn)略?！?/p>

“但在今天，雖然社會對人工智能的需求變大了，但競爭也很激烈。最激烈的競爭就是爭取人才。因此，需要仔細計劃，選擇主題，決定次序，整理強有力的材料，才能找到需要的專業(yè)人才。

“總體來說，要完成現(xiàn)有前沿技術商業(yè)化，還需要踏踏實實、兢兢業(yè)業(yè)做好研究（以及金融支持），明天才可以獲得新成果，畢竟今天的技術也會成為歷史?！?span style="text-indent: 2em; font-size: 12px;">此外，擁有一個國際化的顧問團隊也很重要，“在疑惑時幫你做正確選擇，在受到資助方質(zhì)疑時維護你、支持你，借鑒經(jīng)驗，且保持科學高標準?！?/span>吸引人才的最強磁鐵是人才本身；錢不是最主要的，但沒有錢不行

如今，DFKI旗下有千名研究人員，其中不乏院士、兩院院士甚至三院院士，在眾多領域展開交叉合作。這對管理提出了極高的要求。與此同時，近幾年來，以谷歌為首的科技巨頭也在AI人才方面大量挖掘。作為DFKI的管理者，烏思克爾特教授表示，招聘和留住年輕的優(yōu)秀人才和經(jīng)驗豐富的專家，一直都是最大的挑戰(zhàn)之一。

“吸引人才的最強磁鐵是人才本身，尤其是成功人士。壯志酬酬的年輕研究人才會被值得學習的對象吸引，會被可以讓人才成長和增長才智的地方吸引。一個新成立的研究中心很難迅速達到這種程度。除非成立之初就有一批能人相助，不然就要慢慢積累以達到高水平。”“為了吸引年輕人才，錢不是最主要的。然而，想要在人才稀缺，薪酬隨之飛升的時代，要留住經(jīng)驗豐富的領袖人才，錢就成了重要問題。”

“但還是有成熟的研究員愿意做基礎研究，即使同行的工資是他們的兩倍。但現(xiàn)在行業(yè)內(nèi)工資上漲了三倍，產(chǎn)業(yè)界有很多機會從事振奮人心的研究，波動隨之變得很大。公共研發(fā)資助必須適應這種環(huán)境，年輕的博士生也要快速成長，承擔領導任務。”

孵化公司是研究成果商業(yè)化的一條重要渠道，要在市場需求產(chǎn)生前創(chuàng)立公司

DFKI成功的一大因素，在于其自籌建之初就非常注重對從研究到實際應用的轉(zhuǎn)化，積累了大量產(chǎn)業(yè)成果。不僅如此，自成立以來，DFKI在全球范圍內(nèi)孵化了Chusable、B4、Ascella、Camelot、DHC、Digipen等在內(nèi)的數(shù)十家分支機構，孵化了近百家AI科技公司。其中，50多家目前保持著較高的市場活躍度，在各自所處的細分領域也都極具競爭力。

烏思克爾特教授說，DFKI擁有多種渠道將研究成果商業(yè)化，孵化公司就是其中之一，也是很重要的一條渠道?！拔覀儍H在極少數(shù)的情況下直接對接市場，換言之就是在規(guī)范的軟件平臺上出售產(chǎn)品，因為想要保持這種商業(yè)模式，必須建立和穩(wěn)固銷售及支持團隊?！?/p>

DFKI成功實現(xiàn)商業(yè)化的原因之一，是他們的戰(zhàn)略規(guī)劃方案。每一個研究中心都有短期和長期發(fā)展路線圖，這些路線圖由研究團隊制定，再經(jīng)DFKI指導委員會會議討論、修訂和最終協(xié)調(diào)確定，實現(xiàn)研究目標和研究機遇同實際需求和未來期望相互結合。如此一來，可以在熱點話題變成熱點之前開展研究。

“但找出最合適的一條商業(yè)化渠道，還是需要一段時間?！睘跛伎藸柼亟淌谡f。

中國現(xiàn)有AI研究尚不足以支撐垂直領域解決方案

在AI技術落地方面，歐洲、美國和中國的現(xiàn)實情況存在很大不同。以創(chuàng)業(yè)公司為例：DFKI成功孵化了很多創(chuàng)業(yè)公司，但在德國或者歐洲，有時候孵化公司雖然成立，但市場還未產(chǎn)生前沿技術需求。

在德國，前沿技術需求市場數(shù)量很少，遠遠不及美國或者中國。很多德國公司規(guī)模尚小，又走不出歐洲市場。癥結或在于歐洲市場規(guī)模較小，市場估值較小，外資規(guī)模自然小于美國和中國。這就導致很多DFKI的孵化公司發(fā)展速度遠遠低于中國或美國的平均水平。

但烏思克爾特教授指出，這樣做仍然比在需求產(chǎn)生后再成立公司要好，因為市場需求產(chǎn)生后，經(jīng)濟實力更加雄厚的競爭者會成立規(guī)模更大的公司?！凹幢闶袌鲞€沒有準備好，初創(chuàng)技術公司仍然可以依靠堅實的創(chuàng)新技術繼續(xù)發(fā)展?！?/p>

另一點不同是產(chǎn)業(yè)結構。美國互聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展速度十分可觀，中國是全球唯一擁有大規(guī)模互聯(lián)網(wǎng)產(chǎn)業(yè)且能與美國媲美的國家。美國電子產(chǎn)品產(chǎn)業(yè)規(guī)模也十分巨大，中國、韓國和日本也擁有優(yōu)勢，德國卻沒有。德國的制造業(yè)發(fā)展強勁，但大多服務于出口，中國也是如此。所以，“中國和德國都需要人工智能賦能制造業(yè)走向世界?！?/p>

烏思克爾特教授認為，在中國成熟人工智能技術商業(yè)化要容易得多。“如果在中國也有一家DFKI，市場需求規(guī)模大，投資規(guī)模大，商業(yè)化會比在歐洲容易得多?！?/p>

在中國，大多數(shù)人工智能研究都集中在幾個領域，近期重大突破促進技術發(fā)展日臻成熟。中國在計算機視覺產(chǎn)品開發(fā)方面處于領先地位，在機器人研究和人工智能增強數(shù)據(jù)分析方面實力雄厚，語音技術發(fā)展日趨強勁，機器翻譯逐步完善。

但是，“中國現(xiàn)有的研究還不能滿足垂直解決方案需求，這種方案結合多種人工智能技術和可循環(huán)利用的顯性知識，對制造業(yè)、醫(yī)療、交通和旅游業(yè)發(fā)展都有益處。在視覺產(chǎn)品開發(fā)方面，中國很有可能在國際市場上取得成功。我覺得中國在幾個有關機器人研究的領域也會取得領先地位。關于基于海量知識的應用，語言障礙是很大挑戰(zhàn)，因為就連結構化知識也極大地依賴于語言?！?/p>

最有前景領域：將深度學習和結構性知識相結合

在談到最近自然語言處理領域令他興奮的工作和進展時，烏思克爾特教授不出意外地提到了機器翻譯。機器翻譯實現(xiàn)跨越式發(fā)展令他非常激動，雖然現(xiàn)在的機器翻譯還不能完全取代專業(yè)譯員，但還是很受用戶歡迎。

“得益于深度學習，端對端的基于神經(jīng)系統(tǒng)的自然語言處理發(fā)展速度非常驚人，相比之下，用于深度解讀，基于語言學和知識的自然語言系統(tǒng)發(fā)展速度就相對扎實平緩。這說明語音識別系統(tǒng)、語音生成系統(tǒng)、中等質(zhì)量機器翻譯、簡單問答系統(tǒng)，甚至短篇新聞報道生成系統(tǒng)，都具備應用于現(xiàn)實的能力?！?/p>

但是，在自然語言處理領域和計算機視覺領域，要實現(xiàn)“理解”場景和觀察行為，我們需要更多世界知識，這也包括從標記文本、標記圖片中得到的常識知識。“大多數(shù)知識只有在你已經(jīng)擁有很多知識的情況下才能獲得，對機器來說也是如此?！睘跛伎藸柼亟淌谡f：“因此，現(xiàn)在應用于自然語言處理的學習方案，還不足以讓產(chǎn)品生成對話、文本理解或高質(zhì)量翻譯，必須有更多知識才行。目前的系統(tǒng)在現(xiàn)有標注語言數(shù)據(jù)中還歸納不出這么多知識?！?/p>

“我覺得最有前景的研究領域就是把深度學習和在維基數(shù)據(jù)、DBpedia和谷歌搜索的知識圖譜中找到的結構性知識相結合。這并不意味著我們要將所有需要的知識機械地表達出來，大部分知識可以被自動提取。但這就意味著我們需要神經(jīng)網(wǎng)絡實現(xiàn)系統(tǒng)的獲取知識，并不同階段持續(xù)學習。”

“研究機器學習會演化更大的領域，包括研究機器教學或全面機器教育，將涵蓋控制獲取基礎世界知識，常識知識，語言能力和專業(yè)領域知識?！?/p>

以下是漢斯·烏思克爾特教授在2018新智元產(chǎn)業(yè)·躍遷AI技術峰會上的演講《基于知識和機器學習技術的人工智能強化決策支持應用》。

漢斯·烏思克爾特：各位下午好！今天我想談一談AI在深度分析現(xiàn)有動態(tài)數(shù)據(jù)和動態(tài)資源方面的應用。

在機器學習出現(xiàn)之前，AI領域有兩種系統(tǒng)：一種是基于知識的系統(tǒng)，比如基于規(guī)則的信用檢查系統(tǒng)；一種是基于行為的系統(tǒng)，比如傳統(tǒng)反應性的機器人控制。機器學習出現(xiàn)后，機器不僅可以學習行為，也可以學習知識。

有些人可能會很意外，Google的機器翻譯并不是基于知識的，而是基于行為，或者說基于人類的經(jīng)驗，它的基礎是大量已經(jīng)有過翻譯的文獻和文本資料。無人駕駛也是基于人類行為的一種系統(tǒng)。同樣的還有閱讀理解，嚴格來講并不是“理解”，而只是從人類的語言當中學習記憶。

相反的，IBM Watson是基于知識的一種系統(tǒng)，文本分析系統(tǒng)也是基于知識的系統(tǒng)，還有聊天機器人，和人聊天的時候，在自己的系統(tǒng)當中尋找答案。

我們可以在這些基于知識的系統(tǒng)當中看到基于行為的系統(tǒng)，比如在學習的時候，除了以知識為基礎，還會學習行為和經(jīng)驗。

我們?yōu)槭裁磿吹竭@樣的發(fā)展？為什么以前沒有這樣的變革？因為五大領域的進展，包括大數(shù)據(jù)、機器學習、知識技術、互聯(lián)網(wǎng)技術和硬件。

AI發(fā)展有4個階段，啟發(fā)式搜索和推理，基于人工設置的規(guī)則進行知識處理，從海量數(shù)據(jù)中進行機器學習，最后是結合了機器學習和知識技術的認知系統(tǒng)。

現(xiàn)在有兩大令人興奮的發(fā)展，其中一個是網(wǎng)絡2.0、語義網(wǎng)（也即“網(wǎng)絡3.0”）和數(shù)據(jù)知識社區(qū)，比如維基百科、維基數(shù)據(jù)和DBPedia。另一個就是各種相連的系統(tǒng)，現(xiàn)在我們有非常多的數(shù)據(jù)庫，我們常說的物聯(lián)網(wǎng)信息物理系統(tǒng)，還有工業(yè)4.0當中的“數(shù)字雙胞胎”（Digital Twin，指物理資產(chǎn)或流程的軟件模型）、智能企業(yè)等以產(chǎn)品為驅(qū)動力的生產(chǎn)行為。總體來講，所有智能企業(yè)都是屬于這個領域。

在工業(yè)4.0概念中的智能工廠，其核心是智能制造，基礎是產(chǎn)品、經(jīng)驗和記憶。拓展開去，外面的部分并不完全來自制造業(yè)，比如智能出行、智能物流和智能樓宇。

現(xiàn)在我們做的工作，原先并沒有出現(xiàn)在這幅圖景當中，但也十分重要，比如最重要的競爭者、消費者和供應商，有了這些，工廠才能正常運營，媒體也很重要，包括投資方和監(jiān)管方，還有技術的提供方。

我們需要把這些結合到工廠的運作當中，要把圈內(nèi)的內(nèi)容和圈外的內(nèi)容結合起來，才能做到企業(yè)的管理、工廠的管理。這些工作看起來好像和我們狹義的生產(chǎn)制造不是那么近，但其實這是很重要的，比如我們要知道智能客戶關系管理、客戶喜不喜歡我們的東西，還可以做到智能的項目管理，也要知道供應商提供的物料來源怎樣、價格怎樣，還需要社會政府關系，所有的這些都是我們工作的一部分，這樣才能帶來企業(yè)的成功。

因此，我們需要得到許多外部的信息和數(shù)據(jù)，很多可能需要買，但還有很多數(shù)據(jù)是開放和開源的，比如網(wǎng)絡上的資料、新聞媒體的報道、社交媒體的資料。我們可以分析這些外部的數(shù)據(jù)和信息，幫助圓圈內(nèi)部的企業(yè)和工廠，加入到他們的決策和運作當中，比如我們可以做偏航的預警，也可以做到流程的優(yōu)化和預測分析，根據(jù)過往的經(jīng)驗預測這個月或者下個月哪種產(chǎn)品會有更好的銷量。

以產(chǎn)品的銷量分析為例，我們就希望能夠分析為什么有的時候銷量是上升的，有的時候銷量是下降的，再把銷量的數(shù)據(jù)和其他數(shù)據(jù)進行比較。現(xiàn)在我們專門拿出來一條天氣的曲線，比較天氣的曲線和銷量的曲線是有大致的相關性，但并不是完全相關。

我們繼續(xù)分析更多的信息，可以看到一個高點，紐波特舉辦游艇展的時候，給我們帶來了更多的銷量，這是不是因為有了更多的人來到這個區(qū)域？

不光是簡單分析一家企業(yè)或者工廠的數(shù)據(jù)，各個地區(qū)的許多家企業(yè)聯(lián)合在一起，都可以應用這樣一種分析的方法和思路。

這張圖展示了銅的銷量，高級銅的售價有升有降。為什么銅價會急劇上升？可以發(fā)現(xiàn)那段時間在智利的北部發(fā)生了地震，所有的這些紅點都是銅礦，所有的藍點都是煉銅廠。這個圓圈的波紋是地震的范圍。我們需要知道地震是否真的影響了銅價，做了分析以后發(fā)現(xiàn)，當時的地震和銅價的上升是沒有關系的。

有時候我們會聽到很多的傳聞，A影響了B，B影響了C，但不管是否最后真的相關，我們都需要讓機器來學習，因為并非每一個人都會根據(jù)特定的規(guī)則和傳統(tǒng)來行事，所以我們都需要讓機器來做分析和學習。

還是在這個銅價表上，藍色圓圈的位置是銅價下跌了，這個時候發(fā)生了什么事情呢？當時有新聞報道，中國的銅礦價格平穩(wěn)。這條信息并沒有什么負面性，只是講到了中國的銅價是持平的，但展示了資訊的影響力。因此，緊跟資訊是一件很好的事情，能夠幫助我們做出商業(yè)上的決策。

這是大英百科全書的圖片，我們知道它的內(nèi)容非常詳盡，但維基百科的資訊量更多，里面不僅有傳統(tǒng)百科全書的內(nèi)容，還有很多新的數(shù)據(jù)和資訊。這里有達芬奇、蒙娜麗莎和米開朗其羅這些有關聯(lián)的概念，建立起了知識圖譜。

知識圖譜也是現(xiàn)在Google、百度、必應搜集和存儲信息的一種方式。這是開放數(shù)據(jù)網(wǎng)絡，有些是電影的數(shù)據(jù)庫，有些是元素的數(shù)據(jù)庫，可以說是無所不包，但它們都在語義上相互關聯(lián)，對知識系統(tǒng)來說越來越重要。

我們可以把所有的知識放在一個系統(tǒng)當中，這些知識系統(tǒng)沒有我們大腦的局限，在這種情況下，機器就會勝過我們，因為我們沒有辦法拓展我們的大腦。在智能工廠中和人互動的機器人，它們在情商和智能方面也會越來越高，這可能就是未來的發(fā)展方向。

在我們的項目當中，我們會把不同的數(shù)據(jù)結合起來，比如氣象學數(shù)據(jù)、地理數(shù)據(jù)，還有一些內(nèi)部企業(yè)數(shù)據(jù)。我們說服一些公司，讓他們把知識放到我們的知識圖譜當中，這些數(shù)據(jù)就會變成一種新的形式。我們在想怎樣才能把公司內(nèi)部和外部的數(shù)據(jù)鴻溝彌合起來，怎樣才能讓這些數(shù)據(jù)為人所用。

我們和西門子以及更小一些的市場研究公司，比如VICO、維基百科以及其他的合作伙伴，聯(lián)手建立了一個世界性的項目，總部在柏林。我們想把內(nèi)部企業(yè)數(shù)據(jù)、公開數(shù)據(jù)和公開知識相連接，而為了實現(xiàn)這一點，我們就需要知識圖譜、開源方法和工具，通過語言、技術和結構性、統(tǒng)計性的學習，這種工具叫做Apache Flink，對流數(shù)據(jù)的處理更好一些，我們也有很多的流數(shù)據(jù)，所以把這些都嵌入到大數(shù)據(jù)的平臺當中，通過方法分析這些數(shù)據(jù)，并且和公司實現(xiàn)這些數(shù)據(jù)的利用。

我們有兩個商業(yè)領域的應用，供應鏈管理和市場研究。包括一些大公司在內(nèi)，對于這兩個方面都有很大需求。這是Smart Data Web（SDW），就是智能數(shù)據(jù)網(wǎng)，可以將不同的數(shù)據(jù)結合起來。SDW的理念是把公網(wǎng)上的信息和企業(yè)的內(nèi)部信息連接起來，這樣我們就能夠把公開數(shù)據(jù)和企業(yè)數(shù)據(jù)結合起來，而不是把這個企業(yè)的數(shù)據(jù)拿出來，因為企業(yè)不喜歡把他們的數(shù)據(jù)拿出來，另一方面，維基百科也不喜歡單獨的公司把他們的世界觀放到維基百科上面。

同時，我們必須找到方法來使用不斷增長的數(shù)據(jù)，獲取最核心、最重要的信息，比如地震在哪里，哪家公司可能會倒閉，哪家公司的高層人員要跳槽等等?，F(xiàn)在問題的最大難點是什么呢？就是人類的語言，我們沒有辦法按照公式交流，同樣一件事情有很多不同的表述。

但是，還是能從中找到一些規(guī)律。我舉一個例子，舊金山有一家很出名的公司，叫做PowerSet，在2008年的時候以10億美元的價格被微軟收購。如何讓機器學會從大量信息中學到這個事件？實際上很簡單，用Google搜索可以發(fā)現(xiàn)很多不同的消息都是關于這起收購案，一旦提到“微軟”、“PowerSet”、“2008年”這三個詞，說的就是這件事，剩下的語言分析就簡單了。當然，也要注意虛假數(shù)據(jù)?？赡苁沁@樣的句子，PowerSet對另外一家公司感興趣，并不是講這個收購案的，所以我們需要剔除這樣的數(shù)據(jù)。

現(xiàn)在我們已經(jīng)在應用這樣的技術了，正在為中國的一家制造企業(yè)提供相關的技術，之前這家公司從來沒有用過AI方面的軟件，但是在全世界范圍內(nèi)都有很多的客戶，他們不知道客戶的想法是什么，因為他們不懂法語和德語，但我們幫助他們收集客戶評價，并且告訴他們產(chǎn)品到底是什么特點，客戶喜歡或者客戶不喜歡，競爭對手的產(chǎn)品當中，客戶喜歡什么或者不喜歡什么，其他產(chǎn)品價格如何，這些非常精準的分析可以為企業(yè)提供自身產(chǎn)品和競爭對手產(chǎn)品的比較。