鳳凰網財經訊（記者 魯婧涵）3月20日，以“邁上現代化新征程的中國”為主題的“中國發展高層論壇2021年會”在北京線上線下同步舉行。鳳凰網財經全程報道。
當數字化浪潮來襲，數字技術的大規模應用成為備受矚目的話題。大數據的發展更是一度讓AI（人工智能）技術重回浪潮之巔。但在技術落地的探索過程中，人們開始發現AI現階段的局限性。同時，當數字化技術開始遍布人們生活的每一個角落，大眾對個人數據隱私的保護意識開始覺醒。
經過數年的應用，AI究竟滲透到我們生活的哪些方面？AI產業化的發展面臨哪些困境？企業在收集數據的過程中如何才能安全合理？帶著這些問題，鳳凰網財經記者在中國發展高層論壇上專訪了微軟（中國）首席技術官韋青。
韋青指出，目前機器學習能力在人類社會中應用的深度極其廣泛，無論是在國計民生，還是在制造、教育、醫療領域，都在海量運用機器學習能力。
但仍有隱憂。“現階段仍然存在的一個問題是，大家對于機器和人的能力，以及二者的分別，還缺少足夠的、清晰的理解。這導致有時人做了機器最擅長的事，或又誤判了讓機器做了人應該做的事，結果兩邊做的都不好，就產生很多倫理、道德、法律、規章制度的問題。”韋青說。
對于數據的安全問題，韋青認為，公司或政府對于大數據的使用需要有一個大家公認的規章制度，需要建立在信任的基礎上，“一旦信任被打破了，這一切的一切都不會存在了”。
微軟（中國）首席技術官韋青
以下為鳳凰網財經訪談全文：
鳳凰網財經：近幾年市場關于AI技術應用的討論十分火熱，但隨著時間的推移，質疑聲也越來越大。目前AI技術的大規模應用的主要聚集在語音識別和圖像識別領域，您認為，AI在哪些其他的場景也有大規模應用的潛力？
韋青：在我們看來，現在市場上對于機器的能力有一些誤解。大家常常把機器的這種能力稱為AI，也就是人工智能，這很容易引申理解成是一種與人類相關的智能。人有什么能力呢？人從感知能力來講有眼、耳、鼻、舌、身的能力，從認知和意識的能力而言有思考、判斷、推理的能力。
但是現階段機器能夠實現的是機器學習的能力，我們稱之為machine learning，這種能力與人類的智能沒什么關系。機器學習的本質是通過計算而對大量數據產生模式識別的能力。從這個維度來看，機器對于海量數據里潛在的洞察與模式識別的工作已經無處不在了。表面上看，大家常見的是機器會識別人臉、辨別語音、實現翻譯，但實際上，機器的這種學習能力早已大量被用于業務流程的優化、財務報表的分析和任何由數據產生的可預測性風險或機會的評估與判斷。目前，機器學習能力在人類社會中應用的極其廣泛，在與國計民生相關的各行各業都在海量運用機器學習能力減輕人類負擔，提高社會效率。
鳳凰網財經：目前人們對機器學習領域的研究處于什么階段？人工的干預在機器學習的過程中扮演了什么樣的角色？
韋青：目前，我們還處于人類利用新型的機器學習能力的很早期的階段，有很多的類別。有一部分研究是如何實現機器自己主動的學習，也就是常說的非監督學習。但要注意它的元模型一定是人給的。所以當有人說機器能完全自主的學習，這從邏輯上來講是不存在的。
鳳凰網財經：能不能請您舉例說明，在產業化方面AI目前有哪些應用？
韋青：人們工作生活中的很多流程都可以被自動化。所有可以被識別的模式，理論上都可以由機器來執行，從而解脫人類重復性工作的負擔。
目前AI的應用場景已經深入到人類工作與生活的方方面面，分類的方法也是多種多樣。我有時會在介紹AI應用時把它們大致分成兩類，一類是模擬人類感知能力的應用，比如與圖像和語音識別相關的應用，好像人臉識別，醫療影像識別——看片子、看核磁共振等。但這里有一個很有趣的關注點，很多人把AI理解成能代替人，這是很片面的，也是很危險的。以醫療影像應用為例，我跟很多醫生的交流中發現，他們在實操過程中，是讓機器幫助他們做一些繁復的篩選工作，但最終的判斷是留給人來完成的。
另一類應用是從人類不習慣或不擅長處理的信息中提取洞察，比如海量的財務數據、金融交易等等。現在機器的能力已經被廣泛應用在各個公司來識別報表是不是有誤差，是不是有錯誤的行為，但最終還是由人來做最后的抉擇。
鳳凰網財經：機器的歸機器，人的歸人。
韋青：沒錯。千萬不要誤解說機器現在能代替人。我們看到的現在很大的隱憂是大家對于機器和人的能力，以及二者的分別，還缺少足夠的、清晰的理解。這導致有時人做了機器最擅長的事，或又誤判了讓機器做了人應該做的事，結果兩邊做的都不好，就產生很多倫理、道德、法律、規章制度的問題。實際上就讓機器做機器的事，人做人的事，前途是非常光明的。
鳳凰網財經：目前AI產業化方面還面臨哪些困境？
韋青：這需要辯證分析，一方面以機器學習為代表的人工智能應用在飛速發展，另一方面大眾對于機器與人的能力互補性還有很多誤解。
人工智能和機器學習產業化面臨的困境可以分兩點。一是理解上的誤區。如果僅僅將人工智能理解為所謂的像人一樣來思考、來行動，這在很大程度上會受制于我們對人自身的有限理解。我們經常開玩笑講說嬰兒剛出生，沒有經過任何學習就可以知道吃奶，能夠哭鬧，這個還沒有人知道原因，就是“元始”（Meta）的問題，包括人類的神經活動、思考活動和計算活動及其成因。而現在人工智能的能力主要表現為機器學習的能力，從這個角度來看，現在業界的主要實踐體現為如何讓機器的學習能力盡快落地應用。
而在機器學習落地應用過程中，則面臨缺少行業相關數據和領域知識的問題。因為機器學習主要是基于數據，通過數據計算產生模式識別能力，進而產生基于數據的洞察力，在具體應用過程中還需要與行業相關的領域知識相配合。目前雖然通用的計算機圖形與語音技術已經比較成熟，但是具體到每一個行業，我們缺的是與行業特點相關的數據和領域知識，兩者結合才能產生減輕人類負擔和滿足行業需求的機器學習能力。
鳳凰網財經：正如您說的，現在AI的發展存在數據不足的問題。連微軟這種大公司都存在這個問題，AI創業公司面臨的這個問題更嚴重。有沒有什么方法可以幫助解決這個問題，或者說現在大家在想一個什么方法來解決這個問題？
韋青：一個核心辦法就是謀求AI能力的落地。真正把精力放在AI應用落地的人還是太少，落地就是解決人類工作與生活中的具體痛點。技術再重要也必須是痛點驅動，是問題驅動，而不是技術驅動。如果走到這一步的話，整個社會的關注度自然就會放在數據上。
無論是大公司小公司，如果你真是抱著一個痛點驅動的態度，你就會發現沒有數據其實是一個偽命題。為什么？因為痛點背后必然代表著一種問題，而為了借助機器的能力解決這種問題，大家的第一個任務就是要去收集這個問題所表現的數據和嘗試建立相應的數學模型，在解決問題的過程中就會發現數據不夠，或者行業知識不夠，然后自然要在數據上下功夫。現在很多人講的數據不夠，我覺得那是反過來了，是“以果為因”了。數據是“果”，具體需要解決的問題是“因”。沒有問題就不會提前考慮數據與行業模型的需求，等到了應用時再發現沒有數據就已經遲了。
大家都說數據不夠，是什么數據不夠？一方面有海量的數據，一方面又覺得數據不夠，是為什么呢？就是因為它不是問題驅動的，不是痛點驅動的。明確需求之后，才會知道需要什么樣的數據。一定得是先有痛點，再有相應的數據，再產生計算數據后得到的洞察。
鳳凰網財經：關于數據收集的問題最近也引發了很大的爭議，因為它面臨一個數據泄露的問題。如何保證數據收集的安全合理，又能有效滿足機器學習對于數據量的要求？
韋青：由于前幾年個別宣傳上的誤導，讓很多人誤以為數據是免費的，或者說數據是不需要隱私保護的，這是非常嚴重的認知偏差。
數據是由人產生的，但人又是社會的一分子。在由數據驅動的智能時代，社會的發展需要數據，但人類又有保護隱私的需求。數據的收集與使用是一個平衡的過程，關鍵是需要達成一個全社會認可的共識。
這是一個很復雜的問題，可以初步先從兩個方面起步。一是如微軟公司的總裁施博德（Brad Smith）倡議的“數字日內瓦公約（Digital Geneva Convention）”，就是對于數據的使用需要有一個全人類的公認的規章制度、一個標準、一個共識。另一點是被采集數據的人得有知情權和確認/否決權。我作為個人你得告訴我你用了我的數據，然后我告訴你我同意或不同意你用我的數據。
當然，有一些數據可以被認為是公有的，但是這需要之前說的人類社會達成的共識來決定。在具體實施過程中，無論是大公司、小公司，還是國家、社會、個人，都要建立在一個信任的基礎上。一旦信任被打破了，這一切的一切都不會存在了。所以微軟CEO薩提亞·納德拉(Satya Nadella)特別強調“信任”。就是你不能騙人家，你一定要告訴人家在干什么，這個是全球面臨的巨大挑戰。
