李加庆
金融科技研究中心研究员
南京大学应用数学硕士，曾任中国电子科技集团公司第二十八研究所研发工程师。
专注研究自然语言处理、人工智能等领域。
发表论文5篇，参与申请国内专利4项及国际专利1项，软件著作权授权1项，曾负责国家重点研发计划课题研究。
相关文章
-
5G浪潮滚滚而来，美国究竟有多少边缘计算公司？
2019-11-18 09:16
AI的飞速发展开启了各科技大国的人工智能“军备竞赛”，而这场竞赛的主战场一定是在边缘计算领域。边缘计算并不是一个新的概念。从“云”开始走进大众视野，继而物联网使我们迈进了后云时代。AI技术的发展使得“云”逐渐向“边缘”过渡。边缘计算是技术发展的必然，它打破了传统云计算的边界，将计算分布到各个边缘设备上进行。随着人工智能技术的兴起，以及5G技术的发展，边缘计算已经成为各国的研究热点，下图展示了各国在边缘计算产、学、研方面的投入比较。作为边缘计算概念的最早提出国，美国在该领域的投入最多，中国次之。本文梳理了几家美国科技巨头企业在边缘计算领域的产品和成果，分为三个类别简单介绍。先让我们了解一下边缘计算与5G有什么关系以及边缘计算能做什么。一5G是边缘计算的引擎边缘计算的技术实施需要考虑三个问题：安全、速度和规模。随着自动驾驶汽车、智能家居和许多其他高带宽应用需求的增加，无线传感器的数量将继续呈几何级数增长。企业级应用和消费级应用将需要更多的带宽，来连接更多的网络设备，还需要更高的安全性来保护和管理数据。而且物联网设备的爆炸式增长意味着彼此之间的设备数量要多得多，现有4G LTE网络标准的挑战之一是连接密度。而安全、速度和规模正是5G无线网络标准的核心要求。4G网络每平方公里最多只能支持2000个活动设备，5G标准的设计目标是在每平方公里内支持多达10万个活动设备。5G网络给边缘计算的应用提供高可靠性、低时延、高速率的传输条件，相当于为边缘计算架构的实施安装上了动力引擎。二边缘计算改变生活搭上5G的顺风车，边缘计算的发展将为以下应用场景带来革命性的升级：1、自动驾驶自动驾驶汽车需要快速且持续不断传入并分析数据，必须在毫秒级时间内处理周围的环境信息，以便采取相应的行动。这种数据量和时间的限制使得数据分析的计算不能依靠云端的计算能力，只能在本地完成，这就对本地设备的计算能力提出更高的要求，下文将提到Google和NVIDIA等芯片厂商在边缘计算芯片领域的布局。另外，边缘计算架构除了使自动驾驶车辆能够实时收集、处理数据来实现自动驾驶功能，还将实时共享车辆之间的数据，并且结合地理位置附近的边缘数据中心，将数据传输到城市网络中，向紧急响应服务和汽车制造商传递关键数据，以提升自动驾驶汽车的可靠性和安全性。2、智慧城市信息爆炸的时代，每个城市正迅速成为庞大的信息收集中心，传感器每天都在收集交通模式、公用事业使用和关键基础设施的数据，传统的云解决方案无法满足海量的计算需求。一个城市就是一个生态系统，交通物流、能源化工、商业通信、水气电生活设施等子系统将借助基于5G的边缘计算实现信息打通。未来的城市通过这些万物互联实现信息共享和协同运作，在城市资源分配、公共事务协调、突发事件预警等方面实现智能决策。整个城市更像一个智能体，生活在其中的人将拥有更舒适的体验。3、工业制造通过将数据存储和计算集成到工业设备中，制造商可以收集数据，以便更好地进行预测性维护和提高能源效率，从而降低成本和能源消耗，同时保持更好的可靠性和生产正常运行时间。通过持续的数据收集和分析，智能制造技术也将帮助公司定制生产和运行。通过部署微型数据中心（比如Edge Micro），制造厂商可以通过边缘计算将生产设备、人和产品的数据进行实时采集和分析，推送到微型数据中心，再根据需要传输到云端。边缘计算将为工业制造提升智能化水平提供性能监控的手段，为生产优化提供决策依据。比如，海上石油钻井平台可以利用边缘计算架构实时收集、监视和处理各种环境因素的数据，而不必依赖于远程数据中心基础设施。4、金融领域在智能手机成为我们每个人生活必需品的时代，银行机构正将边缘计算技术与智能手机应用程序结合起来，以更好地针对客户提供服务，甚至还可以借助边缘计算架构为自动取款机和自助服务台提供收集和处理数据的能力，使它们反应更快以提供更多人性化的服务功能。对于对冲基金等交易型金融机构来说，交易算法计算上一毫秒的延迟可能意味着大量的资金损失。采用边缘计算架构将核心计算放在世界各地证券交易所附近的数据中心，让计算密集型的核心算法尽可能接近数据源，实时获取最准确和最新的信息。5、健康医疗通过边缘设备收集患者数据并将数据发送给医院，让医务人员实时获取到患者的健康数据，可以大大提高医护的效率。特别对于一些长期的或慢性的疾病，如糖尿病和心血管疾病，这样能减少患者频繁赶赴医院的麻烦，也可缓解医疗资源长期紧张的问题。通过建立边缘计算数据中心，还可以将整个医疗过程数据记录下来，形成一个完整连续的医疗数据库，为医疗的诊断分析提供更全面的依据。可以预见，将来每个医院就是一个健康医疗数据中心，只要有足够安全的数据隐私监管和保护措施，边缘计算和智能医疗将为健康医疗领域带来变革。6、增强现实增强现实（AR：Augmented Reality）应该会是5G时代落地最快、商用最广的边缘计算技术。与虚拟现实不同，AR不是生成一个完全的虚拟世界，而是将数字元素覆盖在真实环境之上，通过眼镜和耳机等可穿戴的增强现实设备作为人机接口与人进行互动。因为是直接与人互动，必须做到零延迟，这就要求在设备端处理视觉数据，并实时整合预渲染的视觉元素。如果没有边缘计算架构，这些可视化数据将需要返回到集中的云服务器，在云服务器中进行视觉处理和元素渲染处理，还要再将数据发回设备端，这不可避免地会产生网络延迟，这种延迟会让人感觉到眩晕。边缘计算技术加上5G网络让AR设备可以即时完成视觉处理和视觉合成，让用户在任何地方查看新的AR细节，而不会感受到延迟和眩晕。游戏和娱乐会是增强现实设备常见的应用程序，但增强现实更有意义的应用应该是在医疗领域。增强现实可以帮助外科医生做手术，提供视觉辅助和更高的手术精度，提高手术的成功率。三美国的边缘计算公司下面分三个类别介绍美国边缘计算领域的公司：一是核心计算类，边缘计算的核心在于边缘端的计算能力，该类公司主打产品是芯片和计算框架；二是网络安全类，在这个类别中只介绍在云计算领域CDN的王者Akamai公司，主打边缘计算网络安全；三是平台设备类，主要关注边缘计算平台框架以及与边缘计算相关的微型数据中心。其实，类别之间并没有非常明确的界限，大的公司一般在硬件和软件均有布局。1、核心计算类（1）谷歌（Google）主打产品：Edge TPU和Cloud IoTa EdgeEdge TPU是为边缘计算设计的芯片，用于在边缘设备上运行Tensorflow Lite机器学习模型。因为是为边缘设备提供的，特点是功耗小、体积小、性能也足够好。Edge TPU支持机器视觉、语音识别、机器人等多种智能应用，可以用在上面提到的几乎每个场景中。Cloud IoT Edge有点类似下面要介绍的微软的Azure IoT Edge。Cloud IoT Edge软件将Google Cloud强大的数据处理和机器学习能力扩展到边缘设备端，是Google云服务在边缘设备的一种延伸。结合Edge TPU可以执行在Google Cloud中训练好的机器学习或深度学习模型。（2）英伟达（NVIDIA）主打产品：芯片处理器在智能计算芯片领域，怎么能少得了英伟达。基于Jetson Nano处理器组装的轻型NVIDIA EGX平台可实现每秒5亿次并把功耗维持在几瓦特；搭载NVIDIA T4的EGX边缘服务器可以达到10万亿每秒的运算。芯片的低功耗对人工智能运算很重要，目前传统CPU在这类运算中能耗巨大，EGX目前是少数能够实现低功耗的计算平台。Jetson Nano处理器在最近的一项针对机器学习的基准评测中战胜了Google的EdgeTPU和英特尔的边缘处理器，取得了机器学习计算性能上的领先地位。2、网络安全类（1）Akamai主打产品：智能边缘平台（Intelligent Edge Platform）Akamai是全球最大的CDN巨头，没有之一。Akamai在全球137个国家和地区拥有3900个数据中心，部署了240000台服务器，拥有全球最大的CDN平台。什么是CDN？CDN全称叫内容分发网络，通俗一点可以理解为互联网数据快递员，快递的快慢影响了个人的消费体验，而CDN就是解决数据内容分发的需求。平时用的抖音、快手、B站这些视频网站就非常依赖CDN技术服务。从下面这张图可以看出Akamai在CDN的领导地位。Akamai的智能边缘平台（Intelligent Edge Platform）是一个防御盾牌，它可以将网站、用户、设备、数据中心和云纳入防御网络等。我们知道，随着数据科学技术的发展，网络攻击的手段也在升级，从DdoS攻击发展到撞库攻击、爬虫攻击，边缘设备与云计算设备一样面临着这些攻击的挑战，Akamai是这方面的安全专家，拥有全球90%以上的互联网用户，Intelligent Edge Platform是目前唯一全球性的、大规模分布的、智能的Edge平台，提供边缘计算的安全服务。3、平台设备类（1）微软（Microsoft）主打产品：Azure IoT EdgeAzure IoT Edge是在 Azure IoT 中心上构建的完全托管的服务。可以通过AzureIoT Edge在标准容器中部署AI和第三方服务以及自定义的业务逻辑，进而在边缘设备上运行。Azure IoT Edge不是一个独立的服务，需结合Azure云服务使用，目的是帮助用户将原来运行在云端的分析模块和业务模块轻松的部署到边缘设备端，支持跨平台部署。（2）亚马逊（Amazon）主打产品：AWS Snowball Edge和AWS IoT GreengrassAWS Snowball Edge是一种数据迁移和边缘计算设备。Snowball Edge支持特定的Amazon EC2实例类型以及AWS Lambda函数，因此客户可以在AWS中进行开发和测试，然后在偏远位置的设备上部署应用程序以收集、预处理和返回数据。常见使用案例包括数据迁移、数据传输、图像整理、IoT 传感器流捕获和机器学习。AWS IoT Greengrass 是一个软件，它将AWS云功能扩展到本地设备。AWS IoT Greengrass 使本地设备可以更靠近信息源收集和分析数据，同时在本地网络上安全地相互通信。具体来说就是，使用 AWS IoT Greengrass 的开发人员可以在 AWS 云中编写无服务器代码（Lambda 函数，支持Python语言）。然后，他们就可以很方便地将此代码部署到设备以便本地执行应用程序。（3）Clear Blade主打产品：物联网平台（IoT Platform）和物联网边缘平台（IoT Edge Platform）物联网平台（IoT Platform）可以让企业安全地实时运行和扩展物联网设备，这是唯一一个允许企业根据不同行业定制要求二次开发的物联网平台，部署在云端，支持多租户，每个租户可以创建多个系统，在每个系统中开发者可以根据业务需求，创建各种应用。物联网边缘平台（IoT Edge Platform）则是部署在边缘计算设备端，上与物联网平台连接，下与物联网设备交互。Clear Blade支持可视化的配置界面，支持模块化的服务开发，让开发者很方便地创建边缘计算实例。下图是Clear Blade的平台架构图。（4）Edge Micro主打产品： 低延迟的边缘主机托管数据密集型的边缘计算还需要一定规模的数据中心作为支撑，这样的数据中心需要满足边缘计算的低延迟的需求，微型边缘数据中心应运而生，特别在5G时代，随着边缘计算业务的发展，对于微型数据中心的需求将会大大增加。Edge Micro就是提供这种微型数据中心的一家初创公司，这样的初创公司还有很多，这些公司主要在提供低延迟、低功耗、高可靠性、环境适应性、容灾备份等方面进行竞争。Edge Micro提供边缘主机托管的数据中心服务，将计算、存储和网络资源放在离终端用户更近的地方，以便更快地处理数据。这些微型数据中心一般会搭建在一个集装箱大小的模块中，便于模块化安装部署。四结论可以看到，科技巨头们在边缘计算领域的竞争非常激烈，实际上美国抢占边缘计算这片蓝海的公司特别多，虽然科技巨头们在技术领域具有领导地位，但是美国投入到边缘计算的初创公司和小公司占到了整个产业界近80%，非常具有活力，公司数量更是在全球遥遥领先。本文由“苏宁财富资讯”原创，作者为苏宁金融研究院金融AI研究员李加庆
-
AI，隐私，机器人
2019-04-15 09:33
最近有一部叫做“爱死机”的剧火了。全名叫做《爱，死亡和机器人》（Love, Death &Robots），每一集都是独立的动画短片，平均时长只有15分钟，我特别喜欢其中几集关于机器人的科幻短片。套用这部剧的名称，让我们来聊一个现实话题：AI、隐私和机器人。AI的燃料AI技术与隐私保护是近年来越来越倍受关注的话题。从来没有哪个时代像当今一样到处充满了对个人隐私的侵犯，也没有哪个时代像当今这样对隐私看得如此之重。事实上，你的隐私将无处可藏。数据对于AI来说，就像煤炭之于蒸汽机，电能之于灯泡，汽油之于汽车。近年来，AI这台发动机已经再次发动，只有源源不断地喂给它更多的燃料，才能朝着远方前进。这台发动机的能耗很高，燃烧效率有时却不高，必须要足够多的燃料。汽车发动机必须在动力与节能之间寻找更高的平衡点，AI也必须在应用潜能和隐私数据保护（涉及数据的利用效率）之间寻找更适合的平衡点。隐私的隐喻关于隐私保护也在与时俱进，以前关注的个人隐私更多的是自身的私密性。明星在这个问题上是深受困扰的人群，整天被狗仔队跟踪，生怕被偷拍了不雅照片，吊诡的是，其实明星有时候更怕没有狗仔队跟踪。隐私与自身利益永远都存在着一个权衡。随着时代发展和进步，特别是人工智能技术的迭代演进，隐私的关注点也变得更为复杂。AI的发展需要更多数据，每个应用APP在你第一次打开时，会给你一个巨长无比的所谓隐私保护协议，然后你看也不看就点了“接受”，当然其实看了也没用，只是告诉你他们是匿名获取你的隐私数据，并且你的隐私数据不会被利用。其实，这种隐私协议的潜台词无非就是，要么用我们的服务、默许我们收集数据，要么就不要用。天天被电话骚扰的你，有时候也许不介意多接一个骚扰电话。每逢佳节，商场超市促销时，经常有信用卡推销或者房产中介等促销员给你一个小礼物让你“登记”一下个人信息，填个申请表，以得到后续他们“更优质的服务”或者得到“VIP身份”。这里其实更吊诡，明明是为了想要收集我们的信息，却让我们填“申请表”。你想了一下，反正现在每个人的信息都被大量的泄露了，也不差这点吧，反正他们都知道，无所谓，填吧，至少还能得到一个不错的小礼物。实际上，你将“得到”更多。这些商家线下获客，有了联系方式，后面就可以推送给你优惠券、促销券、代金券，发放更多小礼品，后面竟然连你什么时候需要买房、买车、买奶粉都知道了，还无微不至提供各种服务，有没有很意外，有没有很惊喜？也许你会问：我的隐私数据是怎么被偷走的？其实，不是被偷走的。只要你出门，就在泄露你的隐私，你的脸，你的声音，你的背包的颜色，都是暴露在空气中的隐私数据。在AI算法的眼里，你就是一个行走的数据流。你以为不出门就不会泄露数据了？随着智能手机、智能家居、智能手环、智能音响、智能扫地机器人等这些高科技产品横空出世，成为大众娱乐的新热点，AI应用场景甚多，数不胜数。你又会说：哈哈，真扯！我觉得你说的这些信息还好，我身边的人都能看到啊，没你说的那么隐私吧？其实在AI时代，关于人的一切数据都是隐私。你让身边人知道的信息不一定愿意让更多人知道，否则你在网上的网名怎么不用真名呢？天天带着一张身份认证和支付用的脸出门不觉得不安全么？隐私数据关乎的是你的个体信息，因为你是独一无二的。那么，具体有哪些隐私数据呢？基于你的个人身份数据，比如身份证号、手机号、家庭住址、工作地点，AI算法在各个社交平台上挖掘关联关系，建立图谱信息，可以掌握你的社交层面的信息，如朋友圈、亲人圈、同事圈，关系强弱，等等各种社会属性信息，构成一个完整的个人信息画像，这便确定了你这个独一无二的“社会”人。基于你的生物特征数据，各种应用APP收集的面部特征、声音特征，智能手环收集到的心率血压特征、作息习惯、睡眠数据，健身应用中的体重身高、身体柔韧性、体脂含量等等，可以轻松被挖掘被建模，这便构成了人这个实体存在的多维空间信息。上述两类可获得的数据只要足够多，加上你的各种行为数据，AI算法甚至可以推断出你的人格数据（或者叫心智数据）——你的思维方式，你在想什么，你的喜好，你的性格，形成描述人精神层面的内在模型。举个例子，一个很著名的关于人格与人性的模型叫做大五类人格特征模型，一般称为OCEAN，这个模型包含了五类因素：开放性(Openness)、严谨性(Conscientiousness)、外向性(Extraversion)、宜人性(Agreeableness)、神经质(Neuroticism)。机器人，另一个我开头说到AI、隐私和机器人科幻之间可能存在某种关联。这种关联源自于技术的不断发展，科幻为技术的未来提供了某种可能性的遐想。AI的发展需要很多数据来满足场景建模的需要，AI算法可以通过分析每个人的各种行为数据推导出这个人的人格特征。算法通过个人在社交网站中的点赞数据即可分析出这个人的喜好特征，通过协同过滤算法就可以对个人进行精准广告推送，比如给外向的人推送的广告场景相对活跃和充满激情，给内向的人推送的则是相对安静和私密的场景。同样的分析手段甚至被用在选举宣传的过程，能起到影响选民决策判断的作用。通过给不同性格或者意向动摇的选民推送不同版本的选举广告，或者推送对手的负面新闻，左右目标群体的决策，达到“心理操纵”的目的。而不断进化的人脸识别的技术能仅通过面部特征的识别就能判断出一个人的性取向这么私密的信息，准备率能达到80%以上，而我们人类本身很难仅通过一张脸就能判断出一个人的性取向。以色列的一家公司Faception声称可以直接通过面部特征来识别恐怖分子、高智商的人群，分分钟看透你的内心。AI可以不断地从人类的隐私数据中攫取价值，甚至能够再现人的心智模型。有没有想过，有一天，一旦AI掌握了人的足够多的关键数据，建立更加完备的模型，不仅能做到“心理操纵”，甚至可以做到“心灵控制”。人类的实体存在和精神存在被抽象为一个个复杂的画像模型，或者“心灵镜像”，这些模型和镜像包含了我们的所有特征，身份、性格、思维等等。只要将数据拷贝到一个机器人中，就可以生成另一个“我”来，甚至另一批“我”。这里的机器人可以理解为以机器为载体的AI算法和存储机制，加上更为先进的能源和机器进化机制，托管人类只是理所当然的事情，人类的心灵镜像只是被更为高阶的AI算法利用。会发生什么，我现在还不敢往下去想。这或许让你想起了《黑客帝国》《异次元骇客》这样的科幻电影。”爱死机“（Love,Death & Robots）的第一集《桑尼的优势(Sonnie’s Edge)》、第七集《天鹰座裂隙之外(Beyond the Aquila Rift)》和第十五集《盲点(BlindSpot)》也隐含了这样的主题。AI通过不断的迭代和进化，直至让机器人达到与人的心灵模型近乎一致，这是科学家们一直在追求的梦想，也是可怕的未知的未来。已知的未来AI应用的边界、隐私数据保护的度在哪，现在还是未知。社交活动数据、零售数据、金融行为数据、医疗健康数据等被广泛用于AI各种应用场景，的确也朝着为人类带来更多服务的方向发展，但是对于这样的涉及隐私数据利用的监管仍处于探索阶段。任何企业应用与隐私之间需要一个权衡。欧盟去年5月出台的一般数据保护条例（GDPR）中有几条关于隐私数据的保护原则，其中不仅包括隐私数据的处理过程需公正透明，使用场景和保留期限需明确限定，数据需保证完整、准确和保密等要求；而且还要求对隐私数据的获取要满足最小化原则，也即只获取必要的、相关的、限定的隐私数据。GDPR的推出在全球关乎隐私数据的保护方面具有非常强的引领作用。在各种AI算法和模型得到越来越广泛应用的今天，针对上述隐私数据的保护原则，尤其是最小化原则、保密性原则、透明性原则，AI公司或者与AI产品相关的公司必须考虑AI算法的发展方向。可以预见，未来满足下面条件的算法将是主要方向：（1）需要更少隐私数据的AI算法。这样的算法要么可以自己生成观测数据，如生成式对抗网络（GAN）；要么通过分布式解决中心化训练对数据量的要求，如分布式机器学习（Federatedlearning）可以实现在边缘设备端进行模型的再训练。（2）基于加密数据的训练算法。将原始隐私数据加密，并且还能通过加密后的数据进行训练，这样不需要减少对隐私数据的获取，也能保证数据的保密性。这样的算法包括差分隐私技术、同态加密以及迁移学习等方法。（3）可解释的AI（Explainable AI，简称XAI）。很多AI算法的黑箱性质让人类担忧。XAI致力于提高算法应用的透明度，构建“玻璃箱”模型，使人类能够轻松理解AI算法，提高AI认知智能在人类活动中的可信度。这将是未来趋势。（作者：苏宁金融研究院金融AI研究员李加庆；来源：苏宁财富资讯；首图来自壹图网）
