我們希望把人工智能技術應用不同的產業中去，我們在做基礎的創新和實踐，今天帶來一些分享，有一些分享也是第一次在對外的分享，希望給大家帶來一些參考，一起可以攜手去加快驅動人工智能在更多領域的產業化的落地，人工智能是分三個階段，從最早的運算的智能到感知的智能到認知的智能。感知智能解決的是聽、看這樣的能力，認知智能是解決思考理解的能力。認知智能是人工智能發展最高的階段，在工業革命的時候、信息化的時候解決的是人類的體力問題，在認知智能和人工智能是解決腦力的問題。在這個過程中面對可以理解、可以去推理歸納的能力，認知智能目前有很多路要走，這也是目前的難點所在。

　　如圖，認知智能是相當于人類的大腦，解決的是聽懂、看懂、讀懂這樣的問題，如何把人工智能跟產業相結合呢，簡單的邏輯圖，是把認知智能進行實名化變成實體機器人、虛擬的機器人，可以解決服務崗位、影像崗位、運營管理甚至生產崗位上的問題，再進行行業化，去放到各行各業的行業里邊不同的相應的崗位里邊去解決相關的服務，有些朋友也校稱我們是一家人力資源的企業，只不過我們派駐的是機器人。

　　2009年的市場，在2000年成立到2004年的階段，后來把2008年應用到了10086運營商領域，2010年應用到了交通銀行這樣的金融領域，時至今日，越來越多的傳統產業開始逐步的加入到了人工智能序列中來，有一些做潔具馬桶的傳統制造業，包括底層的做養殖畜牧業農業，都會跟人工智能開始慢慢的相結合，過程中雖然人工智能發展了五六十年，但是現在處于拐點才剛剛開始，整個的變化也是非成熟、高速發展的，也有很多不確定性的市場，這個過程中大陸的市場走在了包括香港和臺灣市場的前面。

　　我們面對媒體會被問到，你們如何把技術落地的，可以進行商業化是很重要的點，什么是商業化，就是有很多客戶、很多領域、很多的應用場景愿意為這個服務或者解決方案進行買單，不僅要求有技術，而且更重要的是在過程中要有成熟的工程化、標準化的產品，依托這樣的產品在上面適配各個行業應用解決方案，也要配合專業的實施方法論才能有效把最底層的技術跟實際業務場景結合，然后落地到很多產業領域中去。

　　支撐商業化很重要的特點是貨幣化，時至今日人工智能領域中應用最廣泛、最大量的應用市場就是在客服，智能客服概念大家已經不陌生了，AI+智能客服的體系，基本上回顧近七八年走過的路，幾乎都是圍繞這個體系在發聲的，也有大量數據去證明在這種模式下給企業帶來很多的價值，2015年為一家銀行解決了節省六千名坐席人員、2017年可以節省九千人的坐席量，比比皆是。支撐這個體系的背后是這個平臺，如圖，圍繞自然語音理解驅動平臺這個最核心的部分，也要依賴于底層積累大量行業領域的知識庫，依托大數據學習層相應的能力，配合多模態的識別能力，去鏈接植入到企業方方面面來產生服務。從2001到2004年做MSN機器人，就是解決聊天問題，北京今天天氣降溫了、北京有霧霾嗎、我們有吃烤鴨的地方嗎？就是最早的聊天，就是解決人與人之間最自然的寒喧。再往下應用到企業級市場上，就是提出了FAQBot，解決了很簡單的基于標準化基礎性的問答方式。再往后面是服務過程中很多時候有很多比較難的場景，也是比較復雜的場景，后來產生了DeepBot，解決上下文、多意義理解的問題，再往后是探索的是下一代要做的產品，現在五大Bot的融合。

　　機器人到底用什么技術，智能服務到底應用了什么技術，實際上很難說某一個單一的技術組成的，在每個Bot中應用的技術都不一樣。CHatting Bot應用了深度學習的技術，發展到了深度學習第三層，這是目前的階段。再望下面，就會把被動支持和記憶機制引入，當用戶在交互的時候，不僅僅是標準化的問答，更重要的是來自于什么領域的，來自于什么用戶的，歷史上發生過什么行為，結合這樣的訴求我的回答并不一樣，這是在做記憶機制和背景機制的結合。再下一代是深度對話模型下面的，可以讓兩個機器人聊天，補充聊天和對話庫。在2B的市場上應用不多，更重要的是在2C市場上，類人的聊天、教育陪聊是有應用之地。

　　FAQ Bot就是深度學習的模型+自然語言理解處理的模型相結合，歷史過往實踐中發現，完全依賴于深度學習模型來做會發現很多時候答案不可控，這是業界都公認的問題，如何解決呢？把依托于自然語言理解的模型、精準化模型和深度模型結合，兩個模型相互制約，來實現服務更精準的目的。這里面有六大類能力，已經應用了七八年了。很多人中文理解會很復雜，也有一些反意的，語音表達有一語雙關的意思，這是中文處理起來很復雜的地方。多種問法的識別，很多種問法語義是一樣的，所以給的服務是一致的，余額查詢有幾百種問法，自動上下文模擬人與人間的交互來進行上下文的結合，根據上下文的對話自動的生成相應的流程，根據流程去得到相應的答案，這是自動上下文的能力，非常類似于人與人的交互。你問一句不是可以得到的，要經過多輪的交互來提取訴求，來補充相應的參數，根據不同的參數鎖定不同客戶的意圖，根據意圖再給相應的反饋，這是多輪對話的能力。深度推理能力，根據在多次問題里面進行類比，通過引擎推理出來的結果給到用戶。人與人溝通經常換好幾個問題一起在問，人與機器溝通也有這樣的問題，然后再進行答案的理解和渲染。

　　動態場景的交互問題，動態知識載入的問題，在人工客服處理過程中存在答案存在于多個系統中，后臺中的數據庫，在數據庫結構領域要對應找到相應答案進行組合與分析推理。舉例，之前經過查詢系統的，用自然語言的理解把相應的推理過程用字庫語句的方式進行實現，精準找到答案，再渲染出來。

　　Reconmmendation Bot，這個過程中有很多相關的推薦邏輯。比如用戶相關的推薦，根據用戶的問題在給出答案的同時進行相關的推薦，包括業務邏輯的推薦，知識相關的推薦，同樣一條知識里面其實有語義的相似、知識圖譜推理的相似，根據這個答案可以給到用戶。

　　Discovery Bot很多時候答案或者是問題是存在于非結構化的素材里面的，比如在文檔里面，在這個里面如何去大量的公文、大量的文檔，如何去找到相應問題的答案，就是現在在研究的。是通過一些非結構化的處理手段在里面做相應的分析。當用戶進入問題之后進行分析，匹配到一個預值相應的答案給到用戶，當沒有答案會用這個Bot進行分析，包括可以經過人工復核進行二次處理再給到用戶，被找到的問題答案可以直接入庫補充這個知識庫，對以后知識庫可以解決的問題會越來越多。語音上面做智能化的服務，不管是做智能化的呼入、語音導航、還是做智能化的外呼，客戶回訪滿意度調查和金融領域上做的催收催款的業務。也可以應用到實體終端做線下的服務，智能化的終端，智能交互大屏，核心是基于自然語言處理和相關的人工智能技術包括繪畫的能力來做到。人工智能也是智能人工，除了可以代替幫助用戶去解決一些問題，也可以幫助人工更好的工作，這也是人工智能應用的一個方向，就是人機交互，可以在不同場景里面去進行使用，可以輔助客戶服務、輔助企業的內部其他部門，比如財務部門、IT部門來做人機協作的方式。

　　人機交互里面，除了自然語音的處理，還有很重要的是知識體系、知識結構，在知識庫中兩種方式來進行匹配，第一是呼叫中心里面做的人工坐席使用的知識結構，第二種是變成可以分享的企業內部的知識庫，可以讓應用人員從客戶服務人員延伸到企業的其他部門，變成企業級的知識庫，可以依托學習、培訓、考試、分享、記錄等等能力來做知識傳遞和知識應用。

　　監督學習的能力，這是依托于智能的能力來把人機交互數據、領域積累數據、爬蟲來的數據、人工客戶服務數據進行半監督式的機器學習，然后實現知識庫的優化，進行其他相應的決策指導。運營分析已經從客戶服務的能力延伸到很多領域中，比如幫兩會的人大政協的提案如何進行查重和分析，都是用了這種分析能力而做到的。

　　產業化推進過程中已經聚焦到了八大產業應用，第一是AI智能客戶，第二是智慧城市跟政務問題、黨務問題、民生問題，產業問題相結合提供城市大腦。包括民政局、財政局也有很多相應的智能化的服務，來跟業務進行結合。把綜合化的大腦跟金融業務相結合，服務、營銷、網點、展示、風控和其他的領域中去，包括管理、運營、生產部門都可以用，現在開始往企業級運轉了。

　　智能制造、智慧醫療、智能辦公其他領域積極的布局，目前聚焦在八大產業。在去年12月底的時候對外發布了一個品牌，新一代的Bot開放平臺，這個平臺是業界的創舉，依托其他的底層技術能力，在提供了基于云端的開放平臺，幫助很多中小企業包括和開發者提供現實服務，第一是免費，所有的智能化場景免費，第二會把在線的機器人和在線人工客服、人機協作系統整合在一起提供閉環式的服務，目前線上的是智能客服，后來會把智能營銷、智能外呼、智能虛擬主持人等等場景會陸續的加入到開放平臺中去，做的越來越好，也是往大的市場、往小的個人應用拓展重要的步驟。

　　我們在思考除了做商業化落地過程中還可以做什么，在去年去積極的推進了一件事，寫了一本書《智能客戶服務的技術與應用》這是講實戰經驗的書，也是去年12月25日出版發布的。我們還積極做信息的推廣、知識的普及，去年做了一件事小i大學，因為企業沒有辦大學的資格，所以做了智慧學堂，希望把多年技術的經驗和產業化落地應用的經驗全部拿進來，變成智力資源幫助很多政府單位、企業單位去做人才的培養，建立AI產業化的人才培養和發展的機制，所以有一系列專業化的課程可以進行深入的發展。

　　創新過程中也在往產業化方向走，除了有生態合作、智慧學堂的賦能，積極的創業和孵化相應的公司，甚至也在做產業化基金來推動整個產業持續化的進步。謝謝大家！