扫描上面的二维码直接回顾
整理 | 伍杏玲
出品 | CSDN（ID：CSDNnews）
据 CSDN 最新统计显示，在CSDN3000 在注册开发人员中，689 万开发者有阅读、写作和研究 AI专注于技术行为AI 学习和应用的开发者数量已经达到 154 万AI已经成为开发者非常关注的技术领域。
这背后是开发者观察到的AI已经渗透到人们的生活中。疫情期间，AI技术走在前线:无人机在高速公路上喊；AI测温在高铁站等交通枢纽铺开；AI口罩识别检查社区居民进出情况；无人配送机器人在医院向患者运送物资和食物；人们可以在网上通过，不用出门；AI医疗咨询客服。
好的，好的AI应用程序可以改善人们的生活，开始改变行业。但我们面临着巨大的挑战：根据CSDN 《2019-2020 根据中国开发商的调查报告，64%的企业尚未智能化(其中14%的企业没有信息化)。
企业不重视AI还是开发者AI缺乏研发能力？作为浪潮中的开发者，如何抓住机遇，探索更好的成长之路？在许多领域AI如何通过高效的开发平台和工具提高应用效率和质量？
对此，由 CSDN、微软联合打造重磅，致力于使用「技术驱动商业变革」的《刷新 CTO》第三期以AI抗议背后，商业变革进行时？”为主题，盛邀，，以及，共同探讨2020年人工智能的发展和应用，为大家指导方向，期待大家更好地思考和探索AI新方向。
点击视频观看精彩瞬间(小预告片)~）
现在数字化永远不能停留在PPT在这个时代，我们不能做面子工程和摆花架。我们需要认真奠定基础的是数字能力。这种数字能力的表现是人工智能，但它的基础不是人工智能，而是人工智能下的数据、数字、建模、采集和安全能力。
每个人都认为企业AI化学是一种多才多艺的方案，但数字化转型和智能化转型是因人、因时、因事、因势的起点，而不是统一的数字化。
AI虽然它是基于统计学的，但在不同的场景中有不同的要求。不要生搬硬套，不要为了AI而AI。
流程用IT能力 AI能力来构建的话，便是一个RPA，这是未来重要的发展方向。但它不是因为它被称为RPA有未来，但把握AI流程再造和流程优化的能力。
只有不超过10%的企业需要真正的算法工程师，其余的开发者应该被称为算法应用工程师。
如今，绝大多数企业都处于基础设施的过程中，基础设施是目前的主要任务。在基础设施的基础上，有一定进展的公司，其过程已经在建设中使用RPA。
AI从2016年的AlphaGo事件非常火爆，直到2018年达到最高点。现在几年过去了，怎么落地？这取决于应用工程师。
开发者可以从自己的特点出发，选择深入研究数据算法或应用。我们不应该有似乎什么都能做，什么都不能做的心态。
韦青
请问下三位，在过去的两个月中，您最印象深刻的事有哪些？
我感觉最深的是在家工作比在公司工作忙得多。许多朋友担心，随着办公方式的改变，一些工作可能会失业。
由此可见，数字化能力是应对疫情非常重要的生存能力。如果一个人数字化能力强，空间和时间都不是障碍，也许你只是比以前更忙。
给我印象最深的是健康。现在我们每个人进出社区/公园都要扫描健康码。这样，每个人的数字身份和行为数字化都是正常的。
上周日，上海巨人公司的四名员工来我们公司出差。他们想在北京住一晚，酒店已经预订好了。当他们到达北京时，酒店表示，如果他们有外国身份证，他们可以住在酒店，并可以自由地带着健康码进出。但如果你持有北京身份证，即使有健康码，客人也必须隔离14天。最后，这两个朋友不得不在同一天回到上海。
由此可见，随着数字化的发展，管理滞后。如果管理思维不能升级，可能会造成很多麻烦，这是整个社会面临的挑战。
刚才两个人谈到了数字化转型，一个是从工作的角度，另一个是从客人的欢迎。在过去的一个月里，我在家工作，深刻体验到数字化转型不仅是工作环境，而且是生活中更深层次的升级。
中国做过互联网生存实验，12个人是否只能靠网络生活而不离开家。现在在特殊情况下，我已经一个月没有出去购物了，完全依靠网络，我可以过得很好。从好的角度来看，这种特殊情况可能会加快中国的整体数字转型速度。数字化是否对企业和个人起着决定性的作用。
在特殊时期，对他们三人最大的启发是数字化，今天我们将继续朝着这个方向讨论。Chris疫情期间用数字化的方式做了一些特别的事情，可以介绍给大家。
：我看到社区保安在门口仔细测量每个进出居民的体温，所以我认为技术可以帮助他们做什么。
例如，一些制造商使用技术监控手段进行测量。我在想，如果单个检查和同步物联网技术形成网络功能，其功能可以持续跟踪 。从质量管理的角度来看，不要改变太多，这样才能真正达到目的。这是我做这个实验的初衷。
：假如你的社区里有这样的东西Chris这样，邻居们就会考虑帮助改善社区的体温测试，这可能是一个好处。我们刚才谈到了一个常见的话题：在特殊情况下，它将促进企业的数字化发展。微软（中国）CTO，每天需和很多企业客户、老板沟通。在将工作从线下搬到线上的过程中，您发现疫情对企业有哪些影响呢？
最近几周，我在帮助企业转型的咨询和服务中发现了一些问题：
在这个时代，疫情是政府、企业、个人、医院、学校的假试金石。我们之前谈过的智慧城市、智慧教育、智慧办公，部分原形已经揭示。这里有哪些投入有产出，哪些投入没有产出？冷暖自知。
我们不应该追求新的话题，而应该思考如何真正把事情做到位。即使下次我们有类似的情况，我们也不必揭示原来的形状。正如江先生所说，目前，我们用身份证号码监控人，而不是通过数字双胞胎知道人在哪里。
韦青老师一针见血，大众已意识到了数字化的重要性。那企业该如何搭建相关的数字化能力？最近CSDN百万人学习AI为什么他们在这个特殊时期发起这件事？
2010年，CSDN在云计算会议上，我们邀请了许多讲师在舞台上发表演讲。会议主席李院士说，听了一整天之后，我觉得云很雾，好像不能落在地上。
如今CSDN云计算会议不再举行，因为它已经完全落地。
蒋涛
从2016年的AlphaGo事件起，AI很受欢迎，2018年达到最高点。现在几年过去了，大家都在关注它是如何落地的。落地最重要的是如何在各个行业落地，靠应用工程师。如何帮助更多的开发者AI落地，CSDN作为中国最大的中国开发者社区，我们也在思考这个问题。
在CSDN在3000万注册用户中，我们将每个人阅读文章并贴上标签，并根据标签词的前三名进行聚类。例如，人工智能聚类表示与人工智能相关。在他阅读的所有文章中，聚类是前三名，这表明这个人是对的AI他真的很感兴趣，因为他读了很多文章。
关注AI、并积极阅读AI有154万人有相关信息。他们中的大多数人不学习人工智能。正如魏青刚才所说，大多数企业都面临着数字化的问题。数字化需要涉及智能分析等人工智能知识。许多从业者在这方面没有积累，所以这些人想了解人工智能技术。
我们还做了“AI兴趣用户——兴趣用户登录城市发布”图，排列第一位的是北京，27.8万人；广东位居第二，21.7万。这些数据今天是首次发布的。
我们需要做的是真正让AI应用落地，让AI应用工程师能够成长。
现在确实到“AI工程化”的时候，像蒋涛所说的，我理解是AI工程化或者微软叫“MachineLearningOps”，从DevOps借过来的概念。过去大家都在谈如何调参、建模，但那仅是部分技术，如何真正和数据、场景结合，落地呢？
你得推送到我的应用环境来，然后模型还得变，需要有版本控制、有更新，这一套方案需循环迭代起来，才能真正用起来。后面我会详细谈下应用的。
最近我们在跟客户谈的时候，一个很重要的观点是什么？
如果拿现在的AI能力和原来的电力比对的话，100多年前当电刚发明时，大家都在谈发电，恨不得有点钱就建小电厂，供应周围的几百户人家。谁都可以做，很赚钱。
后来大家发现，原来发电是很专业的事，不是说你会发电就能去发电，就像Chris刚才说的，不是说我会算法就去做算法，很多情况下并不是做算法，而是去应用。
拿电来讲，从发电到有人送电、配电、用电。我们拿电去开发新产品、驱动产品，如今咱们很少人再想去学如何发电。从电的使用过程来看，经历了专注发电、专注配电、专注用电的过程。
您说得很好，我再举个例子，开发者使用Tensorflow，他不是为了掌握Tensorflow技术，而是用Tensorflow的AI能力，作为MachineLearningOps去做真正的应用。
以发电为例很有意思。从过去的发电小厂子，到后来的远程传输之间，损耗成为最主要的问题。结合AI来谈，我们在谈机器学习+IoT是个好的结合，供电网上跑的数据，模型放到这就可以用了。
这就和5G有关系，5G有个概念叫“云网结合”。5G网络真正用起来时要和计算能力结合，基站如果能够作为边缘节点的话，我们把算法推到边缘计算，那就可以减少很多在网络上传输的损耗时间。这些概念都和韦青刚才谈的发电例子挺契合。
刚才三位老师在谈，在特殊时期，大家意识到需要数字化，我们最缺的是人才，所以CSDN发起“百万人学AI”的活动，特别是针对应用层。
在讲个人学习之前，我们先来聊下企业的问题，刚才大家都说到数字化“冷水”泼出来后，很多企业原形毕露。那么对于企业来说，应该如何部署AI？该从哪里开始做呢？
：AI有两个极端，一是有人能踏下心来往底下走，把算法和数据的关系研究得深刻和透彻。有一批开发者是想回到神经元、支持向量机、决策树、图、图算法的研究里。这是极少数的，绝大多数人像蒋老师所说的，他们不需要知道电是怎么发出来，但要精通电是怎么用的。如今很多开发者可能装个Tensorflow就要装半天也装不上。但大家知道直接上Docker容器就可以，不用装来装去。
一旦上了容器又到了稍后Chris详讲的话题，MLOps。我认为，
在CSDN 《2019-2020 中国开发者调查报告》中，64%的企业尚未实现智能化，其中14%的企业无信息化。对于用机器学习来做预测，大部分互联网公司是有一些工作。再往深的看，真的在使用AI系统，包括自动化的工具来提升整体效率。最后类似字节跳动、百度这样的公司都是算法驱动的。当然这份报告中并不是对所有企业有代表性，还是有IT能力的企业。
我们可以看到，绝大部分企业的基础是需要建设的，才能谈得上AI。这是我们认为绝大部分工作是要把基础工作做好，再去研究高级算法，只有到最顶尖的公司才会有自己的AI能力，绝大部分在这上面是应用级的。
大家要去“用电”，而不是“发电”，譬如中国发电才只有南方电网、国家电网两家公司。
通过蒋总刚才的这张图，我们做科学研究的第一步是先做分类型，看看属于哪一类的。
刚才我提到一个分类方法很简单，以AI为核心的企业，刚才以百度、字节跳动举例的，均是“原生的互联网公司”，其整体业务是构建在互联网基础上。
什么叫数字化？就是企业得能产生数字，这些数字可能来自运营、流程、客户、供应商。企业有了这些数据后，才能考虑拿数据建模，如何去构建AI的应用？这个应用的目的是什么？
过去没有AI，没有数字化的时候，公司是靠人来搭建这个流程、人去走流程的，无论是决策还是执行都是靠人。蒸气时代后，人的工作执行能力被替代，但是决策能力没有被替代的。
AI要解决的是把底层、重复性的决策工作给代替，有了数字后是把最低级的决策代替掉。对于高级的决策，可能人们还不相信机器，也可能是它做得还不足够好，所以现在还没有代替到那个程度。未来目标是希望越来越多的用机器智能来替代人做一些工作。
企业要决策自己适合不适合做AI，在什么地方适合做AI，先把自己的业务和流程梳理清楚后，才知道哪块合适用AI、哪块不合适用AI。
过去几年，很多企业没有建立一个成熟度分析模型，成熟度模型不建立，只一拥而上。导致现在很多企业有很好的目标、决心、投入，但是没有成功或者结果较让人失望。
总结一下各位老师说的，企业要部署AI应该望闻问切，针对企业的具体情况去开方子，没有一刀切的方法论。
那么如今企业部署AI，除了要分析企业自身之外，还如何去搭建AI呢？是从0到1完全自己做？还是选择平台来辅助它做？
CSDN也走过弯路：2015-2016年，CSDN想自己建立算法团队，包括大数据团队，投入了好几千万。但实际上，它做的90%工作是基础工作，是百度、微软等已具备的能力，对我们来说这是巨大的浪费。2017年，CSDN调整策略，开始使用第三方的工具。
但也不能完全依赖第三方，那时我们用的是一家AI公司，宣称7天能搭建一个今日头条。这个方案听起来很性感，其产品是全自动化的，
它提供在一个框架下好像是可以的，但是企业的业务数据复杂后，还是要有自己的处理能力，所以要有一个平衡度：
对于很多企业来说，都在不停地在问同一个问题：自己造还是去购买？
从我接触的客户领导的思维里，这个决策在考虑有了这能力后是否不受其他人的钳制，自主可控？另一方面，我们在构建AI能力时确实不可能什么事都从头做起，如果每个人都重新发明一遍轮子，社会如何进步啊？
Chris Han
那么平衡点在哪里？以云平台为例，它分为三层：最底层是IaaS层，中间是PaaS层，最顶是SaaS层。
SaaS是打包好的现成产品，用户直接用就好；SaaS是基于提供商提供的功能，可能定制能力稍微差点，但用户完全不用操心，拿来用就好；IaaS是大多数情况下，用户得有IT管理能力；PaaS是提供开发平台，把基础IT的工作给完成，用户做商业应用等定制化操作。
这个平衡点在哪？在PaaS，我提供你一套工具，它同时会有部分PaaS自动化元素。我们越来越多地帮助客户将没有直接创造商业价值的部分功能给自动化，核心和业务相关的逻辑和功能需自行定制。
刚才蒋老师举的2015、2016年的决策例子特别好，我经常跟客户讲，如果公司请得起世界顶级的数学家，那就可以走自研算法等的路。如果你请不起世界顶级数学家，那你得懂，但懂不等于去做。
那如何改善问题呢？由于开源很流行，很多算法都公开出来，所以给很多公司一些误解：在某一个时刻通过投很多钱，便能到达世界前沿的位置。如今技术发展很快，哪怕去年是世界第一的位置，今年可能不是了。我特别喜欢那句话：没有leader，只有在任者。
随着时代发展，一定有人在发电发展得很好，但是发电的人不一定用电，还有一批是做设计的人，就是用AI的人。
微软应是“发电者”，以这图为例，上面有微软的应用、AI的能力，底下是数据。将AI能力放到数据源后，产生的各种各样应用的效果，所以像Microsoft 365、Dynamics 365等。
这是数据+AI的能力。但是单单靠微软的数据还不够，还需第三方数据，用连接器连接在一起，这是标准的结构。
而像微软CEO萨提亚提到下一步大力发展的PowerPlatform，它底下有数据连接器，外面的数据可以连进来，CDS是做数据整理，再有AI的能力。做支撑的有BI应用开发，低代码开发、RPA自动化、机器人。
：从这个图看微软AI的能力，更多是让这个东西变得不是神，让它能够轻易的被大家所接触，不管是SaaS层，简单到每天用PPT、Teams、OutLook，中间就有很多AI分析能力。
韦青老师讲了SaaS和PaaS层，想请Chris介绍下PaaS层的AI、Azure的架构。
：Azure AI是分为：机器学习、知识挖掘和认知服务。
PaaS层的工具可定义一套工具、一套流程来支持MLOps。这说明有PaaS的工具给你用，但很多人不知道这个工具能干什么。，无论在对接数据、知识挖掘，还是认知服务，开发者可直接build应用。
对于有的应用开发者来说，即使你把API给他，很多情况下他也不会用，更不要说不同语言的割裂了。微软又做出更极致的东西：无代码/低代码开发平台，开发者可直接通过拖拽的方式构建API、UI就能做出应用，这是技术平台到了一定程度后就开始到应用层面了。如此一来，开发者不仅可以做普通应用，还可以开发AI应用，进入到应用的层次。
我们从早期的BI和Apps，再到PowerPlatform。在这个过程中，最基本的先构建数据驱动应用，在左下角这一块。SaaS加上AI能力，Dynamics 365，Dynamics 365相当于CRM和ERP结合的产品。Dynamics 365里面内置AI的能力，把这些API集成到这里面，无论是供应链的分析还是订货预测，都直接提供这些能力打包，如果没有其他定制化的话，用户可直接拿来用。
到了一定层次后，有些人觉得SaaS不够用了，必须定制化，那么加速器和定制AI能满足用户的要求。
在语音服务和认知搜索中，可直接用它来做成自己的知识库。开发者去做搜索，甚至可以对接语音，用语音查询或者反过来用TTS把文字转成声音读出来，最终到定制AI。
在完全定制中，大多数人能干什么事呢？可能是选算法，然后建模型、调参，但很多人不知道该怎么调，此时可依靠机器。所以这里是定制AI，我们还提供aotuML，可直接帮开发者来选择算法，当开发者定制后，它自动帮开发者测试，很大程度减轻轻开发者的工作。
：在疫情期间，我观察到小区里保安每天日常的测量体温工作，想从流程上给他们一些技术建议，于是我们想到将技术变成常态化的东西。未来可以和疾控、智慧城市结合在一起。
那么如何把它全面自动化出来，快速搭建应用？给大家介绍下架构：一开始是红外传感器。红外传感器很多厂家自己有算法，红外传感器读出来的是灰度图像，温度高的东西亮点，温度低的地方暗点。花花绿绿的颜色是为了看起来方便些，而人工染上去的，实际上它是个灰度图像，灰度图像再通过算法来计算。
但部署环境、季节、环境湿度等有对精度会有影响。例如人从室外进来，室外温度较冷的话，皮肤表面温度低，此时就可能测不出来。这个算法就有定制化的问题了，实际上不同的场景、不同的季节应该是可调整的。
所以我的基本思路是硬件解决了传感器，保证读回来的灰度是OK的，温度靠软件，可以随时更新和迭代，不同的季节、场地用不同的参数。
一个人可做单点机器部署，如果规模大，需铺成网络、监测的话，部署是个问题。这是IoT特别好的一个场景，这块使用微软IoT Edge技术，它基于容器的。
但是实际的训练模型是在后台做的，我在VS Code加上Docker，再打包推到容器的注册器里。在Edge有个配置，可直接从这拉过来后运行。
在这个过程中，如果管理成千上万的设备怎么办？云端IoT Hub负责管理设备、分发不同的消息、设备到云端消息的收集。
业务应用上，我们先做报表，让人能看得见温度的变化。然后通过实时的数据源方式把数据直接推过来，这使用到Azure Function技术，即Serverless的编程模式。如果有新的消息上来的话，可直接推流推到这里来，实时显示不同人的温度，还可以预警。
另外，我进行了一些优化，考虑到小区保安可不用一直呆在原地，有事提醒即可。我通过PowerPlatform里面两个元件，一个是flow，收到一个消息，然后发出可推送到手机上查看，前端安装PowerAPPs，假如有了警报就直接推过来。目前已在我的手机上部署上了。
将报警推到手机之后，可提醒用户做二次检验，因为它不会像红外探测器准确度那么高，可以把域值稍微设低，它一有报警的话，可人工做二次检验。这就完成了MLOps的闭环 ，这是最关键的点。
我们中国台湾技术团队研发出是否戴口罩的检测应用，这个功能在这上面很容易实现。除了自动AI外，还可以在认知服务API，直接上传照片，让它做分类。如此一来，我各挑选十几张戴口罩、没戴口罩的图片，训练出一个模型来判断用户是否戴口罩，要是没戴口罩，还可提醒用户戴口罩。
未来大家认为AI的机遇有哪些？
现在面临一个大的升级：从移动应用时代进入到AI应用时代，那么如何去发现周围的AI应用？现在我们周围的AI应用有很多，如搜索、今日头条等。
我们预测AI应用数据将从现在的7%上升到20%、30%、50%，可能在3到5年内完成，上升一半的数据。你会发现你周围的AI应用从10个变成了100个，呈10倍数的增长。
：AI已经开始进入应用的快车道。在开发应用时，如何用现有的工具让算法顺利运行？让开发者聚焦在解决商业问题上，这个模式从没变过。CSDN的“百万人学AI”活动是为了鼓励开发者找到真正的商业问题去解决，然后知道AI适合在什么地方。
我基本就这观点：当下是时候该进入AI应用了，但要搞明白它适用什么、不适用什么。
我建议大家不要去追那个词汇 。举个例子，朋友问我AI不是有“连接主义”、“符号主义”？
我说你要是读经典的机器学习书籍的话，本身不存在“连接”跟“符号”，它是演绎推理跟归纳推理的本质区别，是结合在一起来用的。
我建议大家，借此机会把数学温习，把具体的商业问题再了解透彻，然后用先进的技术、能力，未来我觉得很少人再去使用一个不理解人的交互或者意图的应用，这样的应用也会越来越少。
RPA（机器人过程自动化）概念很火，有人说“RPA会集成到各个行业中去”，对此，大家怎么看呢？
RPA核心就是流程自动化，我经常说“一叶落而知秋之将至”，RPA火爆的原因是商业流程再造。RPA是把算法的能力放到流程利自动化。原来做BPR时用基本的流程再造和一些IT能力变成BPR，现在把BPR加上AI就是RPA。
PRA的核心就是PA，Process Automation，那个R（Robotic）是说它可以用AI的技术做非结构化数据的结构化。
PRA最开始是企业审计用的，它面临的问题是大量线下的物理表格数据转换成数字化的数据，这个事是需要解决的。想用自动化的方式把数据采集上来，这是RPA最开始解决的事。
微软的Power Automate里包含RPA功能。所以我不认为RPA是新鲜的词语，是过去的管理思路+现代技术而成的。
这是商业驱动的，在国外现在最红的是UIplus，它在国内现在发展也还不错，我们正在谈是否要举办PRA大会。
在国外经历了BPR等的洗礼，所以它发展得很快。
国外是经历了一轮的IT实施，它存在很多遗产系统，这些系统要想过渡到新的东西，要么把它重写，要么面临把它封装集成，此时RPA也起到一定的作用。
，由微软主办的以“数字转型加速度”为主题Microsoft Online Tech Forum 微软在线技术峰会，亲自带队，汇聚 位全球顶级技术大咖、产业界领袖组成讲师天团，全方位为你解读数字化转型的干货经验！
还等什么？
想提前了解大会详情，可加小助手微信，回复“”，免费入群交流：