小样本撬动大算力，打破AI最后一堵墙

亿欧网

不可否认，AI仍然是当今商业追捧的热点。Chat GPT的横空出世再次将AI推上了新的热潮，紧接着，各家纷纷推出新品，搭上AI顺风车，掀起一阵“百模大战”。一年过去，AI热度依旧不减，而大秀肌肉的新老企业，有的惊艳一时，有的沦为谈资。当潮水逐渐褪去，技术追赶进度如何？商业化是否落地？以及最本质的，企业如何在大浪淘沙中沉淀下来？一条专注小样本技术的AI赛道引发业内的关注。小样本技术摆脱了传统AI赋能所需的大样本大算力的模式，以小样本低算力低成本的方式快速落地智能化应用。

技术筑牢护城河

人工智能的发展离不开人工标注数据集的监督训练，然而随着实际任务的扩展，瓶颈也愈加凸显。一方面是数据的变化，任务数量指数级暴增与非结构化数据的增加，导致成本增加以及人工标注愈加困难。据统计，中国数据量规模到2027年将增长至76.6ZB，年均增长速度CAGR达到26.3%，为全球第一。另一方面是方法论的迭代，面对新的方案和任务现有模型和监督方法需要更新。

“GPT的火爆已经体现了自然语言处理领域的技术突破，其中自监督技术和语义特征嵌入技术在其中发挥了至关重要的作用。然而图像识别的能力尚未体现。”某人工智能企业CTO表示。

世界嵌入理论（World to Embedding，简称 WTE）通过定义一种可以表示原始图像、视频以及带有标注的数据源的通用格式，能够有效降低对人工标注数据集的依赖，允许模型直接从像素级信息中学习和处理数据，进而克服了传统监督学习方法的限制。

当前，人工智能的一大要点便是需要大量样本去学习训练，然而许多异常现象的样本，天然具有稀缺性。没有样本训练不出模型，没有模型便识别不出异常，从而陷入死循环。为应对这一挑战，基于WTE理论，发展出了小样本目标识别和无监督异常检测这两大核心能力。

小样本目标识别计算机视觉任务，可以利用有限的训练数据检测图像中的物体，且识别率高、识别响应快。譬如，传统工业场景中通常依靠人工观察装配过程中异常，如螺丝松动、管道交叉等，然而人为疏忽则很容易导致错判。结合小样本目标识别可以不仅准确识别零部件，还能给出其位置和类别（如：尺寸、形状、方向等）

无监督异常检测则为无需人工干预的智能下游开辟新的途径，它可以仅仅通过对正常数据的学习来实现对异常数据的识别。譬如在航空领域中，面对叶片缺陷检测这类样本稀缺的场景，该算法也可以训练出高精度模型，从而满足行业需求。

事实上，小样本技术一直是行业中的热点，然而当前大部分处于学术探索阶段，尤其是在图像识别领域。

小样本目标识别技术的原理

商业落地是关键

对于AI行业而言，泡沫必然存在，但泡沫总会爆掉。而生存下来的企业便是找到了应用场景和商业模式。

亿欧智库发布的《2023中国AI商业落地投资价值研究》也指出，中国的人工智能企业开始进入成长扩张期，AI产品及服务逐渐向“市场买单”的方向发展。

然而，对于不少AI企业而言，一方面面向传统场景的不确定性和需求的碎片化，另一方面AI算法的适应能力或泛化能力不够。如何弥合技术与需求场景的鸿沟尤为急迫。具体而言，AI落地主要面临以下难点：

1. 专业知识障碍。行业专家不懂AI，AI专家不懂行业；

2. 样本难点。模型训练需要大量的良好的数据，而当前AI训练样本分布的不一致、样本稀缺、样本标注工作量大都是拦路虎；

3. 算法难点。AI相关算法的开发需要对计算机算法、数据等有深入理解的算法工程师才能进行；

4. 工程复杂。训练模型需要涉及多个角色和岗位，如何协调管理这些人员是一大挑战。

小样本技术的应用可基于两大洞察：一是同人对比。人天生具备把陌生物体从环境中区分出来的能力，或者能够清晰地把物体的边缘轮廓描述出来。这也可以看作人类的小样本能力，即零样本能力；二是当算法具备这一能力后，在实践过程中，又会遇到采集样本、清洗标注等一系列的难题。于是，结合小样本技术能力，相关产品可以将模型训练的整个环节全部集成至一个平台，实现自动化。“

换言之，在一些细分行业中需要解决一个场景问题，往往会涉及到专业技术知识、长期从业经验和对场景的深入理解。而AI开发人员通常不具备这样的能力。通过一个代码、低门槛、易操作的平台，则可以完美结合双方能力去创造一些原先无法完成的算法，用智能化的手段帮助用户实现降本增效。

打破AI最后一堵墙

AI行业日新月异，现阶段已迈入深水区。面对持续的行业变化，作为一家人工智能公司，从本质上讲，提供的不仅仅是一种技术解决方案，更是一种模式转变。向更高效、更具协作性和适应性的人工智能部署转变，使企业不仅能驾驭当今复杂的人工智能环境，还能在各自的领域蓬勃发展、不断创新并创造价值。

Chat GPT的火爆离不开它大大降低了AI的使用门槛，让AI不再是束之高阁的科技噱头，而是嵌入日常工作生活的实用工具。企业应致力于打破专业行业人员和AI的壁垒，解决样本、算法和算力这三大核心问题，从而大幅降低成本、提高效率、持续改进质量，开辟新的机遇之路。

来源：中科智云

【欢迎交流】

亿欧 分析师 冷倩倩

邮箱：lengqianqian@iyiou.com