技术重构社会供应链-未来科技趋势白皮书.pdf

/12021/1/5/4技术重构社会供应链 未来科技趋势白皮书数字化发展是社会现代化建设的新趋势。2020 年，“十四五”规划首次将数字化纳入产业体系，强调推进数字产业化和产业数字化，推动数字经济和实体经济深度融合。数智化社会供应链是推进产业基础高级化、产业链现代化的有力抓手，是发展社会数字化的坚实基础。为构筑具有数智化、全链路和社会化三大特征的数智化社会供应链新型体系，产业需要以人工智能、物联网、区块链、自主系统、下一代计算等技术为基础，以零售、健康、物流、金融、城市等全场景为驱动，连接和优化社会生产、流通和服务的各个环节，实现社会数字化转型。京东是一家以供应链为基础的技术与服务企业，秉持“技术为本，致力于更高效和可持续的世界”的使命，提出基于技术、产业、生态的新增长飞轮“TIE”，通过数字协同和网络智能，充分发挥数智化社会供应链能力，在未来十年持续推动赋能实体经济、提升社会效率、促进环境友好三大长期目标，以创造更大的社会价值。京东数智化社会供应链包含了商品供应链、服务供应链、物流供应链和数智供应链四个部分。目前，京东已经形成了以数智化社会供应链为核心的技术体系，搭建了多个数智化开放平台，持续优化垂直行业供应链的成本、效率与体验，实现从消费端到产业端价值链各环节的整体优化与重构，有效调动各价值链环节的社会化资源，提升敏捷响应与匹配效率。本白皮书选取了人工智能、物联网、区块链、自主系统、下一代计算等关键性技术，进行技术洞察与发展分析预测，旨在分享京东集团在技术前沿探索方面的最新成果，期待与工业界、学术界同仁们进行深入交流，共谋技术发展之道，为业界的技术变革与商业创新带来启发。京东集团希望不断探索技术创新，发挥示范作用，将已有零售、物流、金融等领域的一体化优势充分向社会开放，连接更多传统行业，实现产业升级和数字化转型，促进数字新经济发展，带动全行业、全社会的供应链效率提升。京东科技探索之路永不止步。Introduction引言/1/6技术重构社会供应链 未来科技趋势白皮书ONE1技术进步推动数智化社会供应链新业态Contents目录版权声明 引言1 技术进步推动数智化社会供应链新业态12 五大技术发展新趋势10 人工智能：智能链接世界，构筑人机和谐11 物联网：发展物联计算，构筑数字孪生供应链29 区块链：信用基础设施，通往共享共建的新社会生态42 自主系统：智能自主服务，推进人机柔性融合57 下一代计算：云边端协同的智能计算71 3 技术赋能数智化社会供应链新业态89 智能零售：全场景、全渠道构建社会经济增长新动能90 智能健康：数字驱动，重构健康医疗服务新模式104 智能物流：自感知、自决策成就社会资源匹配最优解120 智能金融：以人工智能为核心，共建金融普惠生态134 智能城市：用人工智能和大数据打造智能城市153 4 卷尾语1865 参考文献189/3/2技术重构社会供应链 未来科技趋势白皮书随着科学技术与社会数智化的发展，社会经济形态发生了重大改变，以数智化社会供应链为支撑的数字经济，推动了社会经济进入信息、知识、科学技术融合发展的社会经济新业态。数智化社会供应链通过人工智能、物联网、区块链、自主系统和下一代计算等技术，连接和优化社会生产、流通和服务各个环节，实现社会管理、经济、民生、生态与基础设施五大体系各个环节的高效运行，创造高效、公平、和谐的美好社会。在过去互联网数十年的发展中，数字化进程主要集中在消费互联网，而未来伴随着国家政策的导向与数字技术的创新，新兴科技将向传统产业渗透，产业数智化将成为拉动经济增长的核心动力。根据市场调研机构 IDC（International Data Corporation）的预测，到 2022 年，全球 65%的 GDP 将由数字经济推动；到 2023 年，全球 75%的组织将拥有全面的数字化转型路径图；到 2025 年，全球 75%的企业领导者将利用数智平台与生态能力，重构和提升自身价值链。产业互联网与消费互联网的协同共振将成为未来十年发展的主旋律。中国信通院的研究显示，截至 2019 年，中国数字经济增加值已达 35.8 万亿元，占 2019 年中国 GDP总值的 36.2%。如何在未来十年抓住智能化机遇，促使数字经济带来的社会经济增长最大化，是每个国家、每个行业，乃至每个企业都关心的话题。图 1.1 2016-2019 年中国数字经济增加值变化中国国际经济交流中心副理事长、国务院发展研究中心原副主任王一鸣指出：未来以国内大循环为主体，需要从供、需两个方面把握新发展格局，使需求牵引供给，供给创造需求，在这个基础上形成更高水平的、动态的平衡。在需求端，要确保国内消费持续扩大和升级；在供给端，要实现科技自立自强。如果供应链、产业链和技术水平不高，终端产品就很难有竞争力，因此供应链体系建设对构建新发展格局有着重大意义。京东作为以供应链为基础的技术与服务企业，一直秉承先进技术驱动业务发展的理念。京东业务 2004年从线下转入线上，解决了交易效率提升的问题。2007 年开始，京东开始在供应链上持续投入，通过打造自有物流体系，解决了产业效率提升的问题，支撑了京东业务持续创新发展。京东认为供应链效率的提升，可以建立数字经济下供需发展新格局，是推动数智化社会进一步发展的基石。为此，京东提出了“数智化社会供应链”这一新型供应链概念。数智化社会供应链利用数智化技术，连接和优化社会生产、流通和服务的各个环节，降低社会成本、提高社会效率。数智化社会供应链具有数智化、全链路和社会化三大特征。其中，数智化旨在通过数字协同和网络智能，持续优化行业供应链的成本、效率与体验；全链路则是实现从消费端到产业端价值链各个环节的整体优化与重构；社会化旨在通过开放平台，有效调动各价值链环节的社会化资源，提升敏捷响应与匹配效率。01数智化社会供应链发展背景与关键技术/5/4技术重构社会供应链 未来科技趋势白皮书中国国际经济交流中心信息部副部长王晓红教授认为，数智化社会供应链体系有效促进了产业链上下游的融合互动性，提升了供给侧与需求侧的信息对称性，以及产品和服务的适配性，帮助制造端企业实现降本增效、以需定产、有效资源配置，加快实施数字化转型。随着数字覆盖面的扩大，智能技术的广泛普及，创新型服务的爆发式增长，数智化社会供应链将会实现 5 个 Deep（5D）属性：Deep Tech（深度技术）、Deep Connectivity（深度链接）、Deep Data（深度数据）、Deep Intelligence（深度智能）和 Deep Purposes（深远目的），提升数字社会的经济价值。图 1.2 数智化社会供应链定义图 1.3 数智化社会供应链三大特征及 5D 属性5D 将重构社会经济格局，其中，Deep Tech 通过基础设施、传感、通信、计算等，保证数据有效、快速、完整的获取、传输和计算；Deep Connectivity 指各类社会软硬件及设施、供应链上的不同环节以及不同供应链之间高度互通的深度联接；Deep Data 实现对供应链各环节的数据抽象和详尽的描述，对完整供应链进行数据建模；Deep Intelligence 通过算法的不断演进，实现数据价值的变现，从感知智能迈图 1.4 五大技术成为推动 5D 属性实现的关键因素向认知智能；Deep Purposes 最终实现对客户、对伙伴、对员工、对社会的深度服务。Deep Tech 是Deep Connectivity、Deep Data 以及 Deep Intelligence 实现的基础，通过 Deep Connectivity 实现数据的全链接，推动 Deep Data 的发展；Deep Connectivity 实现万人万物互联，Deep Data 实现数据完整透明，推动 Deep Intelligence 的实现。最后，Deep Tech、Deep Connectivity、Deep Data、Deep Intelligence 共同推动 Deep Purposes 的深度实现。未来十年，人工智能、物联网、区块链、自主系统、下一代计算是推动5D属性实现的关键技术。人工智能将在机器学习、机器视觉、自然语言处理等领域的基础理论和关键技术取得重要突破，从而加强 AI 的可信赖程度，人工智能的“头雁”效应也将得到充分释放。通过 AI 技术的演进，世界智能化程度将不断提升，最终深察世界，实现人机共生。物联网设备、5G 通信技术、以及边缘计算技术的发展将使物联网实现跨越式普及，数字孪生世界将成为可能。自此，物理世界与数字世界的融合，并保持同步运营可以更好地促进信息在两个世界之间的流动，人、物以及服务的自由交互将促进工业化与信息化的融合。区块链的共识机制、分布式存储、安全保护在保证数据可信可靠传播中扮演着重要的角色。区块链的发展将构筑以互信合作商业模式为主的数智化供应链新模态，形成人与人之间完全信任、共享共建的新社会生态。在复杂开放场景下，感知技术、定位导航技术和边缘智能技术实现了自主设备间的智能协同。自主系统将进入高级自动化和自治时代，人脑、云脑、端脑与生物体、数字体、机械体融合共生，达到人机柔性智能融合。/7/6技术重构社会供应链 未来科技趋势白皮书数智化社会供应链包含商品供应链、服务供应链、物流供应链和数智供应链四个有机融合的部分。5D属性精准匹配了数智化社会供应链的每一个环节，从宽、深、厚、长、虚五个维度为 C 端、B 端及 G 端客户创造精准的价值，最终实现数智化社会供应链服务社会的 Deep Purposes。02数智化社会供应链的发展路径图 1.6 数智化社会供应链实现方法第一是“做宽”，即“国内+国际”的供应链体系；第二是“做深”，即“商品+服务”的供应链体系；第三是“做厚”，即“ToC+ToB”的供应链体系；第四是“做长”，即产业全链路的供应链体系；第五是“做虚”，即“物理+数字”的供应链体系。基于以上五个维度，以人工智能、物联网、区块链、自主系统、下一代计算为驱动，数智化社会供应链将围绕降本增效、体验优化来突破新的生产率边界。技术进步是推动行业供应链达到新的生产率边界的关键因素。本白皮书将结合技术发展趋势及京东集团的主营业务，洞察人工智能、物联网、区块链、自主系统、下一代计算五大关键技术发展趋势，分析技术对数智化社会供应链 5D 属性的影响及其对零售、图 1.5 五大技术发展形态在下一个十年，计算场景多元化和下沉，海量数据的产生和处理需求不断提高，人工智能是重要的驱动力，云边端是重要的计算框架。下一代计算具有多场景、安全、云边端协同一体化的特性，成为数智化社会的重要基础设施。数智化社会供应链以上五大技术为依托，支撑社会生产、流通、服务的数智化、社会化及全链路发展。/9/8技术重构社会供应链 未来科技趋势白皮书图 1.7 生产率边界推动方式图 1.8 数智化社会供应链发展关键技术赋能业务概览物流、金融、健康、城市五大业务的支撑作用，探讨技术推动产业供应链各环节数智化升级及产业变革的实施路径。本白皮书将分为技术发展趋势与技术赋能业务两大部分，旨在洞察技术未来发展趋势与未来各行业业务形态的变革方向。下述技术能力概览图呈现了五大技术如何作用于供应链各环节，并展示了数智化业务的变革趋势与落地方向。/11/10技术重构社会供应链 未来科技趋势白皮书TOW2五大技术发展新趋势人工智能旨在了解智能实质，让机器通过视、听、读等学会分辨事物、理解人类意图，并能通过对环境的感知采取合理的行动，最终构造出能够像人一样感知、认知、决策的类人智能系统，涉及机器学习、机器视觉、自然语言处理和机器人技术等技术。目前人工智能技术表现出来的更多是“人工的”智能，依靠人工帮助机器拓宽可学习的规则及数据的边界，依靠学习算法来适应尽可能多的场景变化。虽然此类方法尚未赋予机器完全的认知智能或决策智能，但已经在多个行业及应用场景产生了商业价值，明确的商业价值为人工人工智能：智能链接世界，构筑人机和谐01人工智能技术背景/13/12技术重构社会供应链 未来科技趋势白皮书2.1 技术发展趋势人工智能先驱、图灵奖获得者 Yoshua Bengio 在 NeurIPS 2019 大会报告中讨论了人工智能发展的方向。他肯定了人工智能已经在“听、说、看”等感知智能领域达到甚至超越人类水准，但在外部知识、逻辑推理以及领域迁移的认知领域的发展还处于初级阶段。认知智能将从认知心理学、脑科学中汲取灵感，并结合知识图谱、因果推理等技术，建立知识表示、推理的有效机制，实现从感知智能到认知智能的关键突破。机器学习：关注如何用计算的方法从历史经验中模拟类人学习行为，获得类人能力，是目前增强人工智能的重要方法之一机器学习按照学习方式可分为监督学习、无监督学习、半监督学习、强化学习。结合传统机器学习方法，以神经网络为基础的深度学习是近 10 年机器学习领域发展最快的一个分支，新的方法层出不穷。随着芯片算力的提升以及可采集数据量的急速增长，服务于深度学习的神经网络计算系统和体系架构也得到了飞速的发展，机器学习模型的复杂度逐渐提图 2.1 2018-2022 年中国人工智能赋能实体经济市场规模在人工智能由感知智能向认知智能发展过程中，机器视觉技术是“视”发展的关键技术，机器既要能够分辨标准化的图像数据，也要理解复杂开放环境下的场景特点。语音语言等自然语言处理技术是“听”、“读”、“说”发展的关键技术，机器除了需要能够识别语音外，还需要掌握语义表示、理解用户意图、进行知识推理，以达到人机交互的目的。因此本章节对人工智能的阐述聚焦于机器学习、机器视觉及自然语言处理三类主流技术，通过分析三类技术的发展变革趋势，洞察技术落地应用前景和未来价值所在。智能行业带来了更多的资本投入，使人工智能得以持续高速发展。未来人工智能主要发展的方向为无监督/自监督学习、强化学习、复杂开放场景下的智能识别等，将通过基础理论和技术的发展推动可信赖 AI、多模态与跨领域识别、认知推理、自主学习等领域的性能提升，为更多行业及应用场景带来颇高的商业价值。02技术发展趋势及发展挑战/15/14技术重构社会供应链 未来科技趋势白皮书高，模型学习的效果也不断提升。另一方面，随着新场景新问题的不断出现，结合特定场景的机器学习范式也不断被提出，代表了未来机器学习发展的方向，例如迁移学习、对抗学习、分布式学习、元学习、联邦学习、可解释学习、轻量学习和量子机器学习等。数据维度上，通过半监督、无监督和强化学习降低人工标注成本：监督学习利用大量的标注数据来训练模型，利用模型预测未知数据的标签。但在现实世界中，获得大量的带准确标注的样本非常困难。半监督、无监督和强化学习可以部分依赖或者完全不依赖于任何标签，通过对大量数据内在特征的挖掘或与环境的交互反馈，找到样本间或样本与环境之间的关系，通过利用给定数据寻找隐藏结构和联系，进而预测标签，节省了人力标注数据的时间和成本，甚至在某些任务上，可以达到或超越人类的能力。正因为如此，图灵奖获得者、FaceBook 人工智能实验室主任 Yann LeCun 教授也将无监督学习称为“下一个 AI 前沿”。学习维度上，从关联关系挖掘到因果关系推理：深度学习本质是一种数据驱动的学习方法，虽然能够从大规模复杂的高维数据中挖掘出人不易察觉的关联关系，并依此做出相对准确的决策推断，但仍然存在“知其然不知其所以然”的局限。通过探索复杂知识的表示，构建知识与数据协同驱动的建模学习方法，实现学习机理从感知的关联关系挖掘到认知的因果关系推理的进化，能够给出更符合人类认知、可解释的模型决策。方法维度上，机器学习方法朝着多样化发展：以前，机器学习研究主要关注基于统计和规则的通用性方法，随着近年来机器学习理论的不断发展和进步，陆续提出了结合特定场景下的学习方法，例如深度强化学习、多视角学习、元学习、连续学习、终身学习、迁移学习、对抗学习、分布式学习、联邦学习等新方法，显著推动了机器学习理论的发展和应用范围。例如，根据数据的丰富和缺失程度，多视角学习和元学习已经被应用于解决机器视觉、领域迁移等场景下的技术问题。深度强化学习已经在人机对弈领域，例如围棋、星际争霸等人机对抗任务上大显身手。可以预见，未来十年将会有更多智能程度高、资源消耗低、应用效果好的机器学习方法被提出，例如可解释学习、轻量学习和边缘计算、量子机器学习等，并获得广泛应用。机器视觉：大规模视觉分析识别准确率不断提升，落地于部分实际应用场景，但复杂开放场景的应用尚未广泛铺开机器视觉研究如何使计算机能够像人的视觉系统一样处理并识别数字图像，将图像和视频转换成几何和语言的描述，借助几何、物理、统计和机器学习等理论，完成目标的分类、识别、分割和跟踪，场景的重建与增强、事件的检测等任务。深度学习解决了传统视觉处理中特征提取的人工经验依赖问题，使得机器视觉技术在安防、工业检测、自动驾驶等场景下快速普及。但从更为广阔的场景来看，机器视觉技术成功落地的场景相对有限。目前机器视觉技术致力于提升非限制性场景下的稳定性与跨场景的通用性，以期具有更广阔的落地空间。多模态融合提高分析准确率：各类机器视觉分析任务都存在两个共性问题：应用场景的复杂多样化带来准确率下降，数据规模的上升带来准确率下降。多模态融合致力于将表征视觉对象不同类型的数据映射到同一公共空间，实现各类数据的互补融合，对事物进行多角度分析判断，提高下游任务的准确率，从而可以满足更多实际场景的应用要求。从被动感知到主动感知：主动感知即在视觉系统中加入反馈机制，使得机器在视觉感知时可以自主选择。生物视觉由于具有主动选择的能力，所以其在视野、分辨率、三维感知与能量消耗方面得到了较好的平衡。机器视觉在从被动感知向主动感知发展的过程中，需要在机器视觉系统中考虑上述生物视觉的平衡，实现从感知、响应到行为的闭环。通用型视觉学习：通用视觉学习技术旨在突破单个视觉任务单个解决的静态训练的桎梏，打造能跨越不同视觉领域和任务的通用动态模型，实现零售、物流、金融等场景下跨不同领域之间的自动游移和跨越任意空间的学习。边缘视觉计算：边缘视觉计算技术为各种带有视觉感知器件的设备（如手机、行车记录仪、安防摄像头等）赋予视觉计算能力，使之成为新一代智能设备，通过与硬件厂商合作，为不同应用开发定制化的边缘视觉硬件产品，通过边缘视觉设备对物理世界多模态信息的实时感知和深入理解，为零售、供应链、城市管理、灾备应急等场景提供货物、车辆、人员搜索服务。自然语言处理：超算力大规模表征学习推动可解释认知，助力拟人化人机交互技术，提供可信赖服务自然语言处理是人工智能皇冠上的明珠。自然语言处理旨在将人类语言转化成机器可处理的形式，借助机器完成分类、匹配、生成以及对话等任务。随着算力的提升和数据的不断积累，基于深层神经网络的模型展示出了巨大潜能。目前，语言表征学习作为自然语言处理的基础，得到了广泛的关注，出现了一系列基于自监督的预训练语言模型，极大地提升了下游任务的性能。此外，知识与数据的结合将驱动模型的可解释认知能力的提升，将成为主要研究方向，助力拟人化人机交互技术不断提升，进而为可信赖服务型 AI 的落地夯实基础。超大数据上的自监督学习：目前以 GPT-3 为代表的语义理解模型，通过暴力美学进一步证明了“熟读唐诗三百首，不会作诗也会吟”的概念不仅适用于人，同样适用于机器。目前，在超大规模自然语言数据上可以开展自监督学习，在多个自然语言基准测试中取得当前最好的性能。这些表明了自监督学习在超大数据量下强大的自我探索学习能力，推动自然语言处理技术向前迈进了一大步。但其在上下文理解等测试环节中，依然逊色于依靠标注数据及精调的模型，这表明自监督学习在无人工干预下仍存在一些应用限制，因此如何训练自监督学习模型更好地理解语义，为机器赋予知识学习能力是目前自然语言处理技术的发展趋势之一。知识与数据结合驱动：自然语言理解从本质上来讲是从无结构序列中预测有结构语义。预测是建立在对语言结构分析的基础上，涉及很多相关的任务，比如词性标注、命名实体识别、指代消解、依存分析等。虽/17/16技术重构社会供应链 未来科技趋势白皮书2.2 发展挑战发展可信赖的 AI在 2019 年乌镇世界互联网大会上，京东提出可信赖的 AI，其包含六个维度。一是体现技术挑战的三个维度：稳健性、可复制、可解释；二是体现人类社会责任与价值的三个维度：公平、价值对齐(技术提供者、使用者和产品应用方都认可产品带来价值)、负责任。其中，稳健性是一个巨大挑战。人工智能模型面临着对抗攻击的挑战，攻击者可以通过修改训练集或测试集的数据误导模型的预测，造成严重的后果。当前深度学习被广为诟病的是其决策过程中的不透明和不可解释性，因此，可解释性也是人工智能模型面临的另一个挑战。图灵奖获得者，贝叶斯网络之父 Judea Pearl 教授认为目前机器学习仅仅是在拟合数据和概率分布曲线。变量的内在因果关系不仅没有被重视，反而被刻意忽略和简化。纽约大学的 Gary Marcus 教授也指出“深度学习不是万能溶剂，只是众多工具中的一种”。虽然他的观点遭到了图灵奖得主 Yann LeCun 和Yoshua Bengio 等众多专家学者的辩驳，但也一定程度地反映了深度学习模型可解释性的不足。开发具有真正意义的智能机器，可解释性是必然要迈过的一道坎。此外，人工智能算法的公平性问题也广泛地引起业界的关注，焦点集中在人工智能系统在做决策时，是否会对弱势群体造成不利的影响。人工智能的发展还面临着很多挑战，例如，如何处理小数据、无数据、噪音数据等情况；如何结合知识信息进行学习；如何突破现有的学习框架；如何解决直观感知问题中的知识推理等。然深度学习显著推动了这些任务的发展，但其本质上是一种数据驱动的语义理解模式，在应用中也暴露了一些问题。在自然语言处理中，融入知识指导，通过知识和数据两者联合更好地理解语义。知识指导涉及知识的大规模表示和建模，知识图谱是其中最主要的形式。可以预见，未来知识图谱将朝着数据规模更大、模态和关系更丰富、更新更加频繁、建模方法更加自动和智能的方向发展。赋能垂直场景认知能力：目前人工智能的认知能力虽然较弱，但在部分垂直领域，不依赖大量常识/知识的机器认知已取得较大进步。例如，在对话系统中，可集成众多最先进的自然语言处理技术，包括理解、记忆、常识/知识、表达、推理等技术。可以预见，针对多轮对话复杂度指数级增长的问题，利用自监督学习和强化学习，未来可以让机器探索更多潜在发展空间，突破监督学习中人工标注的规则限制，让机器能自主学习甚至探索学习资料范围以外的对话空间，不断提升其认知能力。多模态拟人化人机交互：面向复杂自然交互场景，多模态人机交互服务是人工智能的重要技术需求。在深度学习、强大算力和海量数据的推动下，计算机系统从数值计算和信息处理进一步发展成为语音、视觉、文本等多种模态与人类直接交互的人工智能系统，实现拟人化，即在语音识别与合成、视觉理解、情感理解、意图理解、对话决策、文本生成等方面具备类似于或接近于人类的能力。在应用层面上，如智能客服、智能营销、旅游咨询、医疗问诊等场景，可以提供接近于行业专家水准的拟人化服务。突破复杂知识表示学习的局限性知识表示学习是实现机器认知智能的一个关键技术，是知识的重要表示形式之一。知识图谱以图结构的形式描述真实世界中概念或实体之间的关联关系，体现了大规模数据的高度纠缠且彼此相关的特性。人工智能的许多成功的算法都可以理解为表示学习，如概率建模的隐变量模型和端到端的深度学习模型等。然而，由于算法存在噪声大、鲁棒性弱以及高时间复杂度等问题，会影响到表示学习的效率。同时，针对大规模多源异构的图数据，表示学习的有效性、学习效率和可扩展性是目前知识表示学习的主要挑战，需要探索更有效的知识表示方式，实现机器对于知识的完美学习。探索基于海量数据的学习互联网上存在着海量的数据，人工标注数据只是其中的“沧海一粟”。如何从海量数据中挖掘出有效的信息是一个很大的挑战。GPT-3 展现了海量数据学习的巨大潜力，因此在这个方向进行更多探索具有很大的想象空间，可以拓展的工作包括自适应的无监督/自监督学习方法、迁移学习和元学习方法、多模态数据学习方法等。提高复杂开放环境下的识别精度虽然人工智能应用已经呈现增长趋势，但是真正大规模成熟的应用依然屈指可数。在非标准化场景下，人工智能算法的通用性受到限制。从适应性角度来说，算法需要更广泛地运用自监督学习模型，通过基础数据的学习自适应到新的场景中，通过多模态融合和不同模态数据的互补提升整体的识别精度。从算法与工程（场景标准化）设计融合角度来说，工程上重点突出如何将场景设计标准化，算法如何适用于更加具体和聚焦的应用场景，这也是一个重要的技术挑战。鉴于开放世界的复杂性和应用场景的多样性，在实际应用中将有大量的具体工作需要进行推进和落实。/19/18技术重构社会供应链 未来科技趋势白皮书当前人工智能的表现能力主要来自其强大的归纳能力和泛化记忆能力，还没有认知理解能力和逻辑推理能力。在自然语言处理领域，最新提出的预训练语言模型 GPT-3，依据大量语料中词汇出现的统计概率，可以更好地答题、翻译、写文章，还带有一些数学计算的能力，但是其“思考方式”依靠模型体量而不是依靠世界运转的规则。在多方应用场景中，机器归纳能力和泛化记忆能力的持续提升，虽能带来持续的商业价值，但人工智能技术产生巨大变革的关键是赋予机器认知和推理能力，这也是未来人工智能发展的主要方向。在商业落地中，要科学地审视当前人工智能技术的优势和局限，准确把握其发展趋势，确保算法模型与应用场景完美契合，让人工智能技术大规模普及应用。3.1 发展人工智能的理论与技术，让机器更加“智能”知识与数据联合驱动的 AI清华大学人工智能研究院院长、中国科学院院士张钹教授在纪念中国科学创刊 70 周年专刊上发表署名文章，首次全面阐述第三代人工智能的理念，提出第三代人工智能的发展路径是融合第一代的知识驱动和第二代的数据驱动的人工智能，同时利用知识、数据、算法和算力等四个要素，建立新的可解释和鲁棒的 AI 理论与方法，发展安全、可信、可靠和可扩展的 AI 技术。在这一框架指导下，需要深度探索以上四个要素的有效协同方式，推动人工智能理论和技术发展前进。3.2 科学认识技术的优势和边界，推广人工智能技术的应用突破多模态知识融合瓶颈 AI多模态知识融合是人工智能的关键技术，在表征学习、多模态信息融合机制、信息交互建模等方面需要取得技术突破。融合视觉、语音、文本等多模态信息对场景问题建模，实现可解释性的智能推理，解决低资源场景下的建模迁移和新场景下的冷启动建模；面向视觉与语言（图像、视频、文本）的跨模态数据，设计通用的跨模态图像/视频语义特征学习算法以及跨模态高阶特征交互算法；为克服结构差异对多模态表示造成的影响，充分融合不同模态的显著性特征，需要多模态信息及其内外部知识的嵌入式学习方法，建立认知数据支持的深度特征学习机制与关联表示模型。模型压缩和自动机器学习随着 IoT 设备的广泛部署和端侧人工智能的兴起，开展模型压缩和轻量化的边缘计算研究与应用，提升端侧设备的智能化程度，降低资源消耗是人工智能技术落地的重要需求。此外，由于应用场景复杂多样，如何结合业务和数据特点开展自动化机器学习，自动探索与业务场景适配最佳的智能化模型，也是提升人工智能技术可用性的一大趋势。03关键技术点基于超大规模数据学习的 AI目前，拥有 1750 亿参数的 GPT-3 和吃下整个维基百科加一万多本书的 BERT 为代表的预训练语言模型，说明深度学习具备了强大的自我探索学习能力和新场景泛化能力。超大规模数据学习的巨型模型是否是实现通用人工智能的有效途径呢？这引发了学术界和产业界的大讨论。进一步发展超大规模深度学习的理论与技术，构建具有更强通用性和泛化能力的人工智能模型，也是有待深入探索的关键技术点。新型智能计算架构目前学术界和产业界均广泛认识到当前数据驱动人工智能方法的局限性，开始探索各类更“智能”的AI 计算架构。典型工作包括：图灵奖获得者、多伦多大学的 Hinton 教授提出的胶囊网络；模拟人脑工作机理的类脑计算模型，例如脉冲神经网络等。通过探索新型计算架构，解决当前可解释性差、鲁棒性低和资源消耗高等问题。/21/20技术重构社会供应链 未来科技趋势白皮书人工智能技术与应用的深度融合目前对于基于深度学习的方法，人类还没有充分理解其内在的决策逻辑，使得在很多应用上像“玄学”一样，模型调优和优化需要大量的人工干预，不同场景需要定制化的处理技术。人工智能技术与应用的深度融合是一个需要重点关注的问题。对应用场景施加少许影响不大或不难实现的约束，提升其标准化程度，则有可能大幅度地提升人工智能技术在该场景下的可用性。只有理解了机器能力的边界，使应用场景与之适配，才有可能使得人工智能技术批量化大规模落地，通过科学化的工程实现人工智能的商业价值。4.1 商业化落地机器学习机器学习技术赋能供应链的设计、定价、营销、配送等各个环节，打造高度协同、自组织和自优化的智能供应链，进一步提升供应链的协同性、敏捷性和需求创造能力，实现供应链的数字化转型与智能化升级。例如，利用机器学习技术对消费者进行精准解读，将消费者对产品的感受直接反馈到企业生产制造端。由于智能反向定制更加全面高效，将改变整个商品设计行业，大大缩短新品上市周期；利用机器学习技术可以学习用户购物行为，能够实时动态调整商品价格，对比现有的人工定价，智能定价更加精准、可量化且能支持实时定价，将改变线上零售产品的定价方式等。机器视觉机器视觉可广泛应用于生产、流通和服务领域。在工业检测中，机器视觉技术主要用于自动化生产流水线，用于非接触精密零件尺寸测量、产品表面质量检测与监控；在流通领域，用于高速路车牌识别；在服务领域，用于超市条形码检测、上下班指纹考勤、人脸识别考勤、医学影像检测等。同时，在行为监测、生产流程管理以及工业品质量监管等方面有较大的落地前景，人力成本的提升导致企业对此类技术有强烈的需求。此外，结合通用型视觉计算，可以贯通零售、金融、物流场景下的所有计算机视觉相关技术，包括商品图像检索、对象检测、属性识别、文字识别、动作检测与识别等。仅凭借通用的动态模型就可在跨越不同领域、04技术应用及价值/23/22技术重构社会供应链 未来科技趋势白皮书Deep Data：标注数据显著推动了人工智能的发展和应用，随着技术进一步发展，无监督学习等技术将使未标注数据也得到有效利用，推动 Deep Data 的发展。Deep Intelligence:机器通过 Deep Data 实现的多模态融合的数据源，利用更多维度的数据分析判断事物，提高了机器视觉及自然语言处理的识别及分析准确率，推动了Deep Intelligence的发展，使人工智能变得更加智能。Deep Purposes:大数据、人工智能、“数字基建”在各行业的落地、应用，共同实现了 Deep Purposes，让多个行业从人工智能的发展中获得经济价值。任意空间进行学习，提升模型通用性，大幅度降低模型存储和运算消耗。自然语言处理自然语言处理的应用场景非常广泛，比如搜索，客服，翻译，教育，金融，法律，商业智能等，其中的内容生成、机器翻译与智能客服是目前商业落地的主要应用。针对内容生成，它可以赋予计算机像人一样写作的能力，撰写出高质量的自然语言文本，该技术在智能问答、对话和人机交互系统有着广阔的应用前景，最终将有可能改变广告行业、文字创作行业、新闻出版行业等的商业模式。此外，在政务、电商、医疗等垂直领域，鉴于所面临问题相对聚焦和明确，领域限定的任务型机器翻译和智能客服也有较多的落地应用。4.2 技术与 5D 的连接Deep Tech:数智化更多地融合于行业、业务场景之中，极大促进了行业的“数字基建”，达成 Deep Tech。Deep Connectivity：多样化的机器学习方法将促进人工智能在各场景中的落地应用，使人工智能技术与场景需求实现更密切的融合，推动 Deep Connectivity 的发展。图 2.3 人工智能技术及 5D 属性关系/25/24技术重构社会供应链 未来科技趋势白皮书5.1 数据积累深厚，应用场景丰富京东集团依托自身业务，在零售、物流、金融、健康及智能城市行业中积累了丰富的数据，可以利用多维度的丰富数据对机器学习算法进行训练，同时丰富的业务场景可以让算法模型在实际环境中进行测试并优化。目前京东集团已在多个业务场景中应用人工智能相关技术，服务超过 10 亿用户。例如，在今年“京东11.11”当天，京东情感智能客服累计服务 6552 万次，京东智能分析平台调用量超过 1 亿次。京东零售利用智能供应链的技术对 3.3 万个品牌、超 500 万种自营商品进行智能预测、自动调拨和智能履约，保持行业领先的周转效率。京东自主研发了全球首个全流程无人仓上海亚洲一号智能园区三期。京东物流实现中国大陆区县覆盖率 100%，全国 90%区县实现 24 小时达，800 个物流中心，30 座大型智能化物流中心“亚洲一号”，全流程无人仓每日包裹量可达 20 万个，效率达到传统仓库的 10 倍。5.2 言犀：智能人机交互平台，助力客户实现服务数智化升级京东致力于发展智能人机交互技术，成功打造了智能人机产品“言犀”，实现人机交互与人机协同多模式服务。“言犀”是融合京东自身十年客户服务与营销的最佳实践，是业界领先的全链路 AI 能力的服务数智化平台级产品。“言犀”向上承接集团“数智化社会供应链”，即用数智化技术链接和优化社会生产、流通、服务的各个环节，实现降本增效；向下促进技术与业务的协同创新，打造智能人机交互与营销平台，将领先的人工智能技术与业务场景应用深度融合，提供全自研、一体化的产品及服务矩阵，引领行业最佳实践。京东智能人机交互服务“懂业务”，同时“更懂你”。图 2.4 京东集团人工智能应用场景懂业务：面向政企客户人群提出“懂业务”的标签，领先的 KG，结合多年行业积累，理解业务所需：a.帮助各级政府及相关委办局增强公共服务能力，提升实现接诉即办及跨部门的高效协同，为打造服务型政府提供数智化能力支持，帮助公众快速获取有效信息并实时交付反馈，提升公众满意度；b.帮助中大型企业客户，提升客户服务质量、体验，实现降本、增效、提升业务转化，提升企业开源获客能力；更懂你：面向广泛的用户群体提出“更懂你”的标签，京东自研全栈 AI 能力，更好的感知用户的真实意图，情感变化，了解用户的真实需求，并匹配最佳的知识应答，解决用户关心关注的问题，从而提升用户满意度。05京东人工智能技术与应用优势/27/26技术重构社会供应链 未来科技趋势白皮书图 2.5 言犀智能人机交互平台架构5.3“C2M 智能工厂”推动产业数智化转型京东“C2M 智能工厂”通过人工智能、5G、物联网、云计算等技术，把生产、流通、服务整个供应链环节串联起来，把消费者需求传导给工厂，让工厂能够提前预知市场的变化，按照市场的需求来设计研发和生产消费者需要的产品，降低试错成本，提升创新能力和消费者满意度。作为 C2M 智能工厂的新标杆，京东“C2M 智能工厂”所构建的云-边-端协同实施架构体系，用自动化及各类传感设备模拟了人的“手”、“眼”、“耳”和“触觉”，用人工智能算法模拟人的“认知”和智能化生产的执行能力，在边侧提供统一管理的“制造执行大脑”，能够覆盖从需求分析、研发设计、采购供应链、生产制造、质量管理、仓储物流到销售服务全流程的细分环节，为企业实现一站式的数智化赋能。京东“C2M 智能工厂”打造的需求转换平台，将消费端需求，转换为制造端可设计、可追溯、可量化、可定价的生产元素，从而链接制造端研发、管理、生产、运维、服务全流程,实现了消费端与制造端的握手。借助京东“C2M 智造工厂”的柔性生产能力，企业可以拥有快速的供应链反应能力，能够适应消费者个性化的需求和灵活批量的生产要求，实现按需下单、即卖即产，更精准地把握市场需求，一举化解产销脱节、库存积压等难题，达到提升效率降低成本的目的，从而进一步实现制造协同化、服务化、智能化。在生产环节，可以针对现阶段传统人工质检的痛点，即人工耗用巨大、数据无法收集和质检效果不稳定这三大问题，利用人工智能技术来助力柔性生产，实现高精度、易适应的智能质检。在流通环节，可利用人工智能技术赋能