全球最大的芯片设备制造商应用材料公司（Applied Materials）称，到2025年，数据中心将消耗全球15%的电量。目前，超大型数据中心消耗全球2%的电量。

应用材料公司首席执行官加里迪克森（Gary Dickerson）在Semicon West的主题演讲中说：“人工智能有可能改变一切。但是，人工智能具有致命的弱点——功耗，如果使用当今可用的技术来完成神经网络训练将非常耗能。功耗问题不解决将会阻止人工智能发挥其潜力。”

大量新设备正在接入互联网，生成大量数据，并且越来越需要借助人工智能提供的算力来理解这些新信息。“大多数使用应用材料设备的芯片制造商已经在努力使其电子组件的制造更加节能，但还不够。”迪克森说，整个行业需要提出针对AI处理全新的定制设计以及连接这些芯片的法。

使芯片发挥功能的微型电路的宽度以十亿分之一米（纳米）为单位进行度量。但是要快速移动和存储数据，它们需要消耗大量的能量。比如，英特尔的高性能至强处理器可能需要200瓦以上的功率，这相当于老式的便携式电子管电视的功率。

将数千个这样的处理器紧密地放置在一起，并将它们与制造服务器所需的其他组件组合，电力的消耗也将增加。应用材料的首席执行官承诺减少公司的电源消耗，并在制造和材料方面进行创新帮助客户制造更高效的组件。

一个例子是，一种在真空中生长钨原子的技术，可以使芯片的各个部分之间更有效地连接。Dickerson承诺，在未来10年内将100%利用可再生能源，并将碳足迹减少50%。他说，即使是相对简单的做法改变也能有所帮助。一名工程师从美国飞往亚洲，将产生约2吨的二氧化碳。

地平线联合创始人兼副总裁黄畅在雷锋网去年的一场活动中也指出，数据的传输，不管是有线还是无线，从成本功耗和技术的架设来看，成本并不低。AI普惠化和民主化的背后，数据计算催生巨大的能源消耗。

黄畅表示，2017年遍布中国的中小数据中心消耗电量比三峡大坝的发电量还多，等量的碳排放量甚至比民航中心的碳排放量多一倍，两倍于民航的碳排放量。全球最大的数据中心将座落在北极圈，功率超过1000兆瓦。

今年，黄畅还将出席由中国计算机学会（CCF）主办、雷锋网(公众号：雷锋网)和香港中文大学（深圳）承办的 2020 全球人工智能与机器人峰会（简称 CCF-GAIR 2020）的AI芯片专场，分享更多AI芯片的干货。

低门槛的AI平台正在成为一种趋势

来源：雷锋网

做AI驱动的公司，还是做驱动AI的公司，这是一个问题。

所谓AI驱动的公司，指的是某个或者某些业务通过AI赋能，业绩大幅提升的公司，比如各大金融机构、大型医疗企业等AI+公司；而所谓驱动AI的公司，是以提供AI技术或者服务为生，提高企业智能化比例的公司，也可称为人工智能技术与服务提供商。

随着人工智能服务提供商快速的“攻城略地”，受AI驱动的公司越来越多。但仍有大量企业没有接触或者还未深入应用人工智能，根据麻省理工学院（MIT）访问学者李大维的一份报告，只有32%的中国企业在数据和商业应用方面应用人工智能。智能化之路任重道远。

目前，阻碍众多企业进一步智能化的的因素在于，AI系统或者平台的使用门槛过高。如何将AI的使用门槛降低，让更大范围的人群也能接触和使用AI，成为人工智能技术与服务提供商以及需要AI赋能业务的企业绕不开的一个难题。

对此，雷锋网「AI金融评论」采访了人工智能技术与服务提供商——第四范式合伙人/副总裁柴亦飞，他向我们讲述了AI在金融领域的落地情况和近期AI在金融方向的一些行业动态。

以下为柴亦飞的口述：

银行的AI“新需求”

在选择做「AI应用」，还是做其背后的「AI平台」之间，第四范式选择了「AI平台」，将目标客户定位在那些需要通过AI实现智能化转型的企业。企业客户可以在我们的「AI平台」上，自己造出10个、100个甚至1000个「AI应用」。

近两年，我们发现银行等金融客户的需求有了一些新的变化。

此前，金融机构会比较在意我们提供的AI系统的功能和效果，现在他们也关注它的使用门槛。

一直以来，AI一直由学过建模的专业数据科学家来操作，门槛很高，极大地影响了AI的产能。而随着AI在金融机构的普及和规模化应用，头部银行开始希望熟悉业务、但没有学过建模的非计算机专业的员工，也能操作我们的AI平台来开发AI应用。

第四范式基于自动机器学习技术（AutoML）将机器学习建模的过程自动化，相比原来靠建模科学家「手动建模」，AutoML让机器自动建模、迭代，跑出效果。根据模型AUC指标，我们发现AutoML的建模效果，并不比人工建模的差，甚至比专业的建模科学家做的还有提升。此外，自动化也节省了大量开发时间，比如某客户在做高危客户流失预警模型时，只要用原来1/40的时间就能跑出模型。

第四范式希望以一个低门槛、低代价的AI平台，让没有机器学习背景的人也能开发AI模型，帮助企业客户在更多重要场景上做AI应用尝试。实际上，这种设想已经在很多大型银行里真实落地，而且越来越受市场欢迎，这是我们近来发现的一个新变化。

“大众化”的三种方法

当然，降低企业客户使用AI的门槛，绝非易事，需要多种方案齐头并进。

首先，是人才的门槛，这是企业在AI应用中面临的普遍问题。现在我们看到大部分银行不会只投入一两个AI应用，他们有几十个甚至上百个AI应用的需求，但核心问题是，这些AI应用需要数据科学来构建，但传统企业并没有足够的AI人才。去年Gartner在AI应用现状调查报告中也提到，AI人才的匮乏，是目前企业进军AI的首要挑战。

上面我们提到AI的规模化需要让非机器学习背景的业务人员或者是开发者也能开发AI应用。然而JAVA工程师会说没办法做到，因为人工智能太难了。这也是为什么我们投入非常多的精力与时间去降低AI平台的使用门槛，目前开发者在经过简单学习后，也能在我们的平台上构建足够好的AI模型。

其次，是数据的门槛。现今很多企业都存有一定的数据，而这些数据是通过BI（商业智能）的方式收集的。BI以图形和报表的形式呈现，是给决策层的管理者看的，不能简单地直接用于AI。但是客户或者一些帮客户做AI应用的公司，本身没有太重视这个问题。最终，在线下用离线数据建造的模型效果很好，但是上线后，常常出现各种问题，这是因为AI不同于BI，需要大量完整的、形成闭环的数据，因此构建一个专门的面向AI的数据治理体系，也是十分重要的。

最后，是成本的门槛。顶尖的互联网公司，每年都需要有很多服务器来支撑AI业务，甚至会花费上百亿，但很少有公司能够承受这么大的成本。AI是硬件和软件深度融合的体系，我们发现采用软件定义算力的方式，不止性能会提高，成本也会大幅降低。

十倍增效的「AI方法论」

现在，人们从怀疑AI是否真的有价值，转而思考AI提供的价值是否能给企业业务带来质的飞跃。

比如在金融机构，前些年，大家应用AI比较多的是传统的营销场景，即通过短信、电话进行精准的理财产品推荐与营销。一些营销类的场景在应用AI之后，成功率/转化率能能提高10%到500%。

近几年，一些银行开始做智能风控场景，以交易反欺诈、申请反欺诈的业务为例，效果也很喜人。在反欺诈这一领域，做得优秀的银行比不太重视的银行水平要高出很多。而过去在反欺诈领域做得好的银行，他们的反欺诈系统应用了人工智能之后，效率提升能达数十倍，最终给业务带来了质的改变。

随着一些传统的线下信贷转变成了线上的信贷业务，风控的业务越来越复杂，数据复杂度和场景复杂度都在提升。而智能风控对于复杂多变的场景有很强的模型精准度，优势也越来越明显。

目前，很多银行在智能营销、智能风控等领域已经展开了诸多探索和落地，AI正在进入一个比较成熟的应用阶段。

银行的“思”与“变”

银行也正在面临着非常复杂的竞争局势。不仅仅是同业的银行想要“争地盘”，甚至要与互联网公司、金融科技公司等互相博弈。现在大部分用户已经不去线下网点了，如何投身于互联网大潮，争夺线上“蛋糕”成为首要目标。用户在线上的行为、兴趣点、使用时长、消费场景等信息的授权获取，数据又如何转化成实实在在的业务价值，是当下所有银行都在思考的问题。

在这个过程中，利用人工智能技术，可以对用户数据进行分析与挖掘，建立超高维模型，实现对每一个目标用户的精准刻画，提升其线上体验。这与以往传统的BI模型通过标签将用户进行简单分类的方式截然不同。

对金融机构来说，用户留在机构内的相关数据将是极具价值以及区分度的信息。利用人工智能等手段对客户进行精细地刻画，进而采取差异化、“千人千面”的行动，实现多业务、跨场景、全链路的精准营销和运营，与客户建立更深刻的联系，正在成为金融机构的主要发力点。

对于为金融机构提供AI服务的企业而言，有的在做定制化的服务，有的专注于标准化产品的开发。第四范式目前除了AI平台的工作之外，也对一些AI落地方法论十分关注，包括如何推动银行建设更底层的AI基础设施、如何提高数据管理和治理体系的效率等，这方面的工作可能比我们上线一两个AI的场景应用，价值更大。