特稿丨平安肖京：AI 的差距、边界、传承

雷锋网按：AI圈向来有个传统，倾向将不同的人按界分类为工业界、学术界等。但真的要给肖京打标签时，我却犯了糊涂。

“做人工智能，一定要尊重业务。”

你很难想到，上面这句话是从平安集团首席科学家肖京口中说出的。

他身上流着纯正的AI学术派血统，至今已发表学术论文102篇，拥有美国授权专利101项、中国发明专利109项。

去年10月21日，他还获得了第九届吴文俊人工智能杰出贡献奖，该奖项被认为是中国AI领域的最高荣誉。

但，肖京所说的每一句话，却与往日里AI的阳春白雪模样格格不入。

一场一个小时三十七分钟的对话里，他总共提起了15次「价值」、20次「落地」。

一个 「非典型」AI大牛

本科毕业于中国科学技术大学的肖京，硕士被保送至中科院自动化研究所，师从原科技部副部长马颂德。

1999年硕士毕业后，肖京前往卡耐基梅隆大学计算机系读博，拜美国工程院院士金出武雄(Takeo Kanade)教授门下，主攻计算机视觉领域。

读博时期的肖京，在美国AI圈就已站稳脚跟。他所参与研发的AI技术被应用于当时美国的生物医药、电影特效、机器人等领域。

名校、名师、名人环绕的他，毕业之时自然也少不了名企们抛来的橄榄枝。

而后，他在一众工作offer中翻了爱普生的牌子，领导其美国算法团队，从事包括医疗、辅助驾驶、3D打印等领域的算法开发。

爱普生呆了八年后，如常人一样，肖京也想体验下不同的人生，于是跳出来去了微软，带领一个团队负责微软搜索引擎的算法研发。

微软期间，他发觉AI经过市场多年教育，落地环境已经比较成熟，有比较多的方案可用于帮助传统产业降本增效。

出于对技术的理解和对产业的思考，他开始考虑选择一家大型的传统公司，以实现技术抱负。

2015年3月，他离职微软，入职平安，任平安集团首席科学家，集团执委。

过去五年多时间，肖京帮助平安集团从无到有，建立起一支两千余人的人工智能专家团队，奠定了整个平安集团人工智能底层技术和应用的基石。

同时，他所主持研发的“平安脑”大数据智能引擎，融合了图计算、对抗神经网络、弱监督学习等最新科研成果，在金融、医疗、智慧城市等领域已广泛落地。

今天的肖京，像似一个身经百战、擒敌无数的军师，深居幕布之后，手握技术权杖，指引着平安AI帝国日夜鏖战、争打江山。

故事好看，总因为背后人物身上散发的无限弧光。

多年之后，肖京会如何评价他的两位人生导师？他又如何管理一支两千多人的AI研究团队，并平衡好AI学术研究与产业落地的关系......太多问题尚还无解。

藉由此，第五届CCF-GAIR峰会期间，雷锋网与肖京进行了一次深度对话。本次访谈中，肖京谈到了他的求学历程、两位导师，以及对AI的思考，对产业的洞见。

以下是访谈内容：

我距离「榜样」还太远

雷锋网：你是如何走上人工智能研究道路的？你求学的那个时期，人工智能的研究应用应该没有今天这么地蓬勃。

肖京： 我在部队大院里面长大，对于我来说，部队大院有一个特别好的地方在于，那时候虽然经济不是很发达，但我们每周都有电影看，甚至包括海外的大片。

我小时候最喜欢也是印象最深的一部电影叫做《未来世界》，它是《西部世界》的续集，当中有非常多机器人的场景。也是从那时候起，我对机器人产生了比较浓厚的兴趣。

上了大学之后，我自然就选择了中科大自动化专业，因为它是机器人领域非常重要的一个技术方向。

1995年，我本科即将毕业，已决定保送到中国科学院读硕士，因此可以选择到科学院做本科毕业设计。与时任自动化所模式识别国家重点实验室主任的马颂德老师请教后，选择了计算机视觉、模式识别作为研究方向。

1999年，我硕士毕业后，去了美国卡耐基梅隆大学读博士，在金出武雄(Takeo Kanade)老师教导下做计算机视觉，也就一直做到了现在。

雷锋网：现在想想，兴趣、天赋与职业刚好相匹配，是不是一件特别幸福的事儿？

肖京： 也许我别的天赋更好呢，也许我更适合当个喜剧演员呢，谁知道呢。（笑）

雷锋网：能否聊聊你的硕士导师马颂德老师，他是一个什么样的人？和他一起做AI研究，印象最深的一件事是什么？

肖京： 马颂德老师是那种工作特别严谨、特别细致的人。

我当年读硕士的时候，马颂德老师已经是中科院自动化所所长了，后面很快又到科技部当副部长。

那时候他要负责的工作其实挺多的，但他带学生仍然很细致。我当年研究的方向之一是航空图像中的线性目标识别，比如公路、桥梁等。

有次他和我讨论一个问题：两个线段如果隔开了，如何判断它们属于同一条路还是不同的路？这看似简单，实际上是挺复杂的优化问题。

马老师和我一起推导公式，讨论角度应该怎么计算，角度放到模型里怎么优化等。这件事我印象特别深，很多专事教学的老师都不一定能够做到这么细致。

同时，他也是一个特别热爱学习的人。你应该想不到，马老师现在每天还在坚持读论文，并时常和学生们讨论相关技术。他和张正友博士合著的《计算机视觉》已经成为视觉领域的经典教材。

马颂德老师对我个人的发展帮助特别大，他帮我找到了学习的路径和方向，也正是因为他，让我相信人工智能这个行业一定会有非常好的发展前景。

雷锋网：你的博士导师金出武雄老师呢？2017年你在参加雷锋网第二届CCF-GAIR的时候，金出武雄老师已经在前一天结束了演讲安排，但第二天他还是来到了现场，站在后面看完你的演讲，并不时嘴角上扬，看到这一幕我还挺感动的。

肖京： 我知道这件事，这也是他一直保持的工作习惯和生活态度，他参加任何学术论坛，只要时间允许都会多听听、多看看。

和马颂德老师一样，金出武雄老师也是一个比较细致的人，同时他还是一个非常追求实用性的人。

他不是那种非常传统的、偏理论研究的科学家，他会要求你把东西做出来。他经常和学生说，做技术、做系统一定要实用，发论文式的研究不可取。

我印象最深的一件事是，我那时候做一个通过三维重建实现人脸跟踪的课题，但目标对象总是跟着跟着就跟丢了，一直都找不到问题的根源，也比较苦恼。

他后面和我说，遇到问题不要紧，沉下心来设计测试用例，从手工就能计算出结果的最简单用例开始，一步步找到问题。之后，他就和我一起设计用例、看代码、找漏洞、做测试，熬了一个晚上，终于找到并解决了问题。

问题解决之后，他很开心，那时候办公室中间有个活动区域，里面有个台球桌，他和我打了一局台球。（作为卡耐基梅隆大学计算机学院机器人研究所的创始人兼所长，台球水平一般，被我险胜了。）

金出武雄老师和我说，很多人可以彻夜玩游戏打牌，但那只是纯体力，不算什么。能够长时间不间断地思考问题，才是从事科研工作重要的能力，那叫智慧体力。他说他最长连续72个小时没睡觉，持续思考当时碰到的一个视觉研究问题。对此我非常佩服。

我读博士的那几年，他已经50多岁，基本每天早上2点才离开办公室，6~7点又在办公室了，午饭都是他妻子送来的，这样保证科研工作不被打断。

雷锋网：你觉得金出武雄老师一直这么拼的驱动力是什么？ 

肖京： 对科学的热爱和对生活的态度。

有一年的圣诞节，我们去他办公室开会，旁边办公室有个日本访问学者在工作。老师夸奖说每次来办公室，不管什么时间，都看到他在那里工作。我随口说了一句，“这样的人没有生活了呀。”

金出武雄老师说，你是科研人员，科研不就是你的生活吗？

他觉得，你只要选择了科研这条路，你就更应该努力去学习，你来读博士肯定是因为有一个问题尚未解决，如果都没问题了，那就不会再来读书了，早就毕业了。

还有一个特别有意思的事情，金出武雄老师还很擅长做木工，他在日本盖了个房子，里面很多设计或家具制作都是他参与设计甚至自己完成的。

雷锋网：马颂德老师、金出武雄老师身上有什么共性吗？他们的AI研究方法论对现如今的行业发展都具哪些指导意义？

肖京： 特别拔尖的人往往有相似的地方。

首先，他们对自己所做的事都非常热爱，其次做事极其认真、分析问题特别缜密，考虑问题也非常全面。

另外，他们都不是那种喜欢讲大道理的人，他们都比较追崇实用性和动手能力，不提倡单纯为了出论文而做科研。

雷锋网：你跟马颂德老师和金出武雄老师学习的是计算机视觉，但现在从事的AI研究线，覆盖范畴远远超出了视觉，这是怎么做到的？AI研究者如何才能把自己研究的边界无限扩大？

肖京： 我本科学自动控制，硕士、博士研究计算机视觉模式识别，底层其实都是优化算法和机器学习相关的技能。

毕业后我在爱普生做了8年，领导他们在美国研究院的算法团队，这是日本一家大型综合科技企业，相关业务包括打印机、投影仪、精密仪器、传感器、机器手臂等，所涉及的知识领域包括各种传感器信号的数据分析、检测、识别、决策、及相关的应用。

之后在微软Bing做互联网广告搜索，又积累了不少互联网大数据分析挖掘及应用方面的经验。

然后回国到了平安，平安业务场景非常多元，从金融到医疗到智慧城市等，目前我也做了快六年时间。

这么多年下来，基于底层的学术底子，我基本在各行各业都做过，也确实对人工智能技术在各个场景的应用实践都比较熟悉。

雷锋网：所以一方面是经历足、一方面是天分好，对吗？毕竟绝大部分人一辈子做好一个领域都比较吃力。

肖京： 没有没有，主要还是机遇好，遇上了好时代。

雷锋网：对于一些年轻的AI从业者们来说，你是推荐他们在一行做深做透，还是趁着年轻多看看。

肖京： 一开始肯定要做深，基础打好了、骨架硬实了，后面的事情都是触类旁通的，基础理论和发现、分析、解决问题的方法论都是相通的。

雷锋网：这些年轻的AI从业者们怎么保持敏锐的技术嗅觉并坚持下去？有时候方向走错了，还一直在错误地坚持着，是一件比较尴尬的事。

肖京： 所以需要靠谱的导师。除了自己的天赋和努力外，还要善于借助外力，善于向别人学习。

我经常跟年轻同事说，我们老祖宗很多总结是非常有道理的。比如“三人行必有我师焉“，即便这个人比你差，也有很多值得学习的地方，一定要善于发现别人的长处并学习。再比如”吾日三省吾身“，要定期给自己留一些时间，反思过去这段时间的事情并总结、沉淀。

至于怎么坚持，除了热爱之外，有必要在每一个阶段都设定一个学习目标，这个学习榜样会督促引导你成长。

雷锋网：你现在的学习榜样是谁？

肖京： 太多了。我现在所做工作的认知水平和学习热情，如果能够达到马颂德老师、金出武雄老师一半的高度，我就很知足了。

雷锋网：你觉得自己在学术造诣或职业成就方面还没有超过他们吗？

肖京： 差得太远，不是一个层级。

做AI，一定要「尊重」业务

雷锋网：有人说，未来AI就像水电一样无处不在，也有人说它只是一个技术工具掀不起大风浪，你怎么看？

肖京： 我不太爱用这类名词比喻，做技术还是要务实，要以结果为导向。

人工智能未来会无处不在，整个社会肯定会走向数字化经营的大方向，数字化的底座就是人工智能。

雷锋网：那么未来到底是“AI＋”，还是“＋AI”？技术公司好像比较信奉前者，传统公司比较钟意后面这种说法。

肖京： 其实我一直很好奇为什么有人会去争论这个。只是不同的说法，实际工作内容有什么区别呢？

雷锋网：在传统行业做AI赋能这么多年，金融也好、医疗也罢，你遇到的最难解决的问题是什么？

肖京： 最大的挑战还是怎么把业务和技术结合好，怎么把技术方案变成业务方案，真正做进去，重构业务生产或服务的流程。

有的问题看上去很简单，比如业务中多年积累的大量宝贵经验和知识，如何能和机器学习算法结合好，并形成规范标准的机制，实际上还没有很有效的方法。

雷锋网：为什么会出现这种情况？ 

肖京： 人工智能的发展可以分为弱人工智能、强人工智能、和超人工智能三个阶段。

目前人工智能处在弱人工智能阶段，这意味着它只是某些方面比人强，而有些方面还差得很远，它的能力是有限的。

现阶段的人工智能技术主要是基于联结主义的大数据关联分析，在基于符号主义的因果推理方面能力还很弱，这样就很难将基于知识经验的推理和基于机器学习的分析挖掘结合好。

因此我认为，如何将基于大数据的机器学习关联分析和小数据知识经验的表达及推理结合好，是现阶段比较重要的研究方向。

雷锋网：这么多年下来，技术的阳春白雪和落地的下里巴人好像很难得到较好地平衡，这是个无解命题吗？

肖京： 是有解的，只是需要时间。

金出武雄老师曾经和我们讲过，学术或产业的科研创新应该“像外行一样思考，像专家一样实践”。

针对待解决的问题，不要被自己的专业思维所束缚，而应该跳出盒子去，在充分开放的空间中自由探索思考。一旦发现并确定了创新的方向，就要像专家一样通过专业的分析，制定缜密的落地方案，并高效严谨地实施。

从事AI技术研发及创新应用多年，越发觉得这个说法特别正确。

AI落地应用，一定要尊重业务。技术人员要到一线去，深入了解业务、熟悉场景，明晰技术的优点与不足，让技术和业务达到最优的融合，才能形成行之有效的业务解决方案，产生实际业务价值。

雷锋网：这个道理其他技术公司的专家不懂吗？好像很多人都平衡得不太好。

肖京： 一部分是真的不清楚。他们太过高估自己的技术能力，从而轻视了现实中落地的残酷性。AI落地方案不止跟技术能力相关，还涉及到业务流程的重构，往往需要具备良好的完整性。

如果某个业务流程的重构需要解决100个技术问题，你的方案覆盖了其中98个，客户仍大有可能不用你的方案。因为还有2个问题你无法解决，客户就必须再找其他供应商。与其这么麻烦，倒不如直接找一家能够解决全部问题的厂商，省钱又省力。

还有一部分是缺乏条件，比如自身没有业务，接触了解业务的机会有限，久而久之就成了一家中间技术模块提供商，没有完整的业务方案，纯技术产品看上去各项技术指标都很好，但客户既不能直接用，也不知道如何融入业务流程，成为“四不像”产品。

雷锋网：这类中小型AI初创公司的生存空间在哪里？

肖京： 我的建议是不要做平台。做平台就意味着产品线要拉长，覆盖面要铺广，这样必然做不深、做不透，对业务一知半解、对场景似懂非懂，用户很难用你的东西。

建议找到一个好的垂直领域，做深做透、做厚做实，提供深入场景的、完整的技术＋业务解决方案。

雷锋网：如果不做平台，企业成长就相对较慢，这也是一些高估值AI公司比较难取舍的问题。

肖京： 那就看他们选择的垂直领域是不是够大，能不能扩展、复制。一步一个脚印来做，更加踏实。

雷锋网：方不方便透露三个你觉得未来商业潜力较大的场景？

肖京： 数字化经营是大势所趋。金融、医疗、工业互联网等都是有潜力的方向。

雷锋网：医疗等领域不少AI公司也在做，但走得好像都挺辛苦的。

肖京： 主要还没有建立合适的商业模式，和目前医疗体系业务流程的融合做得也还不够好，大多数方案还比较孤立，没有真正成体系地做到诊疗等业务流程中去。

但这个领域发展很快，在一些需求场景上AI技术已经在发挥很好的效果，一系列结合业务流程的方案已经得到有效的应用。

雷锋网：有技术没场景、有场景不盈利，这会是未来AI应用的通病吗？

肖京： 不能说是通病，但人工智能的落地的确没有那么容易。

技术上，数据、算法、算力都得到位，需要具备底层信息化能力；业务上，落地场景需要熟悉；其次，场景还在不断迭代，很多有效方案上线之后还会遇到一堆各种各样的问题，这就要求方案也要能不断地快速迭代。

另一方面，从技术到产品，再到平台，到有用户流量，到有收入，再到有利润，本来就有个发展过程，因此需要时间积累也是正常的。

雷锋网：有人说，2020年AI技术公司的分水岭就会出现，强者会恒强，弱者会愈弱，你认可这个观点吗？

肖京： 这种现象其实从去年就已经开始出现。

今明两年，如果AI公司还没有规模化业务落地，还不能产生实际业务价值，那么生存空间就会比较有限，市场就不足以支撑目前这么多的AI公司。

AI的发展历经两起两落，目前迎来第三次兴起。前两次夭折的原因就在于期望过高泡沫过大，没有产生足以支撑行业发展的商业价值。

雷锋网：这一次夭折的概率大吗？

肖京： 这一次与前两次最大的不同在于：AI已经在互联网和移动应用等领域产生了非常大的商业价值，并且逐渐深入其它传统行业，产生越来越重要的业务价值。数字化经营已成为市场共识。

目前AI的问题在于，在金融、医疗、智慧城市、工业互联网等领域，人工智能的应用价值能不能产生爆炸性的效果，从而可以支撑行业继续保持高速发展。做不到的话，行业降温是必然的，但不至于死掉。

明晰形势，扬 「长」 补 「短」

雷锋网：你在美读博的那个时期，比较热门的AI研究方向有哪些？

肖京： 当时我们卡耐基梅隆大学计算机学院下分为好几个研究所，包括机器人研究所、语言技术研究所、人机交互研究所、机器学习研究所等。

卡耐基梅隆计算机学院是全美最好的计算机学院之一，当时设置的所有专业都是最核心或快速发展的研究方向。

雷锋网：无论是从深度还是广度上看，你求学时期的美国AI研究相较中国都遥遥领先。目前中美在人工智能这块差距悬殊大吗？

肖京： 人工智能是非常大的领域，是自然科学和社会科学的交叉学科。我们可以从三个方面看人工智能的发展：科学（Science）、技术（Technology）及应用（Application）。

Science可以理解为基础理论部分，比如脑科学、应用数学、计算机科学等。欧美长期保持领先，毕竟大部分工作都是他们发起并完成的。我国的基础研究虽仍有差距，但正在努力追赶。

如近期丘成桐老师在北京成立的应用数学研究所、蒲慕明老师在上海从事的脑科学研究等，中国的基础科研未来十年预期会有很大进展。

Technology包括芯片、底层基础软件、及算法和算法框架的研发。这个领域我国整体上也是落后的，但近些年发展很快，与领先水平的差距在快速缩小中。

底层硬件和基础软件的研发是系统工程，需要更大规模的集中投入，一些中国企业在AI芯片和基础软件上努力攻关，取得了不错的进展，当然全面突破取得行业领先水平尚待时日。

在算法研发上国内进步很快，尽管还缺乏重大突破性的原创成果，改进型的算法创新已经具备相当大的规模，比如相关领域学术论文的数量已经达到前列。

Application方面，我们做得非常好，在相当一部分业务领域，可以说中国在AI应用上已经名列前茅。人工智能是个赋能的工具，本身不构成独立的产业，需要依托于其他产业去实现三提两降，推进这些行业实现数字化经营，从而产生额外的业务价值。这就需要人口、场景、生态等市场大环境的支持，而中国在这方面具有较好的优势。

总结来说：我们开创性的成果还比较欠缺，改进型、应用型的工作做得不错，差距仍然很大，处于努力高速追赶中。

雷锋网：为什么会出现这种现象？AI应用方面，中国大胆一些、包容一些，欧美那边审慎一些吗？

肖京： 我觉得不是审慎，是市场环境造成的。

西方很多传统行业处于相当成熟、稳定的状态，市场竞争的压力不大，因而他们没有很大的动力来推动变革。而我们国家的市场竞争非常激烈，企业面临巨大的压力与挑战，具备较强的技术升级意愿，因而对科技赋能有强烈的需求。

以车险续保为例，北美的头部保险公司的自然续保率往往可以达到90%以上，甚至95%以上。也就是说，他们什么也不用做，客户就会自行一年年续缴保费。甚至有家公司提到，他们曾经尝试研发移动应用去增强客户黏度，结果发现续保率还下降了，原因在于客户线上活跃后会更积极地比较不同公司的同类产品，反而容易受广告等影响换签到其它公司。

国内市场完全不一样，市场平均续保率只有不到50%，竞争极其激烈，必须积极利用科技从服务质量、风控水平、营销能力、运营效率等方面全方位提高市场竞争力。这无形之中驱动中国企业不断尝试创新和变革，也为科技带来了机遇。

雷锋网：底层技术储备不足、上层应用全球领先，未来AI的发展到底更偏技术驱动还是业务驱动？

肖京： 两个都需要。如果未来国际关系缓和，基本没有太大问题；如果未来国际关系趋紧，很多底层技术、框架用不了了，你的业务是难以进行的。

另外说一点，中国AI研发应用的发展速度之快让人惊讶，这是全球任何地方都不可比拟的。

1998年我第一次出国参加ICPR（国际模式识别大会），基本没有中国人，吃饭间隙，旁边一个日本人问我来自哪里，当他知道我是大陆人时，他惊讶不已：“中国大陆也有做这个领域研究的？”

现在再去看ICPR，可能一半以上的参会者都是中国人。

雷锋网：这是好现象吗？

肖京： 不是没有一点坏处，但一定是个好现象。

说明我们很重视这个领域，发展速度比人家快，人才培养也多很多。科研环境也越来越好。比如我在国内读硕士的时候，看论文大多通过订阅杂志，审稿和出版周期很长，一般看到的时候都已经发表很长时间了。

要知道计算机领域最新的工作一般是通过会议发表的，那时候国内网络还不发达，我们又远不如国外同行可以参加那么多国际会议，因此对最新进展的了解，我们比国外同行慢很多。现在这个时间差已经不存在了，只要勤奋努力就好，这方面我们不会有任何问题。

雷锋网：中国这些年在人工智能领域的确投入了不少心力，不少高校都开始设立人工智能学院了。

肖京： 我一直认为，中国这些年发展这么快，一个重要原因在于我们的大学培养了大量的高素质人才，并进入各行各业使得我国劳动力的整体素质和能力水平得到大幅提升，从而推动了相关产业快速向前发展。

人工智能领域也会是这样。因此对于近期很多高校开始设立的人工智能学院，我认为是很好的事情。高校培养出来的不一定都是最顶级的精英或科学家，相反，高校应该以教授广大学生基础科学技术知识以及培养他们发现、分析、解决问题的能力为核心目标。

这些学生毕业后，基于学到的知识和能力，在各自的岗位上将人工智能技术应用到具体的业务中去，夯实各行各业实现数字化智能化经营的基础，这对整个AI领域的产业化发展是多有裨益的。

任何一个技术领域或产业的发展都不是靠几个科学家、思想家去演演讲就能推动的。

雷锋网：你觉得接下来有哪些重点学术理论或对金融、医疗等行业产生比较大的影响。

肖京： 前面提到过人工智能是多个学科的交叉，很多科学技术领域的进展都会对金融、医疗等行业的智能化产生影响，比如脑科学、应用数学、量子计算、AI算法、AI芯片等。

不过从学术理论到产业应用有其必要的发展历程，不是简简单单就能一蹴而就的。就像设计师画出一张设计图，还需要转化成适用于施工的施工图，才能实际落地实施。

比如最近的热门话题GPT-3，展示了一系列令人兴奋的AI技术能力和应用潜力，但还不足以构成实际有效的业务落地方案。

因此金融医疗行业的智能化，也需要技术人员和业务紧密结合，将学术理论上的突破转化成可以实际赋能业务的落地方案，才能真正实现价值。

除了AI基础理论和技术上的突破，我觉得如何将基于知识经验的表达推理和基于机器学习的分析挖掘结合好，是现阶段很重要的研究方向，这方面的技术突破会对传统产业的智能化产生很大的影响。

另一方面，学术研究也不是一定要追求爆炸性的产业应用，往往是经过长期积累沉淀，水到渠成。

雷锋网：这个观点还是蛮新颖的，那么对于一些正在学习人工智能或者未来想要从事这一块的年轻人，你有什么经验可以给到他们吗？

肖京： 认认真真学习，掌握基础知识，培养技术能力；扎扎实实做事，有效积累产业落地的实战经验。

行业发展已经逐渐进入去粗求精的务实阶段，但在人工智能相关话题仍常被热炒的情况下，更要保持冷静清醒认真务实，不急于求成，踏实前行。

平安的AI「野望」

雷锋网：你在平安主要负责的工作方向有哪些？

肖京： 构建并完善数据平台、工具平台、AI模型平台等中后层平台；赋能金融、医疗、智慧城市等集团核心业务；创新孵化新科技业务模式。

雷锋网：目前最大的工作重心放在哪一块？

肖京： 完善中后层平台和赋能核心业务。

雷锋网：平安现在的AI技术好像还是以服务内部为主？

肖京： 平安所有的技术一开始都会在内部场景中孵化、迭代、优化，形成标准成熟的方案能力后，也会选择性地对外输出。

譬如，我们会通过金融壹账通，将一些金融科技能力输出给各级金融机构，包括欧美东南亚等海外地区；通过智慧城市，将医疗科技或城市治理技术等能力输出给各级政府、企业、医疗机构等单位。

雷锋网：加入平安也有近六年时间了，这期间你觉得自己做出最自豪的产品是什么？

肖京： 我们做了一个系统叫做平安脑智能引擎，它是整个平安智能化核心驱动引擎，所有的业务应用都会建立在这个引擎之上。

与绝大部分平台不同，这是一个整体方案引擎，业务与技术是相互结合的，包括底层数据平台、算法工具平台、模型产品平台、业务方案中台、前端应用方案等，形成了语音对话机器人、欧拉图谱风险评估系统、图像识别车险闪赔系统、多模态身份认证系统、克瑞斯数字经营分析平台、爱德服务机器人等一系列智能化产品，全面高效赋能集团各业务单位完善智能化建设。

雷锋网：这个平台的能力后期会不会对外输出，还是会一直服务平安内部？

肖京： 整个平安脑智能引擎目前应该不会对外输出。主要原因之一在于数据平台是其中一个部分，而平安作为大型综合金融机构，保障核心系统及数据的安全隐私是首要责任之一。

但是平安脑的一些能力和产品会通过金融壹账通、智慧城市等单位对外输出。同时我们也加入了一些开放开源联盟，并且获批了科技部新一代人工智能开放创新普惠金融平台，积极向全行业和社会分享我们的智能化成果。

雷锋网：对于平安脑智能引擎的构建，你最上心的部分是哪一块？

肖京： 业务方案中台。这是从技术研发成果和业务应用流程有效融合的众多方案中抽象浓缩得到的精华。有了它，我们的智能化能力就从小米加步枪升级到了火箭炮，可以规模化地快速覆盖海量业务场景。

雷锋网：除了平安脑智能引擎，你觉得平安的人工智能研究相较其他科技巨头有哪些优势？

肖京： 首先是数据优势。平安是一家全牌照金融机构，在数据广度和深度上是一般互联网或高科技公司无法比拟的；同时，相对互联网或高科技企业，平安多年大规模的实际业务积累，形成了高度精准和真实全面的数据，继而能通过AI解决方案推出更符合客户需求的产品和服务。

第二是专家优势。平安通过在金融、医疗领域的31年深耕，在各个领域都积累了大量的业务专家，具备独特的优势。

第三是场景优势。平安作为全牌照的综合金融服务集团，拥有全世界最丰富的金融和医疗应用场景。而绝大多数科技公司不具备这样的应用条件，需要通过第三方合作的模式来促进应用落地。

同时，集团执行力强，有利于高效迭代快速形成完善的解决方案。而大多数科技公司并不具备丰富的应用场景，要想验证技术效果，需要与业务公司磋商。从说服他们合作到最后的应用，需要经历很复杂的磨合过程，在得到甜蜜成果之前，这个过程会充满辛酸，绝不是一件容易的事情。

实际上没有丰富的类似磨合经历的技术团队，最后的落地能力是要打个巨大问号的。

在技术层面，平安的综合性优势比较明显，经过多年的建设，平安拥有上万技术人才，搭建了强大的金融等级的基础架构及云平台，包括深度学习集群的集团大数据管理及分析平台，及平安脑智能引擎。

当然，金融和医疗是两块非常大的蛋糕，有极其众多的技术应用的机会。科技公司聚焦深耕某一垂直领域，会有机会形成独特的差异化优势。

雷锋网 (公众号：雷锋网) ：平安的AI业务边界在哪里？还是完全没有边界？

肖京： 在技术能力上，尽管人工智能已经在很多领域得到应用并产生价值，但目前对人脑的功能结构、认知机理等方面了解尚浅，在认知决策等智能领域能力尚弱，总体上仍处于“弱人工智能”的阶段，仅在计算智能上占据绝对优势，所以业务上肯定还是有边界的，需要找到最符合自己的能力边界的事情去做。

在智能技术的应用上，更应该有边界，并不是只要技术能做到的地方就可以应用，而是要制定完善的标准规范，以合理管控人工智能技术应用，避免其误用、滥用、及恶用。

治理规范应秉持以人为本、人类自治、安全可控、公平公正、和公开透明的伦理准则。通过研发可信AI技术，从整体视角解释AI的决策过程，判断并纠正可能发生的错误，让AI技术变得更加可靠、安全、负责。在赋能行业服务生态的过程中，也应该避免技术导致的偏见与歧视。

具体来说，要做到底层管好数据，充分保护隐私和安全，中层实现算法可靠透明可解释，前端应用遵守遵循人类的价值观和伦理道德。

雷锋网：目前平安的技术升级，最缺哪方面的AI人才？

肖京： 最缺乏交叉学科的复合型人才，即既精通技术又了解业务的人；另外优秀的中高层管理人员也比较缺乏。

雷锋网：这样的人很少吗？

肖京： 特别优秀的比较难找。

雷锋网：你怎么评价当下的AI圈？

肖京： 发展数字经济是国家战略，企业的数字化经营是大势所趋，而AI赋能是其成功的关键，相信人工智能技术的研发和产业智能化一定会继续保持迅猛发展的势头。

同时，据统计中国跟人工智能相关的公司已接近100万，最近一年就新增了21万，也存在一些炒作过热的情况。

相比AI企业的规模，市场上真正在业务赋能方面看到的实际效果还较为有限。因此我们还是要保持冷静清醒认真务实，不急于求成盲目冒进，而是踏实前行。

另外，AI赋能业务，算法、算力、数据、场景、业务理解都是非常重要的。其中算法能力和水平是核心竞争力，仅依赖开源软件调调参数，难以达到行业的领先水平。

。