在AlphaGo成功挑戰(zhàn)圍棋世界冠軍后，“深度學習”家喻戶曉，已成為人工智能（AI）的代名詞。深度學習帶動了人工智能的再次復興，這次復興的最大亮點，就是AI開始在語音識別、機器視覺、數據挖掘等多個領域落地，真正釋放出了商業(yè)上的價值。各個行業(yè)的企業(yè)決策者也都有機會著眼自身戰(zhàn)略，利用落地的AI技術和應用聚焦業(yè)務流程優(yōu)化、效率提升以及對全新機遇的發(fā)掘。

圖一、AI帶來的應用和業(yè)務創(chuàng)新機會將推動全行業(yè)的轉型升級

雖然AI正因其創(chuàng)造的商業(yè)潛力而備受睹目，但嚴格來說，它的發(fā)展仍然處于早期階段，就像嬰幼兒需要依次及綜合使用口、手和眼等感官來感知這個世界，刺激大腦發(fā)育一樣，AI用來感知信息、實現智能進化的路徑，也是多種多樣的。目前火爆的深度學習，以及一般的機器學習和基于規(guī)則的學習，都是目前AI領域的主流技術路徑。

圖二、人工智能、機器學習及深度學習的關系示意圖

這些技術路徑之間的關系，與其說是彼此競爭或替代，更不如說是互補的——基于它們不同特性和適用場景來實現互補。

圖三、現階段主流AI技術路徑的優(yōu)勢、適用場景和局限性總結

這種多條技術路徑互補，或者說融合應用的妙處，在中國銀聯電子商務與電子支付國家工程實驗室推進銀行卡反欺詐技術的研究中體現得淋漓盡致。該實驗室在最初研究中發(fā)現，如果只使用機器學習，將面臨對序列化交易特征學習能力不足的問題，而只用深度學習，又會遇到單筆交易內特征學習能力有限的問題，而將兩者融合才是更好的解決方案。為此它與眾安科技及英特爾公司共同提出了GBDT→GRU→RF三明治結構欺詐偵測模型架構，該模型已經歷了偽卡欺詐偵側、騙保檢測等多種銀行、保險業(yè)務常見場景下基于真實數據的仿真驗證，無論是在召回率還是準確率上，都明顯優(yōu)于傳統(tǒng)的分類器方法或單一的RNN方法。

圖四、融合了機器學習和深度學習的三明治結構欺詐偵測模型架構

值得一提的是，銀聯這個融合式的創(chuàng)新模型，是選擇了基于英特爾至強處理器的CPU平臺，而非專用平臺來作為其算力的支柱。這是因為CPU架構對目前幾乎所有的AI主流技術、乃至新涌現的技術都有出色的兼容性，而且在英特爾為至強平臺提供了更為廣泛和深入，涉及了硬件加速能力、軟件工具及框架等層面的優(yōu)化后，這個CPU平臺不論是支持基于單種AI技術的應用，還是在運行融合了多種AI技術的應用時，性能表現都更為突出。在上述欺詐偵測模型的開發(fā)中，英特爾就提供了多種優(yōu)化手段和工具的支持，幫助它實現了更高的工作效率。

可見，在AI之旅的起點上，企業(yè)面對的技術路徑不只一條，選擇也不限于一個。無論是傳統(tǒng)推理、機器學習、深度學習，亦或是它們的融合，都是可選項。而從企業(yè)既有的IT基礎設施，即從CPU架構，從英特爾至強平臺起步，無疑是兼容多種技術路徑，并兼顧性能和可擴展性的理想之選，它能幫助企業(yè)更好地應對復雜多變的現實應用需求，并以更快的速度、更低的成本構建起符合自身需求的AI應用。