360x96

嘉禾博研MBA/MEM/MPA/EMBA培训】MEM管理案例:深度学习红利将尽,AI 是否又面临「死亡之谷」?


被寄予厚望的深度学习,是否会让人工智能陷入又一轮 AI 寒冬?

人工智能存在于许多我们每天与之交互的技术中,比如最常见的语音助手和个性化推荐,以及不断成熟的自动驾驶。从去年到现在,AI 领域更是好消息不断,OpenAI 的 GPT-3 从自然语言处理衍生出了画画、敲代码等能力,DeepMind 推出「进阶版 AlphaGo」——MuZero,它在下棋和游戏前完全不知道游戏规则,完全通过自己摸索赢得棋局。一时间,「AI 将替代人类」的声音不绝于耳。

但另一面,人类丰满的 AI 梦,也正在撞上骨感的现实。近期,IBM 旗下的 Watson Health 被传出将甩手卖掉,这个曾想替人类解决肿瘤治疗的 AI 部门 6 年来从未盈利。更致命的是,Watson Health 的诊断精度和专家结果只有 30% 的重合。

看向国内,「AI 四小龙」中的商汤科技和旷视科技,时不时传出计划上市的消息,但似乎都中了「上市难」的魔咒。旷视科技的创始人印奇在去年 7 月,曾对媒体表示 AI 的快速爆发期发生在五六年前,现在正处于「死亡之谷」的泡沫期。繁荣表象之外的冰冷现实,都能让人想到「人工智能的寒冬」:与 AI 有关的研究或其他项目难以获得资金,人才和公司停滞不前。

清华大学人工智能研究院院长张钹曾表示,行业崇尚深度学习,但它本身的「缺陷」决定了其应用的空间被局限在特定的领域——大部分都集中在图像识别、语音识别。而目前深度学习似乎已经到了瓶颈期,就算财力和算力仍在不断投入,但深度学习的回报率却没有相应的增长。

「目前基于深度学习的人工智能在技术上已经触及天花板,此前由这一技术路线带来的『奇迹』在 AlphaGo 获胜后未再出现,而且估计未来也很难继续大量出现。」张钹说。

被寄予厚望的深度学习,是否会让人工智能陷入又一轮寒冬?「在每一次人工智能『寒冬』到来之前,科学家都会夸大他们的研究的潜力。仅仅说他们的算法擅长某一项任务还不够,他们恨不得说 AI 能解决所有事。」长期研究数据科学和 AI 的作者 Thomas Nield 说道。但真正的通用人工智能,离我们似乎还很遥远。

深度学习是什么?

就在 AI 慢慢沉寂,变成「隐学」的时候,Geoffrey Hinton、Yoshua Bengio 和 Yann LeCon 三位学者默默开始了 AI 的一个重要分支——神经网络——的研究。

深度学习红利将尽,AI 是否又面临「死亡之谷」?

神经网络通常被比喻成一块有很多层的三明治,每层都有人工神经元,这些神经元在兴奋时会把信号传递给相连的另一个神经元

简单来说,神经网络就是一层层的数字,这些数字又被称为「神经元」。之所以这样命名,是因为科学家认为这些数字相互联系,传递信号,就像大脑里的神经元通过突触来传递神经刺激一样。而神经网络里的每一层数字都通过一些约定的数学规则从上一层的数字计算得到。

而「深度学习」的概念源于神经网络的研究,是研究神经网络的学问。这里的「深度」,指的就是神经网络含有无数隐层,深不可测。

机器要模拟人类行为,要先获取数据,然后经过预处理、特征提取、特征选择,再到推理、预测或识别。其中最关键的,就是中间的三个步骤,同时也是系统中最耗费计算的部分。在现实中,一般都是靠人工提取特征,而深度学习的思路是自动学习特征。

深度学习模型一般由输入层,隐层和输出层构成。基本思想是:上一层的输出作为下一层的输入,来实现对输入信息的分级表达,进而通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征。也就是说,机器学会「抽象思考」了。

上述三位 AI 泰斗坚持着自己的学术方向,把神经网络推广到了更多的领域,比如计算机视觉、自然语言处理等等。终于在几十年后,他们等来了属于深度学习的时代。互联网和移动端的兴起让海量的数据唾手可得,而计算机硬件在人类一次又一次挑战着纳米世界的极限中,顺着摩尔的预言一路狂奔。2012 年,深度学习暴得大名,因为 Geoffrey Hinton 基于卷积神经网络的 AlexNet 以惊人优势赢下 ImageNet 视觉识别挑战赛。另外在这个实验中,人们发现,只有图像的样本量够大,隐层够多,识别率就能大幅提高,这极大地鼓舞了学界和企业。

数据越多,越智能?

OpenAI 最新的自然语言处理模型 GPT-3,几乎是把整个互联网的浩瀚内容全部读完了。它总共阅读了大约 5000 亿词,模型大概有 1750 亿参数。系统有上万个 CPU/GPU,它们 24 小时不间断地「阅读」任何领域的信息,半个月读完了整个互联网的内容。猛灌数据量,是这个 AI 模型的「暴力」所在。

 

但 GPT-3 也并不能因此变得完全像人,比如,它对不符合人类常理的「伪问题」也会应答,这恰恰证明它并不理解问题本身。前 Uber 人工智能实验室的负责人 Gary Marcus 就曾对深度学习多次泼冷水:「人类可以根据明确的规律学习,比如学会一元二次方程的三种形式以后就可以用来解各种题目;见过了京巴、柴犬之后,再见到德牧就知道它也是一种狗。然而深度学习不是这样的,「越多的数据 = 越好的模型表现」,就是深度学习的基本规律,它没有能力从字面上给出的规律学习。」

「深度学习是寻找那些重复出现的模式,因此重复多了就被认为是规律(真理),因此谎言重复一千遍就被认为真理,所以为什么大数据有时会做出非常荒唐的结果,因为不管对不对,只要重复多了它就会按照这个规律走,就是谁说多了就是谁。」张钹院士也表示深度学习「没有那么玄」。

由于它不能真正理解知识,「深度学习学到的知识并不深入,而且很难迁移。」Marcus 说道。而 AI 系统动辄拥有千亿参数,俨然就是一个黑匣子一般的谜。深度学习的不透明性将引致 AI 偏见等系列问题。最主要的是,AI 还是要为人所用,「你要它做决策,你不理解它,飞机就让它开,谁敢坐这架飞机?」张钹强调 AI 必须拥有可解释性。

最主要的是,给 AI 猛灌数据的做法极其考验算力。MIT 研究人员理解深度学习性能和算力之间的联系,分析了 Arxiv.org 上的 1058 篇论文和资料,主要分析了图像分类、目标检测、问题回答、命名实体识别和机器翻译等领域两方面的计算需求:

  1. 每一网络遍历的计算量,或给定深度学习模型中单次遍历(即权值调整)所需的浮点运算数。
  2. 训练整个模型的硬件负担,用处理器数量乘以计算速度和时间来估算。

结论显示,训练模型的进步取决于算力的大幅提高,具体来说,计算能力提高 10 倍相当于 3 年的算法改进成果。换言之,算力提高的背后,其实现目标所隐含的计算需求——硬件、环境和金钱等成本将变得无法承受。

摩尔定律假定计算能力每两年翻一番。OpenAI 一项研究表明,AI 训练中使用的计算能力每三到四个月翻一番。自 2012 年以来,人工智能要求计算能力增加三十万倍,而按照摩尔定律,则只能将 AI 提升 7 倍。人们从来没有想到芯片算力极限会这么快到来。

算力供不起是一回事,但业界甚至认为这种「暴力」模式方向错了。「知识、经验、推理能力,这是人类理性的根本。现在形成的人工智能系统都非常脆弱容易受攻击或者欺骗,需要大量的数据,而且不可解释,存在非常严重的缺陷,这个缺陷是本质的,由其方法本身引起的。」张钹表示,「深度学习的本质就是利用没有加工处理过的数据用概率学习的『黑箱』处理方法来寻找它的规律,它只能找到重复出现的模式,也就是说,你光靠数据,是无法达到真正的智能。」

深度学习红利将尽,但 AI 还在发展

在张钹看来,既然深度学习在根子上就错了,那么技术改良也就很难彻底解决 AI 的根本性缺陷。正是这些缺陷决定了其应用的空间被局限在特定的领域——大部分都集中在图像识别、语音识别两方面。「我看了一下,中国人工智能领域 20 个独角兽 30 个准独角兽企业,近 80% 都跟图像识别或者语音识别有关系。」

他表示,「只要选好合适的应用场景,利用成熟的人工智能技术去做应用,还有较大的空间。目前在学术界围绕克服深度学习存在的问题,正展开深入的研究工作,希望企业界,特别是中小企业要密切注视研究工作的进展,及时地将新技术应用到自己的产品中。当然像谷歌、BAT 这样规模的企业,他们都会去从事相关的研究工作,他们会把研究、开发与应用结合起来。」

 

一直在给深度学习泼冷水的 Gary Marcus, 提出要为深度学习祛魅:「我不认为我们就要放弃深度学习。相反,我们需要将它重新概念化:它不是一种万能药,而仅仅是作为众多工具中的一种,在这个世界上,就像我们还需要锤子、扳手和钳子。」

「深度学习只是目前人工智能技术的一部分,人工智能还有更大更宽的领域需要去研究,知识表示、不确定性处理、人机交互,等等一大片地方,不能说深度学习就是人工智能。」张钹说。

另外,中科院自动化研究所副所长刘成林曾表示,「如今的 AI 热潮其实主要依赖模式识别和深度学习的成功。深度学习的红利将逐渐用尽,但 AI 的很多方向(感知、认知、学习语言理解、机器人、混合智能、博弈等)还会继续发展,总体上不会跌入深谷。

嘉禾博研MBA/MEM/MPA/EMBA培训】MEM管理案例:特斯拉“自动驾驶”引发间谍担忧!


网友担忧敏感数据泄密 专家呼吁加快立法规范

美国电动汽车巨头特斯拉公司CEO马斯克20日表示,该公司不会向美国政府提供其车辆在中国或其他国家收集的数据。外界普遍认为,这是马斯克首次对有关特斯拉电动汽车被怀疑具有间谍功能的消息作出的回应。接受《环球时报》记者采访的专家21日普遍认为,特斯拉遭到的质疑是以自动驾驶为代表的人工智能技术发展时面临的安全困境。专家们表示,面对技术发展,政府需要对暴露出的问题进行立法,加强规范。同时行业需要确定各类标准,界定和保护用户隐私,确保人工智能技术不被滥用和误用。

在中国国务院发展研究中心主办的中国发展高层论坛上,马斯克20日在论坛视频连线时表示,特斯拉在美国或中国的公司不会收集敏感或私人数据,然后与美国政府分享,他保证中国客户的数据会得到充分保护。“如果特斯拉用车在中国或者其他地方从事间谍活动的话,那肯定就寸步难行了。”

外界注意到,马斯克之所以如此郑重撇清间谍嫌疑,是因为特斯拉的车载传感器能记录周边位置的视觉图像,进而可能获得有关用车时间、方式和地点,以及驾驶人员的个人信息等。互联网上还有网友担忧,随着特斯拉电动汽车在中国的销量持续增加,每一辆特斯拉电动车都在行驶中不间断地收集道路信息,如果对其进行大数据分析,后果可能非常严重。“例如一支导弹部队在转移过程中被路过的网友拍摄了视频或照片发到网上,只能证明该部队曾出现在某地,泄密程度还不算严重;但如果是沿途有多辆特斯拉电动汽车经过,通过对它们车载传感器收集到的信息进行大数据分析,就可以精确地获知该导弹部队的出发和目的地、具体行动路线、准确转移时间等。”

为何特斯拉电动车要配备如此多传感器?作为智能汽车的重要标志,特斯拉长期以来一直大力宣传该公司在自动驾驶领域的突破。根据特斯拉中国官网对Model S Plaid版的介绍,该车装备有前置、侧方和车尾摄像头,视野范围达360度,前置雷达可探测前方较远距离的障碍物;超声波传感器负责探测附近车辆以降低碰撞风险,辅助泊车。特斯拉官方微信还详细介绍“哨兵模式”:“当锁车并挂上驻车挡时,摄像头和传感器将保持开启,随时拍摄可疑活动。”

此外,针对“特斯拉通过车内摄像头监控车主”的讨论,特斯拉中国说明称,特斯拉用户使用的车辆不存在通过车内摄像头侵犯用户个人隐私的行为,“所有中国市场上的特斯拉车辆均未开启车内摄像头”。

一名自动驾驶技术的专业人士21日对《环球时报》记者表示,摄像头和毫米波雷达都是自动驾驶不可或缺的传感器,只是因为两者物理特性不一样,所以运用的场景不一样,它们之间是互补协作关系,摄像头用来做物体的识别,而毫米波雷达更适合用来测距离。但“不论是摄像头还是毫米波雷达采集到的信息都有地理相关的信息。”

信息消费联盟理事长项立刚21日接受《环球时报》记者采访时表示,智能汽车的发展带来的一些问题是比较复杂的。和普通汽车不同,智能汽车在道路上行驶对道路、所在位置等各方面的信息采集都关系到安全问题。

2020年11月27日,伊朗高级核物理学家穆赫辛·法克里扎德的座车行踪暴露后,在首都德黑兰附近遭遇“武装恐怖分子”袭击身亡。项立刚称,假如这名伊朗核物理学家乘坐的是自动驾驶汽车,“恐怖分子”可能更容易通过技术手段获得其位置等关键信息。因此对于智能汽车的这些信息,到底谁有权知道,信息存储在何处,谁来进行管理等问题,不只是特斯拉一家企业面对的事情,而是迫切需要政府根据实际情况逐渐形成立法和要求。比如说,一家企业采集了信息,其安全等级、安全管理模式等必须有所规定。“以前互联网采集用户信息时,最初没人管理,后来对一些企业做出要求,把这些信息存储在中国,例如放在云上贵州,而不能放在国外。”

另一名从事自动驾驶的研究人员对《环球时报》记者表示,智能汽车一般配置了高精度定位传感器,理论上可以采集高精度地图。“但大规模高精度地图采集现在只有有资质的企业才能制作,通过有资质图商获得特定区域高精度地图,则可以使用,这个特定区域一般也是该城市的自动驾驶示范区。”

该研究人员表示,随着自动驾驶技术加大应用,需要部署更多传感器对驾乘人员进行识别和检测。但如果通过车内部署摄像头来获得驾乘人员的状态信息,则需要慎重考虑。“私有车辆座舱内部是典型的私人空间,如果只是识别人脸状态,有许多光电传感器和技术可以获得驾乘人员姿态特征,不必一定用摄像头。如果非要用,企业至少要明确证明车内信息只留在车内服务,而不被收集和上传到云端。”

对于自动驾驶等人工智能技术带来的安全困境,接受《环球时报》记者采访的专家普遍认为,综合而言,配套的法律、法规、监管必须到位,个人信息、主要是图像数据的保护要有多种技术手段,国家安全的维护要有更为先进的干扰反制技术来应对。

嘉禾博研MBA/MEM/MPA/EMBA培训】MEM管理案例:智慧城市项目频频烂尾,我们还能再给它机会吗?


大约从2012年开始,智慧城市理念开始在中国走红。

联系起去年全球智慧城市大会上,上海和深圳能够从全球54个国家和地区,450个参评对象中突围而出并夺得重要奖项,可知中国在智慧城市建设上的确略有成就。

当然,智慧城市的事情其实还在起步阶段。

早前经历很多试错以后,我们逐渐明白智慧城市横跨了无数学科,对任何企业和政府机构来说都是一门大学问。

互联网公司提的理念不是金科玉律,甲方单位也应该对项目有清晰的规划和持久的责任心。仅凭着走一步看一步、想到哪改哪的心态,最终一定做不出来具备持续生命力的智慧城市运营项目。

趋势面前,对智慧城市应当抱有期待与信心;但对全国至少数百个智慧城市试点项目来说,对这一项投资规模大、建设周期长的项目尤其要总结经验,避免踩坑。

为此,本文重点选取了全球智慧城市项目的3个“失败”案例,进而思考智慧城市建设的关键问题。

案例一:没有目标,规模1.75亿元的项目3年后便终止

2019年7月8日,以原告武汉智慧生态的败诉为结果,纷纷扰扰好几年的《武汉智慧生态科技投资有限公司(武汉智慧生态)状告北京华胜天成科技股份有限公司、微软(中国)有限公司,要求退还3507.4万元、停止合同履行》一案落下帷幕。

根据合同《智慧城项目微软产品和服务清单及价格》可知,该项目采购产品和服务金额总计175,370,850元,绝大部分都用在了购买IT软件、IT集成和云服务上。另外合同中也列明了神州数码作为微软公司指定的代理商负责供应软件产品;蓝云公司作为微软公司唯一授权运营商提供公有云租赁服务;长天科技有限公司作为华胜公司全资子公司与华胜公司一起提供集成服务。

没人想到,各家公司齐齐动手干活以后,到项目验收时,却被批评所采购的软硬件体系在兼容性、可行性上几乎为0,无法达到使用目的和效果。

并且除了购买大量IT基础设施产品,项目合同签署后的3年里(2013-2016年,一期项目金额3500万),我们甚至看不到这个智慧城市项目究竟想要达成什么长远目标?再有到实施过程中发现很难推进项目,直至甲方开始要求退款。

智慧城市项目频频烂尾,我们还能再给它机会吗?

案例二:僵持3年,“无解”的数据隐私担忧问题

2015年,前Google CEO拉里·佩奇宣布成立面向智慧城市领域的新公司Sidewalk Labs,主要进行新产品开发、平台和合作关系的创建,以解决生活成本、交通效率、能源使用等多方面的问题。拉里·佩奇认为,成立智慧城市新公司对谷歌来说是一笔“适度投资”,希望“改善全球数十亿人的生活”。

但有句话说,理想很丰满,现实很骨感。

2017年,Sidewalk Labs宣布投资5000万美元,以多伦多市中心一处社区为起点,启动全球第一个智慧街区项目Quayside,计划在该生活空间内安装大量的传感器和智能设备收集各方面的信息,以便更了解人们的居住、出行等问题,提供精准匹配的智能服务。

据当时报道,该项目设计的未来城市愿景覆盖了智能家居、住宅建设、道路交通、地下管廊、建筑结构、公共空间运营等各方面场景,对ICT软件、硬件、AI算法都有前所未有的巨大需求。

但到2019年,以一个名为“Block Sidewalk”的民间组织请愿希望阻止Sidewalk Labs的项目推进为转折点,整个项目陷入了长期的关于“数据隐私能否得到保障”的纠葛中,尽管Sidewalk Labs强调不会采用人脸识别技术,不会将使用者的个人信息用于商业用途。

最终一直到2020年5月该项目关闭,人们都认为其数据隐私的问题没有得到可信的解释,折腾将近3年后,整个计划相当于“胎死腹中”。

更略感心酸的是,数据隐私的问题一日无解,Sidewalk Labs在其他城市的项目也会因同样的问题难以推动。

今年2月底,外媒曝出因数据隐私争议问题,Sidewalk Labs放弃了与美国俄勒冈州波特兰市政府合作的智慧城市项目。该项目启动于2019年5月,初衷是政府想要利用Sidewalk Labs拥有的Replica软件产品来获取有价值的位置数据,例如当地街道上的人数、他们使用的交通方式等,以支持政府在公共设施选址、交通管理优化等方面的决策。

虽然Replica发言人曾表示该项目并不对单个人的移动感兴趣,主要分析的是特定区域内的集体运动,但或许是体会过市民对数据隐私的强烈需求,Replica公司宁愿终止项目合作,也还是拒绝了向政府部门共享过于详细的数据之请求,尽管波特兰市政府目前为止并未就任何服务向Replica支付费用。

案例三:从0开始建设新城,却没有人来住

2003年左右,韩国政府在距离首尔50多公里外的仁川市,用填海造陆的方式,意图建造一座完全智能化的城市——松岛新城。一方面是为了缓解首尔的城市人口压力,另一方面是方便在全球范围内打造一个智慧城市样板,吸引全球资本、企业和民众的加入。

从一开始,韩国就计划投资400亿美元,用最先进的技术,设计出一个软件和硬件高度集成的智能空间,包括智能家居、智能交通、智能办公等方方面面。

而松岛新城的最大特点,正是它是从0开始建设的,完全摆脱了旧城可能存在的历史包袱,可以用颠覆性的技术从头武装到脚,实现前所未有的高科技与智能化。包括媒体报道的垃圾处理方面:在松岛是没有垃圾处理车的,而是通过地下管道系统连接,垃圾直接从人们的公寓中吸进工厂,并在那里进行自动处理。

遗憾的是,由房地产开发商(美国盖尔公司)实际操盘的新城建设项目,在过于注重科技武装以后,呈现了高额的入住成本,人口聚集效应式微。很多年来,松岛新城连最初的吸引常住人口的目标都难以达到。

根据早前报道,松岛新城设计之初是容纳30万人口,但到2019年底也只有15万人口,只达到了设计之初的一半。可以想象,该城市中布置的大多数基础设施因为“人烟稀少”也往往体现不出当初的投资价值。

智慧城市项目频频烂尾,我们还能再给它机会吗?

对3个“失败”案例原因的分析

失败的原因在上文中或多或少已经提到。

首先在武汉智慧城市项目案例里,关键的问题是甲方单位缺乏一个建设智慧城市的明确顶层设计理念,而是单单被大厂优越的IT产品基础设施所吸引,从而导致重工具购买、轻业务运营,甚至双方作出项目合作这一举动的原因也与更早一步的招商引资有所关联,换句话说是拿财政投资项目换企业在当地落地。这种模式下,很难说甲方做好了充分的项目前期评估和调研,最终就陷入了权责不清、目的不清、路径不清的泥淖之中。

第二是谷歌Sidewalk Labs因为数据隐私问题无法解决的屡屡受挫。无论是多伦多项目还是波特兰项目,本质上并不是过于宏大而难以完成的计划,甚至能够带来诸如环保、增加工作岗位、增长营收的好处;但或许是谷歌公司本身就长期面临数据隐私的争议,它旗下的Sidewalk Labs有更大概率被认为将会收集居民和游客的数据。

在很长的拉锯战中,Sidewalk Labs曾提议建立一个独立的第三方以运行“数据信托”计划,降低自身商业利益和公共利益间的摩擦,但最终该计划也无奈流产,因为民众的关注点不只是第三方是否存在,而是他们能否成为第三方的一员,但很明显,过多的让步势必会有损于该项目本身的商业利益。

最后再说韩国松岛新城从“全球标杆”掉落为“闲置城市”的缘由,从实质看,外界的嘲点在于“产业新城”变成了房地产项目,从中很难看到整个智慧城市产业链的协同合作,进而才导致了产业集聚效应不明显、人口增长缓慢,发展动力不足。

而且这种“另起炉灶”建新城的思路,虽然规避了很多旧城规划不合理的历史问题,但因为要承受漫长的建设周期,巨额的资金投入,一旦缺乏商业吸引力,早前的投资建设也将变得缺少意义。虽然是走了捷径,但风险尤其不小。

何为建设智慧城市的正确姿势?

与上面所有“失败”的例子相反,斯坦福大学学者肯德拉·史密斯认为,智慧城市要想成功,与城市的居民息息相关。

将居民现实需求和感受放在首位的智慧城市,才有可能发展为一套成熟的城市建设模板。

一个最典型的例子,上海在城市精细化管理方面,建设了“一网通办”平台,接入了2000多个政务服务事项;建设了“一网通管”平台,接入了全市22家单位的33个专题应用、全市1400多个排水泵站、27000多公里地下排水管网、100多个防汛队伍和车辆信息,以及接入了地图服务、气象服务、交通保障、应急处置等重要公共插件。

但其实这里面的重点,并不只是一套智能交通信号系统,也不只是一套智能路灯系统、智能建筑系统。智慧城市的深度内涵,着眼于能否尽可能多地将不同系统连接整合起来,其中的责任包括了政府监督、企业主导和生态参与。

因此从关于上海智慧城市建设的各项材料中,我们就看到了上海市智慧城市建设领导小组办公室、上海智慧城市发展研究院、中国联通、华为云、上海仪电集团、爱数信息、商汤科技、中电科数智科技等产业链各类型公司的深度参与。

很明显,这是一股从上到下的坚定力量,不仅有能力使企业从中获取商业价值,也能真正为城市带来新的发展活力。

最后,我们再看市场研究公司Frost&Sullivan 2020年的预测:

  • 智慧城市技术的支出预计将从2019年的960亿美元增长到2025年的3,270亿美元;
  • 到2025年智慧城市将创造价值2.46万亿美元的商业机会;
  • 到2025年全球范围内将至少产生26个成熟的智慧城市,预计有16个位于北美和欧洲,其余位于亚洲和大洋洲。

值得相信,智慧城市的建设之路虽然相对漫长,但已经走到了增长的趋势之上。

嘉禾博研MBA/MEM/MPA/EMBA培训】AI“独角兽”受挫医学影像,谁能从医院手里挣到钱?


张新冠肺炎患者的肺部CT影像,你即便没有任何医学知识,也可以分辨出病人的病情加重了。

这是一个AI系统的功劳。

图标蓝色表示健康,黄色表示该部位被感染,感染面积增减分别用两色箭头标记。图片清晰显示出左肺还是右肺感染,分别在哪几个肺段,体积增大了多少等。

得到这种“傻瓜式”的CT检测结果需要多久?答案是:长则几分钟,短则数秒。此前,等待一份CT诊断报告,至少要排两小时队。

已经有不少患者在接受心、脑、血管、肺、眼底、骨折等影像检查时,可能接受的是“机器人”初诊。到2021年初,有至少10款人工智能辅助检测产品,拿到了医疗器械最高级别的三类许可证,影像AI在医院已真实运用。

2020年初暴发的新冠疫情,导致肺部CT需求骤增,也让更多医生愿意尝试人工智能提升工作效率,审批机关也终于松手发证。

尽管影像AI还均为“辅助”,正式检查结果仍须由医师出具,但对这一赛道的竞争者们而言,新一轮争夺战枪已鸣,已经有两家医疗影像AI企业提前走到了IPO阶段。

现在,影像AI企业和它们的投资者,该做实付费的故事了。产品永远比临床需求落后一个卡位,这一次,他们能摸准医生的“脉”吗?

两家企业的正面交锋,为“抢”新冠肺炎第一单

这场瞄准医院钱袋子的战斗,新冠疫情是推波助澜者。

研发新的医疗AI产品,必须拿到患者数据。上海公共卫生临床中心(下称“上海公卫”)2020年1月接到紧急通知,收治首个新冠肺炎病人,是湖北省外最早获得患者肺部影像的医院之一,科研也随之启动。

此时,至少有4家企业盯上了上海公卫。最终,这成了依图科技有限公司(下称“依图”)和联影智能医疗科技有限公司(下称“联影智能”)之间的战争。

依图抢发了全行业首个新冠肺炎智能诊断系统。这套系统2020年1月28日在上海公卫上线,9天后,联影智能开发的系统才正式上线。

晚了一步,联影智能或许多少会有些不服气。依图自称大年三十就启动了针对新冠肺炎的产品研发,联影集团(下称“联影”)说自己是年初一,在大年初二,联影医疗科技有限公司(下称“联影医疗”)高级副总裁缪宏就带了一个十数人的研发团队来到上海公卫。

彼时,疫情正紧。复旦大学医学影像智能诊断与医疗信息学研究所副所长单飞回忆,第一次和联影的工程师们碰面时,人人从头武装到脚,有人戴了五六层口罩,人心惶惶,“司机一听到我们这里是定点收治医院,非常恐惧,当时联影想找辆车来都找不到”。

付出这么多,联影也想当“第一”。但上海公卫不同意,他们要求企业验证过算法和人机界面的实用性,用更多病例数据把系统训练得更精准再发布消息,上海公卫影像科的医生们花了整整半天时间帮忙做校正和测试,连人机界面需要呈现哪些指标,都进行了调整。

院方一视同仁,所有数据同步共享。依图最初拿到的数十个病例,同样来自上海公卫,然而依图抢先一步独自宣布,迅速收割了口碑,几乎所有国内主流媒体都曾报道过。依图还在两个月内,将系统布署到全国至少20个省份的100多家医院。

然而,问题也来了,在有些医生眼中,第一代的依图系统没那么好用。

“主要是人机界面没有那么一目了然。”一位试用过多家产品的影像科医生对《财经》记者说,在使用智能系统辅助诊断时,最重要的是得到宏观整体的结果,“量每个区域的大小,实际上是没有必要的”。

10个月后,多家影像AI企业产品集中获批,依图却两手空空,一位内部人士都坦承“尴尬”。

拿不到证,意味着产品不能上市,只能继续在医院做科研。2020年末,有业内高管对《财经》记者透露,依图医疗团队约百余人,近半为系统研发人员,至于销售团队,则经历了大幅裁员。

《财经》记者就医疗销售团队现状、拿证进展等问题询问依图,对方称,公司正处上市申报静默期,婉拒了采访。

没有医生帮忙,影像AI总在“走弯路”

在近3年内,山东大学齐鲁医院放射科副主任于德新和同事们至少试用过3家企业的产品,均为科研合作,主动找上门“让我们帮着提提意见” 的更多。

AI企业这样主动,但双方的磨合一点都不容易。最早的AI系统,都以具体列出每一个精确数据为傲,尤其在肺部影像,这一公认的“入门级”产品线。

可医生并不买账。于德新提到,早期肺结节影像AI系统最令人纠结的地方,是设计过于敏感,例如,肉眼可以看到3个小结节,用软件扫一遍,找出8个。

根据诊疗指南,非常微小的良性肺结节,即使检测出来也没有太大临床意义,并不会影响患者的预后。

“好多小结节报出来后,有些患者变得非常焦虑,甚至跑到北京、上海去会诊,增加了很大的心理负担”,因此,于德新和同事们建议厂家,不再标识3毫米以下的良性结节。

在算法上,新冠肺炎这类大面积、弥漫性的炎症,检出方式和孤立性的结节完全不同。

如果一个人有超过20个肺结节,医生一个看一下就要30秒。“我不需要”,一位使用过相关产品的影像科医师同样吐槽,“我不是要检出数量,而是要做定量分析(体积占比),感染科和呼吸科医生也是这种观点。”

而在疫情最初,过度依赖肺结节的算法,也让不少企业走了弯路。“这些做算法的科学家就是闭门造车,用做肺结节的思路来做新冠肺炎。”前述影像科医师说。

新冠肺炎边缘不清,与肺结节的辩识方式完全不同,没有医生帮助改善算法,就不可能得到准确的结果。各家医院拿到的新冠肺炎病例不多,“人工智能”在自我学习时,还需要影像学医师教它如何勾划炎症区域。

在与企业联合研发新冠肺炎AI系统时,单飞和整个科室的同事包括研究生,全部投入帮助勾划和复查。这个过程,不是仅靠技术团队与医生的偶尔交流就能完成的。

单飞主动与数家影像AI公司联系合作过,他的经验是,“牵着研发队伍走的应该是医生”。

免费用的好时光,快结束了

位于济南的齐鲁医院,也享受着与南方的上海公卫类似的待遇——一影像AI企业争夺的焦点。

试用都是免费的,即便如此企业也是争先恐后。毕竟,智能系统需要大量的真实患者数据加以训练。

拥有庞大、且持续更新的患者数据,是医疗AI产品提高精度和持续迭代的基础。“我们平台每天处理的病例数已经超过10万例了”,北京汇医慧影医疗科技有限公司(下称“汇医慧影”)创始人柴象飞颇感自豪。

柴象飞发现,人口基数大、医疗资源不均的基层医院,可能更容易把数据反馈出来,而且都是常见的、有普遍性意义的。

原因是,地方三级、二级医院这两年买了很多设备,但医生水平参差不齐,人员限制了设备,于是寻找合作的意愿强。“我可以给他赋能,一是提高效率,二是提高诊断水平、降低误诊率。”柴象飞对《财经》记者说。

影像AI对辅助诊断肺结节确实有效。人的肺长约370毫米,以1毫米-2毫米为单位粗看,双肺也各有近200张图像待查,新冠随访中更会高达700张—800张。上海公卫影像科医师每天可以完成100个患者的诊断,使用AI辅助系统加以辅助,效率则能提升一倍。

然而,医生接受这个新事物需要时间。“有些医生不是不想用,是电脑不行。”前述影像科医生坦承,智能影像系统会拖慢机器运行速度,医院“老爷机”又多,平常医生不会打开。

齐鲁医院影像科的医师们享受到了影像AI带来的好处,以往每天干到晚上八九点才能下班,其中20%患者是肺病,用上AI系统,加班时间大减。

商家报售50万+,医生心理价10万

于德新愿意为影像AI付费,但他还需要去说服医院领导。

中国人习惯了很多软件不花钱,医院采购设备仪器也得看得见摸得着,这让很多人对一套AI系统的价格总觉得心里没底,不知定价是怎么来的?

医生对此类系统的心理价位在数十万元级。一家三甲医院的影像科医生告诉《财经》记者,愿意接受10万元左右的报价,如果是针对多个病种的系统,20万元也可。

可一家影像AI公司高管的答复像一盆冷水,“单我们的系统可能100万元左右,所以为啥AI公司价值还可以,我们比CT毛利高很多”。

2020年汇医慧影与华为、英特尔合作,在海外推广新冠肺炎智能诊断系统。截至目前,已在50多个国家、100余家医院落地。然而,在一位业内人士看来,这个数据,并不是AI带来的。

“业内很多家的业务可能更多是AI幌子,很多是信息化的收入、硬件的收入。有一些卖系统集成、智慧医院的解决方案。”约印医疗基金董事总经理熊水柔对《财经》记者分析。

打开医疗AI的市场并不容易。科亚医疗在全国多个省市开拓市场,其销售总经理王凯说,“正在做一个很难的事情。”传统的销售模式是可复制的,但医疗AI不是,医院会提出不一样、更个性化的需求。

远毅资本合伙人杨瑞荣在接受《财经》记者采访时,试图把医疗AI的整个付费故事讲圆。

杨瑞荣把医疗AI视为一个大的产品,包括3D重建、病灶确定、手术规划。做一个手术规划,如果原来是要一个小时的时间,通过医疗AI可以缩短时间。

花钱购买医疗AI 的影像科,是成本中心,而诊疗的医生本身是一个利润中心,现在,医疗AI是真正能够帮助医生节省时间。在杨瑞荣看来,医生付费的动力很高。

“以前医生觉得我为什么用你的人工智能?现在医生越来越重视卫生经济学,会变得更愿意通过精准诊断来收费。”熊水柔说。

你见哪个医院在用巨头的产品?

尽管买卖双方在定价上有巨大的鸿沟,至少“打包”也是医师的愿望。

医生的愿望是,一家AI能处理足够多的病种,或是某个大公司做成一个大平台,领导行业做一个融合的产品。“这么多产品,张三做头李四做脚,覆盖面不够,肯定成问题。”于德新说。

GE和飞利浦已经开始与影像AI产品融合。联影智能的工作人员也说,“我们的系统是开放的,任何厂商的硬件都能接入。”

事实上,单独做一个AI的公司很难活下去。王凯直言,“如果没有母公司或外部投资,公司撑不了一个月”。

“一扫多查”是破局的一个思路。“我们做了以胸部为扫描范围的一个CT包,像肺结节、新冠肺炎、肋骨骨折,还在加一些新的功能,比如淋巴结提示癌症转移迹象、食管壁增厚提示食道癌等,做全方位的胸部的判断。”联影智能首席运营官詹翊强表示。身为硬件厂商集团的一员,联影智能可直接与内部资源打包进医院。

这或许就是依图这样的AI独角兽大手笔布局医疗领域后,未能立竿见影的原因。招股书显示,依图在智能医疗临床决策平台的投入为1.17亿元,仅次于人工智能芯片及云边端算力硬件和城市视觉中枢平台,位居第三。

“并不是有特好的算法技术,有钱,就能很快干成。”一位业内人士分析。

不仅是满足医生的临床需求,还需要了解监管审批和采购政策,并有深厚的渠道资源积累和强大的商业化布局,是做加法,还是从零开始,对已在赛道上的选手,并非公平的游戏。

虽然,拿到医疗AI“首证”的科亚融资4轮超7.5亿元,仅用1年时间就从B轮走到了IPO阶段,推想也已宣布拟在A股科创板挂牌。然而,前述业内人士分析,“如果不能把团队变成医疗化的公司,很难在这个领域扎根。”

嘉禾博研MBA/MEM/MPA/EMBA培训】MEM管理案例:施工企业数字化转型最关心的三个问题!


随着数字中国战略在各个行业的有序推进,我们可以明显地感受到数字时代的悄然来临。作为中国经济的重要产业,建筑业的数字化成为了行业发展的必然趋势。在数字化的行业背景下,施工企业该如何做好数字化转型成为企业发展的关键。

经过大量走访各地的特一级、地方民营施工企业,我们发现,施工企业普遍关心以下三个问题:

数字化的本质是什么

“数字化”、“大数据”、“算法”等词,我们已经耳熟能详了,但真去深究根本,又很难解释透彻。还记得几年前那场特别有冲击力的对决么——人机大战国际象棋。在国际象棋之后我们认为围棋是人类的最后一块阵地,因为围棋是极其复杂的,然而现在人类也无法战胜计算机了。从本质来讲,数字化最擅长的就是运算决策。

这是后台算法和数据的精妙之处,它能推测你想要买什么,就显示给你看什么,比你更“懂你”,这也是为什么阿里会在2009年决定要成为一家数据公司,而且事实证明它确实是这样做的。

在基于数据形成算法、用算法提升资源配置效率上,建筑行业仍有巨大的提升空间。在数据+算法定义的世界中,以数据的自动流动化解复杂系统的不确定性,优化资源配置效率,构建企业新型竞争优势。

事实上,每一位管理者都是一位决策者,都要做出大量的决策。无论是项目还是企业,每一个决策都直接影响企业效益,比如材料买对了么?供应商选对了么?此刻是不是需要赶工?是多派人手赶工好还是拉长进度效益好?

我认为,数字化必须指向决策,你要收集什么数据,是需要经过精密设计的,企业要有数据中台的支撑,为更大的数字化转型做好数据基础。

决策大概分为两个方向:

其一,用数据的标准化来驱动机器,做一个数字化工具。比如一些钢筋的弯折机,比如用机器人来做砌体,本质上是用数字来驱动,用机器帮我们干活。这是第一个革命,我们称其为数据驱动的工具革命。

其二,就是数据驱动的决策革命。流程的优化,带来的价值提升是有限的,它是我们管理标准化的基础工作。更大的价值在于管理内核的变革,这也是数字化的最终目的。

对管理者来说,管理就是决策,数据是支撑,效益是目的,脱离数据辅助的决策,数字化就是一句空话。

企业的数字化该做什么

施工企业的数字化没有“万金油”式的方法,应该根据企业自身的业务转型和管理升级需求有针对性地进行数字化建设,同时需要紧紧围绕着价值做文章。

随着市场环境和客户需求的变化,施工企业所提供的服务绝不只是“盖房子”,现阶段我们已经看到了一些领先企业进行了很多层面的业务转型,如提供融资服务、工程总承包(EPC模式)业务等等,这些都是顺应市场变化的全新尝试。

那对于还没有进行业务转型的企业,是否应该跟随这些趋势进行业务调整呢?

我认为绝对不是!数字化改变了原有的业务架构,传统企业要思考全新价值链下的自身定位。企业应该提前了解全行业的发展趋势,并根据自身情况和特点,扬长避短,判断自身所提供的服务是否能在新环境下创造价值,这也将是企业数字化转型的方向。

比如行业巨头,特别是大规模、数字化基础较好的企业,可以考虑投入以数据驱动的建筑全生命周期服务;

规模较小、管理水平不高的企业,就可以率先尝试为业主方提供数据服务,提升其全新的行业竞争力。

数字化是通往未知的旅程,执行的速度越快越能更好地控制转型过程。企业的数字化转型,速度比完美更重要,“尝试、失败、学习”是提升企业数字化成熟度的核心方法,同时企业高层还要重视对管理团队、商业创意以及企业发展里程碑的建设。

企业的数字化该如何做

企业在回答数字化该如何做之前,需要从全方位的角度来思考。数字化转型不是孤立的某些流程的改变或是局部的组织的调整,而是必须在整个企业的层面,包括流程、人才、组织、文化和制度等方面都做出有计划的、系统性的重大调整。

施工企业的数字化大体分为三个阶段:

第一个阶段是项目管理的转型升级,其中包括实现软硬一体化,也就是BIM和智慧工地完成整合。

第二个阶段是企业运营转型升级,实现业财一体化。

第三阶段我们要实现的是产业协同转型升级,主要包括设施一体化和甲乙一体化。

广联达在实现基于数据的项企一体化过程中提出了六个一体化的内容,即决策执行一体化,风险管控一体化,策划施工一体化,采购履约一体化,成本管控一体化,以及生产调度一体化。

其中主要建立如下几方面数据。第一,项目管理数字化,企业层、项目层数据;第二利用BIM技术实现建筑物的数字化;第三,现场生产要素人机料的数字化;第四资源配置层的数字化,比如人员、采购、资金、设备等;第五,职能管理层数字化,如营销、人力、财务、行政等。最终实现集中所有数据于一体,从而实现用于决策的大数据分析系统。

 

数字化转型只有起点,没有终点。从传统到数字,创造施工企业的全新未来,不是突然颠覆的过程,而是一个逐步转变的过程,需要有明智的策略、科学的节奏、先进的技术,也要有足够的耐心。

广联达数字施工围绕工程项目,以“数字项目集成管理平台”为核心支撑,为建造各方提供“多快好省” 数字化转型方案。为此,我们一直在努力的路上。

嘉禾博研MBA/MEM/MPA/EMBA培训】MEM管理案例:深圳应用区块链提升政务服务效能调查


连点成线、串块成链。近年来,随着越来越多区块链应用场景的落地,这一新技术名词离我们越来越近。区块链已成为智慧城市浪潮中一个重要角色,对于推进政务改革、加快“数字政府”建设,区块链有哪些“独门高招”?请跟随经济日报记者到深圳看一看。

受数字化浪潮影响,运用区块链、大数据、云计算等前沿技术推动管理手段、管理模式、管理理念创新,正让城市变得越来越智慧、越来越“聪明”。近年来,区块链技术在推进政务改革、加快“数字政府”建设中发挥了重要作用,各地在政务服务创新方面也纷纷开始向“区块链”要办法。

“十四五”规划和2035年远景目标纲要指出,“以联盟链为重点发展区块链服务平台和金融科技、供应链管理、政务服务等领域应用方案”。从概念到应用,从技术创新到顶层设计,区块链已不再高深莫测。那么,区块链在智慧城市浪潮中具体扮演何种角色?在政务服务创新方面有什么具体应用?还有哪些发展空间?近日,经济日报记者前往深圳,从区块链落地的具体应用场景中寻找答案。

科技赋能解决“痛点”

一直以来,纳税人排长队、办税程序繁琐、重复或多头报送涉税资料等问题长期困扰着税务部门和纳税人。如何通过科技赋能解决“痛点”,提升税务管理水平,为纳税人提供更便利的服务,是各地一直在探索的问题。

区块链技术作为一种提升社会治理能力的新型技术工具,其价值近年来愈发凸显。“区块链技术与税收治理具有高度契合性,在提升税收治理能力和服务水平上有很大应用空间。”深圳市税务局副局长李伟说。

深圳在税收科技创新方面做了不少有益探索。2018年,深圳市税务局与腾讯公司联合成立“智税”创新实验室,重点研究云计算、人工智能、区块链、大数据等技术在税务管理、电子发票应用等方面的解决方案。

“我们希望依托人工智能、区块链、大数据等为代表的新一代信息技术,推动税收治理的创新和现代化发展。”李伟告诉记者,将区块链技术集成应用到税收领域,不仅可以达到提升管理效能、优化信息管税的效果,还能助力数据生产要素在政务部门间双向流动,从而打通数据壁垒,提升管理服务效能。此外,税务局对外部经济数据生产要素的捕捉、对税收数据生产要素关系链的补充和融合,也有助于税收信息化从系统内集成向社会集成升级。

据介绍,利用区块链技术不可篡改、可溯源等特点契合税务应用需求的优势,深圳市税务局与腾讯公司开启了“区块链+税务”的首次实践,率先体验了区块链带来的技术红利。2018年8月10日,经国家税务总局批复同意,深圳上线了区块链电子发票系统,并开出了全国首张区块链电子发票。这是“智税”创新实验室孵化的第一个产品,也是国内首个“区块链+发票”生态体系应用研究成果。

“消费者结完账就可以自己在微信上开具区块链电子发票,完全不需要人工录入信息,也不用额外的硬件支持,非常方便。”开出全国首张区块链电子发票的深圳国贸餐饮有限公司餐厅运营经理代江华感叹。区块链技术让发票网上领用成为现实,消费者在手机微信上点击领票,税务机关审核后就能发放票据,真正实现了让群众“多走网路、少走马路”。

区块链电子发票底层技术提供方、腾讯公司区块链技术总经理李茂材告诉记者,以往如果消费者要开发票,必须向商家提供开票个人姓名或单位票号,遇上开票人数多的情况还要长时间排队等候,而区块链电子发票很好地解决了这一问题,具备快速推广和应用的基础。

相较于传统发票,区块链电子发票优势明显,不仅开具和领取方便快捷,围绕“发票资产化、数据价值化”,它将发票的开具、流转、报销和申报全流程上链,每一张发票都可查、可验、可信、可追溯、可管控,解决了发票流转过程中一票多报、虚报虚抵、真假难验等问题,降低用票企业财务管理风险和涉税风险,也为纳税人带来诸多实惠。

如今在深圳,交通出行、差旅费报销等都不再需要“贴发票”,人们在日常生活的方方面面都能体验到“链上开票”的快捷:外出就餐开票不用“排长队”,一键申请就能开票;超市购物无须“手写抬头、机打发票”,付款后1分钟内实现“交易即开票”……区块链电子发票给群众带来了实实在在的便利。

多点开花惠及生活

区块链发票一经推出就获得广泛关注,但这项新技术的实际推广是否顺利?应用领域和路径又有哪些拓展?

记者在采访中了解到,2018年12月,深圳区块链电子发票系统与微信支付平台联通,打开了区块链电子发票的通用入口,依托于移动支付的高渗透率,迅速在众多小微企业间铺开。与此同时,区块链的应用场景也实现更多突破。

交通出行是最早引入区块链技术的民生服务领域之一。2019年3月18日,在深圳市福田交通枢纽地铁站,乘客扫码出站后通过微信扣费记录开出了区块链电子发票;深圳市的部分出租车、机场大巴330全线也先后接入区块链电子发票,实现发票开具全程网上办。

“从使用者的直观感受来说,区块链电子发票无需专用设备,全程手机自助操作,票据保存几乎零成本。”腾讯智慧交通总经理宋凌云说,这不仅方便乘客,也大大节约企业开票时间、硬件和人工成本,提升管理运营效率。“以深圳地铁为例,区块链电子发票上线后,可实现每天17万人次线上自助开票,每年仅发票印制成本就能节约40万元。”

交通行业并非区块链电子发票系统覆盖的唯一民生领域。记者在调查中发现,围绕民生关切和群众需求,深圳区块链电子发票的深化应用优先投入到了与衣食住行相关的行业,在推出半年内便覆盖了金融保险、零售商超、酒店餐饮、停车服务、互联网服务、交通出行等众多领域。

拓展民生领域应用场景的同时,区块链电子发票还逐渐从开票率和发票面额相对较低的地铁、餐饮等场景逐渐向高开票率、高面额的家电、房地产等场景拓展,相继在爱尔眼科医院、国美电器和恒大地产上线使用。随着应用场景逐渐增多,区块链电子发票功能也在不断完善。

“新冠肺炎疫情期间,我们推出了区块链电子发票‘极速版’,实现从注册、领票、开票到报销的全流程线上化,实现‘无接触’办理,切实解决了纳税人领票难、取票难、开票难的‘痛点’,有力助推复工复产。”深圳市税务局征管和科技发展处处长李荣辉告诉记者。

数据显示,截至2020年底,深圳区块链电子发票开票量达3300万张,开票金额超过390亿元,应用场景覆盖百余行业。以往深圳各办税服务大厅“人山人海、人头攒动”的场面已一去不复返。区块链电子发票项目还获得了2019年度深圳市“市长质量奖”服务类金奖,成为深圳智慧城市建设的一张亮丽名片。

管理效能有效提升

区块链电子发票的成功实践,展现出区块链技术在社会治理及公共服务领域广阔的应用空间。如何进一步深化区块链技术应用,使其更有效地服务社会治理现代化,成为深圳探索的新方向。

记者了解到,以往纳税人代缴车船税后,当场只能拿到保单或电子缴款凭证,完税证明要等保险公司或海事局完成代征税款结报后再到办税大厅换开。现在,登录微信小程序“税务数字钱包”,点击“换开完税证明”按钮,短短几分钟内就能获得电子版本的车船税完税证明——这是数字化时代深圳继推出区块链电子发票后,又一项利用区块链技术在税收服务领域的创新应用。

“区块链技术的应用既解决了代收代缴、委托代征场景中开票的不便,又保证了税票信息实时上链、真实、不被篡改,对于需要查验税票信息的第三方,也可保证其实时查验。”李伟说。

深圳市还将区块链应用到了更多政务管理层面。2019年11月21日,深圳市税务局、深圳市公安局、深圳海关、中国人民银行深圳市中心支行联合开发的“深圳四部门信息情报交换平台”上线,平台运用区块链技术建立起查询数据列表,信息情报数据实现“链上交互”,可自动查询、自动比对、自动处理,有助于推进部门间数据的共同维护和利用,联合开展监控分析和预警应对,增强监管的实时性、精准性,从而提升联合打击涉税违法犯罪的能力和水平。

“以前我们与公安、住建等部门交换信息,需要来回跑动,现在通过新平台就能和这些部门共享信息。”深圳市税务局个人所得税处工作人员介绍,2020年1月深圳市推出了自然人信息共享智慧平台,依托区块链技术“分布式实时存储”功能,推动了多部门实现信息资源整合,为信息交互传递提供了更加准确、高效、安全的渠道。

围绕更大范围的信息共享平台建设,区块链技术加速了深圳跨部门协作进度,促进提升了社会治理效能。2020年5月9日,深圳市税务局与腾讯集团、平安集团、中装建设集团、欣旺达电子股份有限公司联合签署合作框架协议,共同打造了“税务—产业”联盟链,通过使用跨链技术打通税务链、金融链、产业链的数据通道,发挥联盟链各方在各自领域的辐射作用,使企业、金融机构、税务机关共享联盟链上的信息,实现联盟链各方实质、有力的协同,从而降低成本,提升协作效率,让链上企业享受到便捷、精准、可信、一站式的综合性服务,更好激发实体经济活力。

“以企业在联盟链上申请融资贷款为例。企业可以自主将税务数据和生产经营数据通过联盟链一键式提交给金融机构进行审核,这既降低了多方协作成本,又大大缩短贷款审批时间,还降低了放贷风险,实现了多方共赢。”李伟对联盟链应用前景充满信心。

记者了解到,下一步,深圳还将向更多政府部门和商事主体开放区块链应用场景,将已有经验成果推广应用到民政、财政、金融、市监、工信、人社、司法等部门,加快完善市场主体的救助和退出渠道,打造更加优良的营商环境。(经济日报-中国经济网记者 杨阳腾)

大家都在搜