TEDxChengdu | 万物皆计算：被数据描述的物理世界

编者按：

9月15日下午，TEDxChengdu*的2018 “The Bigger Pie | 同心扩容” *主题演讲活动在成都博物馆举行。该活动以“深读成都，为之喝彩；拥抱新知，联机世界”为目的，召集了一众富有洞见与声量的学者、创客、行动派、冒险家们共同分享他们眼中的未来。大地量子的创始人兼CEO王驰博士也有幸受邀作为一名演讲者，与现场400多位观众共度过了一个精彩的下午。

图1 王驰博士演讲

王驰博士于2017年初与吕童博士一起创立了“大地量子”，专注于利用AI和卫星遥感，将地球空间信息数据化、智能化，拥有诸如全球作物识别、产量预测、灾情检测等多项行业领先的原创技术，为私募基金保险和再保险等领域提供新的视野和数据洞察。他先后获得了上海交通大学电子工程专业的学士学位和美国南加州大学获得量子计算方向的博士学位。

今年，他荣登了2018福布斯中国“30位30岁以下精英”榜和2018“胡润30x30创业领袖”榜，并入选了成都“蓉漂人才”计划。

* 小资料：

TEDx是美国非盈利性TED（Technology、Entertainment、Design，技术、娱乐、设计）首发于2009年的子项目。在“广传创见”的理念下，全球各地粉丝自愿发起类似TED大会体验的、以“x”表明的独立活动，同时TED会位每个活动办法许可牌照并提供宏观指导。TEDxChengdu即TEDx成都，是经由TED大会官方授权，致力于打造高质量、有影响力、富有良好声誉的TEDx品牌，曾举办过“Future You”“Global Day”“Present”“Bridge”“The Age of Amazement”等主题活动。

The Bigger Pie | 同心扩容：主题中的“pie（饼）”比喻了成都今年发布的2035年城市总规蓝图，城区“犹如一张摊开的饼，在广袤的成都平原上东进南拓”；“同心扩容”不仅谐音了“蓉”城，还点出了成都市的俯瞰几何意象。

现场演讲视频如下

流量党慎点

<以下是现场演讲文字版>

食用油大家都见过，对吧？

如果没有见过，至少也吃过。大家平时吃的薯片、炸鸡、方便面里面都会有食用油。那我在这里提个问题：有人知道世界上产量最大的食用油来自于什么种类吗？

我知道肯定会有人说大豆，嗯，不是大豆。当然也不是花生、核桃什么的，而是棕榈。

全球每年会生产6500多万吨棕榈（油）。棕榈油它by definition来自于棕榈果，长这个样子：

图2 棕榈果

图源：funcionaisnutraceuticos.com.br

而全世界85%的（棕榈油）产量来自于两个国家，一个是印尼，一个是马来西亚。中国每年进口大概几百近一千万吨的棕榈油。

这个棕榈油从果子到最后被大家吃掉，中间会经过很多过程，其中最重要的一个就是期货交易。期货交易是帮助棕榈油进行定价的，它是一个很重要的环节——道理很简单：产量越大价格越低，产量越低价格就越高，（这是）在（市场）需求量一定的情况下。所以要预测未来价格的话，（那么）预测未来的产量就会变得很重要。

产量由什么决定呢？第一个当然是种植面积。第二，还（要）结合一些气象因素。所以我们为了去预测这个价格，而（需要去）预测这个产量。我们使用卫星遥感数据跟AI结合，画出了一张马来西亚马来和印尼两个国家的棕榈树分布图。

图3 2018年8月马来西亚国家境内棕榈树分布图

图源：大地量子

这是一个真实的棕榈分布图，目前在国内应该是不太看得到的。

那么，在这两个地方因为基础设施薄弱，稍微一下雨，就会发洪水；一发洪水，棕榈的产量就会受到影响。这就会出现有一些很有意思的场景。比如你哪天去超市买方便面，（发现）它（的价格）涨了五毛或一毛钱，那这很有可能就是和3000公里外某个地方多下了一场雨有关。

这是个比较简单的案例，但它带来一种比较有意的思维模式是：

其实日常生活中的方方面面，都是由物理世界已经或正在发生的事情在日常生活中的一种映射，万物都是相关联的；而我们就是想通过计算，来找到更多的关联性。

这就是我们在做的事情。

我们将整个大陆的卫星遥感数据、气象数据以及地面的传感器数据放在一起，通过AI和计算平台，从里面挖掘有价值的信息，再把信息分发给我们的客户。

这个数据量（有多少）呢？我们常用的几颗卫星，它们每天大概生产20TB左右的数据量，那么每年就是7PB左右。我们家用宽带差不多就是100M的带宽，如果（每天）什么都不干只下载这7PB数据，也要持续不断19年才能下完。这就是这个数据量有多大。

而我们平时看到的这个卫星图片，就好像一张照片一样，但对我们AI或者计算机来讲的话，看到的都是一串数字，大量的数字。因此我们要做的就是开发一些AI算法，从大量的数字里去挖掘信息，比如说从这个矩阵里找到这张图里面有多少条船。

图4 从数字矩阵中找到有多少条船

但这只是地球上面很小的一块区域，可以说是冰山一角。地球是很大的，它的表面积有5.1亿平方公里，这是空间上的大；那从第一颗遥感卫星发射上天到现在，差不多是三十年（过去了），也就是一万多天，每天都有数据产生，所以时间也是很长的。古人说“上下四方谓之宇，往古来今谓之宙”，这是庄子对于宇宙的一个理解，同时也是对时空的一个理解。（所以当）我们去解决时间和空间的问题，去挖掘里面的数据，就形成了我们的一个“时空大数据”。

我们想要做的，第一是想要知道地球上过去发生的所有事情，第二是想要知道现在发生的，第三是想要预测未来将会发生的很多事情。这听上去好像是一个很遥不可及的目标，但实际上，我可以给大家看一些简单案例。

比如说，这是1984年的成都：

图5 成都市俯瞰图：1984

这是我们追溯一些历史数据，在成都这样的小空间里看到的一个样子，它就这么一点大，感觉像个村庄一样。到了2000年的时候，就变成了这么大，这是同一个比例尺：

图6 成都市俯瞰图：2000

大了一圈，可能是二环或者三环路。（而）到了今年的时候，就已经看得到成都差不多有一个Mega City的样子：

图7 成都市俯瞰图：2018

这是个比较有意思的一个时间和空间案例。但实际上，去看一个城市的发展，对我们来讲，是一个相对简单、也是大部分人都能去做的事情——因为这个只需要用肉眼去看就行了，能够明显地看出中间的区别。然而，实际上在处理很多事情的时候，肉眼是无法去“看”的。

比如说我们要去得到一张这样的图：

图8

但我们拿到的原始数据可能是这样的：

图9

那么我们需要通过大量的预处理，来得到一些中间结果：

图10

再通过这些中间结果进行一些后处理，去得到一个用户想要的结果。中间这么一个过程需要算力。而要把这个世界上5.1亿平方公里的土地全部计算出来，并且每天计算一次，这需要极大的算力。这是我们的挑战之一。

第二个，再讲一个例子，比如（下面）左边这张图，大家肉眼可以看出图上是什么东西，有一些村庄，一些农田。但如果现在问你这些田里都种了什么东西，可能大多数人都不知道，因为（用肉眼）根本就看不出来。所以，我们解决的很多问题都来自于肉眼不可见的数据，比如近红外、远红外、短波红外、热红外这样的肉眼不可见但可以被卫星捕捉到的红外数据。通过这样的数据，再结合一些AI算法，那么就可以得到一个模型去把地面上种植的东西认出来，并标出来。比如，在右边的图上，绿色的是大豆，黄色的是玉米，粉色的是苜蓿，棕色的是高粱——这样就变成了一个有价值的数据。

图11 左：卫星可见光图像

右：对应的作物分类图

图源：大地量子

所以说，对我们来讲，数据的处理，第一个是算法的问题，也就是大脑的问题——要足够聪明，能够从一些农田影像里面，去确认哪里种的是玉米，哪里种的是大豆；第二个是算力的问题，也就是肌肉的问题——要足够有力量：我们不仅关心你家门口一亩三分地种的是玉米还是大豆，我们还更关心全球到底种了多少玉米和大豆，这就是一个算力的问题。嗯，就好像我们既要当钢铁侠又要当绿巨人，最后变成了一个钢铁巨人。

图12 钢铁巨人

图源见水印

当在（钢铁巨人）这条路上越走越远的时候，就会有一些有意思的结果。

比如说，我们去计算地面上有多少树。这是我们做的（图）。2017年凉山州发生的一次森林大火，烧焦了很多树，（而）我们通过对比火灾前后树的多少，就可以得出有多少树被火烧掉，（也就是）得到了一个受灾面积。

图13 2017年凉山州森林大火林损监测图

图源：大地量子

这个数据量是很有用的。（之前）保险（公司）对这块地进行了承保，发生火灾后须要对这片地进行理赔，那么需要知道赔多少，中间有个过程叫做定损。以前定损是怎么做的呢，是人拿着这个手持的GPS到地里面去走一圈，得到一个面积数据。有些树长的地方特别奇葩，在一些你根本爬都爬不上去的地方，这会对定损人员带来很大困扰。而通过我们的技术，就可以帮助定损人员，（让他们）在办公室里喝着茶很轻松地就把事情做了。这是一个小案例。

那么另外一个，这是一张中国耕地分布图，这是我们算力的一个体现：

图14 中国耕地分布图

图源：大地量子

我们对960万陆地平方公里的每一寸土地都做了Boundary Classification（底界划分），去判断它是耕地或者不是耕地。那么把全部数据处理运算后就能得到一张中国的耕地分布图。大家应该知道中国有18亿亩的耕地红线，那我们现在到底有没有触到这个红线，这是国家机构、决策机构最关心的一个数据，（而）我们可以提供这样的数据。其次，在一些地方，一些省一些市的房地产开发是否有超标，有没有过多占用耕地，也是我们可以提供的一些数据。这就是关于“看现在”的（另）一个案例。

再讲一个关于期货（的案例）。石油是期货之母，不仅受国际政治的影响，也会影响国际政治，还会影响经济活动的方方面面，可以说是非常重要的。那么在石油交易的过程中，有一个数据比较重要，那就是挖出来了的石油的仓储（量）。

图15 石油仓储量监测图

图源：大地量子

可以从这个图上看出，石油储罐上面有一个盖子，这个盖子是（上下）浮动的。也就是说，如果（盖子）下面的石油越多，它（盖子的位置）就会越高，石油越少，那么（盖子）位置越低。当太阳照射（储罐上方）的时候，就会形成一个阴影，这个阴影面积越大，那么就说明盖子越下沉（得多）。那我们去计算这个阴影的面积，就可以大概地估计一下这（储罐）里面有多少油。如果我们对全球的储油点进行一个常态化监测，就可以得到一些有意思的结论。比如现在世界的石油储量是在上升还是下降。这样一个问题就是一个Million Dollars Question，就可以解决很多后续的问题。这是我们“看现在”的（又）一个案例。

那么说到预测未来，这是一张森林火灾的风险地图。

图16 山火预测图

图源：大地量子

我们通过对比以前发生森林火灾时的气象情况、土壤情况比如地表温度等，各种情况加起来，包括人口密度、GDP等这些数据合在一起，让AI去做一个模型，那么这个模型就可以告诉我们，在什么样的条件下可能会发生森林火灾。拿着这个模型去判断未来，就可以得到一个风险地图。这个风险地图的作用就在于能够帮助风险公司更好地定价。比如（火灾）风险变高的森林或者林场，它的保费可以更贵一点，而风险低的就便宜（一些）。就像开车一样，天天酒驾、撞人的人，TA的车险费肯定高一些。

同样的（“预未来”）例子，我们可以看美国的大豆。这是我们做的今年的美国大豆分布图。

图17 美国大豆种植分布图，更新时间：2018年8月10日

图源：大地量子

这个应该（也）是很少有机构会有。目前在我们的认知里面，我们是唯一能够提供这个数据的一个团队。基于这样的一个大豆分布图我们可以做很多事情。比如说我们结合这样的大豆分布图，结合长势、气象等的数据，我们就可以对未来进行一个产量预测——大豆的产量大概有多少，我们可以在现在，或说在7月份的时候，就能对年底会收割的大豆进行一个预测。这个预测数据第一可以帮助私募基金去做投机，去帮助他们赚更多的利润；第二是可以帮助农业贸易，比如中储粮、ABCD四大粮商，去帮助他们做套期保值，降低业务的风险。

除了这些案例，还有很多没有画图的（案例）。

比如我们去计算这个洋流，日本海洋流的流向，去判断鳗鱼——从卵到长成一条成熟的鳗鱼，它会经过哪些地方，（从而）更好地帮助渔民去捕鱼；再比如说我们去监测滑雪场雪的厚度，来帮助滑雪爱好者正确地选择一个合适的雪场。

这些案例看似都不太相关，有农业有石油的，有To C的有To B的什么都有，但实际上我们想做的是什么呢？我们认为世界上所有的信息都是一个一个的“散点”，但这些散点连成一张网后，就可以去捕到鱼，创造价值；其实每个人都是一个渔民，因为自己的阅历不同、受教育程度不同、对世界认知不同、掌握到的信息不同，那么每个人的网都是不一样的。可能有的人的网更密一些，有的人的网更疏一点，密一点的可以捕到更多的鱼。

所以我们去计算物理世界，去挖掘更多跟物理世界相关的信息，实际上就是在挖掘更多的“散点”，再把这些“散点”交给需要它们的人——可能是这些网比较疏的人，让他们能连成更密的网，这样能捕到更多的鱼。