IPCreator：AI类似于Android，颠覆性更强。
——在这一波浪潮中，你又会扮演怎样的角色？
AI的新趋势：端智能和小数据
因为手握大量3G、4G和下一代无线技术专利，高通是全球移动互联网的最大赢家之一。几乎世界上所有电信设备和消费电子终端设备公司，包括苹果、三星、华为，都在向高通缴纳专利使用费。
高通在中国也很活跃，高通旗下的投资机构高通创投，在通过投资的方式积极布局人工智能。高通创投已经投资了像商汤科技和摩拜单车这样的明星公司。11月15日，高通创投董事总经理沈劲在媒体沟通会里，表达了他对人工智能下一步发展的看法。其中两点让人印象深刻。
第一，终端侧的人工智能会是下一步的热点。终端侧的人工智能，也就是端智能，指的是包括像手机、摄像头、传感器、机器人等智能终端。之所以如此，也有两个原因，一个原因是，这些大大小小的终端会覆盖生活的各个方面，在线上流量越来越贵的情况下，成为被争夺的新的流量入口。另一个原因是，人工智能平台级公司的机会越来越少，平台级的公司是“发电厂”，其他公司用电就可以了。而端智能公司能拿到一些垂直领域的数据，是大平台也没办法获取的。比如农业领域的数据。
第二，下一步人工智能技术的研究重点会是，限制条件下的人工智能，也就是在小数据、无标注和限制环境下做人工智能训练。而在过去，一种普遍的看法是，必须用大量的数据去喂养人工智能技术。但是，显然是大的互联网公司在数据上会更有优势。
总之，高通创投的观点是，未来人工智能的发展趋势是：终端侧的人工智能和小数据环境下的人工智能。
IPCreator：英雄所见略同，UiLite的核心思想与之契合。
百度陆奇：如何理解人工智能
11月7日，在上海举办的2017创新与新兴产业发展国际会议上，百度总裁兼首席运营官陆奇再次谈论了他对人工智能的理解，强调百度All In AI的决心。陆奇用了很大篇幅去介绍百度的人工智能平台和战略。抛开具体公司做法层面，他对人工智能的阐述，对普通人理解人工智能非常有帮助。
陆奇把“人工智能”中的两个字“人工”拿掉，来阐述什么是“智能”。他的定义是，从工程和科学角度看，智能是“获得知识、应用知识和达到目的的能力”。 在过去人类社会发展的整个过程中，都是靠人自身来获得知识，是人类发明了农业、工业和信息化。但是，到了人工智能时代，人类有能力建造出一个系统，这个系统自己就可以获取知识、应用知识和达到目的。而且，速度还更快。在这种情况下，所有行业的发展速度都会跟此前不同。
在人工智能时代，数据的重要性前所未有。陆奇说，所有的社会生产中，都有一个核心的生产力。按照马克思的说法，生产力会决定生产关系。农业社会核心生产力是土地，工业社会是工人、设备和厂房，人工智能时代会是数据。数据是知识的载体，有了数据，人类就可以高速地获得知识。
然后，人工智能也会带来一个新的计算平台。比如，个人电脑就是一个计算平台。智能手机也是一个计算平台。任何一个时代的计算平台，都会由两个层面构成，前端是交互方式，也就是人类和计算机沟通互动的方式，比如鼠标、键盘、触摸屏；后端是存储和处理器。人工智能时代，人类会进入一个全新的计算平台，“前端是能听、能看、能说、能懂、能理解、能交互、能提供服务的，后端不光是简单的云，将来的云将聚集大量的数据和每个行业的知识，它可以推动任何一个行业的创新，它的前端可以让每一个设备、每一个物体实体，比如一个桌子、一个椅子、一个冰箱，都有智能能力”。
这就是百度总裁陆奇阐述的人工智能。智能是人类获取知识、应用知识和达到目的的能力。人工智能会带来新的计算平台，并让一切产业加速。
破解密码时，人工智能在“思考”什么？
桑希尔：一个人工智能程序仅用12分50秒就能破解二战期间德国Enigma密码。虽然机器智能给出了正确答案，但它并不理解自己在做什么。
神经网络通过深度学习，自动把设计稿变成 HTML 代码
1) Give a design image to the trained neural network
2) The neural network converts the image into HTML markup
3) Rendered output
Turning Design Mockups Into Code With Deep Learning
人类会和机器一起继续进化？
现在有一种理论认为，达尔文的进化论到人类身上会失效，为什么呢？因为本来物竞天择、适者生存，你有能耐就传宗接代，没能耐就断子绝孙，但人类在现代文明条件下，失败的、没能耐的人也能活下去啊，再差的人都可以有基本保障，所以自然选择到人这里就失效了，那我们的进化历程一定会拐个大弯，但拐到哪儿去呢？谷歌高管最近发表了一个脑洞大开的演讲，他说2030年，人就可以和机器结合在一起，共同完成进化。
这位高管预计，按现在科技发展的速度，15年以后，人类就可以在大脑中植入纳米机器人，这样大脑就直接接入互联网了，而且可以像智能手机一样升级，说不定还可以根据不同的需要，购买不同的升级包。
试想一下，如果真是这样的话，我们人类的智力会更高，知识会更加渊博，更懂音乐美术，也更具创造力。这位高管说，人类要是发展到这个阶段，就可以具备上帝一样完美的品质。
听起来很酷炫吧？和机器一起共同完成进化，还真可能是人类进化的一条新路。
本文源自：人类可在2030年成为半机器人 如上帝般完美
关于人工智能真相的清单
2017-08-16 「得到」 罗辑思维
引言
很多人都声称人工智能是未来的大机会，但真实世界里的趋势却很少有人能看清。
「得到」邀请高科技投资人王煜全创作了这篇清单，11条关于人工智能的洞见，供你参考。
人工智能，就是用机器去完成人类智慧才能完成的任务。它有三个基础支撑：算法、计算能力和数据。算法和计算能力都越来越通用，数据是唯一的门槛。因为机器像孩子学习一样，需要海量数据的训练，才能具备智能。
巨大的用户数据，正是中国的优势。未来中国在人工智能领域大有可为。
这一轮“人工智能”的爆发，得益于“深度学习”算法的突破。所谓深度学习，就是用数学方法模拟人脑神经网。机器会在海量训练后，具备自主判断的能力。
人工智能有很多条路，“深度学习”只是其中一条。它是已知算法里表现最好的，所以在当下最火。
人工智能有两种应用形态：一种是弱人工智能，即只擅长单个领域，比如只会下围棋的AlphaGo；另一种是强人工智能，即各方面都很强。现阶段，弱人工智能比人强，强人工智能比人弱，且非常不成熟。
虽然“人工智能”话题很热，但全球基础设施已经搭建完毕。投资的风口，已经结束。即将到来的，是各个领域应用爆发的时代。
无人驾驶，将会是人工智能领域第一个大规模应用。从今年开始，越来越多的汽车将会具备人工智能的辅助驾驶能力。
在不久的将来，智能家居将成为现实——你可以通过语音对话，操控互联的所有设备。行业＋人工智能，会成为一大趋势。
凡是说人工智能马上要超越人类的，都是不懂认知科学。当前人工智能只是在某些方面比人强，想要全面超越人脑，还差得远。
人工智能会对现有秩序带来巨大冲击。但面对它的威胁，最好的方式不是排斥，而是培养“机器智商”，同机器协作。
在可见的未来，有三种能力人工智能并不具备：创新能力、连接能力和领导能力。应对正在到来的“智能时代”，你可以从这篇清单和培养这三种能力做起。
分享：人工智能创业的几点经验
这条音频和你分享一下人工智能创业的几点经验。
前不久，在“小饭桌”人工智能创业班上，氪信CEO朱明杰分享了人工智能创业的心得体会。氪信是国内金融大数据风控解决方案提供商，目前已经和十几家机构进行了合作，包括民生银行、证通、小赢理财、爱屋吉屋等。朱明杰是微软亚洲研究院博士，有十多年的数据挖掘、机器学习的工作经验，下面就听听他对人工智能创业的观点。
第一点，人工智能的创业有个很重要的原则，就是一定要挣钱。因为人工智能产品的价值，是由理性的决策者决定的，如果一开始就收不到钱，就很难说明这个产品的商业价值，往后做的时候，也很难走下去。
比如，很多年前有人做过哼唱搜索，你哼一个曲子，就能搜出歌来。这个产品很有意思，但不能赚钱，到现在也很难想明白怎么靠这个赚钱。
但也有些产品，当时没有商业价值，随着时间变化，是有可能产生商业价值的，比如过去做聊天机器人，也没法赚钱；但是现在公司都面临着巨大的业务压力，需要智能客服，如果把这个产品重新开发一下，是有潜力的。
第二点，不重复造轮子，这里的意思是说，创业公司要有灵活性，现在这个时代，很多资源别人已经给你准备好了，你要想一想，自己怎么去用好这些资源。很多大公司不会或者不屑去做的事情，就是小公司能够创造价值的机会。很多人会担心，如果谷歌、微软、阿里、腾讯这样的大公司，做了我做的事情，这时候该怎么办？这要看你做的是什么。如果你是想做一个比大公司更好的平台，更牛的算法，这是不太可能的。比如，微软做人工智能，可以成立上千人的研发集团，有最好的科学家们和产品研发团队，以及体量特别巨大的数据和硬件资源。这些创业公司都比不了。但如果你找到了一个领域，和大公司没有直接的竞争关系，是有可能做起来的。
所以，在人工智能这个领域创业的时候，你一定要考虑，你能做什么事情，你的优势到底在什么地方？如果你是拿投资人的钱做研究院的事情，或者自己闭门造车，那是非常危险的。
第三点，不要做锦上添花的东西，一定要专注在最能产生价值的地方，专注用户最痛的那一点。做锦上添花的事情，不仅回报很有限，也很难做出突破。因为人工智能创业有它的独特性，它需要大量的数据，所以要事先判断你能不能获得你所需要的有价值的数据，有没有合适的团队、足够的技术能力，以及是不是真正理解了客户的需求和痛点。其次，变现的场景一定要清楚。创业前要考虑好它能解决什么问题、产生什么价值、最后怎么挣钱。
按照上面这个思路，朱明杰和他们团队决定用人工智能来做金融。首先是因为金融有大量的数据，而且需要技术来提升效率。氪信选择的切入点，是用人工智能的技术来解决风险决策的问题。现在互联网消费金融发展的很快，整个金融市场的环境也进一步大众化，大家对金融信贷效率的要求也越来越高。但如果在三五年前做这件事情，可能并不是一个很好的时间点。因为那时候的市场环境还是偏向于传统金融，更聚焦于做好优质的客户。那时候用人工智能做风险决策，就是一个锦上添花的事情，很难有单点突破的爆发式发展。而在今天的金融大环境下，金融机构提供的是全新的金融服务，面对的是全新的客户人群，每天都有需要解决的风控挑战，这时候再做这个事情就有价值了。
以上就是朱明杰对人工智能创业的观点，供你参考。
本文源自：公众号“小饭桌”（氪信CEO朱明杰：真AI只能用钱表达）
人工智能，小公司有机会吗？
自从谷歌的阿尔法狗战胜了世界围棋冠军李世石以后，好像大家都越来越关注人工智能的发展。好多科技界的大佬们纷纷写文章、写书阐述自己的观点、预测人工智能的未来，可以说这个领域的热度一直是有增无减。但是除了那些财大气粗的大公司以外，这个领域对小公司来说，还有没有机会呢？
著名投资人王煜全在他的订阅专栏“前哨·王煜全”中对这个问题提出了自己的看法，我们来看看他是怎么说的：
首先我们看硬件领域，机会主要分布在三个方向，
第一个是对GPU的进一步研发，GPU就是图形处理器，比如说最近风头正热的英伟达公司，它研发的GPU就在人工智能领域里大显身手。
第二个方向是对神经网络处理器NPU的研发，虽然NPU还没有量产，但是很多人认为它本身从硬件结构上说，是模仿人类神经网络结构的，所以在人工智能处理上会更有优势。
第三个方向是SoC，也就是所谓芯片级系统，在这三个方向上，可以说大公司林立，像Intel，ARM，海思、展讯这些公司，是在硬件领域上很可能有机会的。
恰恰是因为硬件领域大公司林立，所以除非小公司在硬件上有非常强的科技，而且有一定的开发实力，否则，从硬件领域切入一定要谨慎。
其次我们再来看看软件，大公司在软件领域的布局也是很频繁的，比如说我们都知道，谷歌的AlphaGo战胜了李世石，之前IBM的沃森在智力问答节目里也战胜了人类选手。但是对于这两家公司来说，它是醉翁之意不在酒，它们并没有想真正地做个围棋软件，或是做个智力问题系统，而是希望进入到有更大市场空间的领域。
比如说，第一个是医疗影像处理，包括信息的分析，医疗专家诊疗系统。
第二个是金融，尤其是和大数据结合的智能化炒股。
第三个是法律，对相关文档的处理。
第四个是安全监控，和图像处理结合，和人脸识别结合的系统。这些领域未来会有比较广泛的用途。很多大公司都已经在这个领域进行了布局。
而且这些大公司因为有钱、有人、又有资源，所以能调集重兵开拓这个领域。比如说IBM就花费了10亿美金，收购了一家医疗图像分析公司，然后把这家公司的分析技术整合到著名的沃森计算机系统里面。
软件领域的机会，看似比较大，但实际上大型公司已经都重点布防完了，所以不管是软件领域还是硬件领域，我们都得慎入。
那这是不是就意味着没有机会了呢？其实不是，因为人工智能适用的范围非常广泛，我们可以通过分析美国一家最著名的投资众筹网站的数据，看出哪个类别的人工智能创业是最热的。只要看各种类别里，正在融资公司的数量，就能够判断出一个项目领域到底适不适合小公司进入了，假如这个领域里，有足够多小公司的话，就意味着小公司是有机会的。
一看数据，我们就知道了，扩展现实领域有538家公司，机器人公司有523家，热度差不多。但是人工智能的公司有1003家，这么多家小公司都选择在人工智能领域创业，说明这个领域还是相当热的。
我们再去看人工智能的细分产业，做机器学习的公司，比人工智能公司还多，有1203家。做自然语言处理的公司有507家，计算机视觉的公司237家，做算法的公司124家，而做语音识别的公司有57家。
从这个判断我们可以得出几个结论：
第一，虽然人工智能的很多重点领域都被大公司盘踞着，但整个人工智能的市场里，小公司还是有大量机会的，尤其是机器学习。所谓机器学习就是深度学习。谷歌AlphaGo战胜李世石，它背后的原理就是机器学习的原理。这也就是说，这样的人工智能系统具有非常强的适应性，你可以把机器学习应用在不同的领域，就能处理不同领域的问题，它的适应性很广，所以这个领域的创业机会也就很多。
第二，现在这种结合，往往因为要和应用领域产生互动，就得有非常强的自然语言处理能力，也就是说你要从现实的互动当中获取反馈、获取数据，然后去训练你的计算机，训练你的人工智能程序，所以自然语言处理领域也非常热，未来还会有更大的发展空间。
至于计算机视觉和图像识别，热度是有所下降的，也就是说，已经在这里面的创业公司，后续的机会还有，但可能会慢慢减少。创业公司如果找不到特殊切入口的话，这个机会就不会很大的。
总之，人工智能确实非常热，比虚拟现实、扩展现实和机器人都热，但这里面最热的领域是机器学习。也就是说和各种应用领域结合的，比如和自然语言处理结合，就是让计算机能理解各个应用领域的自然知识。
对中国而言，如果要从硬件领域切入，现在看还没有特别突出的表现，也没有很成熟的产品。但中国大公司里的软件应用做得还是挺活跃的，尤其是现实应用结合人工智能应用类开发最活跃，比如说语音识别呀、人脸识别呀、智能客服啊什么的。
所以这么一来，我们就发现，中国的小公司和国外的小公司一样，只要你不去和大公司直接对抗，机会还是很广阔的。
就连农业这种大家觉得结合的机会相对较少的领域都可以结合，更别说我们能够想像到的领域，像娱乐呀，教育呀，互联网啊，甚至网购，这些领域要是和人工智能结合的话都是有机会的。
那么选择这些机会以后要注意的重点是什么？怎么建立自身的壁垒？为什么说一定要把自身的优势和行业相结合？
在订阅专栏里，王煜全对这些问题做了更详实的分析和梳理，欢迎各位小伙伴订阅“前哨·王煜全”专栏。
本文源自：得到App订阅专栏”前哨·王煜全”
李开复：人工智能给中国大机会
这条音频给你介绍李开复最近对人工智能发表的新观点。
最近，格隆汇”决战港股”海外投资嘉年华系列峰会在北京举办了第五站，李开复在会上就人工智能发表了自己的看法，给你转述一下。
首先，李开复认为，人工智能时代将是一个比移动互联时代大十倍的市场。
李开复说，人工智能绝不仅仅是取代人脑，它会比人脑厉害很多，当然不是指在所有领域，而是在某个狭窄的领域。比如说围棋、量化交易等等，它可以非常厉害，因为它能利用巨大的数据进行分类和推测。而普通的翻译、记者、助理、保安等未来可能就不需要了，因为没有任何一个人类保安能够记住20万名犯罪者的照片，但人工智能可以做到。所以在这些领域里面，人类根本没有任何机会。还有无人驾驶，大概10年左右就会来临，到时候世界上很多人类司机可能都要换工作。在刚刚说的这些领域里，人确实是没有希望的。
李开复强调的第二个观点是：科学家创业的时代来了。以前我们说移动互联网时代，任何三个小朋友都可以创业，但是人工智能时代就不行了，因为你没有巨大的机器，没有顶尖的科学家，也没有特别大的计算量。所以说人工智能时代是科学家的创业时代，不是小朋友的创业时代。李开复说，有两种人能做人工智能的创业，第一种是手中有互联网数据的，这是最了不起的，比如BAT、滴滴、美图等等，他们手中有数据，只要有科学家就可以产生价值。第二种是传统企业，比如保险业、银行业等，这些狭窄领域内的数据非常丰富，而且不用跨领域的理解，就能快速产生商业价值。
第三，人工智能在中国有什么特别的机会呢？李开复说，中国在人工智能领域比在移动互联网领域更适合创造世界顶尖的公司。他给出了六个理由。
理由一是中国人很适合做人工智能。我们知道，美国很多中学生加减乘除都做不好，我们中国的教育虽然有很多的挑战和问题，但是中国理工科学生的平均水平特别强，人数又多，所以现在世界上做人工智能的科学家里有43%是中国人。
理由二是小朋友虽然不适合在人工智能时代创业，但是培训一下，还是可以很快成为人工智能科学家的。只要我们找到计算机、统计、数学、应用数学、电子系、自动化系，这6个科系里面的顶尖学生，把他们招进创新工场，只要6个月的时间让高手带他们，就可以成为人工智能科学家。因为人工智能很大的一个特色就是速成，它不像化学、生物科技等特别难学的领域，对于数学天才来说它很好学，是可以速成，快速创造价值的。
理由三是传统企业的人工智能技术非常弱，他们目前的产品还没有用上人工智能，所以人工智能的发展空间很大。
理由四是，由于中国市场大，互联网公司多，很多非人工智能的公司，到了一定规模后就产生了对人工智能的需求。比如美图，你可能觉得它就是帮女孩子变漂亮一点，但是变漂亮的过程中你要知道大家都喜欢哪样的漂亮，比如中国的女孩子喜欢非常的白，但是印度的女孩子白一点就好；中国的女孩子希望眼睛越大越好，但是美国的稍微加一点点眼影就可以了。这时候就需要AI算法做人工智能的用户反馈了，甚至利用人工智能来推测用户会喜欢什么样的照片。这是第四个理由。
理由五，美国人工智能虽然现在绝对领先中国，但一来他们现在进不了中国，二来他们的技术是非常乐意公开的，写完了就放到网上，中国和美国的公司一起学，只要给我们3年的时间还有机会，就能产生和美国一样的价值。
最后一个理由是中国对人工智能各方面的约束比较少。
总结一下，这条音频主要给你介绍了李开复在这次演讲中的三个观点：人工智能时代将是一个比移动互联时代大十倍的市场，科学家创业的时代来了，人工智能在中国有特别的机会。以上内容供你参考。
本文源自：格隆汇海外投资嘉年华系列峰会北京站李开复演讲
吴军：人工智能的现状和未来
人工智能今天已经过热，而且呈现出一种非理性的热，那它的现状和未来需要解决的问题，以及能够解决的问题是什么呢？得到订阅专栏“硅谷来信”的主理人吴军，在美国拜访了世界著名人工智能专家迈克尔·乔丹（和篮球巨星乔丹同名同姓）。乔丹是加州大学伯克利分校的教授，在人工智能领域名气非常大，他最大的贡献在于提出了一种新型的人工神经网络（复发神经网络，recurrent neural networks），这是今天深度学习的基础之一。
首先，乔丹教授谈了自己对人工智能发展的看法。
乔丹教授觉得将人工智能AI（Artificial Intelligence）一词反过来理解，称之为IA更加准确，就是Intelligence Augmentation，智能的放大。他认为今天所谓的人工智能所做的很多事情，从智能化水平来讲还很初级，但是却让人的智力得到了扩展。比如，搜索引擎把我们的知识量和知识面提升了很多倍。语音识别和机器翻译增强了很多人的语言能力。大数据让很多年轻的职业人士能够把握行业的大方向，这在过去常常需要几十年经验的积累。
他认为今天人工智能的第二个特征是将两个“I”放在了一起，即“Intelligent”和“Infrastructure”，翻译过来是智能基础设施，或者说智能架构，包括智能交通、智能家庭、智能城市、可穿戴设备等，这些概念合在一起就是我们的物联网。也就是说，机器智能让人类解决了过去凭借自身智能做不到的事情。
吴军也提出了自己的看法。他说人工智能的另一个特征应该是AA（Automatic Algorithm），自动的算法。过去是人写算法让计算机做事，而人工智能应该是让计算机自己找到算法，寻找新知识。乔丹教授表示了同意。他们把人工智能AI用这两个字母的另外三个组合进行了重新诠释，即“AI＝IA＋II＋AA”，也就是“人工智能＝（人的）智能增强＋（社会的）智能架构＋（计算机的）自动算法”。
其次，乔丹教授谈了机器智能和人的智能的区别。他认为，今天大部分人对这个问题的误区依然在于按照人的思维方式去理解机器智能，最明显的例子就是所谓的单个机器人。我们都知道，人的行为方式是相对独立的，彼此不知道对方的想法，这当然有问题，比如会造成交通拥堵，但也有好处，就是人们不同的判断和看问题的角度避免了很大的风险。但机器的智能是基于大规模的计算和海量的数据，所以它其实是一个网络。这当然有好处，比如智能交通就需要行动的一致性。但是也有问题，比如在股票价格雪崩式的下跌时，由于机器智能采用的方法都差不多，其中一家抛售，其它各家也会跟着抛售。
乔丹教授说，今天人工智能的第二个问题，是不能像人一样理解含义。比如，今天计算机识别很多物体比人还准确，但如果机器走到悬崖边上，识别出了山石树木，却意识不到危险。如果人不在编程序的时候告诉机器前面高度突然下降，要停止，机器是没办法通过之前的经验做出判断的，因为它没办法理解高度、危险等概念。所以人工智能离完美还很远。
第三，乔丹教授对AI在不远的将来能做到什么，以及不能做到什么，进行了预测。
他认为在未来十年内，人工智能可以解决下列问题：1.无人驾驶汽车。2.取代人的对话系统，特别是在客服这种只需要掌握有限的知识的领域会得到很好的应用。3. 跟踪人的健康，并且根据对人长期的监控帮助诊断和治疗疾病。
而乔丹教授觉得在他的有生之年，以30年为准，下面几件事情是人工智能做不到的：1.创造性。2. 总结概念发明单词。3. 变通的灵活性。4. 学习完整的知识体系，并且在此基础上创造新知识。
最后，乔丹教授说，他对人工智能的发展并没有持悲观的态度，但他认为在接下来的10年里，人类还是要做好一些事情。这些事情有：1.让人工智能系统更稳定，今天大部分机器人和人工智能系统的漏洞太多，如果长时间运行，可能会犯致命的错误。2.防止人工智能系统被坏人利用，一个天才罪犯可能会利用人工智能犯罪。3. 建立很好的社会保障制度。未来很多人失去工作是不可避免的，乔丹教授和吴军教授都认为，消化技术革命需要一两代人的时间，也就是30-50年。乔丹教授认为不会出现《未来简史》中所的那种无所事事的人，未来当人工智能让创造财富变得很容易时，人应该自己去做适合自己做的事情，哪怕那些事情只是取悦自己。4. 设计有用的人工智能系统，而不是炒概念或者创造其实并不存在的需求。5. 保护隐私。6. 数据分享，方便每一个人。
吴军在文章中，也补充了他认为在人工智能领域要做好的事情。
一个是人工智能可以解释它的决定，今天虽然它能够找到相关性，但是却无法找到内在的逻辑，因此容易把前提和结论搞反了。比如根据大数据的统计，喝咖啡的人比不喝咖啡的人长寿。但大数据没告诉大家喝咖啡是不是原因，或许是生活水平高的人才有钱、有时间喝咖啡。所以真实的情况是长寿的人喝咖啡。
另一件事情是要追求长期的目标，而不只是找到一些已知的事实。以人类的智力，今天很难做出重大的发明了。因此需要人工智能帮助人类在科学研究上有所突破，而人工智能很可能需要有新的方法论。
以上就是“硅谷来信”专栏里介绍的乔丹教授对人工智能的解读，希望对你有启发。
参考来源：得到订阅专栏“吴军·硅谷来信”（第306封信丨迈克尔·乔丹教授对人工智能现状和未来的评述）
廖建文：智能商业带来的改变
这条音频说的是廖建文对智能商业未来的展望。
廖建文是长江商学院副院长、战略创新与创业管理实践教授。应“得到”知识新闻工作室的邀请，他为我们独家提供了《智能商业将带来什么改变？》这篇文章。下面我们就把他的这篇文章跟你分享。
2016年3月，Google旗下的AlphaGo以4：1的战绩战胜了韩国九段围棋高手李世石，最近，AlphaGo的升级版master又横扫中日韩顶尖职业高手。这都标志着人工智能技术领域的一个重要里程碑。当下，一方面人工智能所代表的机器学习技术突飞猛进，另一方面大数据以及海量的计算能力也在增强。二者结合在一起，开启了我们对于一个新的智能商业时代的无限想象。智能商业时代的商业逻辑将发生什么样的改变呢？我想从产品、市场、客户、行业这四个维度给你分享一下。
1．产品：从交易价值到使用价值
传统的产品大多追求的是交易价值。对于企业而言，最重要的是把产品卖出去，之后的维护修理都被视为成本。但是智能产品改变了这一状况。所有的产品都变成了服务。在智能商业时代，产品的使用才是价值创造和获取的开始。客户的持续使用意味着数据的持续输出，也意味着针对每个客户需求算法的迭代，这种参与使价值成为企业与客户共同创造的过程。
咱们来举一个例子。GE，也就是通用电气公司，大家都很熟悉，它是传统的工业巨头，制造涡轮机、飞机引擘、火车头、以及医疗影像设备的制造商。但是现在它已经把自己变成了一个智能服务的平台。用GE的CEO杰夫·伊梅尔特的话来说，一辆火车头就是一个奔跑的数据中心，飞机引擎是飞行的数据中心，它们每天产生巨量的数据，这些数据可以反馈给客户，用于提升燃油效率，改善它们的环保表现。以飞机发动机为例，发动机上的各种传感器会收集发动机在空中飞行时的各种数据。这些数据传输到地面后，经过智能软件的系统分析，可以精确地检测发动机运行状况、预测故障，提示进行预先维修等等，以提升飞行安全性以及发动机的使用寿命。而GE就成为了在这背后进行智能分析与服务的平台。它不仅仅卖设备，还在设备的使用过程中创造价值，将一次性的交易价值转变为持续性的使用价值。每个航空服务公司都和GE一起实现飞机发动机价值的最大化。
2．市场：从大众市场到人人市场
我们一般的商业逻辑是希望通过市场的细分，针对同质化人群的需求，提供标准化的产品和服务，最终需求的满足往往是“千人一面”的。而今天智能商业时代的算法能够有效地实现产品标准化和体验个性化的完美组合，从而实现“千人千面”。原来的大众市场（Mass Market）也得以优化成为人人市场（Market of One）。
举个例子。“今日头条”从2012年三月创立，在短短的几年里迅速超过很多互联网门户的影响力，重要原因就是“今日头条”智能引擎下的精准推送，形成了一个最懂你的信息分发内容平台。它根据用户的特征、内容浏览轨迹和环境特征匹配用户最可能感兴趣的内容特征。也就是说：打开“今日头条”APP后，每个用户看到的信息都是根据各自不同的偏好集成的。这背后是依靠大数据和智能化的推荐引擎，实现了“千人千面”的效果。
3．客户关系：从个体价值到群体价值
在“千人一面”标准化、规模化的逻辑下，我们特别关注客户的个体价值。“千人千面”，并不意味着客户关系就是离散的。恰恰相反，智能商业提供了很多将客户的个体价值转变为群体价值的可能性。也就是说：通过叠加客户关系，在云技术里实现客户集合的新价值创造。
还是通过一个例子来说明。Nest是一个智能恒温器的品牌。通过记录用户的室内温度数据，同时连接家庭的空调、洗衣机、冰箱等家用电器，以及电价的动态变化，在充分了解用户使用习惯后，通过智能算法为每个家庭创建一个定制化、自动调整的能源管理方案，从而保证节能和成本效率。这才仅仅是个体家庭层面的价值。如果在同一区域内有上百万家庭都使用Nest，Nest在云端就能够动态地了解整个区域家庭能源使用的数据，从而和供电企业一起更加高效地实现对区域能源的共同管理。这就是将个体价值转变为了群体价值。
4．行业：从边界到跨界
行业同质化竞争的一个很重要的原因是：企业对行业边界的理解固化，关注相同的竞争要素，最终走向竞争的趋同。而智能商业打开了一个真正“以用户为中心”的模式。通过对用户动态数据的积累和计算，让企业更容易整合其他相关产品与服务，更加精准地满足每一个客户对多样化、便利性、及时性的需求。与此同时，行业的游戏规则被完全改变。
举一个智能冰箱的例子。过去作为白色家电的冰箱主要是价格性能以及售后服务的竞争。智能冰箱不仅仅能够自动调整冰箱模式，让用户随时了解存储食物的保质保鲜状态和数量，始终让食物保持最佳状态。更重要的是根据这些数据以及用户的健康状况数据，智能冰箱可以有效地整合超市、药店、营养师等服务，精准高效地为用户的健康生活服务，其价值也远远超出了制冷保鲜的边界。
我们会发现：在智能商业时代，企业越来越不像是固守在某一行业中的固定玩家，而是一个连接器——连接许多不同行业的资源与数据。这种连接不再是过去简单流量的转换，而是基于数据智能基础上产品与服务的组合，从而更加精准地满足用户的需求。
我们从产品、市场、客户关系和行业这四个角度讨论了智能商业时代的变化。可以看到，智能商业要求企业的，不仅仅是研发新的智能产品，还要重新审视整个商业生态系统以及企业自身的价值创造与获取方式，适时地调整商业模式。
以上就是廖建文教授对智能商业的展望，供你参考。
建筑行业：人工智能正在改变它
今天这条音频跟你说说，人工智能开始改造传统的建筑行业。
搭积木是很多孩子爱玩的游戏，通过拼搭就能建造房屋，甚至一座城市，让我们畅想一下，如果现实中的高楼大厦，也能如此建造，岂不是既简单又高效。近期，“得到”订阅专栏《前哨·王煜全》，就介绍了“数字化工具与机器人”在建筑领域的多个应用，下面，我们来听听他是怎么说的。
说起“人工智能”，一般都是科技领域的事儿，把它和传统的建筑业放在一起，确实有点儿难以想象。一是建筑很难体现出什么科技感，二是建筑太复杂，那么多建筑材料，那么多的建筑工人，还有那么多的建筑机械，外行人看一眼估计就眼晕了。不过，王煜全在节目里说，跟其它行业一样，建筑行业的数字化乃至人工智能，已经出现了萌芽，而且发展的速度出人意料，在建筑流程的各个环节，都有创新科技的渗透。
首先说说建筑设计环节，在建筑行业，名为“建筑信息建模”的软件已经非常流行，在这个软件里，设计师只要修改一个参数，整个建筑的结构都会跟着更新。这个软件相当全能，可以对建筑的方方面面进行综合管理，比如构建和模拟建筑材料、材料的物理性质、几何形状、空间关系、建筑的地理位置和气候，甚至还有成本和物流信息等等。在这个软件里，还可以把建筑转化为一个个的模块，然后设计方就可以把生产模块的任务下发，由模块生产商进行生产，最后拉到工地进行组装就可以了。
在建筑模块的制作环节，机器人登场了，在整个生产流程里，所有的人工几乎都被取代。不过，因为建筑模块的种类实在繁多，目前还没有公司能生产所有模块，这是行业难点，也是行业热点，很多创新公司都在涉足这个领域。比如我们中国的上海盈创，他们就是用3D打印的方式，生产“用做室内装饰和建筑外墙”的混凝土模块，目前，他们已经在迪拜完成了第一个商用案例。另外，美国的蓝图机器人公司，可以完全按照“建筑信息建模”软件里的设计，进行“墙体模块”的生产，而且还能为门窗、水电管线等预留安装空间。
目前来说，机器人最难涉足的，要数建筑工地现场，因为实在是太过复杂。目前的创新科技公司们，也只能从建设的一两个工序入手。比如就拿垒墙来说，现在已经有了专门的垒墙机器人和搬砖机器人，效率和准确性都比人要高，不过现在的垒墙机器人，一次还只能垒一面墙，而搬砖的机器人，也才刚进入市场没多久，需要市场的检验。在土方搬运部分，绝大多数是人工来开推土机，不过，也已经有公司在研发“无人机+推土机”的无人操作组合，利用无人机的3D激光扫描施工现场，然后进行计算与判定，控制推土机进行土方的转移。只不过，目前这个组合还只是半自动，依然需要人的参与，一个人可以同时控制4台推土机，但是，相信离完全无人操作已经不远了。
王煜全最后总结说：数字化工具和机器人，正在以比人们想象得更快的速度，进入建筑领域，而且从长远来看，机器人在数字化的基础上，会逐步取代人工，而且这只是时间问题。未来的建筑行业，人只需要做出设计，剩下的事儿，交给机器人就可以了。
以上，就是“得到”订阅专栏《前哨·王煜全》为我们介绍的“人工智能在建筑行业的应用”，供你参考。
本文来源：“得到”订阅专栏《前哨·王煜全》（机器人在建筑市场）
无人驾驶：哪些社会形态会改变
这条音频的内容是，无人驾驶给我们生活带来的改变。
前不久，“网络智酷”主办了2017年互联网思想者大会，驭势科技联合创始人、CEO吴甘沙在会上发表了演讲。在演讲中，吴甘沙说了几个和我们生活息息相关的事情，
一是为什么网约车无法解决城市交通的问题，
二是无人驾驶会带来哪些社会形态的改变，
三是人工智能可能会有哪些负面影响。
我们先看第一个问题，为什么网约车无法解决城市交通的问题。现在城市交通遇到的问题，一个是堵车，堵车又导致了违规驾驶，紧接着导致了很多交通事故，交通事故又让城市更堵了。另一个问题就是停车，一辆车96%的时间是停着的，而且一辆车需要两个停车位，家里一个、办公室一个，很多大城市15-30%的土地是用来停车的。
现在也有很多解决方案，比如说网约车，改变了一些现状，但吴甘沙认为，网约车没办法根治这个问题。网约车虽然解决了信息不对称，让我们想打车的时候就能打到车，打车的时间成本和金钱成本也都降低了不少。但是对于网约车来说，它没有改变一个根本性的东西，就是生产成本。生产成本是劳动力和生产资料决定的，在打车这件事情上，生产资料是车和油，劳动力是司机。这是互联网改变不了的。所以我们现在打车，发现网约车的费用跟出租车差不多。所以吴甘沙认为，网约车的下一个阶段就是无人驾驶。因为车里如果能不坐司机的话，这个成本就是可以改变的。
我们再看第二个问题，无人驾驶会带来哪些社会形态的改变。
第一个改变就是由于没有司机，打车费用可能会比今天便宜一半，甚至更多，打车贵的问题也解决了。这样的话，它给城市会带来很多的影响，首先是不用那么多车在城市里了，这样意味着停车位可以大量节省下来，道路可以变得窄一点。而且这些车未来是规规矩矩排成一队，交通事故也会减少，路面利用效率能够最大。
城市商业中心的概念可能也会发生变化，因为未来每一辆车就是一个商业中心，车的交通工具的属性会逐渐降低，商业空间的属性变成主要的。车里放了一台咖啡机就变成移动的星巴克，放一块大屏幕就是移动的电影院，放小屏幕就是移动的分众传媒，放一套办公设备就是移动的写字楼。也就是说，商业中心可以拆分成一块一块的，放到每一台车里。每一辆车、每一条路，都可以变成商业中心，未来还会有很多这样的连锁反应。
吴甘沙谈的第三个问题，是人工智能有什么负面影响。
一个很典型的问题，就是伦理问题。比如无人驾驶可能会遇到这样的两难选择，是撞一群人，还是撞一个人；是选择撞老人，还是撞小孩？是撞戴头盔的，还是不戴头盔？这都是一些逻辑的难题。
有人做了调研，绝大多数人碰到这种情况，都选社会总体利益最大化，也就是说选牺牲少数利益。但是还有一个问题，如果你在车里面，你是保全车里的人，还是车外面的人？绝大多数人选择保全车里的。所以未来人工智能保护主人，会不会伤害另一个人，也是一个问题。
除了伤害，还有违规问题，比如说车里的人得了心脏病，无人驾驶要不要超速尽快送到医院？再举个例子，美国城市里面有一个限时免费停车的规则，如果是无人驾驶，会不会在一个地方免费时间快到了的时候，赶紧又找到另外的地方停车？
再就是人工智能支配权，现在很多很多决策已经交给人工智能了，比如看什么书、买什么东西，都是人工智能推荐的，我要走什么样的路，都是它规划的，这就是决策权旁落。所以人工智能发展到一定程度之后，我们的很多行为可能都身不由己了。这些都是人工智能潜在的负面影响。
以上就是吴甘沙对无人驾驶和人工智能一些观点，供你参考。
本文源自：公众号“网络智酷”（吴甘沙|范式转移的力量）
《必然》干货版之三：人工智能，下一个商机
2015-11-16罗振宇
凯文·凯利说，下一个最热的创业机会是“人工智能”。
忽悠吧？
60年来，不断有人预测人工智能时代近在咫尺。
但是直到现在，人工智能好像还是遥不可及。有人调侃人工智能不过是人类的马甲：“有多少人工，就有多少智能。”
不过凯文·凯利说，这回是真的。事情正在起变化，因为近期有三大突破。
1.廉价的并行计算；
2.大数据；
3.更好的算法。
这回，人工智能真的来了。尤其是大数据。什么智能都需要训练，大数据就是训练人工智能的。
凯文·凯利调侃说：
接下来创业者的商业计划书可就好写了，“我们可以轻而易举地预测接下来 10000家创业公司的商业计划：挑选一个领域并加入人工智能。”
慢着，你总得先定义下什么是“人工智能”吧？
凯文·凯利用两个字了结了这笔糊涂账——知化（Cognifying）。
想来也是，人工智能的那么多花哨定义都不如这个词来得干脆——硬件问题软件化。用自动化的知识来解决一切问题。
该举例子了：
第一个例子：摄影术
过去的照相机又重又贵。现在又轻又便宜。为啥？
因为过去我们靠的是复杂的机械结构和光学镜头来优化图像质量。
而现在我们是在用“算法”来优化图像质量。
第二个例子：化学
倒腾瓶瓶罐罐多费劲？加入人工智能后，科学家们可以进行虚拟化学实验。他们在天文数字的化学结合中精挑细选，决定哪些更有希望成功，值得放在实验室中检验。
更多的例子：
知化的音乐、知化的洗衣、知化的营销、知化的房产、知化的护理、知化的建造、知化的伦理、知化的玩具、知化的体育……后面的自己想吧。
反正，整个世界都在“知化cognifying”。
再强调下——
所谓人工智能，不是搞出一个比人类还聪明的怪物，而是用自动化的知识去解决问题。
理解了这个定义，那就要得出几个结论了：
第一，人工智能不可怕。
它只是把我们身边的每一样东西都变得新奇、有趣而已。
整个过程和100年前的“电器化”差不多。
它会像一个老实的保姆一样，搞定好多事又不招人烦。廉价、可靠的数字智能在一切事物背后运行，近乎无影无形。
第二，我们现在做的很多事其实都是在喂养人工智能。
2002 年，凯文·凯利在谷歌的一个小型聚会上问拉里·佩奇，你为什么要做免费搜索？
拉里·佩奇说，“哦，我们其实在做人工智能。”
几年来，谷歌收购了十几家人工智能和机器人公司。乍看，你会认为谷歌正通过人工智能改善自己的搜索能力。
凯文·凯利认为事实恰恰相反。谷歌正利用搜索改善它的人工智能。
每当你键入一个查询词，你都是在训练谷歌的人工智能。当你在图片搜索栏输入“罗辑思维”，就在告诉人工智能罗胖子长什么样。谷歌每天处理的 121 亿次查询是在一遍又一遍地训练深度学习型人工智能。
再过10年，谷歌将拥有一款无可匹敌的人工智能产品。
凯文·凯利的预测是——
到了2026年，谷歌的主营产品将不再是搜索，而是人工智能。
第三，“人工+智能”才是方向。
1997 年，IBM 的超级电脑“深蓝”击败了当时具有统治地位的国际象棋大师卡斯帕罗夫。那人类选手会不会对这种比赛失去兴趣呢？
卡斯帕罗夫率先提出了“人加机器”的概念，即在比赛中用人工智能增强国际象棋选手水平。如今，这种比赛被称为自由式国际象棋比赛。
2014年自由式国际象棋对抗锦标赛上，纯粹人工智能赢得了42场比赛，而“人工+智能”型选手赢得了53场。
在廉价且超级智能的国际象棋软件的激励下，下国际象棋的人数、锦标赛的数量以及选手的水平都达到了历史之最。拥有国际象棋大师头衔的人数至少翻了一番。
既然人工智能可以帮助人类成为更优秀的国际象棋选手，那么合理地推测，它也能帮助我们成为更优秀的飞行员、医生、法官、教师。
第四，人工智能有无数种类型。
一些新的心智包括:
一种心智与人类的心智相像，只是反应更快。
一种心智主要基于大容量存贮和记忆，有些愚钝但是信息面广博。
一种全球化超级心智，由数百万做着单调工作的智能体组成。
一种蜂巢型心智，由许多十分聪明的心智组成,但是自己却意识不到。
一种心智被专门训练用来加强指定的人类个体，但是对其他人完全无效。
一种心智能够设想但不能制造比自身更强大的心智。
一种心智能够制造比自身更强大的心智，由于自我意识不足，无法设想自己制造的心智。
一种心智能够制造比自身更强大的心智。
一种心智能够创造比自身更强大的心智，而被创造出的心智能继续这么做。
一种心智拥有自身源代码的访问通道，因此可以修改自己的进程。
一种心智逻辑能力超强并且没有情感。
一种心智能解决普遍问题，但没有自我意识。
一种心智具有自我意识，但不能解决普遍问题。
一种心智成长期很长，并且在它成熟前需要一个保护者。
一种很缓慢的心智，覆盖了很长的物理距离因而在快速的心智看来，它是“隐形的”。
一种心智能够多次克隆自己。
一种心智能够克隆自己，并且与克隆体组成一个整体。
一种心智能从一个平台迁移到另一个平台从而保持永生。
一种快速、动态的心智，能够改变自己的认知进程。
一种心智专门提出设想并做预测。
一种心智从不抹去或忘记任何事情，包括错误或虚假的信息。
一种半机器半动物的共生心智。
一种半人半机器的赛博格心智。
一种使用量子计算的心智，我们无法理解它的逻辑。
我们可以把凯文·凯利列的这张单子保留好。
他说，这些类型的人工智能如果成为现实，怎么也得20年开外。
第五，人工智能不断地重新定义“人类”。
举个例子说，穿上鲨鱼皮泳衣的菲尔普斯参加比赛，算不算作弊？
那用上了人工智能的人类，“人”和“非人”的界限究竟划在哪里？
第六，我们的工作会被人工智能抢掉。
在本世纪结束前，如今人们从事的职业中有70%很可能会被自动化设备取代。一切只是时间问题。
当机器人取代流水线工人后，它们会接着取代仓库工人。麻利的机器人能够从早到晚不断地抬起 150 磅的重物。它们把箱子取出来，分好类，然后装上卡车。这种机器人已经在亚马逊的仓库工作了。
到2050年，大多数货车将实现无人驾驶。鉴于货车司机是目前美国最普遍的职业，这件事的影响不容小觑。
任何较为机械的资讯密集型工作都能被自动化。无论你是一名医生、律师、建筑师、记者甚至程序员，机器人都将历史性地接管你的工作。
第七，不用担心，会有新工作。
当机器人和自动化过程包办了我们的大多数基础工作时，我们就会闲下来并且自问“人的目的是什么？”
人类理应成为芭蕾舞演员、专职音乐家、数学家、运动员、服装设计师、瑜伽大师、同人小说作者等等。
货车司机没得干了，会出现行程优化师的新工作。
外科手术没得做了，让复杂机器保持无菌状态将成为医疗新技术。
人类和机器之间将形成一种共生关系。人类的工作就是不停地给机器人安排任务，这本身就是一项永远做不完的工作。
将来，我们和机器人的关系会变得更复杂，出现一种7 个步骤的循环模式：
1.机器人干不了我的工作。
2.好吧，它会许多事情，但我做的事情它不一定都会。
3.好吧，我做的事情它都会，但它常常出故障，这时需要我来处理。
4.好吧，它干常规工作时从不出错，但是我需要训练它学习新任务。
5.好吧，就让它做我原来的工作吧，那工作本来就不是人该干的。
6.哇，机器人正在干我以前做的工作，我的新工作不仅好玩多了，工资还高！
7.真高兴，机器人绝对干不了我现在做的事情。
然后回到步骤1。
总之，在《必然》的第二章，凯文·凯利想告诉我们的是：
1.人工智能是下一个大机会。
2.人工智能的本质是用自动化的知识去解决问题。
3.坏消息是：人工智能会逐次替代人类现在从事的工作。
4.好消息是：人和智能是“共生关系”。
工作没了，找个新的就好。
旧工作永远会被取代。新工作也永远会持续出现。
迅雷创始人程浩：人工智能创业的6大核心问题
大家好，我是迅雷创始人程浩，现在专注科技领域的投资。今天跟大家聊聊人工智能领域的创业和创新，包括如何选择赛道、团队的搭配、以及如何应对巨头的挑战。
为此我从投资人的视角，给大家总结了人工智能创业的6大核心问题。
第一个问题：互联网 vs 人工智能
首先如果今天大家选择创业，我建议更应该关注人工智能，而非互联网。为什么这么讲？
- 互联网的流量红利已经消失；
以PC来说，全球PC出货量连续5年下滑。大家知道国内最后出现的一个PC互联网独角兽是谁吗？是知乎，大概是2011年初推出，这么多年过去，再也没有PC互联网的独角兽出现。做个类比，我们知道2015年移动互联网的渗透率和竞争程度和2011年的PC互联网类似，以此类推，2015年以后再做移动APP，也很难出独角兽了。
毕竟中国连续两年手机出货量都在5亿多台，增长放缓，代表无线流量基本已走平，你多卖一台，我就少卖一台，是存量竞争。今天创业者再做一个纯互联网的APP，投资人问的第一个问题就是你怎么获客。因为现阶段流量格局已定，首屏就那几个APP。
- 互联网+的机会同样有限；
主要在于互联网最大的价值，是解决信息不对称和连接。所以对于电商特别有价值。淘宝用皇冠、钻石等信用体系解决了信息不对称，同时又把全国有这么多买家和卖家连接在一起。这个是互联网的价值。
但很多行业信息和连接并不是痛点。拿医疗举例，中国三甲医院的大夫就那么多，你把全国13亿人民都和这些大夫连接上了也没用，因为一个医生一天还是只能看那么多病人。互联网并没有提高医生看诊的效率。在诸如餐饮、医疗这些传统领域，互联网的帮助是很有限的。
也包括滴滴打车，互联网解决了打车难的问题，但是没解决打车价格的问题。事实上，补贴去掉之后，大家都发现了滴滴一点都不便宜，道理很简单——不管是专车还是出租车，还是需要由人来开，人工成本降不下来，就不可能便宜。
- 真正能够提高社会生产力，解决供需关系不平衡的就是人工智能；
人工智能将给社会生产力带来的提高，以及对人类带来的影响将远远超过互联网。
还是拿医疗来说，很多基层医院水平不高，那未来完全可以通过人工智能来辅助医生读CT、X光等医疗影像。像今年，IBMWatson对皮肤黑色素瘤的诊断，准确率已提高至97%，远远超过了人类专家75%-84%的平均水平。
未来，人工智能无论是在无人车、机器人、医疗、金融、教育还是其他领域，都将爆发巨大的社会效益，这点毋庸置疑。我认为下一波大趋势和大的红利不是互联网+，而是人工智能+。我建议现在的创业者更应该关注人工智能领域的创业机会。
第二个问题：人工智能 vs 人工智能+
人工智能主要分三层。最底层是基础架构（Infrastructure），包括云计算、芯片以及TensorFlow这样的框架。在基础层之上是中间层，叫通用技术（EnablingTechnology），例如图像识别、语音识别、语义理解、机器翻译这些。
基础层和中间层，是互联网巨头的必争之地。比如芯片领域，Intel、英伟达、高通都投入巨资，竞争极其激烈。同样云计算、框架也是一样，都不是小公司能够涉足的领地。
现在对于中间层的通用技术，BAT也极其重视。因为大家都相信人工智能是下一波工业革命浪潮。对腾讯、阿里、百度这些巨头来讲，要想在大浪中屹立不倒，必须要构建出人工智能的生态系统（Ecosystem）。而核心就是要依靠这些Enabling Technology技术。
相比创业公司，BAT的最大优势是什么呢？第一，不缺数据；第二，为了构建自己的生态系统，未来通用技术一定全部是免费的；第三，虽然通用技术免费，但BAT有羊毛出在身上的猪机会。这是典型的互联网打法。
这里的猪是什么？猪就是云计算。例如百度的ABC策略，分别代表人工智能（AI）、大数据（Big Data）和云计算（Cloud Computing）。AI我可以不赚钱，开放给大家，那么大家想享受我的服务，就来买我的云吧。
而对于创业企业来说，只做图像识别、语音识别、语义理解、机器翻译这些通用技术，指望通过SDK卖钱，未来路会越来越窄，特别是BAT都免费的压力下。
所以从这个角度讲，创业公司做下面两层风险比较大。我认为创业公司的机会在最上层，就是拿着下两层的成果去服务垂直行业，也就是我们所谓的人工智能+。
第三个问题：人工智能+ vs +人工智能
深入垂直行业的人工智能+，又可细分为两类情况：即“人工智能+行业”和“行业+人工智能”，他们间有明显的区别。
“AI+行业”简单讲就是在AI技术成熟之前，这个行业、产品从未存在过。比如自动驾驶，亚马逊的Echo智能音箱、苹果的Siri语音助手。在人工智能技术未突破前，不存在这样的产品。因为AI，创造出了一条全新的产业链。
“行业+AI”就是行业本身一直存在，产业链条成熟，只是以前完全靠人工，效率比较低，现在加入AI元素后，使得行业效率有了明显提高。比如安防、医疗等领域。
客观讲，这两个类别都有创业机会。但“AI+行业”，因为是一条新的产业链，创业公司与互联网巨头实际是处在同一起跑线上。巨头们坐拥数据优势。所以从这个角度，“行业+AI”相对对创业公司更为友好，也更容易构建出壁垒。
我认为，未来行业壁垒才是人工智能创业最大的护城河。因为每个行业都有垂直纵深, 尽管BAT技术好一点、并不关键。拿医疗+AI举例，什么最重要？大量准确的被医生标注过的数据最重要。没有数据，再天才的科学家也无用武之地。
但在国内，这个医疗数据拿出来非常困难。所以BAT做医疗一点优势都没有，因为他们要把这些数据，从各医院、各科室搞出来也很累。相反，如果一个创业者在医疗行业耕耘很多年，也许拿起数据来比大公司更容易。
这要求创始团队的合伙人中，必须有懂行业、有行业资源的人才。这与互联网+一样，一旦细分到具体行业，并不是说你百度、腾讯有资金、有流量，投入人才就什么都能做，比拼的还有行业资源和人脉。
之所以跟大家聊这个话题，是因为前一段去百度大学跟大家交流，他们提到百度人工智能在无人车和DuerOS的应用。同时又问我，人脸识别在国内安防领域的应用价值非常大。像海康威视有近3000亿人民币的市值，每年光净利润就有近百亿。百度在AI方面是不是该考虑进军这个领域。我回答说千万别，因为安防是典型的、有巨大壁垒的“行业+AI”领域。
即使百度技术好，在人脸识别率方面比海康威视高一个百分点（实际不一定，海康背后有几百人的AI研发团队）。但这并不代表百度就能替代海康。因为安防是“非关键性应用”（non-mission-critical），100个犯人我识别了95个，你比我多识别了一个做到了96个，其实没那么重要。
而反过来，海康对比百度有什么优势？首先海康是做摄像头的，用自己的硬件跑自己的算法，是很自然的事儿。就像苹果手机，软硬一体体验更好。其次，海康做了这么多年的安防，积累了非常多的数据，人脸的数据、环境的数据……在安防领域有数据优势。最后，海康给公安系统做了很多类似警务通、基站信息采集、视图档案管理等SaaS平台的东西，以及警用云系统。我们可以认为公安系统的IT化，其中有一部分就是海康威视参与的。
这些东西可能不赚钱，但却为海康构建了壁垒。因为底层的基础设施都是我建的，那前端的东西就只能用我的（我可以有100个理由，说竞品与我不兼容）。而且海康做了这么长时间，积累了大量的客户资源，特别是政府公安局的资源，开拓这些资源非常需要时间。
这些就是所谓的行业纵深。所以即使对BAT而言，想进入“行业+AI”领域，选择垂直赛道时，同样要非常谨慎。在巨大的行业壁垒面前，真不是说我的算法比你好一些，市场就是我的，只有技术优势仍然差的很远。
回归 “AI+行业”和“行业+AI”，通常来讲前者的行业纵深会比较浅，而后者则有巨大的行业壁垒。而行业壁垒，则是创业公司最大的护城河，也是抵挡BAT的关键。
第四个问题：关键性应用 vs 非关键性应用
谈到人工智能领域的创业，很多人都会有个误解，就是如果我团队没有个大牛的科学家，比如斯坦福、MIT的博士坐镇，我都不好意思讲在人工智能方面创业。其实这个认知是完全错的。因为在人工智能领域，算法到底有多重要，完全取决于你要准备进入哪个行业。
根据行业和应用场景不同，我认人工智能的创业本质上有mission-critical和non-mission-critical之分。为了方便大家理解，我们简称为“关键性应用”和“非关键性应用”。
“关键性应用”要追求99.9……%后的多个9，做不到就没法商业化。比如大家认为，99%可靠度的自动驾驶能上路吗？肯定不能，意味着100次就出1次事故。99.9%也不行，1000次出一次事故。
千万记住，99%和99.9%的可靠度差距并不是0.9%，而是要反过来算，差距是10倍。也包括手术机器人，听起来99.9%可靠度已经很高了，但意味着1000次出一次医疗事故，放在美国，医院还不得被巨额索赔搞得破产。
所以“关键性应用”领域，就是一丁点儿错都不能犯的人工智能领域，必须要有技术大牛、科学家或算法专家坐镇。同时，这类项目研发周期都很长。
正如以色列做ADAS （高级驾驶辅助系统）解决方案的Mobileye公司，今年3月被Intel以153亿美金收购。大家知道这家公司研发周期有多长吗？Mobileye成立于1999年，到他们推出首款产品、挣到第一桶金已是2007年。长达8年的研发周期。这在互联网创业里不可想象。包括谷歌无人车从2009年开始研发，到现在一直没有商业化；达芬奇手术机器人从启动研发到2000年拿到美国食品药品管理局（FDA）的认证，花了十年时间。
“关键性应用”的普遍特点就是这样，项目通常很贵，研发周期巨长，离钱非常远，需要持续的融资能力，团队怎样才有持续融资？起码要有非常好的简历和非常好的背景。这个是能够持续融资的必要前提。所以大家可以看到，今天做无人驾驶的创业团队都是高富帅。因为不是高富帅，你都熬不到产品真正商业化应用那天。
当然，如果在人工智能领域都是“关键性应用”，那就没大多数创业者什么事了。实际上，人工智能领域的创业，95%都是“非关键性应用（none-mission-critical）”。简单讲对这些领域，AI的可靠度只要过了基础线，高一点低一点区别不大。
最简单的例子，现在很多公司的门禁开始用人脸识别。你今天带个帽子，明天戴个墨镜或口罩，识别率没法做到99%。可即使没识别出来也没问题。因为所有带人脸识别的门禁都有地方让你按指纹。即使指纹也刷不进去，问题也不大，公司不还有前台吗。
这就是“非关键性应用“。这类项目不追求99%后面的很多个9。实际上，国内人工智能和机器人方向的创业，大部分领域都是“非关键性应用”。当然并不是说，在这个领域算法不重要，你天天认不出来也不行，所以一定要过了基础的可用性门槛，偶尔出现问题可以容忍。“关键性应用”则不能容忍。
“非关键性应用“不追求高大上，简单、实用、性价比高更重要，这样的项目通常比拼综合实力。包括：
- 对行业的洞察理解。要熟知行业痛点；
- 产品和工程化能力。光在实验室里搞没意义；
- 成本控制。不光能做出来的产品，还得便宜的做出来；
- 供应链能力。不光能出货，还要能批量生产；
- 营销能力。产品出来了，你得把东西卖出去。团队里有没有营销高手，能不能搞定最好的渠道是关键。
所以大家在创业组团队时，一定要想好你选择的赛道处于哪个领域，不同的赛道对于团队的要求是不一样。“关键性应用”必须有技术大牛坐镇，“非关键性应用”则要求团队更加综合和全面。
第五个问题：技术提供商 vs 全栈服务商
现在很多人工智能创业者都是技术背景出身，创业的第一个想法通常是做技术提供商。技术提供商作为创业的敲门砖可以。但如果只定位做技术提供商，未来路会非常窄。为什么说未来只做技术提供商价值会越来越小？原因有几点：
- 首先通用技术一定是大公司的赛道，BAT未来一定会开放免费。
人家大公司会免费提供人脸识别、语音识别、语义理解、机器翻译这类EnablingTechnology，你还打算怎么靠API调用赚钱呢？也许现在还可赚点小钱，但很难成为一个长久的生意。
- 依托于算法的技术壁垒会越来越低。
未来随着基础计算平台和开源平台的丰富成熟，技术方面的壁垒会越来越不明显，整个人工智能的技术准入门槛会越降越低。就像2008年你想找个IOS开发者，很难，现在却很容易一样，所有技术的演进都遵循这一规律。特别随着今天各大学的计算机专业，都纷纷开设机器学习课程，未来人才不缺，这会拉低整个行业的进入门槛。
同时随着谷歌TensorFlow等生态系统的成熟，很多领域都会有训练好的模型可以用来参考（出Demo会更快），创业者只要有足够的数据来训练参数就好了。所以未来算法的壁垒会越来越低，如果这个公司的核心竞争力只是算法，那将非常危险。
- 技术提供商如果不直接面向用户/客户提供整体解决方案，则非常容易被上下游碾压：
对于技术提供商和算法类公司，如果你的技术壁垒不够高，上游很可能直接把你的事做了。这样的例子比比皆是，比如给海康威视提供人脸识别算法的公司。问题就在于，海康在用你算法的时候，人家也有庞大的研发团队在研究自己的算法。现在用你是人家还没准备好，一旦准备好立刻会把你替换掉。
即使在有一定技术门槛的行业，技术提供商的日子同样并不好过。比如专注嵌入式的视觉处理芯片的Movidius，大疆无人机一直在用他们的芯片。但自从大疆统治了消费级无人机市场后，大疆现在也很自然地开始研发自己的芯片。
按说芯片的技术壁垒并不低，但只要行业集中度高，赢家就会选择通吃。比如做手机的厂商，出货量到了一个阀值，都有动力自己做芯片。像苹果、三星、华为还有现在的小米，都选择了自己做手机CPU。所以联发科、高通这些技术提供商，其实是挺痛苦的。
这其实是一个产业链通用规律：产业链上的垄断者会吃掉所有利润，而且他们非常有动力往上游或下游扩展。拿PC产业链举例，内存、硬盘、整机、显示器……都不赚钱。钱被谁赚走了？Windows和Intel却赚走了绝大部分利润。
既然做纯技术提供商没有出路，那怎么办？浩哥提出“一横一纵”理论。前期做技术服务可以，但是不能一辈子做技术服务。
“一横”就是指你提供的技术服务。通常“一横”能服务很多行业，一定要找到1、2个，你认为最有市场机会，最适合你的垂直领域，深扎进去做“全栈”：把技术转化为产品，然后搞定用户卖出去，实现商业变现，再通过商业反馈更多的数据，更加夯实自己的技术。一句话讲，要做技术、产品、商业和数据四位一体的“全栈”，这就是“一纵”。这才是健康的商业模式。
在垂直外的行业，因为没有利益冲突，你仍可老老实实的做技术服务。这样的话，商业上你能吃透一个垂直行业，技术上你还能通过横向合作，形成更多的数据回路，从而夯实你的技术。这个就是“一横一纵”理论。
那么对于技术创业公司，从“一横”走到“一纵”，要选哪个垂直领域，取决5个关键因素：
● 市场空间够不够大？
做垂直领域的全栈，还是做横向的技术提供商？取决市场空间哪个更大。找对垂直领域，即使只占一点点市场份额，也可能比做“一横”全归你的收益大。拿美图公司举例，他们有美图秀秀、美拍、美颜相机等APP，同时还会跟很多手机厂商合作，提供相机拍摄的美颜效果，你可以理解这就是技术服务。
但研究2016财报后，大家知道美图秀秀选的“一纵”是什么吗？就是美图手机。以上提到的技术服务都远没有垂直做美图手机赚钱。美图手机占了公司全部营收的93%。虽然美图手机去年的销量大约在74.8万台，仅仅只占国内手机市场全年销量5亿多台的不足0.15%。
● 行业集中度如何？
做“一横”技术提供商时，最担心的是你的上游或下游过于集中，或者说头部效应越明显，对技术提供商就越不利。举个简单的例子，IDC时代，HP、DELL等厂商卖服务器，都是直接卖给各IT公司，大家日子过的都很滋润。但2010年之后就很难做了，因为云计算出现了。
提供云计算的厂商就那几个，两只手就能数出来。而且头部效应极其明显，仅阿里云一家占了50%以上份额。如果你是一个技术提供商，在跟这么垄断的行业去谈判，你会发现没有任何筹码。所以现在就很悲催，假设我是阿里云，会让你列出BOM成本，我就给你5%或10%的利润，这个生意就很难做了。
在这种情况下，你当然有意愿也往上游走。但带来的问题是什么？如果上游集中度高，说明这事的壁垒很高，你作为技术提供商想往上走，同样很困难；如果这个上游集中度低或客户很零散，对你是件好事。但是你也没有太大动力往上游走，因为这个市场本来就很零散，你即使杀进去，可能只有1%的市场份额，而且使得99%的人都变成你的竞争对手了。这是个悖论。
● 技术是改良还是革命？
如果你的技术创新对这个垂直领域是革命性的，就越有机会走到上游。如果只是改良性的，你就老老实实在下游赚个辛苦钱算了。 越是颠覆性的东西，越有机会往上游走。因为上游越离不开你，意味着你有机会做他的事。
打个异想天开的比方，如果你能提供一个“待机一礼拜”的电池，那你就可以考虑自己做手机，你的手机只打一点：一星期不用充电，而且是全球唯一！就这一点可能就够了，因为这个技术是革命性的。相反，如果是改良性的技术，例如你的电池待机只是比以前多了10~20%，那你还是老老实实卖电池吧。
● 双方壁垒谁更高？
技术提供商的壁垒和上游客户的壁垒哪个更高，也决定做“一纵”的成败。拿比较火的直播平台而言，现在都有美颜功能，例如给女孩长出个耳朵那种，这个通常都是第三方提供的技术。技术本身的壁垒并不高，很多公司都能提供，虽然效果有一些小的差异，但你没有明显优势。
可是直播的壁垒相当高，这事有网络效应，用户越多会吸引更多的美女主播，因为能赚到更多钱，美女主播越多，也会带来更多的用户。同时你舍得花钱，需要很多资金来买流量以及签约很NB的主播。所以这个事壁垒很高。你做技术提供商壁垒不高。这种情况下，虽然技术提供商只能赚个辛苦钱，但是仍然完全没有机会往上游走。
● 到底跟团队基因相符不相符？
能做得了技术服务，不代表能做垂直解决方案，做全栈，因为团队不一定有行业经验，这是很大的问题。亚马逊的无人便利店Amazon Go出来之后，国内不少技术团队也想提供类似的技术，甚至想做2C的便利店。
与他们聊完后，我都会劝他们再考虑一下，你的技术再好，对于用户而言，他买东西的时候，会看这个便利店有人还是无人的吗？不会，这不是优先选项。他首要考虑的还是——哪个便利店离我更近，以及我想买的东西这个便利店有没有。
从这个意义讲，这又回到了零售的本质。所以如果团队没有零售的基因，没有懂零售的人，就别考虑自己开便利店的事。这时候，很多人可能会问“那我找个懂行业的高管不就行了么？”这事没那么简单，如果CEO不了解行业本质，其实是很难靠一个高管去弥补的。
我特别相信基因决定论，如果任何一个新的商业，BAT找个懂行业的高管就能搞定了，那中国互联网的生意就全是BAT的了，就没创业公司什么事了。BAT，一个做搜索，一个做电商，一个做社交。其实他们3个都把对方的事情已尝试了一遍，最后都不成功。所以大家能做什么，不能做什么，跟这个公司的基因是高度相关的。
第六个问题：2C vs 2B
最后一个问题，简单说一下，科技成熟都需要一定的时间。因为从任何技术普及演进的角度，几乎都延续了先是从军工（航天）、到政府、到企业、到B2B2C、再到2C这个规律。人工智能也一样，目前人工智能在2C市场还不是很成熟。
简单说机器人，在个人消费者市场，出货量大的机器人只有4类产品：扫地机器人、无人机、STEAM教育类机器人和亚马逊ECHO为代表的智能音箱。为什么2C市场早期的普及有一定的困难，简单讲几个原因：
- 产业链不成熟
我做一个创新的东西，成品有10个部件。每一个部件都得自己做，而且因为出货量不大，每个部件都没有规模效应，这就导致每个部件都很贵，那你最后做出成品一定很贵。这是非常大的问题。
- 2C是额外花钱
这也是很重要的一个问题，2C端的用户因为自掏腰包、额外花钱，所以对价格通常比较敏感，产品很贵就是一个很大的门槛。
- 2C产品的用户期待度高
用户买了这么贵的东西，自然对产品的期待度会更高很多。大家觉得我买一个机器人回来，恨不得什么都能干：又能唱歌、又能跳舞、又能聊天、又能清洁、又能讲英语。但这是不现实的，现在的技术成熟度离此还有些远。
相对于2C端，这些问题在2B端却不是问题。
- 2B端对价格承受能力更高
首先，企业对价格的承受能力显然比2C强很多。你说一个机器人2万，2C消费者不可能买，但企业问题不大，企业对成本承受能力高。
- 2B的核心目的是降成本
举例工业机器人，10万块钱一个，听起来很贵。但一个工业机器人替代你2个岗位。这2个岗位一年也得10万块钱，还不算四险一金。然后这机器人能工作4年，这一下成本只有你原来的25%，甚至不到。那么企业一算账，觉得还是很便宜。
- 2B可以采取人机混合模式
还有2B端的机器人应用更简单一些。一方面大多是单任务，机器人只要做好一件事就行了，实现起来简单。另外，很多都是以”人机混合”模式在作业。也就是以前需要10个人干活，现在我用机器人替代一半人。简单重复的工作用机器人替代，复杂的用剩下的5个人，这就是”人机混合”模式。
举个例子，现在国内外已有很多安保机器人，按固定路线去巡逻。你可以理解为移动的摄像头，当然算法上肯定加入了一些识别的东西。固定绕路线巡逻，这个完全可以交给机器人来做。难的是，在巡逻的过程中，如果发现有老太太摔倒了，让机器人扶起来，这个目前还做不到。
但这不重要，你们后台不还有5个人么，让他们过来就好了。所以人机混合是2B比较主流的模式，这个大幅降低了机器人普及的难度。
最后再说一点，目前大多数AI创业公司都是技术专家主导，这很容易理解，因为现在技术还有壁垒，技术专家主导起码保证产品能做出来。不过未来随着技术门槛的降低，特别在“非关键应用”领域里，团队的核心主导，会慢慢过渡到产品经理和行业专家为主，因为他们离用户需求最近。“非关键应用”领域，懂需求比技术实现更重要。长期来看，人工智能创业和任何其他领域的创业一样，一定是综合实力的比拼！
热点：新AlphaGo的突破
10月19日，谷歌旗下DeepMind团队发表了人工智能程序AlphaGo的最新研究成果，最新版本被命名为AlphaGo Zero的人工智能程序水平已经大大提升，超过了之前所有版本的AlphaGo。在与过往版本的AlphaGo对战中，AlphaGo Zero以100:0的成绩战胜了曾经赢下韩国棋手李世石那版AlphaGo。这项研究成果被发表在《自然》杂志上。
今年5月，AlphaGo也曾经以3:0的成绩战胜中国顶级围棋选手柯洁。在这一成果发表后，柯洁感叹：一个纯净、纯粹自我学习的AlphaGo是最强的，对于AlphaGo的自我进步来讲，人类太多余了。柯洁的感叹还不仅来自人与人工智能的差距，而更多的是人工智能可以进一步减少对人类经验的依赖，进行自我学习和探索。
AlphaGo之父、DeepMind联合创始人兼CEO德米斯·哈萨比斯（Demis Hassabis）介绍说：“AlphaGo Zero提高了计算效率，并且没有使用到任何人类围棋数据。”AlphaGo此前的版本，在训练中学习了大量人类围棋比赛的数据，而AlphaGo Zero则在一开始就不接触人类棋谱，研发团队只是让它自由随意地在棋盘上下棋，然后进行自我博弈。也就是说它能穷尽更多的可能性，而不只局限于人类已经走过的路。通俗地说，AlphaGo Zero就是从一张白纸的零基础开始学习，“自学成才”，在3天时间内，进行500万盘的自我博弈，不断掌握招式，最终战胜了人工智能对手。而且随着训练的深入，DeepMind团队发现，AlphaGo Zero还走出了人类过往招式之外的新策略，为围棋这个游戏带来了新的见解。
哈萨比斯说：“最终，我们想要利用它的算法突破，去帮助解决各种紧迫的现实世界问题，如蛋白质折叠或设计新材料。如果我们通过AlphaGo可以在这些问题上取得进展，那么它就有潜力推动人们理解生命，并以积极的方式影响我们的生活。”下围棋并不是AlphaGo的最终目标，DeepMind团队希望能基于AlphaGo来打造通用的、探索人类和宇宙奥秘的工具。
根据Gartner的AI技术成熟度曲线，我们梳理了八项技术的应用场景
原创 CNET科技行者 2017-10-26 19:18
“新一代人工智能的‘良性循环’建立在几个关键的市场层面之上。忽视潜在转变级 AI 的风险超过了快速、早期失败的风险。”——Kenneth F. Brant，Tom Austin
Gartner认为，人工智能要创造商业价值，并不需要以人类的形式存在或者进行创建。企业完全可以通过清晰可识别的虚拟和/或机器形式部署现代人工智能，以增强人类的智慧，从而代替人类执行多种专业、有限范围和常规领域知识等工作。
然而，企业也必须有清醒的认识，伴随着固有的失败、挫折和新兴技术典型的“泡沫破裂”等一系列“状况”，对于人工智能相关的前沿技术的应用是存在一定“风险”的，因此，在制定和实施AI计划前，了解具体技术的发展阶段和应用场景，将变得更加重要。
为此，在7月份，Gartner发布了2017年人工智能技术成熟度曲线图，希望能够帮助那些有数字业务和物联网(IoT)计划的企业的CIO及其他IT负责人，了解 AI 技术的范围、状态、价值和风险。
该报告中所列出的 AI 技术中，有41%是转变级技术，另有 44%是高效益技术；87%位于泡沫破裂低谷期之前或之中，并且预计到2022年以后，虽然54%的技术还无法达到成熟度，但已经可以为消费市场提供可靠的生产力。
▲ 2017 年人工智能技术成熟度曲线
▲ 2017 年人工智能优先矩阵图
从上图中我们看到，绝大多数的人工智能技术在主流业务部署方面仍然不成熟，并且具有一定风险。而为了提高企业效益或将技术转化为实在的收益，企业可以先从成熟度较高的技术入手，成为人工智能技术的“早期采用者”。
根据到达成熟期所需时间，具体的人工智能技术表现情况如下：
▶2年内到达成熟期
语音识别
集成学习
▶2-5年到达成熟期
虚拟现实
GPU加速器
虚拟客户助理
消费类智能家电
学习BPO
认知专家顾问
FPGA加速器
预测分析
商业UAV（无人机）
智能APP
机器学习
深度学习
深度神经网络ASIC
自然语言生成
AI相关的C&SI服务
▶5-10年到达成熟期
知识管理工具
增强现实
计算机视觉
认知计算
自然语言处理(NLP)
虚拟助理
规范分析
图谱分析
智能机器人
3级自动驾驶汽车
数字伦理
会话用户界面
机器人
神经形态硬件
深度强化学习
用于IT运营（AIOps）平台的人工智能
算法市场
▶10年以上
4级自动驾驶汽车
自动驾驶汽车
人工通用智能
人机回圈众包
由此，从现阶段来看，企业至少可以在5年内将AI应用于：加强与客户、合作伙伴和员工的自动化互动；加强视频和音频的实时分析和改进响应：增强机械、汽车和结构的功能和“智能价值”；深化软件的能力，实现以人类速度(或更快)改进性能和成果。
篇幅所限，科技行者挑选出了其中的八大技术做简单概述，《2017 年人工智能技术成熟度曲线》完整报告大家可以通过以下方式下载：关注科技行者公众号（itechwalker），并打开对话界面，回复关键词“Gartner报告”，即可获得下载地址。
语音识别
将人类语言翻译成文本以进行进一步处理的技术。
现状及采用速度说明:语音识别的性能在去年得到了快速提高。在研究层面上，诸如 IBM、微软、谷歌、亚马逊和百度这样的重量级企业在2016-2017年都取得了非常大的进展。尤其是深度学习技术如卷积神经网络(CNN)、循环神经网络(RNNs)以及使用连接时序分类(CTC)Loss(由百度支持)等端到端神经体系结构的应用，大大提升了语音识别技术的水平和准确性，并减少了模型训练的时间。微软和谷歌的相关产品语音识别的错误率为4.8%，而人类的错误率为4.9%。 在商业应用方面，技术在特定的细分领域如转录放射科医师对医学图像的解读中，成功率要高于消费者使用领域。
应用场景:
支持用户 消费类电子产品提供商应考虑使用智能家居和汽车的语音识别服务，可以授权技术对自己的设备进行在线/离线操作，或使用云服务来丰富其设备和服务的经验和状态。
支持客户 电话和联络中心应用程序的语音识别使企业能够自动化呼叫中心功能，例如旅行预 订、订单状态检查、票务、股票交易、呼叫路由选择、目录服务、自动总机和姓名拨号。
支持员工 现有的企业应用程序开发人员应该考虑使用语音识别和自然语言输入，作为简化 UI 并 提高生产力的方法。高聚集区工作场所中的一个用例体现在会议记录时，此时内部对话或销售电话将被自动采集，同时自动跟踪所有行为和见解。
集成学习
集成技术是机器学习算法，通过使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果。
现状及采用速度说明:集成技术最近已经得到了广泛的应用。许多重要的数据科学供应商都将这项技术作为其投资组合的一部分提供给客户。对于数据科学家来说，集体学习也已经成为一种广泛的可行方法，这项技术将很快达到生产成熟期。
应用建议:即使对一个中等技能的数据科学专业人士来说，集成技术也相对比较容易应用于高精度场景，它们通常能够降低 5%至 30%的误差率。另外，对于那些难以找到最适合模型的全新项目来说，集成学习尤其有价值。
然而，需要注意的是集成技术的部署可能会对当前基础设施造成计算负担。在受监管的行业中，预测模型必须是完全可解释和透明的，因此可能无法使用集成技术。
虚拟现实
虚拟现实(VR)提供的是一个计算机生成的3D环境，通常是通过沉浸式头戴式显示器（HMD）以自然的方式对用户行为作出响应。
现状及采用速度说明:沉浸式VR应用程序比其他类型的图形模拟更为先进，到达成熟期的时间为五到十年。通常使用HMD来实现VR体验，目前市场上为大家所熟知的设备有Oculus Rift、索尼PlayStation VR、Valve/HTC Vive、三星 Gear VR 和谷歌 Cardboard。对于企业使用来说，VR 已经足够成熟， 但仍需要谨慎，因为虽然设备具备所需功能，但是 VR 系统的成功取决于用户体验或 app 的质量。大多数消费者将 VR 设备用于玩视频游戏或观看视频。VR 正在进入成熟期，用户手中已经有大量设备，但是互动或使用量仍然较小。
应用场景:
复杂的模拟和训练应用
军事模拟和训练，如飞行模拟器
临场感场景，如远程医疗
设备操作员培训
娱乐和社交体验，如视频游戏或360度环绕视频或互动电影
产品营销延伸到品牌互动或产品设计中
结构化走查和科学可视化，如基因组映射
建模，如石油行业的地质建模
GPU加速器
GPU 加速计算被定义为同时使用图形处理单元(GPU)和CPU，加快高度并行的计算密集型工作负载部分的速度的加速器。
现状及采用速度说明:一般来说，大多数计算优化的 GPU 均具有高密度的浮点单元和高级内存技术)。对于许多高度并行的计算密集型应用来说，这些功能可以带来巨大的性能效率。目前，可以使用 GPU 的计算密集型应用包括分子动力学、计算流体动力学、财务建模、地理空间应用等，其在技术成熟度曲线上的位置已经调整到“稳步爬升复苏期”。
应用建议：并不是所有的GPU加速计算解决方案都一样。使用者可以通过以下方式使用GPU解决方案，从而加快兼容应用程序的速度:
选择提供最成熟软件堆栈的 GPU 计算平台；
通过确保对核心应用的支持，最大限度的降低风险；
通过评估用于POC和原型阶段的云托管GPU环境来优化基础设施成本。
总而言之，当应用程序需要极高性能并具有高度计算并行性(例如多种高性能计算和深度学习应用程序等)时，使用者就应该使用 GPU 加速器。
FPGA加速器
FPGA加速器是一种基于服务器的、可重构的计算加速器，通过实现可编程硬件级应用程序加速来提供极高的性能。
现状及采用速度说明: 数据中心将FPGA应用于有限范围的场景中，例如高频交易(HFT)、超大规模搜索和DNA测序等等。通过能够降低使用FPGA所需时间和技能的新框架(如OpenCL)的帮助，FPGA的应用正在变得越来越容易。目前，FPGA在数据中心的最大成长机遇是深度学习工作负载的推论部分。鉴于这种新的应用场景和周边软件生态系统不断演化的性质，FPGA 加速器的发展已经进入“泡沫破裂低谷期”。
应用建议:与同类商品技术相比，FPGA 加速器可以在更小的能耗范围内实现显著的性能提升。但使用者还需要从以下方面评估 FPGA 加速器的适用性: 识别使用FPGA能够影响的应用程序子集；列出技能和编程挑战的相关成本；利用基于云的FPGA服务来加快发展。
应用场景：
存在有助于大幅度转变关键工作负载的预配置解决方案(例如金融交易分析、基因组测序等)；
算法将不断发展，这需要频繁更新硅芯片，以便用于更广泛的应用程序中(例如微软Project Catapult)。
机器学习
机器学习是是一门多领域交叉学科，是从一系列观察结果中提取出某些类型特征的知识和模式。机器学习有三个主要的分支学科，包括有监督学习，其中观察结果包含输入/输出数据 (也称为“标记数据”);无监督学习(将标签省略);强化学习(给出评估情况好坏程度的结果)。
现状及采用速度说明:机器学习是目前最热门的技术概念之一。其中涉及到深度神经网络的机器学习分支称为深度学习（下文会做介绍），正在受到越来越多的关注。由于不断增长的数据量和复杂性，传统的方法对于数据的处理越来越“无能为力“。因此，可以说未来如果没有机器学习，交通、能源、医药和制造业等的发展将受到极大的阻碍。
应用建议：
使用者可以从对预期结果达成共识的简单业务问题开始，逐步走向复杂的业务场景；
培养机器学习所需的人才，并且与大学和思想领袖合作，从而紧跟数据科学快速变化的发展速度；
评估机器学习的功能及其对多种场景的潜在业务影响——从流程改进到新服务和产品的开发；
对已经开展的具有强大机器学习组件的计划进行跟踪，例如客户评分、数据库营销、客户流失管理、质量控制和预测性维护，通过最佳实践的交互影响来促进机器学习算法的不断成熟。监测您可能参与的其他机器学习计划，以及您的同行正在做什么；
组建一个(虚拟)团队，将机器学习用例进行优先级排序，并构建一个管理流程，将最有价值的用例推广到生产中；
通过调整机器学习的数据管理和信息治理，将数据作为机器学习的动力。数据是您独一无二的竞争优势。虽然机器学习算法的选择相当有限，但是数据源丰富并且这是一 项良好的长期投资。
深度学习
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。
现状及采用速度说明:数以千计的供应商正在探索深度学习在诸如计算机视觉、会话系统和生物信息学等领域的适用性。研究人员正在持续发布关于这个主题的新论文，谷歌、苹果、微软、Facebook 和百度等重量级企业正在不断增加深度学习的研发。这使得深度学习功能在数据科学平台中越来越易于使用，预计到 2018年，将会成为80%数据科学家工具箱中的标准组件，同时，其商业化也正在全面展开。
应用建议:数据和分析领导者应该重新审视之前与文本、图像、视频和语音分析相关的棘手“认知”问题，以及涉及复杂数据的问题。
适应深度学习的快速发展 大多数主要DNN（深度神经网络）变体已经取得成功，包括图像和语音识别的卷积神经网络、自然语言处理和翻译的循环神经网络，以及用于生物信息学的自动编码器等。通过使用基于云的服务进行实验，例如面部识别、语言翻译、会话系统、语音搜索和超参数调优等，可以使用经过特定领域训练的DNN的打包应用程序——例如确保精准有效的医学治疗。
将深度学习算法中的数据作为长期投资的重点 有效数据的价值将随着时间的推移而不断增长。但需要说明的是，到目前为止，虽然使用监督或半监督学习已经取得了一些成果，但DNN并不能从任何类型的数据中通过无监督学习解决问题。
自然语言生成（NLG）
自然语言生成是是自然语言处理（NLP）的分支，是研究使计算机具有人一样的表达和写作的功能，能够将自然语言处理与机器学习和人工智能(AI)相结合，以动态识别数据 (趋势、关系、相关性)中最相关的见解和情境。
现状及采用速度说明:文本分析侧重于从文本数据中推导出分析见解，反之，NLG则是通过将分析输出与情境化叙述相结合来合成文本内容。尽管仍处于采用的早期阶段，但NLG正在有效的减少进行可重复分析所需的时间和成本，例如运营和监管报告、金融服务部门的收益报告、政府部门的财务报表和天气预报、以及广告部门的个性化信息。NLG与现代商业智能(BI)及数据科学平台的结合，将成为促进市场增长的最有潜力的应用之一，而易于配置和多语言支持将是NLG广泛应用的必要条件。
应用建议：
将NLG与现有的BI和及数据科学计划相集成，或探索新兴的增强数据发现工具，将NLG嵌入到自动数据准备和模式检测中；
依据业务成果的一致性，评估企业在业务、用户、访问等高级分析方面的就绪度；
监测BI及数据科学平台的NLG功能和路线图；
了解解决方案的成熟度和可扩展性，特别是在以下方面:集成和易用性、前期设置/配置要求、数据准备要求、平台的自学习功能、可分析的数据类型、支持的语言范围、支持的算法类型、单个 图表或跨仪表板的叙述程度、以及结果和叙述的准确性；
了解与多语言用户场景相关的潜在缺点，并在术语、语气和专业本体方面对行业特定的用例进行仔细考虑；
需要认识到，NLG 可能对政府组织很有吸引力，这些组织会要求企业的BI和分析解决方案符合政府的相关政策。
未来30年人类或将被AI超越
10月25日在沙特举办的未来投资计划（Future Investment Initiative）会议上，软银集团董事长孙正义称，超级人工智能即将来临，可能比预想中更快。孙正义是著名的投资家，他早期曾经投资过雅虎和阿里巴巴等公司，如今他是世界上最富有的人之一。因为非常看好人工智能和机器人等科技，孙正义创办的软银愿景基金筹集了1000亿美元规模的资金，计划全部投向和人工智能有关的公司。
机器与人工智能的智商超过人类的那一时刻经常被称为“奇点”，奇点什么时候发生，科技界一直存在争论。而孙正义的看法是：“奇点的概念是人脑将被超越。这是转折点，交叉点，人工智能或计算机智能超越了人脑。这在本世纪肯定会发生，这无可争议，毫无疑问。” 他激进地认为，奇点来临会发生在“未来30年左右”。他说，人类平均智商只有100，甚至天才也只有200，而高智商俱乐部的入会门槛也只有130。但未来30年内，人工智能的智商将达到10000。
孙正义说，人工智能将会大大改变每个行业，他还回忆起自己首次看到智能手机时的情形，这种设备如今已经彻底改变了世界。他说：“在iPhone问世之前，我与乔布斯相遇，他对我说，‘如果你看到我正在开发的东西，当我完成后，我会拿给你看，你会（惊讶地）尿裤子’”。看完之后他确实非常惊讶。
孙正义分析：“目前机器人已在某些领域比人类更聪明，未来30年，它们在大多数领域都会比我们更聪明。人类创造了工作，前提是人类总是比自己发明的工具更聪明。而这是首次，工具将变得比我们更聪明。”不过，孙正义也认为，人类在某一点上将永远胜过机器人，那就是想象力。“10年或30年后，至少某些人类的想象力会比机器人更强。因此，这并不是终结。人的大脑能力无限，我们的想象力也是无限的。因此，我们也会一直提升我们的想象力和直觉。”
李开复：短期可能是金融，中期肯定是医疗，长期就是无人驾驶。
短期为什么是金融？金融钱最快量最多大家最容易投资进去，金融的数据无摩擦不生产没有配送；
中期为什么是医疗？任何人工智能只能取代低端的事情，如果有朋友或者孩子想要读医科，知道哪些医科最被难取代吗？应该是心理学，或者做的最深的脑科，最容易取代的是放射医疗，尤其是影像放射医疗，因为我们人脸识别已经超越人类了，肿瘤识别还会晚吗？医生的信息不畅通，还有海量新的发明产生，医生绝对跟不上。即便一个好的医生不可能跟得进新的技术，所以医学领域会有巨大的突破。
长期肯定是无人驾驶。我买了一辆车可以帮我开上路，或者帮我停车，这个不是无人驾驶。无人驾驶就是未来不买车了。我们为什么不买车，96%的时间车都会停着的，所以车不用买了。你要去什么地方一辆车来了，带你去那个地方，等待零秒钟的滴滴这个是未来电动共享经济的无人驾驶，这个将改变我们买车的习惯。
车辆变少了，车不那么拥挤了，不会再交通拥堵了，而且空气变好了，所以对人类的影响特别巨大。整个GDP的影响一定是10%左右的数量级，但是更重要的是，人类工作的10%会被无人驾驶取代。所以这个影响是改变所有的出行、运输、配送方式，一切都会被无人驾驶给替代掉，但是长期我们需要十年的时间。最重要的因素不是技术不够好，而是各种法律人文伦理问题。
为什么AI科学家应该多元化
斯坦福人工智能实验室和斯坦福视觉实验室负责人、谷歌云首席科学家李飞飞呼吁人工智能相关行业重视科学研究人员的多元化问题。人工智能是当下火热的一门“显学”，但是人工智能领域的迅速发展也暴露出了科学研究中的一些问题，人才特性的单一将会制约整个行业的发展。在接受新浪科技采访时，李飞飞解释了人工智能领域科研人员多元化的必要性。
第一层是站在人工智能本位的角度。人工智能是一个非常重要的世界发展方向，如今人工智能的人才现状是供不应求。所以站在经济学和就业的角度讲，李飞飞认为我们需要更多的人来参与人工智能和整个计算机科学的发展。
第二层是创造性和创新性的问题。李飞飞说，已经有很多研究表明，大家完成项目或一件事的时候，多样化的团队比单一的团队更具有创新性。人在多样化团队合作时，需要磨合，更具有挑战性，但也能让你的产品、研究更有创新性。所以人工智能的研究也不仅仅是由计算机科学人才来完成。
第三层是站在社会公平公正，甚至伦理的角度来说。李飞飞认为：“机器是没有独立价值观的，机器的价值观就是人的价值观。当我们需要未来科技公平公正、正面地反映人类价值观的时候，我们需要思考创造科学的人是谁，这种情况下就需要尊重人的多元化。”
作为人工智能专家，李飞飞一直在呼吁“围绕人来开展AI研究”（ human centered AI thinking），这里也有很多层含义：首先，从算法来说就很重要，因为脑科学、认知科学等与人相关的学科会给研究者启发；其次，人工智能和人的关系是交互、互相帮助的关系，而不是人工智能把人替代掉；第三，人工智能也涉及到社会、人伦等方面的问题。李飞飞建议所有关注、从事人工智能的学者，应与关注人类社会发展的专家多多交流讨论，一起来探索研究中的敏感边界或者是未知的事情。
AlphaGo设计师黄士杰：“最强的学习技能在人类的脑袋里”
AlphaGo的“人肉手臂”、担任Deepmind资深研究员的黄士杰，在近期公开演讲中，分享他身为一名科学家，如何旁观机器的进步。
更新于2017年11月14日 07:12 英国《金融时报》中文网 编辑 史书华
没有人会否认，AlphaGo在过去一年炒热全球对人工智能的关注。
2016年3月，谷歌Deepmind旗下的围棋程序AlphaGo，以4比1的成绩战胜韩国职业棋手李世石。一年后，拿掉所有人类知识、完全靠自学的AlphaGo Zero，在今年10月又以100比0的战绩碾压“AI前辈”AlphaGo。从击败人类、到自学成材，AlphaGo的进展超乎预期，研发团队也自然成为关注焦点。这当中，被称为AlphaGo的“人肉手臂”，替AlphaGo向棋圣聂卫平说“谢谢聂老师”的黄士杰(Aja Huang)，就是AlphaGo发展的重要推手。
1978年出生、现任Deepmind资深研究员的黄士杰，私底下是围棋业余六段，在每一场人机对战中，都代表AlphaGo落子。但他不只是手脚，更贴近他身分的描述，其实是AlphaGo的设计者、是AlphaGo的大脑。让AlphaGo登上科学期刊《自然》(Nature)封面的那篇知名论文，黄士杰并列为第一作者。
上周五（11月10日）在台湾中研院举办的“2017年人工智慧年会”上，黄士杰首次把AlphaGo的研发过程公开说清楚，除了透露新一代AlphaGo Zero的能力还没达到极限，他更多的是去分享身为一名科学家，旁观机器的进步，以及一个科学团队对基础研究的使命和专注。
以下是编辑后的演讲摘录：
AlphaGo的研发过程，有四个时刻对我影响很大。
第一，是我们在韩国赢了李世石。当我们开始做AlphaGo时，没想到它会变得那么强。在韩国赢了李世石后，DeepMind首席执行官Demis Hassabis立刻发了一个推特，说“我们登上月球”(We landed it on the moon.)。我明白Demis那天的感觉，这是我们团队的一小步，但却是人类的一大步。
第二个时刻，是我在网络上操作AlphaGo升级版“Master”，下了60盘棋。我从小喜欢下棋，在台湾是业余六段。Master在网络上对弈的对象，都是我从小崇拜的人。虽然不是我真正在下棋，但却感到非常荣幸。
第三个时刻，是今年在乌镇进行的人机大战，由我操作AlphaGo和世界冠军柯洁九段下棋。柯洁还不满20岁，非常年轻，当天比赛氛围和李世石对弈时很不同。我记得在韩国比赛，能感受到李世石承受到很大的压力，感觉他是在为人类而战。我当时坐在他对面，也尽量保持谨慎的态度，不喝水、不去上洗手间。但到了第二次和柯洁对弈，比较像是人机合作的气氛，柯洁还走过来说：“黄博士，很荣幸跟AlphaGo下棋”，坦白说我有点惊讶。这也让我们知道，如果Master是无敌的，那机器存在价值到底在哪里？应该是要帮助棋手扩张思路、扩展围棋理论。
第四次对我意义重大的时刻，是AlphaGo Zero的出现。什么是AlphaGo Zero？我们拿掉所有人类对围棋的知识，只喂AlphaGo Zero围棋规则，让它自己学习下棋。我回想起读博士班的熬夜日子，就是不断写代码、找bug，每天做测试，让程序进步。但AlphaGo Zero把我过去的所有东西全部取代，它完全不需要我的帮助。有同事问我，Aja，AlphaGo Zero把你这十几年来对围棋计算机的研究，一点一点的拿掉，甚至还超越你，有什么感觉？我的确心情复杂，但后来跟同事说，这会是一个趋势，如果我阻碍了AlphaGo，我确实应该被拿掉（笑）。AlphaGo有99%的知识是我做的，AlphaGo能走到这一步，我已经很满足，找到了收尾。
AlphaGo是怎么开始的？
回到一开始，AlphaGo到底是怎么开始的？起点是有三组人马的聚集：Deepmind首席执行官Demis Hassabis与AlphaGo项目领导David Silver、我、还有两位谷歌大脑(Google brain)的同事Chris Maddison和Ilya Sutskever。
Demis和David原本是剑桥大学的同学，友情深厚。对西方人来说，当1997年IBM超级电脑“深蓝”赢了西洋棋棋王卡斯巴罗夫之后，就只剩下流传几千年的中国围棋，是人工智能发展的极大挑战。一开始，很多研究人员想把研究西洋棋的技术移到围棋上，但都失败了。在2006年蒙特卡洛树搜索出来后，研究才提升一阶，让机器棋手的水平能达到业余三段，但离职业棋士一段还有距离。Demis和David心中开始藏有一个梦，希望有一天要能做出一个很强的围棋程式。
但有梦的不只有他们，故事的另一条线还有我。
在就读台湾师范大学资讯工程博士班时，我每天埋头解bug、写代码，就是希望做一个很强的围棋程序。2010年，我研发出的围棋计算机程序Erica（事实上是用我妻子的名字来命名），在计算机奥林匹亚获得 19 路围棋的冠军。虽然Erica只是单机版，但它打败了用了6台PC的日本程序Zen跟其他参赛者，就像小虾米对抗大鲸鱼。当年还在英国当教授的David，在比赛后写信问我有没有兴趣加入Deepmind，隔年我也正式加入团队，成为第40号员工。
我还记得当年面试，老板问我，能做出Erica有什么感觉？我回答，满有成就的。Demis点头，他明白我的感觉。
2014年，Google收购Deepmind，AlphaGo项目也正式浮现。Demis起初还在教书、还不是全职员工，就常三不五时走过来跟我讨论围棋项目的想法。真的要开始时，我们其实都已经有些准备。
既然决定要做围棋项目，当时我和Demis有一个共识，就是绝对不要复制Erica。Erica其实有它的极限，最勉强的就是达到业余三段，继续复制的意义不大。我们想做不一样的事，希望能运用到深度学习的原理。过了几个月，团队又增加了两个人，包括深度学习之父以及带动深度学习革命的研究者。
我们怎么判断深度学习可能应用到围棋？如果人类可以一看棋盘就知道下哪一步会是好棋，那么神经网络也可能办得到这种”直觉”。但如果人类得想五分钟才能给出答案，神经网络可能办不到。一开始，我们训练AlphaGo从人类的棋谱去学习人类的直觉。我还记得第一次测试神经网络，没想到能表现得那么好，百分之百对战都不会输，是一种碾压式的胜利。
AlphaGo第二个突破的是价值网络。我记得当David跟我说他有这样一个点子时，我还质疑，这会成吗？当我们把策略网络(Policy Network)做出来后，最强的程式可以达到70%到80％的胜率，算得上是世界最强的。但老板的目标不只于此，我们又继续找人、继续扩充团队。
这过程其实很辛苦，尝试很多，譬如网络要多深、要用什么架构？数据库有没有问题？最终检验的，还是看AlphaGo有没有变强。过了一个月之后，我们找到了问题并且解决掉，我仍然记得，旧版AlphaGo配上价值网络产生的新版AlphaGo，第一次的实验结果是达到95%的胜率，棋力非常强。可以这么说，AlphaGo的成功就是深度学习与强化学习的胜利，因为两者结合在一起，建构判断形式的价值网络(Value Network)，后来也成为AlphaGo Zero的主要理论。
当价值网络出来后，Demis希望我们能与欧洲职业一段棋手进行比赛。当下，我除了要做价值网络，还要研究平行网络搜索技术，Demis走过来说要比赛，我只想着：真的那么有信心吗？
后来我们与欧洲围棋冠军樊麾进行比赛，最终以5比0获胜，这结果其实也很不可思议。我记得樊麾输了第二盘棋后，想出去走走，会说中文的我，原本想去陪他，他挥挥手，“不用，我自己出去透透气。”
难能可贵的是，樊麾是第一个被AI打败的职业棋士，但他的态度非常正面。樊麾在第五盘棋虽然认输了，但他对AI并没有感到害怕，后来甚至也加入了团队，帮忙测试AlphaGo。
当时要把AlphaGo研究投稿到科学期刊《自然》(Nature)也是另一段有趣的故事。我们那时刚弄出价值网络、刚打败樊麾，正准备要挑战韩国职业棋手李世石九段，Demis为什么又要我们另外花时间去写论文，而不是准备比赛？为什么现在就要我们把研究秘密全部公开？
以AlphaGo研究作为封面的《自然》期刊。（来源：Deepmind网站）
Demis给了我一个很有意思的答案。他认为，我们是在做研究，科学的精神就是要互相分享，我们要推动整个领域的进步。也因为要写论文投稿，和《自然》编辑也事先谈好，在出版之前，我们不能和任何人说AlphaGo打败了樊麾。那几个月，所有人都憋著不讲，当论文刊登之后，才正式向李世石九段提出挑战。
至于后来AlphaGo和李世石的比赛，大家也都知道了。
这边要特别提到的是，TPU（Tensor Processing Unit，谷歌的高性能处理器）在研究过程中对我们有极大的帮助。自从Deepmind加入Google后，我认为Google给我们最大的帮助，就是提供了硬件设备。我还记得当时有一个GPU（图形处理器）版本，代码完全一样，但改用TPU之后，胜率变得强太多。
而AlphaGo的故事也还没结束。
就在我们打败李世石后，很多人认为AlphaGo项目是不是不动了。如果大家还记得，和李世石下棋时，第四盘棋我们输得很惨。当时我坐在李世石对面，要帮AlphaGo下那几步棋，明显知道那些下法是初学者的错误，要摆棋很痛苦，甚至会觉得我来下都比AlphaGo来得好。虽然我们最终赢了，但这一盘棋确实有很大的弱点，如果五盘棋内，有20％的错误率，这样的AI系统，你敢用吗？所以我们决定，一定要把这个弱点解决掉，不只是解决第四盘的问题，是要把AlphaGo项目全面解决。
后来过了三个月，我们就把弱点解掉了。怎么做到的？还是采用深度学习和强化学习的方法，并不是用人类知识的方法。第一，我们加强AlphaGo的学习能力，所谓学习能力就是把网络程度加深，从第一篇论文的13层加深到40层，而且是改成ResNet。第二个改变是，把策略网络和神经网络结合，让AlphaGo的直觉和判断一起训练，使两者更有一致性。这个解决后的版本，就是Master。
我那段时间一直说服团队，要带Master上线下棋测试棋力，不要等到Master完全无敌后才下棋。2016年年底，我回到台湾，当时特别低调，在线上中文围棋网站奕城和野狐申请了帐号，偷偷当职业棋士下棋。12月29号开始，我关在自己的房间里测试Master，一盘棋下一小时，一早下三盘棋，然后吃饭，下午继续，晚上吃完饭再继续，非常累，到晚上眼睛都张不开。
我还记得一开始在奕城下棋，没人要跟经验值为零的我对弈，直到第二天邀约才陆续上门，到了第三天，还愈来愈多人观看。那时压力很大，很怕自己点击错误或是网络连线断掉，AlphaGo不能因为我而输掉阿。
我到现在还是很感谢那些曾经和Master对弈的棋手。原本想低调比赛，但后来没办法，确实是每一盘都赢、每一盘赢的都是巨大的优势。这当中，柯洁算是唯一一位可以跟AlphaGo比赛坚持最久的。
AlphaGo Zero只用三天走过人类的千年历程
在Master之后，我们研究分出两条线，一条是让Master出去比赛，由我来测试，另一条线，则是把所有人类知识拿掉，从零开始学习，看AlphaGo Zero可以达到什么程度。
我们在初期预设AlphaGo Zero绝对不可能赢Master。围棋被研究了几千年，一个程序只知道棋盘和规则，一切从零开始，怎么可能会超越几千年的围棋历史？但我们错了，40天的训练后，AlphaGo Zero超越了Master，我们非常意外，深度学习和强化学习的威力太大了。
AlphaGo Zero是从乱下开始，找出围棋的下法，它只用了三天，走过了人类研究围棋的千年历程。这也是有趣的地方，人类几千年的累积，跟科学研究是一致的。
AlphaGo Zero前后训练了 40 天，但第 40 天还没有到达其极限，因为我们机器要做其他事情就先停下了。今年四月，我们也发表了AlphaGo Zero的论文，这篇论文的目的，没有想要跟人类知识比较、或是讨论人类知识有没有用等问题，而是想证明机器不需要人类知识也可以拥有很强的能力。
我认为，未来的人工智能，是要与人类合作，而非跟人类对抗。强人工智能距离我们仍是遥远，而现在最强的学习技能，其实仍在我们的脑袋里。
（作者邮箱：silva.shih@ftchinese.com）