本篇文章7263字，读完约18分钟
目前，我们的科学技术还处于弱人工智能阶段，强人工智能的目的只存在于科幻电影中。
本文由投资者(微信号:touzirenshuo)发布。
1.人工智能的时代即将到来
每当一件事情发生，随之而来的是许多观点和猜测，其中最流行的往往是最大胆的；那么每一个额外的论点都会使我们更加确信这一观点。就像阿尔法围棋打败李世石之后，人工智能在公众舆论中强势复苏，而李彦宏在世界互联网大会上的言论再次增强了人们对它的关注。
不仅是百度，马也在2015年6月的演讲中说:人工智能是我最想做的。马云还在2015年5月的内部信中写道:云计算、大数据、人工智能和其他技术将在未来30年实现无数梦想。
目前，互联网巨头纷纷进入市场。亚马逊的alexa、苹果的siri和微软的cortana被广泛用作人工智能的第一块垫脚石；搜索、翻译、地图、无人驾驶汽车，深度学习的阴影无处不在，而人工智能正在重建人类生活。
同时，随着互联网的快速发展和底层技术的不断进步，人工智能所需的“能量”也在不断提高。
1)数据量:自2000年以来，互联网和移动互联网的快速发展使数据积累成为可能。据idc预测，2020年全球大数据总量将达到40zb，其中70%将以图片和视频的形式存储，这为人工智能的发展提供了丰富的土壤。
2)深度学习算法:多伦多大学教授杰弗里·辛顿(geoffrey hinton)致力于神经网络和深度学习的研究，在行业内知名的图像识别大赛imagenet中使用了深度学习算法，一举将识别错误率降低了10%，甚至超过了谷歌，以深度学习而闻名。2015年，微软亚洲研究院的视觉计算组赢得了竞争，将系统错误率降低到3.57%，超过了人类的眼睛。
3)高性能计算:gpu响应速度快，能量需求低，能够并行处理大量琐碎信息，高速分析海量数据，有效满足人工智能发展需求。
4)基础设施成本:云计算的普及和gpu的广泛使用，在一定程度上大大提高了计算效率，降低了运营成本。根据idc的报告，数据基础设施的成本正在迅速下降，从2010年的每台9美元降至2015年的0.2美元。
与此同时，巨头和初创公司也投入了资源和成本来探索商业化。然而，这项技术本身仍然有足够的增长空，这仍然处于早期阶段。
2.人工智能带来的机遇
我们可以看出，目前企业在人工智能领域主要集中在以下三个层面:
基础层:注重人工智能支撑硬件或数据平台的基础；
技术层:包括与机器识别和深度学习相关的算法和技术设计；
应用层:包括一般应用和行业垂直应用。
*图片来源:易观国际智库
极客邦风险投资(Geekbang Venture Capital)的创始合伙人江涛表示，大公司赢得了所有三个层面，而小公司只能依靠单点突破，突破传统行业的优势。
大公司(市值超过100亿)的主战场是争夺未来人工智能的制高点，分为两个方向。第一个方向是争夺未来人工智能的入口，包括家庭入口、汽车入口等。这些未来的入口扮演着重要的互动角色，比如谷歌的语音互动和百度的大脑。
第二个方向是生态系统的竞争，入口容易切换，因此有必要通过生态学、开源技术、推荐算法来增加切换成本，当然还要依靠物联网的延伸和发展。对于京东和当当这样的大公司来说，他们最大的竞争力在于物流和海量数据，所以他们可以从技术上购买，但他们并不着急。
小公司主战场在垂直领域的应用通过人工智能的浪潮改善了尚未完成动员的行业。例如，在金融业，其市场规模和空在人工智能时代应该比在移动时代大；例如，在中国，企业级服务现在处于非常落后的状态。江涛说:相对容易的事情已经做了，剩下的都是硬骨头，但我相信会有大公司出来。当然，有数据的公司会更容易出来。
事实上，目前人工智能的应用和登陆方法极其有限。几乎所有人工智能的最新发展都是通过一种类型完成的:输入数据(a)迅速产生简单的反应(b)，例如:
如此简单的输入A和输出B将改变许多行业，而由a b构建的技术被称为监督学习。a b系统发展迅速，其中深度学习受到大脑工作原理的极大启发。然而，b系统与科幻电影中的有情感的机器人相去甚远，而且人类的智力远远优于b系统。
那么a b能用这个系统做什么呢？至于它的颠覆性影响，这里有一个规则:如果人类用不到一秒钟的思考时间完成一项任务，那么也许我们可以在不久的将来使用人工智能来自动化这项任务。
*百度首席科学家吴恩达是世界上人工智能和机器学习领域最权威的学者之一。
百度首席科学家吴恩达表示，人们在人工智能的应用方面做了大量有价值的研究:检测监控视频中的可疑行为，汽车即将撞到行人时自动刹车，自动删除互联网上的色情内容，所有这些都可以在一秒钟内完成。当然，这些技术更适合与大型工业企业集成。
互联网已经意识到基础设施可以运行，数据可以连接。人工智能实际上在另一个方面提高了我们的整体应用效率。它试图解决生产材料和劳动力的问题。人工智能是提升工业智能的有力工具，工业智能正在改变包括通信、医疗和教育在内的所有领域。
通信领域
通信网络一般有两大任务，一是网络控制，二是网络管理和维护。网络控制就是如何在通信网络中有效地调度资源，从而提高网络的使用效率，更好地为用户服务。网络管理和维护是为了准确了解网络需求，优化网络设计和部署；并能实时感知网络状况，及时排除故障。然而，人工智能将使未来的通信网络越来越没有必要，整个网络的控制基本上是全自动的，只需要少数专家参与整个通信网络。
医学领域
在介绍百度人工智能在医学领域的应用时，李彦宏提到了四个层面，即o2o服务、智能咨询、基因分析和精密医学、新药研发。
第一个层次:百度医生目前有50万名医生参与会诊，共有800万人通过百度医生平台获得相关医疗服务。
第二个层次:在智能会诊的小测试中，百度医生的诊断与北京大学国际医院的诊断在80%的情况下是一致的，在一些罕见的情况下可能表现得更好。当然，这些技术不仅通过机器学习了大量的医学知识，还需要提高患者表达的理解能力。
第三个层次:用基因治疗疾病，最大的问题是已知基因引起的疾病大多是由单个基因引起的，而这些疾病大多是罕见疾病，最常见的疾病是由多个基因引起的。通过大量的计算，人工智能可以帮助医生找出是哪些基因导致了疾病。
第四个层次:今天已知的可能形成药物的小分子化合物大约是10到33次方，这可能比宇宙中所有原子的总和还要多。这样一个量，如何利用它的分子式与产生疾病的蛋白质结合，并利用它来治疗疾病呢？如何筛选大量未知的分子式以找到有效的新药？计算机科学和人工智能可以在这方面有所帮助。
教育
事实上，教育行业是一个试错成本非常高的行业，没有人会拿他们孩子的成就做实验。医疗行业也是如此。诚然，人工智能可以为图像识别和诊断分析提供建议，但一旦出现医疗纠纷或延误患者病情，谁来承担责任？
另一方面，这两个行业的决策链很长。它涉及许多利益相关者，包括学校、教师、教育行业的家长和学生，以及医疗行业的医院、医生和病人。与此同时，这两个行业受到国家相对高度的监管。
德联资本的合伙人贾静表示，不管教育和医疗方面有多少困难，德联资本仍然非常关注。因为为教育和健康付费的用户有很强的支付意愿和能力。这条路虽然曲折，但前途光明。
事实上，教育行业领先于医疗行业。目前，许多人工智能技术已经应用于教育行业。例如，人工智能深入参与教学、学习、培训、测试和评估，以加快个性化教学的进程。但它需要积累大量真实有效的数据，在整个教育环节中谁能积累足够的数据，谁就有可能获得成功。
另一方面，教育行业一直在努力解决的问题是如何在供给方面实现规模经济，以及如何培训和管理教师。然后，当人工智能涉及到教育行业时，以前由教师解决的70%-80%的问题可以通过人工智能来解决。这改革了生产成本，从根本上解决了生产资料和劳动力的分配问题，而不是使交易成本最小化。因此，人工智能给行业带来了比移动互联网更大的变化。
应用程序
一些几年前问世的人工智能公司拥有相对成熟的技术开发。例如，iFlytek，当年刚推出的产品并不顺利，但现在它们做得很好。因此，在技术差别不大的情况下，很难在技术上有所突破，所以有必要找到一个可以刺激用户极端体验的点，看看用户的体验是否超出了用户对产品的期望。
例如，亚马逊echo的一系列产品在被带到中国后，通过制作语音指令，变成了纯音频。用户认为这类似于漫步者，它不能产生“哇”的感觉。没有这些感觉，就没有办法将它们转化为购买。一旦分类错了，人们就不会考虑花更多的钱购买类似的产品。
华创资本的合伙人熊伟明表示，c的突破将是无人驾驶汽车，但这将涉及监管问题。政府是否允许无人驾驶车辆在高速公路上行驶，事故是机器还是人的责任，人们会有一些常识性的担忧。本能地，人类对同类的东西比对我们不了解的东西更有信心。例如，在医学领域，尽管医生短缺，机器将不被允许治疗人。没有数据证明机器的误诊率不同于医生的误诊率，这也阻碍了机器的进一步发展和商业化。
* 1896年1月20日，沃尔特路的一位名叫阿诺德的英国人因超速被罚款，成为世界上第一位因超速被罚款的汽车司机。当时，他的车速只有13公里/小时。直到1896年《红旗法》被废除，英国汽车的发展几乎停滞不前，在英国汽车发展史上留下了令人悲伤的一页。
这个差距不是不可能弥合的，而是需要很长一段时间。正如汽车确实比马车更先进一样，它们也经历了英国议会1865年颁布的反对蒸汽汽车的“红旗法案”这一看似荒谬的阶段，无人驾驶汽车将来可能也要走同样的道路。在这些因素中，除信心外，机构监管占60%。例如，无人驾驶车辆现在不允许在高速公路上行驶。不管这种无人驾驶飞行器做过多少实验，比如在医疗领域，仍然有大量的法律法规规定数据不能离开医院。
如果像无人驾驶汽车这样的困难事情都实现了，那就可能包括看病，或者政府的行政事务会逐步放开。企业家需要找到管理环节中最薄弱的环节，然后切入一些管理壁垒较高的市场。
熊维明是最先关注移动互联网领域的投资者之一。他说:无人驾驶汽车的发展已经引人注目，这可能只是一个小的开始，但它可能已经在中期超过了移动互联网的小高峰。虽然人工智能的浪潮可能不会像移动互联网那样猛烈爆发，但它会比移动互联网持续更长时间，并且最终会增长并获得巨大收益。
在这里，他也给企业家一些建议。无论企业家进入b还是c，他们都应该选择市场和进入点，因为在机器学习中，它解决了提高内部效率的问题。你会过上更好的生活，但这不会改变你所在行业或领域的市场规模。过去需要100人的现在只需要10个人，但是如果一个公司可以解决1000人的问题，那么你只能用人工智能技术解决1000人的问题，但是你可以赚10元，但是现在你可以赚100元。
3.人工智能面临的五大考验
在这次讨论中，我们也得出以下结论:虽然人工智能处于寒武纪大爆发阶段，但它很可能再次面临寒潮。具体来说，人工智能可能面临这五大考验:
第一个测试:理论上的差距很难弥合。
目前，人工智能的学习理论仍是在20世纪80年代提出的。人们在本质上并不了解人类的学习原理，从监督学习到非监督学习的方法仍在探索之中。如果把人工智能比作制造火箭，那么计算能力和数据就是燃料，理论就是引擎。如果你有很多燃料，但只有一个小功率发动机，你的火箭可能不会飞离地面。如果你有一个强大的引擎，但只有一点燃料，你的火箭即使飞向天空也无法进入轨道。
目前，大多数人工智能技术依赖于形态匹配。在监督学习下，输入训练数据，每组训练数据都有一个清晰的标记或结果。人们将预测结果与“训练数据”的实际结果进行比较，并不断调整预测模型，直到模型的预测结果达到预期的精度。
在无监督学习中，计算机像人类一样在没有人类帮助的情况下自己学习知识。计算机不会被告知该做什么，而是使用某种激励系统来训练机器人培养正确的分类。无监督学习是机器人工智能发展的关键技术之一。目前，它正朝着良性趋势发展，但还没有达到我们所希望的阶段。微软亚洲研究院院长芮勇说。
第二个测试:知识表达的问题。
许多输入数据实际上是由人脑抽象出来的，但是人们看不见它们，就像你可以看到地上的每一根竹子都是独立的，但是它的地下茎干是紧密相关的。它需要大量的知识来完成形式知识结构的构建，但是机器中的人脑中没有背景知识，所以数据中包含的信息是不完整的，进而无法计算出正确的结果。
如果这一信息得到补充，就有可能用机器来处理。但与此同时，我们应该看到，这些信息很难编造。一方面，在许多人的大脑中很难将知识形式化；另一方面，很难衡量弥补什么和弥补多少才能达到特定的效果。此外，人脑输出的信息带宽太小，因此很难由一个人来补充机器中没有的知识，并且存在一个问题，即当许多人合作时，知识是不相容的。因此，知识太多，知识难以形式化，人脑输出太慢，成为知识表达的三大障碍。
海韵数据首席数据科学家赵丹表示，目前，大公司基本上通过知识地图解决知识表达的问题，但这不是根本的解决方案。虽然知识地图可以解决一些小的特定领域的数据稀疏问题，但是地图本身存在稀疏问题，并且依赖于人工构建，因此其规模是有限的。迁移学习也可以起到一定的作用，但是目前这些解决方案还没有整合形成一个完整的智能系统理论框架。
同时，赵丹也认为，深度学习的研究在一定程度上已经达到了瓶颈阶段，现在是时候将深度学习的现有成果转化为产品了，比如前一段时间deepmind发布的唇语识别结果，然后借鉴alphago的游戏策略。很难形成我们熟悉的产品，比如人脸识别。尽管许多初创公司已经做了好几年，但他们仍然没有生产出成熟的产品。工程学中的坑不比研究中的少，如果你不能跨越它们，就没有办法制造产品。
科学理论的许多进步都是偶然的，不可能说下一次会是什么时候。事实上，在深度学习的成就过渡期和深度学习的下一个进步期之间可能还会有一个寒潮。
第三个考验:人才问题。
图像识别的成就就像一把发令枪，开始了人才的竞争。有人曾经说过:这一领域的人才大战相当血腥，一流的人才就像nfl的足球运动员。
谷歌在2011年启动了专注于深度学习的谷歌大脑项目。2013年3月，神经网络的先驱杰弗里·辛顿加入了谷歌。现在有1000多个深度学习项目。
*yann lecun，facebook人工智能研究部门负责人。
Facebook在2013年12月聘请了法国神经网络创新者yann lecun作为其新人工智能实验室的领导者。平均而言，神经网络每天被用来翻译来自40多个语言国家的20亿用户的帖子，这些翻译的内容每天被8000万用户阅读。
2014年4月，百度聘请谷歌大脑项目前负责人吴恩达作为其人工智能实验室的负责人，专注于语音识别等关键领域。
然而，江涛指出，人工智能领域的理论现在掌握在顶尖教授手中，但应用数据掌握在公司手中。顶尖教授通常都有与同行交流和发表研究成果的吸引力，但公司的研发要求核心商业秘密不应被披露，甚至科学家也应被隐藏在雪中。例如，我们仍然不知道谁是苹果公司人工智能的领导者。存在自然冲突，这可能成为制约人工智能发展的瓶颈。
第四个测试:资本化。
因为人工智能是大公司的天下，被收购是许多初创公司的命运。目前，谷歌、ibm、雅虎、英特尔、苹果、salesforce、百度、阿里等互联网技术巨头在中国都有激烈的布局势头，这引发了全球人工智能投资和收购的热潮。
根据风险投资数据公司cb insights的统计数据，自2011年以来，近一半(140家)人工智能初创企业被收购，其中包括2016年的40家。主要买家是谷歌、推特、ibm、雅虎、英特尔和苹果，其中谷歌以11项收购排名第一。
*图片来源:cb洞察
然而，一些大公司在收购人工智能初创企业时面临许多问题。专注于大数据人工智能领域投资和并购的前海吴彤M&A基金总经理马表达了自己的观点:
首先，相比之下，目前国内人工智能企业的估值偏高。只有2-3名员工的早期初创公司有时出价1亿至2亿元人民币，而更成熟公司的估值甚至高于上市公司。这种高估值企业有时会让工业投资者难以接受。因此，一些上市公司和工业基金已经出海，开拓了硅谷和以色列等海外市场。
然而，上市公司或产业基金需要考虑登陆海外市场，因此沟通、管理和人员适应本地化的成本将会增加。因此，如何降低成本成为海外市场布局中的一个主要问题。
其次，在投资初创企业时，上市公司往往要求他们的业绩，这使得他们在投资并购时倾向于选择更成熟的人工智能公司。然而，国内初创企业在人工智能领域的整体效果还没有达到上市公司的预期，许多初创企业的成熟度还不够高，无法与上市公司的业务发展相匹配。
因此，目前大多数上市公司都采用体外投资和孵化的方式，待孵化的公司成熟到一定程度后，再将孵化的公司装入上市公司。
此外，一些上市公司本身也存在追逐热点的问题，但它们在没有大数据和人工智能产业部署基因的情况下，正在积极部署。这使得被投资或被收购的公司无法与上市公司的业务、管理能力和战略发展方向相匹配，反而导致初创企业未来发展的局限性。
第五个测试:安全性。
这里的安全性不是某个人工智能产品是否有风险，而是综合考虑何时会出现强大的人工智能。
其中，更极端的观点来自未来学家雷·库兹韦尔，他提出了摩尔定律的扩展定理，认为许多技术都在指数增长；后来，奇点理论发表了，该理论预测该技术将在突破一个称为奇点的临界点后实现爆炸式增长，拥有自己思维的人工智能将在2045年左右出现。
当然，在大多数行业专家看来，这是一个错误的提议。吴恩达说“人工智能毁灭人类的理论”是炒作。目前，我们的技术还处于弱人工智能阶段，强人工智能只存在于科幻电影中。
至于人工智能的安全性，扎克伯格的观点代表了中国风险投资界的大部分观点:我们过于担心人工智能，这会阻碍人工智能的实际发展。现在担心人工智能的安全性就像担心200年前如果一架飞机坠毁会发生什么一样。我们必须先造飞机，然后我们必须担心飞机的安全。
