人工智慧現在的發展前景如何？

12-29

據傳說，一門新技術的產生與成熟，會經歷下面一條叫做「Gartner曲線」的過山車式發展軌跡，如下圖所示。不過，人工智慧的發展軌跡，卻比這個要銷魂地多，到目前可以說是三起三落，當然，這個第三落還沒有到來，也未必一定會到來。

我進入這個行業已經有十多年了：博士期間，我做的是語音是別的研究，畢業開始又到MSRA接著干這個。雖然我們的兩任院長——李開復老師和洪小文老師都是語音研究出身，卻絲毫不能改變當年這一項目在全院最雞肋的地位。因為在當年，各種各樣的人工智慧應用能真刀真槍上陣的並不多。更別提要是向互聯網界提起自己是做「人工智慧」的，那簡直就像在兩會會場上上偷看了毛片那樣無地自容。實際上，那個時期，正是人工智慧發展的第二落。

以史為鑒，可以知興衰。為了探討人工智慧的發展前景，我們簡單回顧一下人工智慧前面發展的三起兩落。

一、六十多年前的達特茅斯會議，提出了「Artifitial Intelligence」的課題，目的是讓逐漸成熟的計算機能夠代替人類解決一些感知、認知乃至決策的問題。這樣一個課題是如此令人神往，也迅速吸引了大量學者的眼球，相關的研究也如火如荼地開展了起來。是為第一起。

二、初，學者們解決人工智慧問題的思路，是以人為師，通過專家編製規則的方法，教機器下棋、認字乃至語音識別。在今天看來，這樣的方法是完全南轅北轍的——人類的視聽器官雖然很發達，卻並沒有能力總結提煉其中的規律。於是，人工智慧的美好憧憬中迎來了殘酷的現實，學者們發現解決問題是如此遙遠，圍觀群眾也一度認為人工智慧的學者都是騙子。是為第一落。

三、既然靠人指導不行，那就要祭出「實事求是」的法寶，從數據里統計規律。在這樣數據+統計的方法論下，諸如人臉識別、手寫識別等一些較為簡單的問題取得了重大進展，而在當時最困難的問題——大詞表連續語音識別上，統計方法也是史無前例地造就了實驗室中「基本可用」的系統。到此時，我們感覺找到了解決人工智慧問題的基本思路。是為第二起。

四、數據+統計模型的方法盛行以後，也很快遇到了瓶頸：數據量的提升並不總能帶來識別率的提高。當然，我們很早就知道「深度模型」比「淺層模型」學習數據的能力強，無奈這種模型的計算代價極高，只能望洋興嘆。拿語音識別為例，在「基本可用」到「實用」之間的鴻溝，十幾年都沒有跨過去，於是大家又轉向悲觀，覺得人工智慧還只是個夢。是為第二落。

五、第二落以來，繼續堅持在「深度神經網路」這條戰線上的學者很少，因為做這個是拿不到funding的。其中有一位老前輩Jeffrey Hinton，和他的學生Alex一起，發現用GPU算神經網路，能大幅提高速度，於是這種模型居然可能實用了。一旦實用，深度模型可以瘋狂吸收數據的優勢就發揮出來了，於是在語音識別、圖像識別等領域帶來了飛躍式的進展。是為第三起。

當然，工業界的看到的這第三起，比我們上面輕描淡寫提到的內容要波瀾壯闊得多。不過，不要太在意，因為各路大佬不論過去是做黑產、賣假貨還搞劫持的，都搖身一變成了人工智慧的忠實擁躉和業界先驅——雖然他們的數學也就是初中肄業水平。去年，當我聽到某此類上市公司老闆歇斯底里地在財報中喊出要投入數千萬美元搞人工智慧時，不由心生感慨：修腳的可以掛妙手回春的錦旗，但千萬別說自己是做精準醫療的！

雖然人工智慧的第三起確實有了質的發展，但考慮到這些沉渣泛起的為人工智慧從業者，我覺得第三落還是會來到，只不過並非對行業本身的懷疑，而是自我凈化罷了。

而人工智慧的行業發展趨勢，由於大規模數據+大規模算力的基本方法論已經成熟，今後的發展路徑是十分清楚的：在那些數據儲備充分、商業價值清晰的場景，人工智慧會迅猛發展，投身於這樣的行業中期發展會非常好；而醫療、教育這類領域，由於電子化數據的整理與積累尚需時日，可以需要一個較為漫長的發展過程。

至於人工智慧非常核心的問題，也就是關於「認知」的問題，我認為到目前為止還沒有任何方法論上的突破，也更談不上解決，不過扯到這個話題就太大了，我們找其他機會再聊。

--------

對「認知」有興趣的，可以戳這裡看看科大訊飛總裁@胡郁的解讀：https://www.zhihu.com/lives/916267872475582464

隨著深度學習技術的成熟，AI人工智慧正在逐步從尖端技術慢慢變得普及。AlphaGo和人類的對弈，並不是我們以往所理解的電子遊戲，電子遊戲的水平永遠不會提升，而AlphaGo則具備了人工智慧最關鍵的「深度學習」功能。AlphaGo中有兩個深度神經網路，Value Networks（價值網路）和 Policy Networks（策略網路）。其中Value Networks評估棋盤選點位置，Policy Networks選擇落子。這些神經網路模型通過一種新的方法訓練，結合人類專家比賽中學到的棋譜，以及在自己和自己下棋（Self-Play）中進行強化學習。也就是說，人工智慧的存在，能夠讓AlphaGo的圍棋水平在學習中不斷上升。

人工智慧的技術應用主要是在以下幾個方面：

自然語言處理（包括語音和語義識別、自動翻譯）、計算機視覺（圖像識別）、知識表示、自動推理（包括規劃和決策）、機器學習和機器人學。按照技術類別來分，可以分成感知輸入和學習與訓練兩種。計算機通過語音識別、圖像識別、讀取知識庫、人機交互、物理感測等方式，獲得音視頻的感知輸入，然後從大數據中進行學習，得到一個有決策和創造能力的大腦。

從上世紀八九十年代的PC時代，進入到互聯網時代後，給我們帶來的是信息的爆炸和信息載體的去中心化。而網路信息獲取渠道從PC轉移到移動端後，萬物互聯成為趨勢，但技術的限制導致移動互聯網難以催生出更多的新應用和商業模式。而如今，人工智慧已經成為這個時代最激動人心、最值得期待的技術，將成為未來10年乃至更長時間內IT產業發展的焦點。

人工智慧概念其實在上世紀80年代就已經炒得火熱，但是軟硬體兩方面的技術局限使其沉迷了很長一段時間。而現在，大規模並行計算、大數據、深度學習演算法和人腦晶元這四大催化劑的發展，以及計算成本的降低，使得人工智慧技術突飛猛進。

一、驅動人工智慧發展的先決條件

物聯網——物聯網提供了計算機感知和控制物理世界的介面和手段，它們負責採集數據、記憶、分析、傳送數據、交互、控制等等。攝像頭和相機記錄了關於世界的大量的圖像和視頻，麥克風記錄語音和聲音，各種感測器將它們感受到的世界數字化等等。這些感測器，就如同人類的五官，是智能系統的數據輸入，感知世界的方式。而大量智能設備的出現則進一步加速了感測器領域的繁榮，這些延伸向真實世界各個領域的觸角是機器感知世界的基礎，而感知則是智能實現的前提之一。

大規模並行計算——人腦中有數百至上千億個神經元，每個神經元都通過成千上萬個突觸與其他神經元相連，形成了非常複雜和龐大的神經網路，以分布和並發的方式傳遞信號。這種超大規模的並行計算結構使得人腦遠超計算機，成為世界上最強大的信息處理系統。近年來，基於GPU（圖形處理器）的大規模並行計算異軍突起，擁有遠超CPU的並行計算能力。

從處理器的計算方式來看，CPU計算使用基於x86指令集的串列架構，適合儘可能快的完成一個計算任務。而GPU從誕生之初是為了處理3D圖像中的上百萬個像素圖像，擁有更多的內核去處理更多的計算任務。因此GPU天然具備了執行大規模並行計算的能力。雲計算的出現、GPU的大規模應用使得集中化的數據計算處理能力變得前所未有的強大。

大數據——根據統計，2015年全球產生的數據總量達到了十年前的20多倍，海量的數據為人工智慧的學習和發展提供了非常好的基礎。機器學習是人工智慧的基礎，而數據和以往的經驗，就是人工智慧學習的書本，以此優化計算機的處理性能。

深度學習演算法——最後，這是人工智慧進步最重要的條件，也是當前人工智慧最先進、應用最廣泛的核心技術，深度神經網路（深度學習演算法）。2006年，Geoffrey Hinton教授發表的論文《A fast learning algorithm for deep belief nets》。他在此文中提出的深層神經網路逐層訓練的高效演算法，讓當時計算條件下的神經網路模型訓練成為了可能，同時通過深度神經網路模型得到的優異的實驗結果讓人們開始重新關注人工智慧。之後，深度神經網路模型成為了人工智慧領域的重要前沿陣地，深度學習演算法模型也經歷了一個快速迭代的周期，Deep Belief Network、Sparse Coding、Recursive Neural Network, Convolutional Neural Network等各種新的演算法模型被不斷提出，而其中卷積神經網路（Convolutional Neural Network，CNN）更是成為圖像識別最炙手可熱的演算法模型。

二、IT巨頭在人工智慧上的投入

技術的進步使得人工智慧的發展在近幾年顯著加速，IT巨頭在人工智慧上的投入明顯增大，一方面網羅頂尖人工智慧的人才，另一方面加大投資力度頻頻併購，昭示著人工智慧的春天已經到來。

科技企業巨頭近幾年在人工智慧領域密集布局，巨頭們通過巨額的研發投入、組織架構的調整、持續的併購和大量的開源項目，正在打造各自的人工智慧生態圈。在未來，人工智慧將不再是尖端技術，而會成為隨處可見的基礎設施。對於人工智慧初創企業而言，既要尋找與巨頭的合作契合點，又要避開正面衝突。

IBM

IBM Watson由90台IBM伺服器、360個計算機晶元組成，是一個有10台普通冰箱那麼大的計算機系統。它擁有15TB內存、2880個處理器、每秒可進行80萬億次運算。現在已經逐步進化到四個批薩盒大小，性能也提升了240%。Watson存儲了大量圖書、新聞和電影劇本資料、辭海、文選和《世界圖書百科全書》等數百萬份資料。Watson是基於IBM「DeepQA」（深度開放域問答系統工程）技術開發的。DeepQA技術可以讀取數百萬頁文本數據，利用深度自然語言處理技術產生候選答案，根據諸多不同尺度評估那些問題。IBM研發團隊為Watson開發的100多套演算法可以在3秒內解析問題，檢索數百萬條信息然後再篩選還原成「答案」輸出成人類語言。

產業布局：IBM公司自2006年開始研發Watson，並在2011年2月的《危險地帶》(Jeopardy!)智力搶答遊戲中一戰成名。一開始IBM想把Watson打造為超級Siri，主要還是賣硬體。但是後來轉型為認知商業計算平台，2011年8月開始應用於醫療領域。例如在腫瘤治療方面，Watson已收錄了腫瘤學研究領域的42種醫學期刊、臨床試驗的60多萬條醫療證據和200萬頁文本資料。Watson能夠在幾秒之內篩選數十年癌症治療歷史中的150萬份患者記錄，包括病歷和患者治療結果，並為醫生提供可供選擇的循證治療方案。目前癌症治療領域排名前三的醫院都在運行Watson，並在今年8月正式進入中國。

2012年3月，Watson則首次應用於金融領域，花旗集團成為了首位金融客戶。Watson幫助花旗分析用戶的需求，處理金融、經濟和用戶數據以及實現數字銀行的個性化，並幫助金融機構找出行業專家可能忽略的風險、收益以及客戶需求。

硬體：人腦模擬晶元SyNAPSE

SyNAPSE（Systems of Neuromorphic Adaptive Plastic Scalable Electronics，即「自適應塑料可伸縮電子神經形態系統」）晶元，含有100萬個可編程神經元、2.56億個可編程突觸，每消耗一焦耳的能量，可進行460億突觸運算。在進行生物實時運算時，這款晶元的功耗低至70毫瓦(mW)，比現代微處理器功耗低數個數量級。

Google

谷歌在一系列人工智慧相關的收購中獲益。2013年3月，谷歌以重金收購DNNresearch的方式請到了深度學習技術的發明者Geoffrey Hinton教授。2014年年初，谷歌以4億美元的架構收購了深度學習演算法公司——DeepMind，也就是推出AlphaGo項目的公司。該公司創始人哈薩比斯是一位橫跨遊戲開發、神經科學和人工智慧等多領域的天才人物。

雲平台：TensorFlow資料庫，機器學習的核心是讓機器讀懂數據並基於數據做出決策。當數據規模龐大而又非常複雜時，機器學習可以讓機器變得更聰明。TensorFlow在數據輸入和輸出方面都有驚人的精度和速度，它被確切地定義為人工智慧工具。

產業布局：谷歌無人駕駛汽車、基於Android智能手機的各種app應用與插件、智能家居（以收購的NEST為基礎）、VR生態、圖像識別（以收購的Jetpac為基礎）。

Facebook

2013年12月，Facebook成立了人工智慧實驗室，聘請了卷積神經網路最負盛名的研究者、紐約大學終身教授Yann LeCun為負責人。Yann LeCun是紐約大學終身教授，是卷積神經網路領域的重要推動者，而該技術的最主要應用就是圖像識別的自然語言處理，這與Facebook的需求和已經積累的數據類型非常匹配。在Yann LeCun的幫助下，2014年Facebook的DeepFace技術在同行評審報告中被高度肯定，其臉部識別率的準確度達到97%。而他領導的Facebook人工實驗室研發的演算法已經可以分析用戶在Facebook的全部行為，從而為用戶挑選出其感興趣的內容。

AI技術：視覺DeepFace技術（收購http://face.com）、語音識別（收購Mobile technologies）、自然語義（收購Wit.AI）、神經網路訓練+機器學習

雲平台：開發者平台Parse、Torch開源深度學習模塊

硬體： Big Sur（基於GPU的用於訓練神經網路的硬體系統，開源）

產業布局：語音助手Moneypenny、VR生態（收購Oculus Rift、Sourroud360全景攝像機促進內容發展）

百度

2014年5月，被稱為「谷歌大腦之父」的AndrewNG(吳恩達)加盟百度，擔任首席科學家，負責百度「百度大腦」計劃。大數據是人工智慧的基礎，而作為天然的大數據企業，百度擁有強大的數據獲取能力和數據挖掘能力。2014年7月14日，百度憑藉自身的大數據技術14場世界盃比賽的結果預測中取得全中的成績，擊敗了微軟和高盛。2014年9月，百度正式發布整合了大數據、百度地圖LBS的智慧商業平台，旨在更好在移動互聯網時代為各行業提供大數據解決方案。

AI技術：語音識別Deep Speech、視覺識別「智能讀圖」、自然語言與智能語義、自動駕駛、深度學習

解決方案：基於智能手機的語音服務系統（度秘）

開發者雲平台：百度雲

產業布局：汽車領域無人駕駛、基於智能手機的各種app應用與插件。

Microsoft

AI技術：語音、視覺、自然語言、分散式機器學習

雲平台：Microsoft Azure（存儲、計算、資料庫、live、媒體功能）、分散式機器學習工具包DMTK（自然語言處理，推薦引擎，模式識別，計算機視覺以及預測建模等）、人工智慧平台Project Malmo

產業布局：語言助手（微軟小冰、Cortana小娜、Tay）、VR（Hololens全息眼鏡）

Apple

AI技術：自然語言（收購Vocal IQ）、收購可視化地圖MapsenseGPS公司 Coherent Navigation

產業布局：汽車領域無人駕駛、SIRI語音助手

Amazon

雲平台：Amazon Web Services（存儲、計算、模式識別和預測，其中視頻識別API 收購Orbeus）

阿里

雲平台（阿里雲IaaS，可視化人工智慧平台DTPAI）

產業布局：智能傢具、物聯網

騰訊

AI技術：視覺、智能計算與搜索實驗室

產業布局：智能硬體

三、人工智慧的生態

科技巨頭圍繞人工智慧產業，開展了大量的收購；標的包括人工智慧初創企業（演算法）、大數據公司（演算法或數據）和晶元研發公司（計算能力）。截至至2016年7月底，谷歌在其中的收購次數最多達到了13次。巨頭們在人工智慧領域的併購呈現兩個特點：一是連續多次買入，二是標的規模較小。

從2013年開始，科技巨頭大多加大了對人工智慧的自主研發，同時通過不斷開源，試圖建立自己的人工智慧生態系統，開源力度不斷增加。比如Google 開源TensorFlow 後，Facebook、百度和微軟等都加快了開源腳步。最早走向人工智慧工具開源的是社交巨頭Facebook，於去年1月宣布開源多款深度學習人工智慧工具。而谷歌、IBM和微軟幾乎於去年11通同時宣布開源。谷歌發布了新的機器學習平台TensorFlow，所有用戶都能夠利用這一強大的機器學習平台進行研究，被稱為人工智慧界的Android。IBM則宣布通過Apache軟體基金會免費為外部程序員提供System ML人工智慧工具的源代碼。微軟則開源了分散式機器學習工具包DMTK，能夠在較小的集群上以較高的效率完成大規模數據模型的訓練，在今年7月微軟又推出了開源的Project Malmo項目，用於人工智慧的訓練。

人工智慧已經逐漸建立起自己的生態格局，由於科技巨頭的一系列布局和各種平台的開源，人工智慧的准入門檻逐漸降低。未來幾年之內，專業領域的智能化應用將是人工智慧主要的發展方向。無論是在專業還是通用領域，人工智慧的企業布局都將圍繞著基礎層、技術層和應用層三個層次的基本架構。

基礎層就如同大樹的根基，提供基礎資源支持，由運算平台和數據工廠組成。中間層為技術層，通過不同類型的演算法建立模型，形成有效的可供應用的技術，如同樹榦連接底層的數據層和頂層的應用層。應用層利用輸出的人工智慧技術為用戶提供具體的服務和產品。

位於基礎層的企業一般是典型的IT巨頭，擁有晶元級的計算能力，通過部署大規模GPU和CPU並行計算構成雲計算平台，解決人工智慧所需要的超強運算能力和存儲需求，初創公司無法進入。技術層的演算法可以拉開人工智慧公司和非人工智慧公司的差距，但是巨頭的逐步開源使演算法的重要程度不斷降低。應用層是人工智慧初創企業最好的機遇，可以選擇合理的商業模式，避開巨頭的航路，更容易實現成功。

今天在微信朋友圈看到 @李開復老師的一篇文章，感覺非常棒，推薦給各位:

http://mp.weixin.qq.com/s?__biz=MzI3MzMwNTQ2MA==mid=2247483677idx=1sn=a2a72856823d7fdd55a5a3af7aac4351scene=2srcid=0625lqtXnsAHzxpbE0a2Vq04from=timelineisappinstalled=0#wechat_redirect

裡面有幾句感覺非常中肯:

1.替代簡單重複勞動，創造商業價值！(人的創造力目前是無法替代的，但簡單的可以)。

2.要聰明的找到容錯的用戶界面(這句最經典)。

3.讓用戶提供自然的大數據(通過娛樂app收集更多原始數據)。

4.關注局限領域(找到合適的垂直領域)。

這個問題太大了，分成兩段討論吧。事先聲明，由於問題太大太大，我寫的這份總結既不保證完整，也不保證客觀。

1. ===功能===

人工智慧現在已經能實現很多功能了，比如

語音識別——李開復博士當年做的工作奠定了很多當今識別系統的基礎。這裡忍不住說一下，Siri本身的技術並沒有特別大的亮點，真正nb的是它的模式（語音識別直接與搜索引擎結合在一起，產品體驗做得好。而且關鍵是這樣的模式能採集到更多數據，使得系統的精度越來越高）

自然語言理解——目前看到的最強的結果應該是IBM Watson。但其實我們現在用的搜索引擎、中文輸入法、機器翻譯（雖然其實還不怎麼work）都和自然語言理解相關。這塊兒不是我的專業，請 @段維斯同學補充。

數據挖掘——隨著近年數據量的瘋狂增長，數據挖掘也有了長足進步。最具有代表性的是前幾年著名的Netflix challenge（Netflix公司公開了自己的用戶評分數據，讓研究者根據這些數據對用戶沒看過的電影預測評分，誰先比現有系統好10%，誰就能贏100萬美元）最後這一比賽成績較好的隊伍，並非是單一的某個特別nb的演算法能給出精確的結果，而是把大量刻畫了不同方面的模型混合在一起，進行最終的預測。

計算機視覺——目前越來越多的領域跟視覺有關。大家可能一開始想到的都是自動駕駛。雖然大家都在說googleX的無人車，但實際上現在無論是商業上，還是技術整合上最成功的演算法是Mobile Eye的輔助駕駛系統。這個公司也是目前computer vision領域最掙錢的公司。

從實現新功能方面說，視覺的發展的趨勢主要有兩方面，A) 集成更多的模塊，從問題的各種不同方面，解決同一個問題（比如Mobile Eye，就同時使用了數十種方法，放到一起最終作出決策） B) 使用新的信息，解決一個原來很難的問題。這方面最好的例子是M$的Kinect，這個產品最讓人拍案叫絕的就是那個紅外pattern投影儀。

2. ===理論基礎===

這裡說的是數學理論，是為實現功能解決問題而存在的。與人類的智能的聯繫在下一節說。從這個角度，我們已經有了很多強有力的數學工具，從高斯時代的最小二乘法，到現在比較火的凸優化，其實我們解決絕大多數智能問題的套路，都可以從某種意義上轉換成一個優化問題。

真正限制我們解這個優化問題的困難有以下三個：

計算複雜度——能保證完美解的演算法大都是NP-hard的。如何能讓一個系統在當前的硬體下「跑起來」，就需要在很多細節取巧，這是很多learning paper的核心衝突。

模型假設——所有模型都要基於一些假設，比如說，無人車會假設周圍的汽車加速度有一個上限（至少不會瞬間移動吧，否則怎麼閃避）絕大多數假設都不能保證絕對正確，我們只是制定那些在大多數時候合理的假設，然後基於這些假設建模（比如，在語音識別里，我們是否要假設存在背景雜訊呢？如果有背景雜訊，這個雜訊應該符合什麼特點呢？這時候無論你怎麼定標準，總能找出「反例」）

數據基礎——任何學習過程都需要數據的支持，無論是人類學說話學寫字，還是計算機學習汽車駕駛。但是就數據採集本身來說，成功的案例並不多。大概這個世界上最強的數據採集就是google了吧。每次你搜索一個關鍵詞，然後點進去，google就自動記錄了你的行為，然後以此數據來訓練自己的演算法。

所謂前景，我理解有兩個含義。一是有沒有商業價值，畢業以後有沒有公司願意要你。二是能不能實現較強的功能，包括能不能達到人類的智能水平。

我相信商業價值是很大的。計算機的計算性能發展到今天，常規的商業應用，比如財務報表，字處理，網頁服務等已經完全夠用了。那麼必然需要新的增長點。說的直白一點就是舊的程序已經足夠快了。如果沒有新程序和新功能，就沒有人願意升級軟體和硬體系統了。那麼下一步的新功能只能往智能化的方向發展。IBM花了很多錢，開發了一個電視節目里玩遊戲的Watson。當然不是因為IBM老闆特別愛看這個節目。主要原因是展示他們的技術，從而推動新一代智能產品的銷售。這一系列的產品主要面向大醫院，相當於一套自動回答問題的醫學百科全書。Google花大力氣開發了自動駕駛汽車。Apple推出了一個相當不完善的Siri。他們都看到了智能機器蘊含的巨大商業潛力，而此類機器的大規模應用將會帶來革命性的效果。

第二個問題是多久才能實現類似於人類的功能。目前能夠達到甚至超越人類的人工智慧，都是專門設計來解決一個特定問題的。Deep Blue是專門下棋的。Watson和Google專門做信息檢索。這都是人考慮到這些問題的特點從而專門設計的程序。而人類可以自我學習而解決各種不同的問題。如果把人類作為一個標杆，人工智慧的研究還只是剛剛起步而已。要達到人類的能力，至少需要幾十年甚至上百年的時間。當然，預測未來從來都是一件很不靠譜的事情。

想說說人工智慧很久，現在有些時間，就簡單說說。

對於阿爾法狗橫掃人類圍棋高手的，我認為比賽對人類棋手存在不公，因為阿爾法狗戰前打譜的次數已達到恐怕的程度，讓其對人類棋手對自己都相當熟悉了，做到了知己知彼。

而人類棋手對阿爾法狗幾乎一無所知。

一方知己知彼，另一方只知已而不知彼，被對方摸透而自己卻對對方一無所知，比賽一開始就陷人類棋手於不公平之中。

建議谷歌放開讓人類棋手頻繁來挑戰阿爾法狗，好讓人類棋手能不斷地熟悉了解阿爾法狗，當人類棋手能做到基本了阿爾法狗的特點後，就可以根據阿爾法狗的特點作出相應的策略（此前的比賽中，由於人類棋手對其一無所知，自然談不上有什麼好的應對策略）相信人類棋手就能戰勝它，因為不竟人類頂尖棋手與其「差距」很少。

二，多年前我就提出過:日本經濟迷失的原因是下錯注，對於未來新經濟增長方向，美國人押注在信息高速公路上（即我們正在用的互聯網），而日本則押注在機器人上。

結果大家看到了。

雖然日本人為此奮鬥了數十年，但機器人到今時今日還遠未見到開花結果的一天，可見機器人研發之困難、發展速度之緩慢（絕對是蝸牛速度）。

再者，富士康的郭大老闆幾年前曾高度宣稱要買一百萬個機器人（包括機械手）來替代人手，然而，前不久有報導指經數年發展，今時今日富士康才買了四萬多個機器人。

為什麼只完成當初計劃的4%？富士康方面沒說明，相信是郭大老闆在實踐中才發現:用機器人還不如用人。

綜上所述，無論是人工智慧還是機器人，其發展速度仍將如以往一樣慢如蝸牛，除非出現意外，但凡意外概率自然少。我以個人並不看好人工智慧或機器人發展。207-8-21

——————————————————————————

對於知友 @劉少凡提出的一些問題，這裡再簡答一下。

NBA每年都會有不少球員（指的是新秀或雖在NBA打球多年但仍未冒頭的）打出驚艷的數據，但由些進身成巨星的只是少數，為什麼呢？

原因不外乎是各球隊各球員對這些新冒頭的球員不熟悉、研究少、缺乏針對性的戰術按排。

現實他們突然打出巨星般的數據，對勝負影響大，於是各球員眾球員就必須必然對其重視起來;隨著對這些新冒頭槌員的研究越來越深入，各種針對性的策略與戰術多起來了，這些新冒頭的球員就沒有了別人對其不熟悉的便宜，他們大多數回歸平凡，只有少數能抗過這關進身成為巨星。

雖然有少部分人能成功抗過這關成為巨星，但在被研究以及越來越多的針對性策略與戰術下，他們的表現與作用也因此會下降！

如庫里，騎士對其的研究很深入、針對性的策略與戰術也很對頭。

庫里進攻能力很強，尤其是三分投，各種不講理的三分投根本沒法防，但庫里的防守是弱點。

既然庫里三分攻根本沒法防，且防守是其弱點，所謂騎士的進攻就放在庫里這點上，其戰略目的就是:讓庫里的精力體力更多地消耗在防守上，進而大大地減少庫里投入在進攻上的精力與體力;同時間放大庫里弱點來降低庫里的自信心。

進攻上的精力與體力投入大幅減少、自信心又被打擊，所以過去兩年庫里對陣騎士時的表現大打折扣。

這種事物多的很。

所以，在大家未對阿爾法狗摸熟摸透並拿出對對頭的針對性策略戰術之前，不能說阿爾法狗如何如何的。

就算其能挺過這關，其優勢也必將削弱。

對於漏洞的意義，往小處說，阿爾法狗何償不是也利用人類的漏洞（會犯錯、常常犯錯）來取勝（棋界主流認識）。

往大處說，現在像特斯拉的馬斯克等人認為未來會對人類帶來巨大的危險，現在對於作出深入的研究，把其摸透摸熟，並由此作出針對性的戰略戰術，屬於未雨稠謬之舉。

對於一些人工智慧界人士說的「人工智慧的深度學習能力」，個人還是抱有懷疑。

包括阿爾法狗在內的圍棋人工智慧有不少，其能力進步不像人類那樣是以戰帶訓來得到的，而且消聲匿跡一段時間再出來，棋力才增長，這好令人懷疑其棋力的增長是通過軟、硬升級與及棋譜資料庫的進一步豐富而達到的！

建議阿爾法狗等圍棋人工智慧放在一個中立的地方，斷開互聯網，並讓相關人工監督，讓它們互戰、自戰、與人類棋手戰，經過、半年、一年的時間後，它們確實有較明顯的進步，才能說明其真正擁有深度的學習能力。

否則，他們就是胡扯。

——————————————————————————

由於包括機器人、深度學習等人工智慧的一窩風現象仍舊所以我打算再多說幾句。

前幾天工信部某位副部長在相關大會上公布:中國2016年年產機器人（包括機器臂）9萬台，中國已是全球最大的機器人應用市場（佔1/3）。所以鴻海的郭大老闆擁有4萬多台機器人起碼是全球數一數二的應用者了，其一舉一動是機器人應用效果好壞的主要觀察標的。

假鴻海機器人應用效果良好，加上老郭正急於為其代工帝國轉型（先是競購得到夏普，最近又忙著競購東芝晶元業務，還向川普承諾在美投資100億美元），他不但會加大機器人釆購，還會向機器人產業方向轉型（他的代工帝國是其轉型機器人行業後的銷售保證，不愁銷路）。

但一樣都沒發生，這說明鴻海機器人實際應用效果差，郭大老闆既不滿意，更不看好機器人行業的未來！

一個既被全球數一數二的應用者不滿意、更不被看好的行業，在中國卻一再被吹上天，不能不讓人一再深思。————————————————

現在網上普遍都是關於人工智慧正面的、甚至就是營銷性的信息，負面的、但客觀的信息就很少，故我在此將提供業內大伽的一些看法來平衡一下。

如李國傑院士在《AI創業光靠演算法走不遠，警惕命運魔咒》一文中就寫到「2004年，美國ADARRA開始搞無人車測試，結果所以的車都翻了，200英里的比賽沒有車跑過10英里就翻了。之後釆用了神經網路」。「微軟機器人網上聊天，被年輕人胡亂教一氣，最後機器就認為911是假的，希特勒是好的」。「人工智慧這幾年取得很大的突破但還是沒有解決一些在人看來很基礎的問題。」「比如你教小孩認知事物，可能不出10、20張圖片就能讓他知道這是馬、這是車，但對於機器人還做不到，可能機器人需要上百萬張圖片」（注，微軟亞太研究院院長洪小文也說過類似的說法）。

而洪小文在《以科學的方式赤裸裸解剖AI——人的智慧在那裡？》一文中也寫到，「人類智慧應該是一個金字塔結構」。「最底層的叫計算和記憶」。「阿法狗打贏其實根本不證明AI有什麼了不起」。「阿法狗基本做模式識別……把下棋變成一個模式識別」。「阿法狗打敗人類根本和創造力一點關係都沒有」。「創造力絕對不是一個大數據的問題，絕對是小數據的問題」。

個個認為，更準確的說法是:創造基本是微數據的問題！

就如洪小文提到的像愛恩斯坦等人，他們提出那些猜想、理論等時，包括他們自己在內的人類對相關事物認知甚少甚至極少，到後來才被大量的信息大量的數據來證實！

人類的理論、發現、發明等等，都是先由個別人在微數據的情況下通過人類自身的創造人創造出來的;而大數據恰恰相反是被用來驗證那些理論、發現、發明等是否成立。

就我個人而言，那些原創的也是先基於微數據，等到靈感出現後，再找大數據來驗證一下否成立。——————————————————————

而且，到目前為止，阿法狗每新換一種演算法、新換一種版本，換了新演算法的阿法狗都能完成對舊演算法舊版本的展壓！

況且，到目前為止，所有舊演算法舊版本的阿法狗，自公開後、並經過較長時間的「深度學習」後，都沒能讓大家見識到阿法狗經較長時間的「深度學習」（指公開與大家見面或對弈之後的「深度學習」）後能有所進步！基本就是原地踏步。

所以，阿法狗之所以一代比一代強，根本就是因為換了一種更快更準確的新演算法而已，所謂的「深度學習」，完全就是為吸引眼球的營銷手段。

在此分享一個轉發自知乎專欄：雲生態那些事 - 知乎專欄《 2017年人工智慧行業圖譜》

完成內容請點擊查看原文：2017年人工智慧行業圖譜 - 知乎專欄

2015年兩會，李克強總理為「互聯網＋」背書，催熱了互聯網創業。而今年兩會，「人工智慧」首次被列入政府工作報告，隨之而來的是人工智慧板塊領跑大盤漲勢，無疑，這一切將刺激人工智慧在多個領域的全面發展。企業數據服務商企名片與華興逐鹿一起，聯合多家專業機構，出品《2017年AI圖譜大報告》，一起來探究風口中的人工智慧。

一、人工智慧企業融資解讀

2017年短短不到三個月的時間，國內AI獲投項目已有36個，千萬級別融資佔據半數以上。其中不乏多家融資過億企業。https://pic1.zhimg.com/v2-22ac2eda23987773921637a28452ee48_b.png

2017人工智慧融資階段對比

如上圖所示，A輪及以上融資比例較高，佔總融資筆數的58%，這些人工智慧初創公司的主要發展方向也各不相同：新智元屬於人工智慧資訊平台；深醒科技專註人臉識別技術；推想科技則屬人工智慧醫療影像診斷領域。

https://pic4.zhimg.com/v2-49ca407090d2ce3c7aedfdb95cac12ef_b.png

2016人工智慧融資階段對比

2016年，國內人工智慧企業約284家獲投，獲投企業中，A輪(Pre-A、A、A+)企業佔比最高，111家企業獲得融資，匯頂科技完成IPO上市，募資8.74億人民幣。

目前我國人工智慧企業在圖像和語音識別兩個類別企業佔比相對較高，人臉識別技術水平處於領先地位，各創業公司也從一開始專註研究逐步發展至探索合適的商業模式，從「互聯網＋」向「人工智慧＋」過渡。

人工智慧爆發的兩個重要時間節點

2011年基於深度學習的人工智慧技術陸續在微軟、Facebook、百度等頂尖互聯網公司獲得廣泛應用，微軟和百度使用的FPGA，基於海量數據訓練出的深度學習系統能夠完成更快、更精準的判斷，同年蘋果公司發布語音助手Siri 。
2016年4月，谷歌(Google)首席執行官桑德爾·皮蔡(Sundar Pichai)在一封致股東信中，把機器學習譽為人工智慧和計算的真正未來。這一切似乎印證了2011年和2016年AI崛起和爆髮式增長的原因所在，行業巨頭的全面布局同時也帶動了國內AI創業型公司的快速發展。

二、人工智慧行業圖譜

https://pic3.zhimg.com/v2-2fa3460067d3cefacba12f640c6ee12e_b.png

據企名片大數據服務平台首份AI行業圖譜顯示：截至2017年3月8日，共有1083家AI企業，這些人工智慧公司應用技術多為機器學習、計算機視覺、自然語言處理、數據分析等。其中有代表性的101家公司大致可分成以下十大類別：

人工智慧硬體支持：此類公司主要進行深度學習晶元的研發，該領域的玩家除了傳統晶元巨頭如英特爾、高通，和大型互聯網公司如谷歌、FaceBook，國內也湧現了一批創業型公司，如：地平線、深鑒科技等。
人工智慧技術平台：此類公司主要專註於「機器學習」、「模式識別」和「人機交互」三項與人工智慧應用密切相關的技術，所涉及的領域包括深度學習開源平台、機器學習演算法、計算機視覺、自然語言處理、生物識別、機器視覺、情緒識別和推薦引擎8類。隨著高質量的數據集逐漸成為制約人工智慧發展的主要因素，各大公司紛紛開源了自己深度學習框架，比較常用的如谷歌的TensorFlow、百度深度學習平台PaddlePaddle。巨頭們的這一舉動進一步降低了人工智慧技術的開發門檻，大大加速了人工智慧的發展。
人工智慧技術平台·自然語言處理：此類公司構建的演算法能夠處理輸入的自然語言,並將其轉化為可理解的表達。主要包括語音識別、語義分析和語音交互。其中，語音交互類的公司往往需要同時具有語音識別和語義分析的技術，典型的如科大訊飛、思必馳等。
人工智慧技術平台·計算機視覺：此類公司應用技術主要是圖像識別、圖像處理和分析, 從圖像和視頻中提取信息、識別物體；應用案例中包括使用圖像處理技術進行面部識別和讓用戶通過拍照搜索商品的軟體，如曠視科技、碼隆科技、博雲視覺等。
人工智慧技術平台·生物識別：通過計算機與生物感測器等高科技手段結合,利用人體固有的生理特性(如指紋、臉象、虹膜等)和行為特徵來進行個人身份的鑒定等。
人工智慧通用應用：此類公司主要將人工智慧技術應用於通用領域。典型的就是個人私人助理、Chatbot、機器翻譯這類公司。
人工智慧行業應用：此類公司主要將人工智慧技術應用於具體行業。目前在金融、汽車交通、醫療、法律、教育等行業有了初步應用，特別是在智能駕駛領域，關注度持續增高。
無人機：利用無線電遙控設備和自備的程序控制裝置操縱不載人飛機，如，可以進行智能化跟蹤拍攝的無人機。
硬體機器人：可以自動執行工作的機器裝置。它既可以接受人類指揮，也可以根據以人工智慧技術制定的原則行動。協助或取代人類的工作，例如生產業、建築業，或是危險的工作。工業機器人的發展時間最長，隨著技術的發展，一些創業公司也開始進軍工業機器人領域，如李群自動化。家用、商用、醫療、教育等垂直領域的機器人創企也開始陸續出現。
人工智慧媒體：作為大眾和從業人員了解人工智慧發展狀況及趨勢的主要途徑之一，為人工智慧行業的發展起到了積極的推動作用，圖譜中收錄國內發展發展較好的幾家，如AI100、新智元、人工智慧學家等。

由以上圖譜綜合分析可以看出，當前人工智慧產業鏈具有技術驅動型特徵，人才成為制約人工智慧企業發展的重要因素。但是以需求、解決實際問題為出發點的行業應用卻是能將技術，內容和硬體結合的商業閉環，目前應用類企業獲投佔比最高為67%。

IDG資本合伙人牛奎光表示：「人工智慧是一個平台級的技術方向,在過去的幾十年中持續發展,近些年伴隨著互聯網和智能終端的發展,人工智慧的數據、計算能力、人才儲備都得到了極大的提高,發展速度和關注度進一步升級,但技術永遠都是為應用服務的,熟悉技術的能與不能,把可行的技術應用到最恰當的有需求的領域,並結合合理的商業模式,才是創業的核心」。

三、人工智慧投資機構TOP10

截止目前，國內已經有超過488家的人工智慧公司獲投。這裡，我們分析了國內投資機構在AI領域投資筆數TOP10投資機構列表，如下：

https://pic3.zhimg.com/v2-8cc9199e712324318bf36250f42a5f9a_b.jpg

上圖統計了國內各家投資機構投資的人工智慧企業數量，徐小平創立的真格基金領跑AI領域，總投資數量36筆；IDG、紅杉資本中國則分別以總數23、20筆位居第二、第三。(註：據公開數據統計：晨興資本、經緯中國、線性資本、達晨創投、GGV紀源資本、金沙江創投AI投資企業數均為9筆)

四、人工智慧二級市場簡報

人工智慧為硬體產品賦予智能化，行業應用價值逐步得到體現，比如在健康醫療、安防和金融業上的應用。人工智慧產業化和我國產業政策的引導扶持政策的相繼出台，二級市場也必然會出現持續高成長的人工智慧上市公司。國內人工智慧新三板企業67家，A股上市企業16家：

https://pic1.zhimg.com/v2-d124cf47a012684e752535882bc7bcc4_b.jpg

人工智慧A股上市企業

目前來看，頗具競爭力的上市公司大致分為兩類，一類是具有人工智慧產業升級基礎的智能高端製造業。擁有雄厚的智能製造業基礎，在未來產業升級過程中，擁有強大的競爭優勢。如機器人(300024)、新時達(002527)、科大訊飛(002230)等。二是在數據化收集、計算、分析處理領域，擁有強大技術競爭實力的上市公司，他們憑藉著大數據的分析處理能力，也有望迅速拓展至人工智慧領域，成為人工智慧領域內的強有力的競爭者，如川大智能(002253)、匯頂科技(603160)、佳都科技(600728)、智臻智能(834869)等。

五、人工智慧無處不在

一、二級市場的資本湧入帶動了人工智慧產業落地。在應用層玩家領域，人工智慧關聯的最為廣泛：機器人、無人機、智能家居和虛擬個人助理等。

國內多數初創公司一般在各自應用領域擁有優勢技術資源，針對某一細分領域單點突破，深度挖掘，通過技術的不斷提升來獲取市場份額。其中，曠視科技以深度學習、計算機視覺為核心技術，不斷擴展其在視覺識別及深度學習領域優勢，現以累積提供超過150億次數據服務，成為目前世界最大智能數據提供方之一。

在健康醫療領域，人工智慧應用已經非常廣泛，從應用場景來看主要分成了虛擬助理、醫學影像、藥物挖掘、營養學、生物技術、急救室/醫院管理、健康管理、精神健康、可穿戴設備、風險管理和病理學共11個領域；大數醫達和康夫子就是專註醫療健康類的專用虛擬助理研發企業。
在智能投顧領域，最簡單的邏輯是藉助人工智慧技術和大數據分析，機器人結合投資者的財務狀況、風險偏好、理財目標等，通過已搭建的數據模型和後台演算法為投資者提供量身定製的資產投資組合建議。國內陸續出現了彌財、藍海財富、百度金融、積木盒子等第三方智能投顧平台，以及京東智投、企名片、同花順為代表的互聯網公司研發的智能投顧平台。
在智能教育領域，如學霸君等，通過拍照搜題進行在線答疑自動批改作業等，藉助智能圖像識別技術，學生遇到難題時只需要用手機拍照上傳到雲端，系統在一到兩秒內就可以反饋出答案和解題思路；另外，科大訊飛、清睿教育開發出的語音測評軟體，能夠很快對發音進行測評並指出發音不準的地方。
在智能法務領域，最直接的應用如智能法務助手，「合同家」通過合同工具積累數據，為企業提供基於大數據和人工智慧的法務解決方案。
在智能駕駛領域，當屬目前最為火熱的應用領域，如馭勢科技、Momenta、圖森互聯等通過人工智慧技術解放人力、降低交通事故率等，相信未來智能駕駛會讓我們的出行變得更加安全、智能化。

當然，人工智慧產業的變革與推動也離不開媒體的助力，如：新智元首創的「人工智慧社群三體模式」(人工智慧領域的社交資訊平台、專家智庫平台和產業基金)，不僅如實的記錄了行業的發展，更為行業提供了眾多前瞻性的建議，其人工智慧專家社群，更加速了行業的發展與產業落地。

完成內容請點擊查看原文：2017年人工智慧行業圖譜 - 知乎專欄

經過與阿法狗一戰，人類擔考慮的不應該人工智慧，而是人類自己啊；

我們的未來_我們能預測多遠以後的未來

機器人崛起_機器人崛起

機器人會搶走我們的工作嗎？

下面是狗溜人場景：

機器人《BIBLE》 By AlphaGo

也許會替代人類？！

有個朋友找我聊天，說打算年後換工作。

我說OK啊，你想換就換唄。但是你真的找得到工作嗎？

為什麼找不到？

任何公司缺了你一個都不會怎麼樣，千萬別把自己想的太重要。

不知道你有沒有留意，微信時不時會在你的朋友圈投放廣告？

微博會給你推薦你可能感興趣的人或者熱點新聞。

使用滴滴打車APP，你常去的地方會優先成為你的終點站。

打開淘寶，滾動的頭條，首頁的清單必買，都這麼巧是你剛好喜歡或者想要買的東西！

......

有沒有覺得生活得很便捷、美好，愉悅呢？

恭喜你，你離一個廢人不遠了

02.

你的生活越來越便利，便利得讓人甚至都來不及感到新奇與刺激。

我不用舉太多例子，簡單說，你的手機其實就已經解決了你生活的大部分問題：購物，外賣，寄快遞，水電煤房租房貸車貸的交付，交通，處理工作，娛樂等等。

你家裡的掃地機器人可能不止一個，智能烤箱電飯鍋也能做出還不錯的食物。

你手機里甚至還裝了攝像頭，你可以在外隨時照看家裡寵物的情況，或者監督孩子學習。

不用費什麼腦子，我們就可以做出一個猜想：接下來的幾年內，很可能學校不需要老師教書或者監考，工廠不需要工人，家庭不需要保姆，小區不需要保安，公司也不需要司機。

銀行、便利店、加油站、餐廳、健身房、公園也不需要服務人員。

一切都可以用機器或者智能系統來代替，他們不僅僅是代替了服務員，他們更多的是代替了——你。

恭喜你，你離死亡也只有一步之遙了。

03.

人說，機器人或者程序不能代替全部，人類是造物主，我們可以創造藝術！機器人都是人類創造的，沒有什麼好擔心的。

OK，那讓我們來談談藝術創作。

文學：早在六七年前，網路上就已經有了「小說生成器」這個程序，你只需要輸入你想要的人名、地名、情節、關鍵字，和你想要的風格。隨即一鍵便可得到一篇內容相當經常的網路小說。同理：文案、廣告、劇本他們也可以幫你輕鬆搞定。

繪畫/攝影：相信這個沒什麼可多聊的，從素材筆刷的一鍵合成繪畫作品，到各類APP的自帶的攝影濾鏡，我相信沒人會懷疑。

音樂：其他太遠的例子我不去說明了，全民最愛的「唱吧」APP這個月剛剛推出了音樂合成功能，你只要說一段普通的句子，它會自動給你合成一首歌，我專門去玩了一下，效果還不錯。

雕塑：相信你們所在的城市步行街上，已經有人用3D列印技術給你列印頭像或者一些小玩具了吧。

......

我只是舉了一些我們日常垂手可得的淺薄的例子。

但我相信在我們這樣普通人觸及不到的專業領域裡，人工智慧已經將這些我們看起來需要人類天賦和才華才能創造出來的東西，完善進化得更好了吧。

04.

有人說，我們人類有智慧，這是機器不能比的。

如果你是一個喜歡看綜藝節目的人，相信你肯定知道這幾年火到不行的節目——《最強大腦》，裡面各類挑戰人類極限的比賽，和搖旗吶喊的配音，總給我一種我張開雙臂就能飛天的錯覺。

然而，今年一月開播的第四季《最強大腦》，添加了一個新的環節：節目選手要與百度的機器人進行PK。

本抱著「人類完敗機器人」的心態去看節目的觀眾，卻被連續三期百度機器人輕鬆碾壓選手的局面，弄得很尷尬。

不能接受事實的粉絲只能一邊安慰自己，人類的潛能是無限的，另一方面在網上大罵節目組和百度「搞黑幕」。看到他們這麼激動，我也很尷尬。

另外，還有一個信息要與你分享：今年1月，在神秘圍棋高手Master連勝國際上位50多為世界圍棋高手61場比賽後，（其中不乏圍棋界的世界冠軍）終於揭露了身份：Master就是Google的一款圍棋人工智慧。

05.

不好意思，讓你沮喪的還不止這些。

未來的人工智慧或許還可能代替你的情感，你所謂的愛，人工智慧還能代替你的家人與伴侶。

2013年有部電影《她》，講訴的是人類與人工智慧相愛的科幻故事。故事裡的男主人公通過一款人工智慧系統，來輔助自己的生活，處理自己的工作，並陪伴自己度過感情低谷期。

很快，他們相愛了，人工智慧系統不僅與男主角進行了完美的精神交流，她還讓男主角得到了生理快感，就是射X高潮。

人工智慧可以告訴我們那些我們不了解的事情，通過數據和程序，他們會比你親愛的媽媽更了解你喜歡吃什麼，穿什麼，比你男朋友會更懂你喜歡什麼，想要什麼，什麼時候大姨媽來訪，喜歡什麼樣的人。

什麼事件會讓你擁有什麼樣的情緒，什麼樣的情緒需要怎樣的慰藉，出現什麼樣的事情，最有效便捷的是什麼解決方式。

06.

人工智慧還會很容易的殺死你。

電影《超能查派》會告訴你，人類的主觀意識和情感是可以轉移到機械當中的，它們像可以被無限拷貝，人類可以以此永生，且創造出無數個你。

電影《機械姬》會告訴你，人工智慧的機器人和人類幾乎無異，甚至人工智慧的判斷和思考模式會比人類更複雜，只要TA想，TA就可以欺騙你，玩弄你，殺死你。

《西部世界》會告訴你，就算你割傷自己，看到自己流血，感到疼痛，依舊不能代表你是一個活著的人。你可能只是一個更高級的系統，你是活在一個幻覺里。

等等等等......

07.

也許十年前的我們，根本沒有想過一個巴掌大的一個叫做手機的玩意，會讓我們如此理直氣壯地懶惰起來。他們便捷我們的生活，禁錮我們的人生。

如今，沒人關心手機為什麼可以做到這麼多事情，它本身就應該順理成章地像「糖果是甜的，檸檬是酸的一樣」，不需要去質疑與考慮。

真叫人悲傷。

不需要特別久，世界就會變成面目全非的樣子。

可能只需十年，你我將毫無價值。

可能你的家人，你的朋友，你的伴侶都不需要你，AR、人工智慧、人類意識轉換、3D模擬，生物再造或者其他你根本想像不到的方式，會創作一個更完美的你，代替你。

人類或許就此滅絕，就像恐龍一樣，成為世界進程中的一段過程，一組犧牲。

當人工智慧實現了某種結果，它就不會被稱之為人工智慧。TA會比你更理性，環保，有效率，節約資源。

08.

你看不見的未來，就在你身邊。

未來會怎樣我們不知道，我們對未來一無所知。

我們了解1級疼痛是被蚊子咬，5級疼痛是手臂被割破，10級疼痛是分娩。那麼你了解11級疼痛嗎？你了解20級、50級、100級疼痛嗎？

你不了解。因為你已經死在了你感受到痛苦的最大極限前。

就像以5級疼痛的傷害所致死螞蟻，沒有辦法了解人類的更多痛苦。

我們也是如此。

09.

人類是驕傲的生物，很難面對自己的錯誤。

你害怕人工智慧嗎？

你害怕。

你會離開它嗎？

你不會,也不能。

因為我們已經寸步難行。

強人工智慧在可預期的很長時間內，都看不到實現的可能性。

理由是：有限個零級無窮大，不能模擬一級無窮大。

至於弱人工智慧，那也算人工智慧？

不管是人是物，形成智能的根本是要有能承載自我意識的處理機構，對於人類來講，就是大腦。

拿人類打個比方，讓一個人明白某個道理，必須先保證他大腦沒問題，然後再去給他講道理。如果大腦本身有問題，如大腦褶皺太少導致智商不夠，或因為其它方面的腦部缺陷導致無法完成正常大腦的思考功能，那任由怎麼講他也不會明白的。

再舉個簡單的實例，想在人類第一台計算機（艾尼阿克）上運行windows操作系統，是不可能的，因為艾尼阿克這個大腦不具備讀取和運行windows這個程序的能力。

所以說，要談人工智慧，先要讓人工智慧具有一個足夠能產生自我意識、功能完善的大腦——不管是生物還是電子結構的，如果連這個大腦都沒有，那別費勁了，根本不會產生智能。

那麼如何讓人工智慧具有一個能產生自我意識、功能完善的大腦呢？目前普遍的做法是參考人腦或其它動物腦部的結構和活動規律。

那麼人類以及其它動物腦部的活動規律和運行方式我們弄明白了么？

沒有。也不能說一點沒有吧，但理論體系都沒能建立起來，就別談造出實物了。

所以人工智慧的未來前景非常廣闊，想想一個甚至比你還聰明的機器能帶來些什麼影響吧（不論結果好壞），但是道路絕對非常艱辛。

順便提句：現在的所謂人工智慧（用的較多的，如siri）根本不能稱之為智能，完全沒有自我意識和判斷，完全是程序員事先設定好的標準化流程，真正的人工智慧，還未出現。

首先我們先來看一下什麼是人工智慧，人工智慧研究作為一門科學的前沿和交叉學科，但像許多新興學科一樣，人工智慧至今尚無統一的定義。要給人工智慧下個準確的定義是非常困難的

人類的許多活動，如解算題、猜謎語、進行討論、編製計劃和編寫計算機程序，甚至駕駛汽車和騎自行車等等，都需要"智能"。如果機器能夠執行這種任務，就可以認為機器已具有某種性質的"人工智慧"。

人工智慧的實現，需要大數據作為人工智慧對行為智能判斷的依據，雲計算是運用大數據運行出運算的結果並保存在雲（互聯網伺服器）上，人工智慧、大數據、雲計算相互獨立，又相輔相成，互為支撐。這樣解釋，相信大家會有一個基本的概念。

現在，我們來說下人工智慧發展的前景，目前，人工智慧的第三次浪潮，以深度神經網路為基礎，結合雲計算、大數據和移動互聯網，已經在語音合成，語音識別、圖像識別，機器翻譯、自動客服、口語評測、自動駕駛等人工智慧領域取得了突破，跨過了實用門跨，每天都在為全球數以憶計的用戶提供服務。

人工智能涉及社會的方方面面，從技術、產業、法律到倫理、道德和人文，與每一位社會民眾、每一個企業、每一個組織都息息相關，人工智慧要想完成真正的落地，需要滿足4個基礎條件：

1.數百萬倍的計算能力；

2.更高級的演算法；

3.萬物互聯的海量數據；

4.大容量、大帶寬的通信管道

推薦閱讀-多智時代：人工智慧來勢兇猛，人工智慧最熱門的技術趨勢是什麼？ - 人工智慧多智時代

多倫多大學的 Geoffrey Hinton 是世界上最領先的計算機科學家之一、谷歌副總裁級別的工程師，他所架構的一種人工智慧方法將會極大地改變計算機在我們的生活中所扮演的角色。

Hinton 是多倫多大學藝術與科學學院（Faculty of Arts Science）計算機科學系的退休的傑出教授，自上世紀 70 年代開始他就在研究人工神經網路了。他的目標是通過建模人腦的結構來創造能夠思考和學習的機器。那時候，大多數研究者還很排斥神經網路的人工智慧方法，但是 Hinton 及其團隊堅持了下來，並在後來取得了很大的成功。

訪談 | Geoffrey Hinton：人工智慧終將超越人腦，但卻難以理解笑話

過去十年來，他們的深度學習神經網路幾乎在每一種基準上都超越了傳統了人工智慧方法。在 2013 年，谷歌收購了 Hinton 的神經網路創業公司 DNNresearch。而最近，他還被提名為「《連線》2016 年度全球百大影響力人物」之一。他的學習機器已被證明具有巨大的實際價值。這些技術能夠使自動駕駛汽車更安全、能幫助我們不費力地翻譯另一種語言、並且還將逐漸接管我們工作和家庭中的人力勞動甚至認知勞動。它們在巨大的數據集中發現模式的能力還將幫助我們提升基因醫學和為疾病開發全新的治療方法。

Hinton 的願望很簡單：「我想理解大腦的計算方式。」

雖然 Hinton 的研究已經給數十億人每天都使用的系統產生了巨大的影響，但神經網路革命實際上才剛剛開始。

未來的人工智慧發展的空間超出想像， Kevin Kelly 在Wired雜誌上面2014年就預測starup的未來公式是Take X and add AI。

「The business plans of the next 10,000 startups are easy to forecast: Take X and add AI. This is a big deal, and now it』s here.」?—?Kevin Kelly

未來一切服務和AI融合在一起，將會是一個顛覆的世界。 F8上出現的Conversational bots 就是AI的一種應用，在mesager的應用上。 AI其實是模擬人的各種能力，然後出現特殊領域的應用）

識別圖像（計算機視覺： Google 圖片搜索；人臉識別技術；Toyota Invests $1 Billion in AI and Robots, Will Open RD Lab in Silicon Valley）
讀懂肢體語言（計算機手勢控制：TED第六感：Pattie Maes + Pranav Mistry: Meet the SixthSense interaction）

語言聽說能力（語音識別） Amazon Echo：如何評價 Amazon Echo？ - 人工智慧；
情感感知能力（情景感知能力：參照美國科幻愛情片她（美國2013年斯派克·瓊斯執導電影））

其實現在目前投資的領域在AI上面，

歡迎關於VR趨勢的人一起討論！

互聯網現在已經發展穩定，人才趨於飽和，需要的研發、測試什麼的技術也已經成熟，基本沒有繼續進一步發展下去的空間。想要進一步的發展，必須要和機器學習、人工智慧這些知識結合到一起，用這些知識使得機器智能化，這才更滿足人們的需求。但是現在人工智慧的發展還處於前期階段，技術還處於探索階段，所以需要大量的人才，因此未來從事該行業的人就業前景應該很好。可以預計，未來人工智慧發展應該很好，應該等不了多久了，用不了10年，5到10年之內人工智慧必然有很大的進步，其成品逐漸的成為生活用品一部分。

從一下場景進行分析：

1、百度. 人工智慧現在成為了百度的核心戰略，在這方面投入高達百億資金，眾多技術已達到國際水平，更是舉辦了國內第一個以人工智慧為核心的AI開發者大會。

在百度大廈人臉識別代替工卡，食堂刷臉支付都已經應用起來，甚至在辦公區域放了一隻小度機器人，最強大腦讓大家意識到百度AI技術現在已經強大到一種什麼樣的程度，人臉識別將可以在追蹤罪犯，拐賣兒童尋回等方面發揮極大的作用！

2.騰訊. 騰訊也在加速布局，創建了人工智慧實驗室AI Lab，該實驗室擁有50多位AI科學家及200多位AI應用工程師團隊，專註於人工智慧的基礎研究，所開發的AI「絕藝」在今年圍棋比賽中拿到了冠軍，讓AI Lab備受關注，騰訊「絕藝」I拿了圍棋冠軍，讓我們看到了未來的無限可能。

無論從產品創新、技術進步、商業模式上，騰訊將賦能全行業，通過雲服務與開放平台，將視覺、語音、自然語言、機器學習等方面的AI技術分享產業鏈，讓AI未來無處不在，擁有強大社交數據的騰訊可能利用這些大數據讓人工智慧比你更懂你自己。

3、阿里. 而阿里所成立的人工智慧實驗室，主要面向消費級的AI產品研發，包括近期備受關注的一款智能音箱產品就是出自該實驗室，欲搶奪家庭控制入口。

另外，阿里旗下螞蟻金服是金融科技典範，將人工智慧引入至金融生活，包括近期刷爆朋友圈的阿里無人超市，就是螞蟻金服所研發的，這個全方位的人工智慧生態鏈搭建好之後，將會讓機器都先你一步做好你要做的事情，在路上家裡的熱水器就熱好了水，在睡覺早餐已經完成，一切都將成為可能。

除此之外比如：之江實驗室，中烏人工智慧，中國杭州人工智慧小鎮，這些都是人工智慧的項目孵化器他們都是來自於國際、百度、阿里、政府，等多方聯合打造未來中國工人工智慧行業！

其中國杭州人工智慧，是與國際接軌目前中國唯一的 AI 項目聚集地！為政府打造，之江實驗室和中烏人工智慧剛好坐落於「中國杭州人工智慧小鎮（hzrgznxz）」這也是人工智慧創業項目的聚合地，所以天使投資人也會常見，有興趣的可以關注一下！

之江實驗室相信大家都知道是阿里聯合政府創辦，落戶位於杭州未來科技城的中國（杭州）人工智慧小鎮，於2017年9月6日上午正式揭牌成立。

以大數據和雲計算為基礎，以泛智能、強實時、高安全為抓手，以未來網路計算和系統、泛化人工智慧、泛在信息安全、無障感知互聯、智能製造技術為方向，開展重大前沿基礎研究和關鍵技術攻關，推進前沿基礎研究和應用技術研究的有機互動和深度融合。

從以上場景可以看出是未來的大趨勢，包括政府也發文的未來幾年的戰略，大公司們紛紛布局，好了說多了，你們可以自己去了解一下：「中國杭州人工智慧小鎮（hzrgznxz）」可在後台回復「AI」即可獲得關於人工智慧專家的全方位的分析資料！

隨著AlphaGo對戰號稱新世代第一圍棋高手的柯潔，三場大戰落下帷幕，人類再次敗給人工智慧，面對AI（人工智慧）我們也許有著更為深刻的理解。無論情願與否，人類正在邁入以智能信息化為特徵的第四次工業革命，人工智慧也許在為我們開啟一扇窺探未來的窗口。

根據《烏鎮指數：全球人工智慧發展報告（2016）》系列報告我們可得知，目前，人工智慧領域主要運用於7個方面，分別是個人助理、安全防護、醫療健康、電商零售、金融、教育、自駕領域，為何在這些是領域，應該從這三點來總結成因：

1.相關專利過多。翻閱報告，人工智慧申請專利細分領域Top5中，中美相關專利幾乎都集中在機器人（電商銷售等）、神經網路、圖像識別、語音識別（個人助理、金融等）上。不同的是，中國人工智慧專利Top5中另外還有個是計算機視覺（安防、自駕領域等），美國則是機器學習（金融等）。

2.可選擇領域的局限性。從以往案例來看，人工智慧可選擇的領域是有一定局限性的，如Google選擇在自駕領域以及個人助理等。

3.剛需應用場景。有潛在的應用場景，要有一個緊密的結合，人工智慧領域跟學術關聯性比較高，AI從科研出發，然後到技術，技術到再產品。其中，人工智慧運用剛需場景，自駕領域名列前茅，許多發達國家已將智能駕駛納入交通系統發展重點中，很多優秀的技術已經實現，汽車產品加快向智能和聯網方向發展，汽車正從交通工具轉變成大型移動智能終端。

G-NetLink作為頂尖行車智能系統其中一員，將人工智慧車機互聯概念融會貫通，日益成熟的技術以及想法的不斷創新，在未來，G-NetLink勵志成為智能行車出行的「智慧容器」。目前，G-NetLink將4G網路、娛樂試聽、智能互聯、語音控制等多維度的因素考慮進來，結合無線流量自動導航功能，車主行車過程中不需看手機，只需通過語音指令，就可在車內實現操控自如，語音導航、搜索酒店飯店、提前了解路況天氣；更是以人出發，加入更多娛樂互動功能，強大的多媒體伴聽、G趣生活服務，多方面服務於車主，讓人智能更多層面從車主需求出發，真正做到科技以人為本，人工智慧正成為人類手、眼、腦的延伸，給我們生活帶來無限智能與便利。

看起來很厲害的樣子對吧，有興趣可以關注「gnetlink01」了解更多呦

現在的人工智慧只能說是一個演算法，並不具備獨立的思考能力

如何看待邏輯推演的過程假設1，就是假設AI機器人可以獲取人類的大腦全部生理特性，從而可以在面對同一客觀世界而達到與人類的同樣級別的感知能力，從而擁有人類級別一樣的智力水平。