透過認知智能剖析商業本質（iPIN CEO楊洋）丨硬創公開課
雷鋒網按：人工智慧商業化落地進度遠不及AI演算法的革新，究其原因，AI技術供應商（乙方）不明確自己的技術可服務於誰，傳統機構（甲方）不懂如何有效利用人工智慧與大數據提升效率。與此同時，AI公司對傳統公司的業務和行業場景的認知也相對較淺。
雷鋒網硬創公開課邀請了iPIN創始人兼CEO楊洋博士，為大家深入剖析如何把產學研究成果成功商業化，並應用在傳統行業中。
嘉賓介紹
楊洋，商業認知分析平台iPIN創始人兼CEO，美國天普大學信息學博士，國際信息系統學會會員；曾任美國天普大學福克斯商學院助理研究員&講師、哈爾濱工業大學副教授、歡聚時代全球化負責人；同時也是一位連續創業者。
楊洋曾在美國國家旅遊與電子商務實驗室（NLTeC）從事搜索引擎研究，師從世界著名信息科學家Rajiv Banker和Pei-yu Chen，進行大規模眾包集智數據分析和研究；2013年，楊洋又成立了哈工大商業智能（BI）實驗室，利用全球領先的大數據分析技術研究人力資源市場的多維度潛在信息，並領導和參與2項國家自然科學基金重要科研項目；楊洋還以第一作者身份共在ICIS, WISE, AoM，Information Systems Research， MISQ等世界頂級信息科學會議上發表研究論文共計8篇。另外，楊洋還曾獲得美國天普大學2011年跨學科優秀青年學者獎。 透過認知智能剖析商業本質 | 硬創公開課_騰訊視頻 https://v.qq.com/x/page/o05058fvez2.html
（註：本次雷鋒網硬創公開課中，楊洋博士展示了大量案例，並回答多個精彩問題，所以推薦優先觀看視頻。）
很多人會問，人工智慧跟認知智能是什麼關係？
何為認知智能？
目前市場上做認知智能的公司比較少，整個人工智慧從計算智能到感知智能再到認知智能，它是一個逐步的過程。全世界做認知智能、商業認知智能最頂級的公司就是IBM Watson。
我們在很多業務形態和解決的問題、市場各方面確實是跟IBM Watson有非常大的相似性。我們做認知智能已經有差不多十年，有些業務確實有很大的相似性，但是在技術體系層面，我們屬於走自己的獨特路線。
今天來跟大家分享一下認知智能它在各方面的應用、發展狀態以及它可以解決哪些問題。分享會分為三大方面，
一方面是對整個人工智慧市場空間的展望；另一方面跟大家分析很多人很感興趣的AI+各行業案例。案例分享是因為有一個特殊原因，一是我們公司建了一個認知分析平台，我們內部叫AI+平台，iPIN會接觸各個行業AI的實際的應用。與此同時，我本人也是混沌研習社的導師，基於此，我走訪了很多混沌研習社學員企業，並經常與他們溝通他們對AI的需求；最後分享自己做認知智能的實踐與感悟。
首先是人工智慧市場的展望。人工智慧技術簡單來講可以分成三大類：語音、圖像、文字。
整個社會產生的信息主要是以文字的形式去存儲，溝通中的語言信息傳遞是人類的重要發明，是我們區別於其它動物的關鍵因素，尤其是高級語言。如何用一些抽象化的東西去交流，現在人工智慧在高度抽象語言的理解方面還是面臨非常多的挑戰。舉個例子，圖像、聲音它一旦存儲在電腦裡面，它就是數字化的，但是語言存儲下來，依然是符號形式，它高度抽象，不能夠真正代表它的些含義。
比如我說華為、騰訊兩個公司名在座的可能都知道，但是對於絕大多數的小朋友來講，他們可能不知道什麼意思。同樣，如果機器首次接觸這些概念，它們也不知道該如何去理解這些高度抽象的詞。
人工智慧技術做了很多展望，它帶來的商業前景非常多。人工智慧主要是代替人腦去做事，人腦涉及的領域從管理諮詢到投資、醫療到財務金融各方面是包羅萬象，它所面臨的市場非常龐大。我們每天90%的工作都是單調的、重複的、可以被大量取代的。
從這方面來講，人工智慧會取代掉我們日常90%的工作量，它影響到的範圍相對來講非常大，帶來的商業機會非常多。
麥肯錫發布的12項顛覆性技術裡面，其中有三項關於自動化、新型機器人和自動汽車，這三項都與人工智慧直接相關，在其它方面比如說物聯網、雲、還有基因組學等等，各個方面都離不開人工智慧。AI未來帶來的市場變化，首先會覆蓋到那些離錢比較近的行業，如教育、醫療、法律、金融等。這些離錢特別近的行業，是人工智慧首當其衝去應用的。
現在按照我們公司自己的實踐來看，想做人工智慧不單單是要去做人工智慧，一個工作被計算機所替代，除了人工智慧，還要去發展人機交互。我們公司在具體應用就要做大量人際交互方面的研究，這方面當然也會留意人工智慧技術去提升人機交互的體驗。
其次是高速計算，因為大量信息的計算分析和理解對於計算的要求非常高，如何提升速度對各個人工智慧公司都是一大瓶頸，也是一個挑戰。
AI在傳統行業的代表性應用案例
兩年前，AI+可能還算是一個比較新的話題，但現在交通運輸方面包括無人駕駛、無人機，很多公司都有了廣泛的應用。包括阿里巴巴和亞馬遜在倉儲方面的應用，以及深圳停車場自動停車等。這些技術都在快速的應用，尤其是激光雷達、激光測距這些感測器，它的效能提升對未來撬動市場的影響越來越大。
在傳統製造業這方面，美的收購了全球最先進的機器手臂製造商之一庫卡。東莞有一家叫李群自動化的公司QKM，它也在生產機械手臂。機械手臂應用在各種生產線和高空作業，它可以配合無人機兩者結合，無人機可以代替人去到人想去但又無法到達的地方，讓機械手臂代替人的手臂去做具體操作，它給傳統製造業還有原來的高危行業，比如高空維修電纜，都帶來很大的應用空間。這些是傳統製造業的革命性變化。
與此同時，在高端製造業這方面，人工智慧也正在帶來變化。其中中芯國際，原來它們製造晶元模具，人用軟體去設計，周期很長。但現在用人工智慧基本上一周之內就可以找到一套新的模具設計方案，效率得到大大提升。
在製藥行業，做藥物的結構選型，尤其中國很多製藥公司，他們想去仿專利，你不僅要仿專利還要繞過專利，如何通過結合計算化學，把藥物的研發能快速找到更多的替代方案。原來花一年找個兩三個替代方案，現在用計算機很容易找到上百個替代方案，人工智慧在高端製造業方面也展現出非常強大的實力。
接下來看一下教育，我們公司iPIN自己有一款產品，叫完美志願，它是做高考志願填報的，跟教育有非常大的關係,我們也對教育行業做了特別深入的了解。
全球最著名的公司Knewton，它是給美國一個叫ETS的考試機構做自行打分起家的，後來把這套東西去幫助學生做自適應學習計劃的制定。通過學生做題給他個性化分析他對知識點掌握的深度和廣度，給他定製化學習方案，就有了自適應學習。
這套系統目前在全球很多國家都已經得到大規模應用，包括百度的作業幫，它是目前國內整個教育行業里比較前沿的產品，用戶量非常龐大，也在往自適應教育這個方向靠攏，自適應教育應該是未來顛覆教育很重要的大方向。
原來我們提互聯互聯網+教育很多年，但最後發現互聯網+教育對教育整個的顛覆性並不強。但自適應學習出來之後各大教育公司都在積極跟進投資，比如新東方投資的乂學，好未來投資的Knewton等，百度的作業幫。各大教育公司都非常認可自適應學習在未來教育行業會是顛覆性的工具。
法律這塊IBM Watson有一個Ross機器人，它可以理解並回答法律問題。同樣基於我們iPIN的法律分析引擎有一個法律谷，可在中文環境下理解律師提問，找到相關的背景，分析律師背景還可以去跑法官，去做案件斷案，總體效果不錯。
這是在非常嚴謹的一個法律產品下，AI表現出來非常強大的實力。
財務也是屬於商業裡面非常常見的一個必不可少的一個環節，德勤是全世界所有財務公司裡面應用的最好的一家公司。它投入了巨大的人力物力，還與IBM Watson合作去提升它整個財務、審計包括細節測試環節的工作，取得了非常好的效果。
中國的會計師事務所現在也有跟我們合作，去提升財務、審計的工作效率。在不久的將來，AI在財務方面就會有非常深入的突破。
醫療是IBM Watson最開始突破的領域，其實醫療這方面Google一直在投入非常大的力量。醫療是一個極其龐大的市場，最近幾次大的融資也出自國內醫療AI公司。不過說實話，有一個問題是中國公司去做醫療，相比於國外公司，中國公司的優勢在哪裡？
這方面我們中國優勢不明顯，一個是數據積累的量跟國外比有很大差距。另外一個是儀器，國內醫療儀器的質量跟國外比還是有一定的差距的，甚至這方面我們積累的數據質量自然就會有些差距。
整個中國在醫療這方面，沒有做詳細的疾病分級，這一方面對於我們的數據精準性也有很大的挑戰。再就是人種，相對來講中國的人種比較單一，不像美國多種族，對於整個醫療研究是有很大的幫助。我個人覺得中國公司去做醫療AI，優勢是不明顯的。
金融這方面離錢最近，今天有人問我說金融公司有數據，但怎麼去用AI。
說實話外面有很多號稱應用了AI的炒股軟體，但這裡面有個悖論。如果說一個公司它自己做炒股軟體很賺錢，它為什麼要賣給你？一個願意公開賣給你的炒股軟體，它一定做得不怎麼好，如果做得好的它直接去賺錢就得了。
金融行業由於演算法離錢特別近，只要你做得好就能變現，所以AI早就進入到金融領域。2013年2月6號就兩個高頻演算法針對一個優先股競價12分鐘，價格波動範圍非常小的，還是個Virtu Financial。它在Market裡面，差不多五年的交易日里居然只有一天出現虧損，因為它大量的採集交易市場里的數據，用Prediction Market去提升交易準確性。股民在market上去炒股，只利用市場炒股操作上的便利，但是市場利用炒股股民的操作行為，把私有信息彙集起來，通過prediction market，加上AI演算法，就可以得到不錯的結果。
在文字工作這方面，在體育新聞中有一個奧運AI小記者張小明曾對奧運新聞進行報道。不過文字工作者在AI的應用還僅限於比較八股的狀態，八股文是機器特別擅長去寫作的，用LSTM去學習，在八股文固定的文章寫作格式上可以得到不錯的結果。不過要說寫小說，機器人就做不到，因為機器人在高度複雜的邏輯構思這方面有些無能為力。
有一篇新聞說日本的一個AI系統創作了四篇小說，通過了一個文學大獎的初審，我只能說這個初審一定不負責任，很容易看出來小說很爛。
藝術創作這方面，Google在畫畫還有音樂方面都做了些嘗試，藝術創作AI的最大優勢在於靈感創作，因為機器人對於靈感創意的產生幾乎屬於沒有限制。它不像人隨著自己成長，是有知識局限性的，會給我們帶來很多限制，導致創意發揮會被限制住。
但是機器不會，創意在機器里它是一個隨機數。專門研究創意裡面發現創意是個隨機數，而人的創意發揮空間是一個扁平狀的，它是很難去沒有邊界發揮的。一般用人去做創意會需要群力群策，比如說要去做一個團隊，去腦暴才能獲得更多的創意，但是機器這一方面，它可以瞬間去產生大量創意，可以給人去提供的靈感，人再去識別裡面哪些是屬於特別符合能夠去考慮，去加速藝術創作人員工作的效率。
再說編程這一方面，今年2月我去美國見了一個公司，也是一個華人辦的一個創業公司，它們正在做一個用機器人代替人去寫代碼的項目，我一聽覺得特別靠譜。為什麼？因為從AI的角度來講的，首先代碼生成器是比較容易做的，我們可以跑一個固定目標，我們知道說是通過還是不通過，可以通過設定專門的測試去得到反饋，又有大量的歷史代碼做積累，從各種開源里很容易去獲取。
機器人學起來很快，而且我們都知道有一種開發的方法叫做Test-Driven Development，這種方法再配合AI是很容易讓機器去學習人怎麼去寫代碼，甚至可以去創造新的寫代碼，尤其像對抗學習這種方式也都可以引進來提升編程用機器人自我去編程。我們自己也在做，比如說做解析，希望提升解析這方面的能力，用機器人去做得更好。做智能解析都是為了代替人去做代碼編寫工作，尤其是對語言語義理解這方面都需要大量的使用這些東西。
以上就是我接觸的AI在各行業的應用。今天我們處在一個非常特殊的時代，從來沒有哪一次技術顛覆它影響面如此之廣，而且帶來的影響如此之深遠，我今天也思考哪個行業或者哪個職業，它不會被人工智慧影響。我不知道在座的各位有沒有想法，反正我是想不到為什麼，理由很簡單，因為只要是腦力勞動，我們人日常的90%腦力勞動都屬於單調重複，基於經驗的。那這些東西理論上來講它都可以具備被AI取代的可能性，哪個行業，哪個職業不為人工智慧影響幾乎是不可能的。
當然，有一個職業我覺得永遠是不會被機器人取代的——運動員，因為規則不允許，你很難想像NBA會允許一個機器人上場打籃球，否則咱們還要勒布朗·詹姆斯、要科比幹嘛。
認知智能的實踐與感悟
第三部分跟大家分享一下我們自己做認知智能的實踐和感悟。認知智能領域，可能很多人對它比較陌生，今年3月份Yann LeCun在清華做演講時，它提到整個AI的難題讓機器去掌握人類的常識，這屬於認知智能，對一個司空見慣的常識，機器它能很好理解，常識它是不同於圖像或者聲音的，它是語言。
而有些常識，如我剛才提到的華為、騰訊或者雷鋒網，這些都是非常高度概括性的詞，如果從來沒有接觸過雷鋒網(公眾號：雷鋒網)，第一次聽說雷鋒網，你要去理解它也需要花不少成本。如果是讓機器，它能夠代替人去理解，並且分析去做人在理解分析上的事情是現在面臨的一大挑戰，這我們iPIN一直努力去做和突破的事情。iPIN是用機器認知分析人和企業，我們不會去做所有的認知智能，只是在商業社會裡面，核心是人和企業，如何讓機器去認知和分析人和企業，這是我們現在做的事情。認知智能也被認為是整個人工智慧的第三層級，邁向強人工智慧或者類人智能的第三層級。
在這方面它的應用面非常廣，但也正是因為它應用面廣所以幾乎適合所有行業。每個行業有它自己獨特性的知識認知，很難想像有一個公司能夠把所有的領域都做了，我們自己選擇的方案在理解商業社會的人和企業這一方面如何讓機器像人去理解和分析。
我們都知道人對信息的使用並不是一個特別複雜過程，首先是感知，如訊飛語音，包括我說這句話，把它轉述成文字，這一個典型感知過程。比如說「我是一個博士，或者說我當過教授」，把它翻成一句話。
但是認知，比如說有人說「我是一個博士」，博士這個詞我知不知道，如果知道，我知道，如果不知道，讓我想一想是什麼意思，到分析我要更想深一層，博士表示你有非常高的學歷。但是高學歷對我接下來的行為產生了怎樣的影響，這時候就要考慮具體場景。如果說這是一個招聘的過程，我們就考慮他學歷是不是合格，達到了什麼樣的要求。
如果在交友過程中，博士這個概念可以證明他是不是一個很厲害的人，不同場景同樣的一句，它在認知分析層面會導致產出不同的結果，所以認知的結果和具體場景有關係。我們希望用機器去模擬人對信息處理的整個過程。
認知是圍繞人而來的，如何讓機器去無偏差地去理解一個事物，首先要去還原事物的真相，它能夠獲取足夠的信息，讓機器去做一個無偏差信息的彙集，在具體場景下該如何去理解。
我們認為認知是真相在具體場景下的一個投影，為了讓機器理解人類的常識，花了非常大的力氣，用幾年時間去建成中國社會經濟圖譜，同時也是我目前承擔的一個國家項目，就專門去把各種信息往人和企業上去嫁接，能夠讓機器去理解人和企業。
我們整個應用用在好幾方面，一個是圍繞人的個人發展來的，我們開發了一款2C的產品，叫做完美志願，專門幫高中生填報高考志願的。去年這個產品在6、7月份使用人數高達394萬，整個使用量非常大，幫助人從海量信息里篩選出他能夠上的學校和專業，並且根據用戶的意願再進一步優化。
這裡使用了大量的認知計算，因為人去理解一個專業或者學科是不容易的，但是如果讓機器去理解，並且根據人的意向去個性化的匹配分析，其實就是一個典型的認知計算的一過程。
除此之外，我們還在做一項人生導航儀的產品。我們的合作夥伴新東方創始人俞敏洪老師有一個很有名的文章，叫做人生的地圖。人在職業發展裡面會遇到各種疑惑，那麼到底該如何去規劃自己人生。
iPIN利用技術學習了大量人的職業發展軌跡，但這裡面也需要用到大量的認知計算，因為有非常多跟人與企業相關的信息，而這些信息不能用表面的字詞去理解，一定要放到認知層面。這方面我們做了非常非常多的工作，我們在努力打造全世界第一個人生導航儀，幫助初中升高中升大學生的年輕人，知道在人生髮展職業規劃裡面的每一步操作。
其實這有點類似下圍棋，我們說人生如棋，會面臨很多選擇，你到底該如何去選擇這一步，就要我們以史為鑒從，它直接放進裡面去學習到其中的規律，幫助人去找到最優的捷徑，這就是我們整個人生導航儀的思想。
接下來談談我們在企業應用這方面的嘗試，這是我們的人才分析引擎，它可分析人的300多個維度。比如招聘啟事，原來需要用人去讀去理解，再去想我要用什麼關鍵詞去搜索。iPIN將所有條件全部放到認知層面去，根據各種條件從認知層面，不非關鍵詞，基於認知去做各種各樣的匹配，比如說剛才的崗位是一個房地產銷售崗位，它要找有房地產銷售背景的人，你看我們找出來結果，機器從認知層面去匹配，它把所有這些詞在這裡面去找。從這裡面符合條件的，發現有一個銷售經理是萬科和世聯，它就用藍色的字標記出來，因為我們機器從認知層面判定，這個詞在認知層面裡面是符合的，要求是房產行業背景一個條件的，就能夠匹配到人。
從原來的關鍵詞匹配角度去做是很難做到的。
我們分析之後，達到了一個非常實際的效果，HR的工作效率得到了非常大的提升。無論是輸入的效率還是判斷的效率，還是整個匹配的準確率和人才使用、人才庫使用都得到了很大的提升，這給HR的工作帶來非常大的提升。當然還不能完全替代HR的所有工作，但至少在很多簡歷的甄選，佔HR日常40%工作可以有很大的效益提升。
我有一個不大膽的預言，五年內HR職業將會面臨大量失業。如果說你自己的子女在高考中填報，你要擔心HR人力資源專業，就不建議你的小孩去報了。
除此之外，我們還做了法務方面的分析，分析律師的背景、分析案情包括去幫助律師斷案，也都取得了不錯的效果。
如果說我們想在未來用認知智能代替人去做大量商業分析，這就是我們要去做的非常基礎的一個工作。甚至還包括宏觀經濟的分析，比如區域宏觀經濟結構的分析，我們為深圳市南山區政府做的一個區域性結構分析，發現有些行業在上升，有的在下降。還包括全國的整個經濟趨勢的分析，這都是宏觀層面的，尤其像智慧城市和政府的政策制定都是非常需要這些宏觀的信息，單靠人去做難度其實還挺大的。
除此之外，包括各種行業發展趨勢的分析，包括企業人才的戰略分析，還有包括市場的投資機會，就類似於Compas，根據市場各種變化，從認知層面去找出它的規律來，就能發現好的市場機會，獲得投資機會。
整個創業說一下我的幾點感悟，雖然人工智慧很火的，有很多AI公司在創業，尤其是像我們公司，比如我們最開始創業的時候，人工智慧一點都不火。
我們是2013年成立的，但現在人工智慧特別火，有很多公司它的市場估值很高。但我個人認為技術本身它是沒有太大的價值，真正的價值是你的技術能夠給生產效率帶來多大的提升，這才是人工智慧技術的真正價值。
解決任何行業的問題，AI的技術絕對不是萬能的。我們從一個領域跨到另外一個領域，從生涯規劃跨到高考志願填報再跨到招聘和法務甚至還有商業地產等等。我們在去跨到每個行業的時候，我們都必須要跟行業專家緊密的合作，去深入的了解行業的規律，我們才能夠去解決問題。單純的技術是很難去說，你只要給我數據我就能跑，這種情況在解決細節問題上是根本不現實的。
我不認為有任何一家AI公司說我這邊有一個平台很牛逼，就能夠解決各種各樣的公司人工智慧的問題，我覺得是非常扯淡的。隔行如隔山其實就是對事情最好的一個解釋，因為你隔行如隔山，很多對數據的理解，包括遷移學習方面，有些東西是可以遷移，但是絕大多數行業經驗是根本不可能遷移的。
另外今年2月份參加AAAI會議上就發現參會的人60%的是中國人，我們中國在AI方面有非常雄厚的人才儲備，在起跑線是不輸於美國的。不過現在市場依然AI人才非常匱乏，如何去實施戰略去獲得人才依然是一個很嚴峻的問題。第四個是整做人工智慧，我們在做傳統行業時候特彆強調說要專註，但是我們發現在做數據分析和機器學習的時候發現不專註是非常有價值的，你將A行業的信息學了之後，把這東西用到B行業，是可以帶來非常多的價值。因為信息或者說知識，很多東西都屬於相互關聯的，1+1往往能夠帶來大於2的效果。通過最近這幾年的接觸，我發現AI在各行業的應用是突飛猛進，它的影響面非常廣，而且帶來的變化是非常實質性的，人工智慧這一波浪潮，它是一個千載難逢的行業機遇，絕對不是一個泡沫。
另外再講一下，我走訪了各個企業的AI的三大需求。首先一方面是屬於信息智能化管理，目的是企業主為了想提升決策效率，現在iPIN主要在做這一方面。另外核心業務流程的智能化，是為了去提升生產效益，所以說創業的機會幾乎就散落在每一個行業裡邊。比如剛才說的高端製造業，中芯國際它要對新品模具的開發，如何去提升效率？基本上每個行業都會有這樣的機會。
第三個有很多公司，它們有大量單調重複的腦力勞動，比如有些公司存在大量的數據錄入員，還有公司它存在店銷的人員，如何去提升它們效率這方面是有非常多的AI公司在裡面去做，有很大的機會，因為它可以提升企業的利潤率。
提問環節
1．AI滲入到傳統行業，很多時候只能用很簡單的機器學習模型，複雜的模型往往無用武之地，所以大家會花大量時間，盡量優化演算法，性價比是否高?
在具體滲透到某一個行業的時候，我不認為把時間花在這種模型演算法的研究上，是我們最應該大力投資的一點。以我們在做法律為例，我們將大量的時間是花在對行業的理解，就是你如何從這種行業專家的角度去理解他們所面臨的問題，還有就是有沒有辦法能夠去優化這種數據的質量。比如說能夠去得到更好的隱身數據，或者能夠去發現新的數據，或者能夠去接觸資源，能夠把別的領域的數據引用到領域，能夠去提升這種數據使用效率，這些問題我反而覺得是更加重要的。以我們自己做這種具體應用背景的話，其實能夠發現絕大多數時間是在於理解數據和準備數據這一階段，在模型優化這方面當你有了很好的理解，同時你也有很好的理論基礎的話，其實我們在模型演算法這方面當然如果說已經具備很好的認知，計算技術在解決商業問題的話，本來就是我們的一個先決條件，但我們的AI+平台我們在絕大多數時間是花在去深入理解行業，並且嘗試跟專家去理解問題，去準備數據，才是我們投入時的精力性價比最高的地方。
2．如何看待微軟首席AI科學家鄧力跳槽去對沖基金？
鄧力是非常厲害的一個科學家，如果沒記錯，他是中科大的神經生物學方向，早期做人工智慧很多人走的是邏輯方向，他非常幸運，在很早期走的是神經網路方向，然後一直做到現在。看到新聞，我覺得很震撼，但是並不驚訝，原因很簡單，就像剛才在分享裡面說的人工智慧現在滲透的首當其衝的四大領域都是離錢最近的領域。尤其是對沖基金，我記得最近好像它們是管理200多億美元，這時候AI是有非常大的用武之地，做AI大家都是如果說有好的演算法是立刻能變現，而且好的演算法的話，它能帶來的收益是非常快的，絕對不會是通過開發金融產品賣給別人去獲利的，所以加入這種非常大的推動是對AI的這種應用非常直接的一個商業變現。這就是一個生產力提升，其實我覺得這不是第一次，後面也會有很多科學家會跳到裡面去。
3．在跟同類公司競爭中與對手拉開差距的核心是深入業務和場景，更重要還是不斷優化演算法更重要呢？
我們公司之前也深入的反思過，我們舉個例子，比如說我們在做圖像識別這一方面，一旦你的識別準確率達到了98%點幾，99%點幾的時候，在絕大多數的識別場景下，我們所需要識別的對象不是那麼多的情況下已經夠用了，除非是到了百萬級千萬級規模的人口才會說特別去追求小數點後面數字，而且如果說數據都差不多情況下，演算法的優勢一般來講，你很難長期去保持。反而是你如何在這種具體行業下深入的去建立你自己行業的獨特優勢。數據的積累，獨有數據的積累反而會更加容易成為一種核心的競爭優勢，成為你保護自己的商業模式一種壁壘，我覺得是更重要的。我們很多時候為了獲取數據，我們商業上是可以不去考慮商業價值，但你要為未來做好保護，更重要是你如何能夠得到別人得不到的數據，我覺得這才是一個AI公司所需要考慮的一個更重要的事情。
4．選擇深入一個行業，主要看中行業的哪些商業因素呢？
我們公司其實是做了好幾個商業領域，但我們公司並不是每個商業領域都去做，我覺得這是戰略選擇因素。最重要的就是你能不能在行業里有你自己獨有的優勢，比如前段時間我遇到一個人是程序員出身，有AI的背景，然後他想進入醫療領域，但是我問他有醫療背景嗎？他說沒有。如果這樣就貿然去進入醫療領域的話你的優勢何在？所以我覺得要想進入任何一個領域一定要考慮自己在行業里有沒有優勢，你能不能深入理解行業。比如說我們貿然進入法律行業，就很吃力，因為一點都不懂。如果一個公司還不大，沒有很深積累的時候，你要切的第一個領域要重點考慮你對行業的理解有多深是非常重要的。就像剛才說的切入一個行業一定是屬於AI科學家+行業專家，最理想你既是AI科學家，同時又是行業的專家。剛才提到中芯國際的人他自己既是AI科學家同時原來又是屬於晶元製造行業出去的，所以說他在這地方有天然優勢。包括我們自己，我們在做這一方面，做了這麼多年的人力資源，可以把自己變成一個人力資源專家，所以說後來做的時候就是比很多人力資源專家更專家，否則的話真的很難。
5．今年7月份在深圳會有雷鋒網承辦的CCF-GAIR全球人工智慧與機器人峰會，楊老師會來跟大家分享什麼內容呢？
CCF-GAIR大會是必然要參加的，到時候我會更加深入地去跟大家深入分享認知智能以及認知智能具體在行業里的應用。我今天雖然講了部分認知智能在AI+方向的嘗試和應用，但是認知智能背後更深層次的東西，還是有很多朋友不清楚，大會中我會重點分享我們做認知智能的方法、經驗與總結。
2017年7月7、8、9日， CCF-GAIR 2017——2017年全球人工智慧與機器人大會將在深圳福田舉行，大會由深圳市政府指導，中國計算機學會（CCF）主辦，雷鋒網和香港中文大學（深圳）承辦。大會設置了三天的議程，包括人工智慧前沿專場、機器人專場、機器學習專場、智能駕駛專場、智能助手專場、金融科技專場、未來醫療專場、智能物流專場、AI+專場、CV+專場、AI創投專場等11個專場，每個專場分別邀請海內外學術和產業界最頂尖的專家來做大會報告和對話交流。
屆時楊洋博士也將參加大會，並作為機器學習專場的主講嘉賓，給大家帶來更多關於機器學習的乾貨分享。如果你想了解更多機器學習的落地情況以及技術方向指引，歡迎購票參加！
aHR0cDovL2dhaXIubGVpcGhvbmUuY29tL2dhaXIvY2FydC9pZC85 (二維碼自動識別)
雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。
推薦閱讀：