AI思維

05-10

什麼是AI公司

商場 + 網站 ≠ 互聯網公司。如果你要為一個傳統的購物中心做一個網站或者app，它們還不是一個互聯網公司。就像沃爾瑪網站，也不是一家互聯網公司。你要做一個互聯網公司，不在於是不是有網站，最重要的是整個公司的組織是否具有有效利用互聯網的能力。互聯網公司是如何定義的呢？不是看你有沒有網站，而是看做不做A/B測試、能不能快速迭代、是否由工程師和產品經理來做決策。

傳統科技公司 + 機器學習/神經網路 ≠ AI公司。在人工智慧時代，一個傳統的互聯網公司+神經網路技術，也還不是人工智慧公司。一個公司要做成人工智慧公司，要組織整個公司有效地使用人工智慧的能力。AI公司傾向於策略性地獲取數據，在一個地區發布產品，為了在另一個地區發布產品而獲取數據，這個產品又是為了在下一個地區發布產品來獲取數據用的，如此循環。而所有產品加起來，都是為了獲取數據驅動一個更大的目標。AI公司里，產品經理在和工程師溝通的時候，需要學會運用數據。

AI進展

人工智慧研究的領域主要有五層

最底層是基礎設施建設，包含數據和計算能力兩部分，數據越大，人工智慧的能力越強。往上一層為演算法，如卷積神經網路、LSTM 序列學習、Q-Learning、深度學習等演算法，都是機器學習的演算法；第三層為重要的技術方向和問題，如計算機視覺，語音工程，自然語言處理等。還有另外的一些類似決策系統，像 reinforcement learning（編輯註：增強學習），或像一些大數據分析的統計系統，這些都能在機器學習演算法上產生；第四層為具體的技術，如圖像識別、語音識別、機器翻譯等等；最頂端為行業的解決方案，如人工智慧在金融、醫療、互聯網、交通和遊戲等上的應用

機器學習有三類

第一類是無監督學習，指的是從信息出發自動尋找規律，並將其分成各種類別，有時也稱"聚類問題"；第二類是監督學習，監督學習指的是給歷史一個標籤，運用模型預測結果。如有一個水果，我們根據水果的形狀和顏色去判斷到底是香蕉還是蘋果，這就是一個監督學習的例子；最後一類為強化學習，是指可以用來支持人們去做決策和規劃的一個學習方式，它是對人的一些動作、行為產生獎勵的回饋機制，通過這個回饋機制促進學習，這與人類的學習相似，所以強化學習是目前研究的重要方向之一。

AI 的未來是怎麼樣

在計算機視覺上，未來的人工智慧應更加註重效果的優化，加強計算機視覺在不同場景、問題上的應用；在語音場景下，當前的語音識別雖然在特定的場景(安靜的環境）下，已經能夠得到和人類相似的水平。但在噪音情景下仍有挑戰，如原場識別、口語、方言等長尾內容。未來需增強計算能力、提高數據量和提升演算法等來解決這個問題；在自然語言處理中，機器的優勢在於擁有更多的記憶能力，但卻欠缺語意理解能力，包括對口語不規範的用語識別和認知等。人說話時，是與物理事件學相聯繫的，比如一個人說電腦，人知道這個電腦意味著什麼，或者它是能夠幹些什麼，而在自然語言里，它僅僅將"電腦"作為一個孤立的詞，不會去產生類似的聯想，自然語言的聯想只是通過在文本上和其他所共現的一些詞的聯想，並不是物理事件里的聯想。所以如果要真的解決自然語言的問題，將來需要去建立從文本到物理事件的一個映射，但目前仍沒有很好的解決方法。

AI國家戰略公布

在2020年、2025年、2030年從應用與技術、基礎理論研究、這兩個點形成突破達到世界領先水平。四大平台：百度（自動駕駛）、阿里巴巴（城市大腦）、騰訊覓影（醫療影像）、科大訊飛（語音）

大咖說

傅盛

AI技術本身並不產生核心價值，AI最為重要的部分是找到商業模式和用戶使用場景。AI+獵豹+News repubilic（興趣推薦資訊應用），利用深度學習模型，替代News repubilic原有的專家模型，提高用戶的轉換率。AI+直播，大幅降低審核難度，減少人力成本。

AI+時代，今天空談語音識別是沒有意義的，是怎麼把這些服務和每一項應用結合起來，我覺得這個才是下一個時代巨大的機會

王小川

人工智慧分為三類。1.識別，識別的核心「人臉識別」和「語音識別」也具有很大的突破；人所具有的感性體驗現在也能夠被機器所掌握。2.判斷比如阿爾法狗就是在幫助人們為棋子選取一個更好的位置；判斷被越來越多地應用到實際工作生活和領域；最具商業價值的是判斷，即幫助人們進行選擇或者決策。3.創造在學術界裡面研究較多的就是創造類，識別和創造的商業前景並不大。

人工智慧發展的三個階段。1.教規則。將規則教給機器，讓其進行判斷，這是依賴於人們的經驗的最初級的人工智慧產品；傳統人工智慧最大的瓶頸在於，不僅要懂規則，還要能夠準確描述規則；人臉識別技術，我們看到一個人就能夠立刻知道他是誰，但是對於機器來講，就需要工程師將這個識別技巧寫成語言告知它。2.原始數據在2012年，圖像識別技術有了重大突破，機器的識別能力超越了人類；其基礎原理在於，圖像識別不再需要描述，而是輸入大量原始點陣數據，當機器存儲的數據量足夠大，計算能力足夠強的時候，就能夠學會有效識別；這個階段突破的意義在於，計算機工程人員有機會進入更多的行業領域進行合作；現在如果數據量足夠多，工程師就不必費力去進行規則表達描述，只要告訴機器這樣的心電圖是生病的心臟，那樣的心電圖是健康的心臟，機器就有機會學會對心電圖的識別判斷。以前需要依靠經驗才能夠解決的問題，現在通過數據和技術人員就能夠實現，阿爾法狗最大的啟發就是不用找規則，直接給出答案即可。 3.強化學習有的時候我們既不知道如何向機器表達規則，也不能找出一個準確的答案，但是我們有能力去判斷，機器執行後的結果是離目標更近了，還是更遠了。這就是強化學習的基本意義機器根據比賽結果，自行復盤總結的這種演算法稱作強化學習

被人工智慧取代。如果所輸入的信息是封閉、有邊界、可以結構化的，且包含做決策所需的所有信息，目標也是確定的，那麼這樣的判斷能力就可以被機器所取代。難以被取代的職業有畫家、作家、科研人員等，就是那種創造性大、輸入的問題相對開放的職業。只要不帶有創造性的工作，就會有被智能取代的風險。

人工智慧仍有諸多未突破的領域。人工智慧的妙處就在於可以解決高維複雜的問題，但難點在於出問題以後，程序員根本無從查起。貝葉斯學派一直對深度學習表達擔憂，認為深度學習理論體系沒有嚴格的數學證明，而是僅靠梯度進行不斷嘗試，所得結果的穩定性不受掌控，風險大。深度學習理論是高度不穩定的系統，將這個問題引申到無人駕駛領域，如果不考慮商業問題，利用大數據模式，讓無人駕駛能夠在開放環境里自由上路的技術還是不成熟的。

人工智慧是否會再一次退潮。雖然人工智慧沒有突破到永久高，但是已經第一次能夠跟工業界大範圍結合，解決一些複雜性的問題了。能夠投入使用，是與前三次比較而言最本質的區別，也是不會退潮的根本原因。因為有資本家看到了商業價值，所以會有資金源源不斷地流入，有了資本的驅動，人工智慧才會不斷進步。我認為現在AI技術領域是分散的，不存在巨頭的概念。因為你說的巨頭是在某個業務領域裡面往前走，搜索也好、溝通也好、電商也好，AI是一個底層技術，我不認為這裡有巨頭。BAT都在AI領域發力：我覺得核心是要把AI的技術轉化成相關的產品。所以難點是在於技術和數據、場景之間的聯動。孤立做一件事情都很容易，只要給他足夠的錢，或者做個語音識別，發個論文都容易。但怎麼讓它對接上產品、市場，這是大家今後面臨最大的挑戰。我們是以語言為核心，定位比較清晰。搜狗的優勢在於，我們做輸入法，做搜索，都是跟語言打交道的

李開復

何為人工智慧。首先是感知，感知就是包括視覺、語音、語言。做一些預測，做一些判斷，這些是決策層面的。那當然如果你要做一套完整的系統，就像機器人或是自動駕駛，它會需要一個反饋

人工智慧的發展趨勢。人工智慧對人類所帶來的改變，會超過互聯網、超過電、超過工業革命。因為它是滲透到每一個行業、每一個工作，它會在十年之內改變、顛覆、取代50%的人，它會把我們做事的一些方法統統改變過來，所以它比互聯網來的更快、影響力更大。最開始的已經發生了，就是互聯網應用。比如今天百度的搜索，騰訊朋友圈的推薦，或者是淘寶的商品推薦，滴滴打車、今日頭條的排序，快手的個性化推薦，美圖的美顏功能、人臉識別等。這些都是人工智慧。下一個階段，肯定是金融界，因為金融界是除了互聯網界之外數據最多的。當數據多的時候，人工智慧更有可能。

有商業價值的 AI。AI 在數據量大的領域最易應用。這些數據最好被準確標註，自動化標註。AI 在掙錢最多的領域容易應用。毫無疑問，最掙錢的又是金融。AI 在無摩擦的領域最容易應用。

人工智慧如何幫企業打造競爭壁壘。第一，如果你有壟斷性的大數據，你就會有很大的優勢。第二，擁有龐大的機群。第三，你要有一批特別懂的人。第四，當你沒有平台的時候怎麼辦？我們就可以找一批特別聰明的人，讓他們不斷的調節演算法

人工智慧如何快速商業化？第一，不要用人工智慧去取代人。機器不一定要取代人，很多情況之下他只要能輔助人就可以了。我談到了很多工作會消失，但醫生會全部失業嗎？一定不會，應該是最高明的醫生創造很多機器人給他人使用。第二，要聰明的找到容錯的用戶界面。想想搜索引擎，搜索引擎的精確度其實是很低的，你想一想，當你去百度，Google搜索的時候，它們給出的第一條就是你要的答案的情況有多少？我估計不會超過50%，但是為什麼我們都說搜索引擎聰明，不說他笨呢？第一個理由當然是因為它博學，第二個則是因為它的界面做的非常的聰明。第三，讓用戶提供自然的大數據。當Siri推出的時候很多人都說「這就是個玩具而已」，認為它沒有真實的用處，但是蘋果靠Siri收集了很多人的真實語音，收集了大量數據。第四，關注局限領域 Google很偉大，它要做全天候全路況的無人駕駛，它想把全部競爭對手都擊敗，最後就剩一個Google。這個計劃很宏偉，但是是不是一定要這麼做呢？我覺得不見得。其實我們完全可以先做一個用於局限領域的無人車，把這樣的一個產品先做起來，然後我們通過它獲取數據，學習教訓，不斷改進

吳恩達

AI能做什麼？各種演算法有多大商業價值？目前，AI技術做出的經濟貢獻幾乎都來自監督學習，也就是學習從A到B，從輸入到輸出的映射。監督學習的缺點是它需要大量的標註數據，這影響了它的普及。為什麼神經網路已經存在了這麼多年，AI卻近年來才開始快速發展？隨著數據量的增加，傳統機器學習演算法的性能並沒有明顯提升，而神經網路的性能，會有比較明顯的提升，神經網路越大，性能的提升就越明顯。為了達到最佳的性能，你需要兩樣東西：一是大量的數據，二是大型的神經網路。如果你問我監督學習之後是什麼，我認為遷移學習現在也開始創造不少經濟效益。可能因為這個概念不夠性感，所以人們談論得不多。強化學習也很有意思，我研究了很多年，現在也還在這方面做一些微小的工作。但是我認為，強化學習的輿論熱度和經濟效益有點不成比例

做AI產品要注意什麼。公司的壁壘不再是演算法，而是數據。先為演算法收集足夠的數據，這樣就能推出產品，然後通過這個產品來獲取用戶，用戶會提供更多的數據

李彥宏

人工智慧時代最寶貴的不是數據，是數據帶來的技術創新

人工智慧時代的思維方式。手機還會長期存在，但移動互聯網的機會已經不多了。思維方式：拿出一個晶元說這是我們DuerOS的晶元，價格能做到多低，形狀能做到多小，這就是AI時代的思維方式。第三，軟硬結合，重新定義「以人為本」。比如語音交互中，麥克風技術就是典型的軟硬結合的例子；更明顯的是無人駕駛汽車，要激光雷達，要各種各樣的感測器。第四，數據秒殺演算法，演算法推動社會進步。

投資邏輯

源碼資本-張宏江

今天，我們不光有深度學習非常新的演算法，更重要我們有了高質量的已標註的大數據，有了非常強的計算資源，從技術上來看，今天的深度學習跟以前的人工智慧的方法，尤其是與專家系統的方法有根本的區別。

數據成為了我們一個新的宗教，這也是為什麼像英特爾這樣做晶元的公司，在過去大手筆併購做人工智慧的公司，因為數據是一個新的燃料。

凡是跟感知相關的語音識別、圖像識別，今天的AI演算法許多情況下已經超過了人類。但凡是跟理解認知相關的，AI還是有很長的路要走

在你看這些AI企業的時候，要想清楚這家公司今天有沒有數據，能不能夠持續的生產、獲取、控制數據，能不能實現對數據的佔有程度比別人高

星河互聯 -劉瑋瑋

創業公司想在語音領域做生態是不合適的，因為生態類公司還是巨頭的遊戲

行業需要一種全新的方法來進行視頻內信息提取和分析。

聯想之星 · 高天垚

在我看來，AI本身並不是一個行業，它像一個工具包。這裡面會有幾個工具，比如CV、NLP、機器人技術等，哪個行業需要就應用到哪個行業里去。

基於多層或深層神經網路的機器學習技術某種程度上可以說是這一波AI發展的驅動所在，代表著底層技術的突破。從投資層面有兩層考量，一方面是技術或演算法本身會不斷迭代和突破，另一方面是如何更好的應用深度學習仍然存在大量機會

有人說語音或視覺是AI時代的入口，我認為感測設備才是AI時代的入口。很多人都說AI發展的三大要素，數據、演算法和計算能力，其實忽略了形成數據前的一個過程，即數據採集

這個領域的投資以前集中在中後期，但目前越來越多的投資發生在早期，聯想之星也系統性布局了這個領域。而AI項目的規模化路徑我們認為會是不同的，路徑不應簡單用ToC 或 ToB來區分，正因為AI是行業的工具包，有兩個重要指標是需要用來做參考和判斷的：一是效率；二是滲透率。

順為資本孟醒

第一類是做感知層演算法的公司，目前大家耳熟能詳的或估值較高的創業公司，絕大多數在做感知層的演算法。第二類是演算法向晶元層面延伸的創業公司。國內從2014年開始廣泛普及這類公司，絕大多數是在演算法優化的過程中又深入了。第三類是通過人工智慧改善垂直行業效率的2B公司。這類大批公司是從2015年以後誕生的，這時候人工智慧的基礎設施已經有一定的規模。最後一類公司是做2C的人機交互方向的。這類公司是在2014年以後出來的，比如人機交互的智能機器人，聊天機器人等這些方式。

從投資人和創業者角度，如何去判斷一個公司的亮點會有哪些不同。第一個例子，是「技術的深度」和「技術深度能夠打動別人的程度」兩者的對比。第二個例子就是對於產品思考的完整程度，尤其是演算法。厲害的人出來做人工智慧創業的時候會比較怕深入討論產品，原因是本來改變世界的事兒，一旦把這個事情具體到產品方向來說，這個事聽起來就變小了

人工智慧領域的理想團隊應該是什麼樣子的。這個行業裡面非常缺人，缺的是AI的產品經理，就是既懂技術邊界，又懂得需求邊界的人，這兩者結合起來，能把這兩塊融會貫通的人非常少。大多數的人工智慧方向，要麼是改善體驗，要麼是改善效率；要麼是一個2B，要麼是一個2C的方向

紅杉中國-計越

場景和數據。場景意味著可以快速變現，得到市場的印證，數據則是為人工智慧的未來積累能量，有了數據，未來即使調整方向，也是進可攻，退可守

明星公司分析

曠視科技

融資信息

業務: 1.FaceID在線身份驗證 2.Face++人臉識別 3.智能地產解決方案 4.智能安防解決方案。

優勢：剛剛才破紀錄拿下計算機視覺領域重要賽事的三個世界冠軍. MIT科技評論公布的全球最聰明的50家企業中，曠視科技赫然排行第11，超過了許多老牌的大型科技企業.曠視作為支付寶御用技術提供方，技術整體上是跟隨螞蟻金服的需求，主要通過face++雲平台提供遠程認證服務，這恰好契合了互聯網金融的需求