每當一個事物興起的時候，隨之而來的就是大量的觀點與推測，其中最受歡迎的往往是那些最大膽的;而后每增加一個論據(jù)，都會讓我們對這個觀點更加深信無疑。就像從Alpha Go戰(zhàn)勝李世石后，人工智能在輿論中強勢回暖，而后李彥宏在世界互聯(lián)網(wǎng)大會上的言論，也再度加強了人們對它的關(guān)注。不僅百度，馬化騰在2015年6月的演講中也說道：人工智能是我最想做的事情。馬云也在2015年5月內(nèi)部信中寫道：未來三十年云計算、大數(shù)據(jù)、人工智能等技術(shù)將會讓無數(shù)的夢想成真。

　　目前國際互聯(lián)網(wǎng)巨頭紛紛入場， 亞馬遜的 Alexa、蘋果的 Siri、微軟的 Cortana，作為人工智能的第一塊敲門磚，已經(jīng)被較為廣泛的使用;搜索、翻譯、地圖、無人車，深度學習的影子無處不在，人工智能正在重構(gòu)人類的生活。同時，伴隨互聯(lián)網(wǎng)的高速發(fā)展和底層技術(shù)的不斷進步，人工智能所需的「能源」正在不斷完善。

　　1)數(shù)據(jù)量： 2000年至今，互聯(lián)網(wǎng)及移動互聯(lián)網(wǎng)的高速發(fā)展使得數(shù)據(jù)實現(xiàn)了量的積累，據(jù)IDC預測，2020年全球的大數(shù)據(jù)總量將為40ZB，其中有七成將會以圖片和視頻的形式進行存儲，這為人工智能的發(fā)展提供了豐厚的土壤。

　　2)深度學習算法：多倫多大學教授Geoffrey Hinton(致力于神經(jīng)網(wǎng)絡和深度學習研究)的學生在業(yè)內(nèi)知名的圖像識別比賽ImageNet中利用深度學習的算法將識別錯誤率一舉降低了10%，甚至超過了谷歌，深度學習進而名聲大噪。2015年，微軟亞洲研究院視覺計算組在該項比賽中奪冠，將系統(tǒng)錯誤率降低至3.57%，已經(jīng)超過了人眼。

　　3)高性能計算：GPU響應速度快、對能源需求低，可以平行處理大量瑣碎信息，并在高速狀態(tài)下分析海量數(shù)據(jù)，有效滿足人工智能發(fā)展的需求。

　　4)基礎(chǔ)設(shè)施成本：云計算的普及和GPU的廣泛使用，極大提升了運算效率，也在一定程度上降低了運營成本。IDC報告顯示，數(shù)據(jù)基礎(chǔ)設(shè)施成本正在迅速下降，從2010年的每單位9美元下降到了2015年的0.2美元。

　　與此同時，巨頭和創(chuàng)業(yè)公司也相繼投入資源和成本進行商業(yè)化探索，但技術(shù)本身尚有足夠大的成長空間，當前仍處于早期階段。

　　人工智能帶來的機會

　　我們看到，目前人工智能領(lǐng)域的企業(yè)主要集中于以下三個層面：

　　基礎(chǔ)層：關(guān)注人工智能基礎(chǔ)支撐硬件或數(shù)據(jù)平臺基礎(chǔ);

　　技術(shù)層：包括有關(guān)機器識別與深度學習的算法和技術(shù)設(shè)計;

　　應用層：包括通用應用和行業(yè)垂直應用等。

　　*圖片來源：易觀智庫

　　在極客幫創(chuàng)投創(chuàng)始合伙人蔣濤看來，大公司在這三個層面贏家通吃，而小公司只能依靠單點突破，以及在傳統(tǒng)行業(yè)優(yōu)勢上進行突圍。

　　大公司(100億市值以上)的主戰(zhàn)場在于爭奪未來人工智能的制高點，這分為兩個方向，第一個方向是爭奪未來人工智能的入口，包括家居的入口、汽車的入口等等，這些未來的入口扮演著比較重要的交互作用，例如Google的語音交互，百度的百度大腦。

　　第二個方向是生態(tài)系統(tǒng)的競爭，入口很容易切換，那么就要通過生態(tài)提高切換成本，通過開源技術(shù)，通過推薦算法，當然也要依靠于物聯(lián)網(wǎng)的延伸與發(fā)展。而像京東、當當這類的大公司，他們最大的競爭力在物流和海量的數(shù)據(jù)上，所以在技術(shù)上可以購買，但并不那么著急。

　　小公司的主戰(zhàn)場在垂直領(lǐng)域的應用，通過人工智能的浪潮來改進尚未完成移動化的行業(yè)。例如金融行業(yè)，它在人工智能時代的市場規(guī)模、空間應該會比移動時代更加廣大;例如企業(yè)級的服務，現(xiàn)在在國內(nèi)處在非常落后的狀態(tài)。蔣濤說：“相對來說容易做的事情已經(jīng)做完了，剩下的事情都是硬骨頭，但我相信還會有跑出來大的公司，當然有數(shù)據(jù)的公司會更容易跑出來。”

　　實際上，目前人工智能的應用和落地方式還極其有限。幾乎所有人工智能的最新進展都是通過一種類型來完成：輸入數(shù)據(jù)(A)快速生成簡單的回應(B)，舉個例子：

　　這么一個簡單的輸入 A 和輸出 B 將改變許多行業(yè)，而構(gòu)建由 A→B 的技術(shù)被稱為監(jiān)督學習。A→B 系統(tǒng)發(fā)展速度很快，這其中深度學習很大程度上受大腦的工作原理啟發(fā)。但A→B 系統(tǒng)距離科幻片中存在情感的機器人還差得很遠，人類的智能也遠遠比 A→B 系統(tǒng)高級得多。

　　那么 A→B 這個系統(tǒng)能做什么?關(guān)于其顛覆性影響，這里列一個法則：如果人類進行一項思考時間少于一秒的任務，那么不遠的將來或許我們能用人工智能自動化完成這項任務。

　　百度首席科學家吳恩達表示，人們在人工智能應用方面已經(jīng)做了很多有價值的研究：在監(jiān)控視頻中檢測可疑行為、汽車即將撞到行人時自動急剎車、自動刪除網(wǎng)上的黃暴內(nèi)容，上述任務均可在一秒之內(nèi)完成。當然，這些技術(shù)更適合與大的產(chǎn)業(yè)業(yè)務相結(jié)合。

　　互聯(lián)網(wǎng)實現(xiàn)了基礎(chǔ)設(shè)施可以跑、數(shù)據(jù)可以連，人工智能其實在另外一個維度上提升了我們整個的應用效率，它試圖解決的是生產(chǎn)資料及勞動力上的問題。人工智能是產(chǎn)業(yè)智能化升級的強大工具，正在改變包括通信、醫(yī)療、教育等在內(nèi)的所有領(lǐng)域。

　　通信領(lǐng)域

　　通信網(wǎng)絡一般有兩大任務，一個是網(wǎng)絡的控制，一個是網(wǎng)絡的管理和維護。網(wǎng)絡控制就是怎么樣在一個通信網(wǎng)絡中進行有效地資源調(diào)度，從而提高網(wǎng)絡的使用效率，更好地服務于用戶。網(wǎng)絡管理和維護就是準確理解網(wǎng)絡需求，進行最優(yōu)化的網(wǎng)絡設(shè)計及部署;并能夠?qū)崟r感知網(wǎng)絡狀況，及時排除故障。而人工智能會使得未來的通信網(wǎng)絡越來越不需要人，整個網(wǎng)絡的控制基本是全自動的，只需要很少的專家參與就可以把整個通信網(wǎng)絡的事情全部搞定。

　　醫(yī)療領(lǐng)域

　　李彥宏在介紹百度人工智能在醫(yī)療領(lǐng)域的應用時，提到四個層次，分別是O2O服務、智能問診、基因分析與精準醫(yī)療、新藥研發(fā)。

　　第一個層次：百度醫(yī)生現(xiàn)在已經(jīng)有50萬的醫(yī)生參與咨詢，累計有800萬人通過百度醫(yī)生平臺來獲得相關(guān)的醫(yī)療服務。

　　第二個層次：在智能問診的小測試中，百度醫(yī)生的診斷和北大國際醫(yī)院的醫(yī)生診斷，在80%的情況下是一致的，而且它可能在一些比較罕見的情況下表現(xiàn)更好。當然這些技術(shù)除了對大量的醫(yī)療知識進行機器學習外，也需要對病人表述的理解能力不斷地提升。

　　第三個層次：用基因來進行治病，最大的一個問題是大多數(shù)已知的基因?qū)е碌募膊《际菃位驅(qū)е碌?，而這些病又大多是罕見病，大多常見病是多基因?qū)е碌?。通過大量的計算，人工智能可以幫助醫(yī)生搞清楚一個病是由哪些基因共同作用導致的。

　　第四個層次：今天已知的、有可能形成藥的小分子化合物大概是10的33次方那么多，這可能比全宇宙所有的原子加起來還要多。這樣的一個量，怎樣用它的分子式跟產(chǎn)生疾病的蛋白去合在一起，用來治病?怎樣對未知的那些分子式進行大量的篩選，找到有效的新藥?計算機科學、人工智能能夠在這方面有所幫助。

　　教育

　　教育行業(yè)其實是一個試錯成本非常高的行業(yè)，誰也不會拿孩子的成績來做實驗。醫(yī)療行業(yè)同樣如此，的確人工智能可以在圖像識別及診斷分析上給出建議，不過一旦出現(xiàn)醫(yī)療糾紛或因此而耽誤了病人的病情，責任由誰來承擔。

　　另一個方面，這兩個行業(yè)決策鏈條很長。它涉及的利益方很多，教育行業(yè)有學校、老師、家長、學生，在醫(yī)療行業(yè)就是醫(yī)院、醫(yī)生、病人。同時，這兩個行業(yè)又是國家相對高度管制的行業(yè)。

　　德聯(lián)資本合伙人賈靜表示，無論教育及醫(yī)療這兩個行業(yè)有多少困難，資本還是非常關(guān)注。因為為教育及健康買單的用戶，付費意愿及能力都非常強。這條路雖然曲折，但前途特別光明。

　　實際上，教育行業(yè)要比醫(yī)療行業(yè)走得更靠前一些。目前在教育行業(yè)，已經(jīng)有許多人工智能技術(shù)應用。比如人工智能深度參與到教、學、練、測、評的環(huán)節(jié)中，加快個性化教學的進程。但這需要積累大量真實有效的數(shù)據(jù)，誰能在整個教育環(huán)節(jié)積累到足夠多的數(shù)據(jù)就有可能跑到前面。

　　另一方面，教育行業(yè)一直想解決的問題是如何在供給側(cè)做到規(guī)模又經(jīng)濟，老師該怎么培訓和管理。那么人工智能介入教育行業(yè)，以前由老師來解決的問題，可能70%-80%由人工智能來解決。這就從生產(chǎn)成本上進行了改革，根本上解決了生產(chǎn)資料和勞動力的分配問題，而不只是交易成本最小化。所以人工智能帶給行業(yè)的變革，要比移動互聯(lián)網(wǎng)大得多。

　　To C應用

　　幾年前出來的一些人工智能公司，技術(shù)發(fā)展已經(jīng)相對成熟，比如科大訊飛，當年剛出來做的產(chǎn)品并不是那么流暢，但現(xiàn)在做得已經(jīng)不錯了。所以，技術(shù)差別不大的情況下，想要從技術(shù)上突破還是比較困難的，那就需要找到一個能夠激發(fā)用戶極致體驗的點，看用戶的體驗是不是超過了用戶對產(chǎn)品的期待。

　　比如做語音命令，亞馬遜Echo的一系列產(chǎn)品，拿到中國后就變成了純音響，用戶覺得這和漫步者差不多，它產(chǎn)生不了「哇」的這種感受，沒有這些感受就沒有辦法轉(zhuǎn)換成購買。一旦歸類錯了，大家不會考慮花更多的錢來買一個同類的產(chǎn)品。

　　華創(chuàng)資本合伙人熊偉銘表示，在To C領(lǐng)域可以突破的將會是無人車，但會涉及到監(jiān)管問題。政府是否允許無人車在公路上跑，出了事故是算機器的責任還是人的責任，人們會有一些常識性的擔心。人類出于本能，對同類的信心要遠遠超出那些我們不了解其原理的事物。比如在醫(yī)療領(lǐng)域，雖然醫(yī)生資源十分短缺，但依然不會允許機器給人看病。沒有數(shù)據(jù)能證明機器的誤診率和醫(yī)生的誤診率是不一樣的，也阻礙了它進一步的發(fā)展及商用化。

　　這個鴻溝不是不可能逾越，而是需要很長的周期。就像汽車確實比馬車更先進，但也經(jīng)歷了1865年英國議會針對蒸汽汽車制訂的「紅旗法案」這種看起來很荒唐的階段，而未來無人車可能要經(jīng)歷一樣的道路。這其中，除了信心，制度監(jiān)管要占60%的因素。比如現(xiàn)在是不允許無人車在公路上運行，無論這輛無人車做了多少實驗，比如醫(yī)療領(lǐng)域，數(shù)據(jù)不能出醫(yī)院這一類法規(guī)還是大量存在。

　　如果無人車這么難的事都實現(xiàn)了，可能包括看病或者政府的行政事務會慢慢放開。創(chuàng)業(yè)者要找一個行政環(huán)節(jié)最弱的點先切入，慢慢到一些行政壁壘很高的市場中去。

　　熊偉銘是也最早看移動互聯(lián)網(wǎng)領(lǐng)域的投資人之一，他說：“現(xiàn)在無人車的發(fā)展已經(jīng)非常了不起了，這可能還只是一個小開始，但它發(fā)展到中期可能已經(jīng)超過了移動互聯(lián)網(wǎng)的小高峰。”雖然人工智能大潮可能不會像移動互聯(lián)網(wǎng)這么密集地爆發(fā)，但會比移動互聯(lián)網(wǎng)持續(xù)時間更長，一波接一波，發(fā)展到最后，這個領(lǐng)域會有巨大的成長和收獲。

　　在此他也給創(chuàng)業(yè)者提出建議，無論創(chuàng)業(yè)者進入到To B還是To C的領(lǐng)域都要選好市場及切入點，因為在機器學習上，它解決的是提高內(nèi)部效率的問題。“你會活得更好一點，但這并不能改變你所從事的行業(yè)或領(lǐng)域的市場大小。原來需要100個人干的事現(xiàn)在只需要10個人，但是一個公司能解決1000人的問題，那你加上人工智能的技術(shù)也只能解決那1000人的問題，只不過原來能賺10元，現(xiàn)在能賺100元。”

　　人工智能面臨的五大考驗

　　在這場討論中，我們還得出以下結(jié)論：目前人工智能雖處于寒武紀的大爆發(fā)階段，但也很可能再度面臨寒潮。具體來說，人工智能可能會面臨這五大考驗：

　　第一大考驗：理論鴻溝很難逾越。

　　目前人工智能在學習上遵循的理論依然是上個世紀80年代提出的，人們并沒有從本質(zhì)上理解人類的學習原理，從監(jiān)督學習到無監(jiān)督學習的方法還在探索。如果將人工智能比作建造太空火箭，計算能力和數(shù)據(jù)是燃料，理論就是發(fā)動機。如果你有許多燃料但只擁有小功率發(fā)動機，你的火箭大概無法飛離地面。如果你擁有大功率發(fā)動機但只有一點點燃料，你的火箭即使飛上天也無法進入軌道。

　　目前的人工智能技術(shù)多數(shù)都要依靠形態(tài)匹配，在監(jiān)督式學習下，輸入訓練數(shù)據(jù)，每組訓練數(shù)據(jù)有一個明確的標識或結(jié)果。人們將預測結(jié)果與「訓練數(shù)據(jù)」的實際結(jié)果進行比較，不斷調(diào)整預測模型，直到模型的預測結(jié)果達到一個預期的準確率。

　　而無監(jiān)督學習中，計算機無需人類幫助的情況下，像人類一樣自己學習知識。計算機并不被告知怎么做，而是采用一定的激勵制度來訓練機器人培養(yǎng)出正確的分類。無監(jiān)督學習方式是機器人工智能發(fā)展的關(guān)鍵技能之一。“目前朝著良性的趨勢發(fā)展，但還未達到我們希望的階段。”微軟亞洲研究院院長芮勇表示。

　　第二大考驗：知識表達問題。

　　許多輸入的數(shù)據(jù)其實都經(jīng)過了人腦抽象，但大家看不到，就好比你看到地面上的竹子每一根都是獨立的，但它的地下莖聯(lián)系是非常緊密的。若要完成形式化知識結(jié)構(gòu)的搭建，是需要很多知識的，而機器中沒有人腦中的背景知識，所以數(shù)據(jù)中蘊含的信息是不完整的，繼而計算不出正確的結(jié)果。

　　如果將這些信息補足，是有可能用機器處理的。但同時要看到的是這些信息很難補足，一方面是因為很多人腦中的知識難以形式化，另一方面，補什么補多少才能達到特定的效果，很難衡量。并且人腦輸出的信息帶寬太小，很難通過一個人來補足機器中沒有的知識，而多人協(xié)同又存在知識相互不兼容的問題。所以知識太多，知識難以形式化，人腦輸出太慢，成為了知識表達的三大障礙。

　　海云數(shù)據(jù)的首席數(shù)據(jù)科學家趙丹表示，目前大公司基本上通過知識圖譜來解決知識表達的問題，但這不是根本的解決方法。知識圖譜雖然能在小的特定領(lǐng)域解決一部分數(shù)據(jù)稀疏問題，但圖譜本身也有稀疏的問題，并且依賴人工構(gòu)建，規(guī)模有限。遷移學習也能夠發(fā)揮一定作用，但目前還沒有把這些解決技術(shù)整合起來，形成一個完整的智能體系的理論架構(gòu)。

　　同時趙丹還認為，深度學習的研究一定程度上已經(jīng)到達瓶頸期，現(xiàn)在到了需要將深度學習現(xiàn)有的成果轉(zhuǎn)化成產(chǎn)品的時候，比如Deepmind前段時間發(fā)布的唇語識別成果，再往前比如AlphaGo的博弈策略學習。“而形成產(chǎn)品是件很難的事情，像我們熟知的人臉識別，雖然已有不少創(chuàng)業(yè)公司做了好幾年，但現(xiàn)在仍然沒有生產(chǎn)出成熟的產(chǎn)品。工程上的坑不比研究上的少，如若跨不過去就沒有辦法做出產(chǎn)品。”

　　在科學理論上的進步很多是偶然事件，說不準下次會是什么時候。深度學習的成果轉(zhuǎn)換期，到下次深度學習的進步期之間其實還是會有可能出現(xiàn)寒潮。

　　第三大考驗：人才問題。

　　圖像識別方面的成就像一把發(fā)令槍，啟動了一場人才爭奪賽。有人曾說：“這個領(lǐng)域的人才戰(zhàn)相當血腥，一流的人才就像NFL足球運動員。”

　　谷歌在 2011年推出專注深度學習的谷歌大腦計劃(Google Brain Project)，2013年3月得到了神經(jīng)網(wǎng)絡先驅(qū)Geoffrey Hinton的加入，現(xiàn)在有超過1000個深度學習項目。

　　Facebook在2013年12月聘請了法國神經(jīng)網(wǎng)絡創(chuàng)新者Yann LeCun作為它的新AI實驗室的帶頭人。平均每天使用神經(jīng)網(wǎng)絡翻譯來自超過40種語言國家的20億用戶的帖子，這些翻譯的內(nèi)容每天被8000萬用戶閱讀。

　　百度在2014年4月聘請了谷歌腦計劃的前負責人吳恩達作為它的人工智能實驗室的領(lǐng)頭人，主攻語音識別等關(guān)鍵領(lǐng)域。

　　但蔣濤指出：現(xiàn)在人工智能領(lǐng)域的理論掌握在頂尖教授手上，但應用的數(shù)據(jù)在公司手上。頂尖教授一般會有與同行進行交流、發(fā)表研究成果的訴求，但公司的研發(fā)卻要求不能透露商業(yè)核心秘密，甚至要將這個科學家雪藏起來，比如蘋果現(xiàn)在人工智能的領(lǐng)導者是誰，我們都還不知道。這里面存在天然的沖突，很可能成為制約人工智能發(fā)展的瓶頸。

　　第四大考驗：資本化問題。

　　由于人工智能是巨頭公司的天下，所以「被并購」是許多初創(chuàng)公司的宿命。當前，谷歌、IBM、雅虎、英特爾、蘋果、Salesforce以及國內(nèi)的百度、阿里等互聯(lián)網(wǎng)科技巨頭公司布局勢頭「兇猛」，引發(fā)了一場全球范圍內(nèi)的人工智能投資收購熱潮。

　　根據(jù)風投數(shù)據(jù)公司CB Insights的統(tǒng)計數(shù)據(jù)顯示，2011年起，拿到融資的人工智能創(chuàng)業(yè)公司里面有近一半(140家)都被收購了，其中2016年就有40家。主力買主是谷歌、Twitter、IBM、雅虎、英特爾和蘋果，谷歌以11次收購的成績位列榜首。

　　*圖片來源：CB Insights

　　然而，一些巨頭公司在并購人工智能初創(chuàng)公司的時候卻面臨著重重問題。專注于大數(shù)據(jù)人工智能領(lǐng)域投資并購的前海梧桐并購母基金總經(jīng)理馬春峰道出了自己看法：

　　首先，反觀目前國內(nèi)人工智能企業(yè)估值偏高，僅有2~3人的早期初創(chuàng)公司有時開價達1~2億元，較成熟公司的估值甚至比上市公司還高。這種高估值企業(yè)有時甚至讓產(chǎn)業(yè)投資者難以接受，結(jié)果導致某些上市公司和產(chǎn)業(yè)基金紛紛出海，布局硅谷、以色列等海外市場。

　　不過，上市公司或產(chǎn)業(yè)基金布局海外市場都需要考慮落地問題，這時候溝通成本、管理成本、人員適應本地化成本便會增加。因此，如何降低成本成為布局海外市場的一大難題。

　　其次，上市公司在投資初創(chuàng)企業(yè)時多對其業(yè)績有要求，這就使得它們在投資并購時傾向于選擇較為成熟的AI公司。然而目前國內(nèi)人工智能領(lǐng)域的創(chuàng)業(yè)公司在整體效果上并沒有達到上市公司的期望值，許多初創(chuàng)公司的成熟度與上市公司自身業(yè)務發(fā)展的匹配度也不夠高。

　　所以，現(xiàn)在多數(shù)上市公司采取的方式是先在體外投資孵化，待孵化的公司成熟到一定程度時再裝進上市公司內(nèi)部。

　　另外，有些上市公司自身也存在追逐熱點的問題，在并不具備布局大數(shù)據(jù)、人工智能產(chǎn)業(yè)的基因的情況下，但卻在積極布局。這使得被投資或并購來的公司不能匹配上市公司的業(yè)務、管理能力和戰(zhàn)略發(fā)展方向，反而導致初創(chuàng)公司的未來發(fā)展受到了限制。

　　第五大考驗：安全問題。

　　這里面的安全不是某一項人工智能產(chǎn)品是否存在風險，而是對強人工智能何時出現(xiàn)的整體的考量。

　　其中，比較極端的觀點來自于未來學家雷·庫茲韋爾(Ray Kurzweil )，他提出摩爾定律的擴展定理，認為很多技術(shù)處于指數(shù)增長中;后來又發(fā)表奇點理論，預測技術(shù)在突破一個稱之為奇點的臨界點后將實現(xiàn)爆發(fā)性增長，在2045年左右會出現(xiàn)自己思考的人工智能。

　　當然，在大多數(shù)行業(yè)專家看來這是個偽命題。吳恩達表示「人工智能毀滅人類論」就是炒作，目前我們的科技還停留在弱人工智能階段，強人工智能目只存在于科幻片。

　　對于人工智能的安全性，扎克伯格的觀點代表了中國創(chuàng)投界大多數(shù)的想法：我們過度擔憂人工智能，將阻礙人工智能實際的進步。現(xiàn)在擔憂人工智能的安全性，就如同兩百年前擔心要是以后有飛機了飛機墜毀怎么辦一樣。我們要先造出飛機，再擔心飛機的安全性。