这两天，有朋友慨叹道：“2016年对人工智能来说是含义特殊的一年，或许在技能范畴的感知并不显着，在商业层面的「成功」却是史无前例的。”是呀，从年头AlphaGo和李世石的围棋大战，再到一场场和人工智能有关的发布会。不管怎样，人工智能总算跳出了试验室的禁闭，成为活泼在科技范畴的中心力气。

　　每逢一个事物鼓起的时分，随之而来的便是许多的观念与估测，其间最受欢迎的往往是那些最斗胆的；然后每添加一个论据，都会让咱们对这个观念愈加坚信无疑。就像从Alpha Go打败李世石后，人工智能在言辞中强势回暖，然后李彦宏在世界互联网大会上的言辞，也再度加强了人们对它的重视。

　　不只百度，马化腾在2015年6月的讲演中也说道：人工智能是我最想做的作业。马云也在2015年5月内部信中写道：未来三十年云核算、大数据、人工智能等技能将会让许多的梦想成真。

　　现在世界互联网巨子纷繁进场， 亚马逊的Alexa、苹果的 Siri、微软的 Cortana，作为人工智能的第一块敲门砖，现已被较为广泛的运用；查找、翻译、地图、无人车，深度学习的影子无处不在，人工智能正在重构人类的日子。

　　数据量： 2000年至今，互联网及移动互联网的高速开展使得数据完结了量的堆集，据IDC猜测，2020年全球的大数据总量将为40ZB，其间有七成将会以图片和视频的办法进行存储，这为人工智能的开展供应了丰盛的土壤。

　　深度学习算法：多伦多大学教授Geoffrey Hinton（致力于神经网络和深度学习研讨）的学生在业界闻名的图像辨认竞赛ImageNet中运用深度学习的算法将辨认错误率一举下降了10%，乃至超越了谷歌，深度学习然后名声大噪。2015年，微软亚洲研讨院视觉核算组在该项竞赛中夺冠，将系统错误率下降至3.57%，现已超越了人眼。

　　高性能核算：GPU呼应速度快、对能源需求低，可以平行处理许多琐碎信息，并在高速情况下剖析海量数据，有用满意人工智能开展的需求。

　　基础设施本钱：云核算的遍及和GPU的广泛运用，极大前进了运算功率，也在必定程度上下降了运营本钱。IDC陈述显现，数据基础设施本钱正在敏捷下降，从2010年的每单位9美元下降到了2015年的0.2美元。

　　与此一起，巨子和创业公司也相继投入资源和本钱进行商业化探究，但技能本身尚有足够大的生长空间，其时仍处于前期阶段。

　　在极客帮创投开创合伙人蒋涛看来，大公司在这三个层面赢家通吃，而小公司只能依托单点打破，以及在传统职业优势前进行包围。

　　大公司（100亿市值以上）的主战场在于抢夺未来人工智能的制高点，这分为两个方向，第一个方向是抢夺未来人工智能的进口，包含家居的进口、轿车的进口等等，这些未来的进口扮演着比较重要的交互作用，例如Google的语音交互，百度的百度大脑。

　　第二个方向是生态系统的竞赛，进口很简略切换，那么就要经过生态前进切换本钱，经过开源技能，经过引荐算法，当然也要依托于物联网的延伸与开展。而像京东、当当这类的大公司，他们最大的竞赛力在物流和海量的数据上，所以在技能上可以购买，但并不那么着急。

　　小公司的主战场在笔直范畴的运用，经过人工智能的浪潮来改善没有完结移动化的职业。例如金融职业，它在人工智能年代的商场规划、空间应该会比移动年代愈加广阔；例如企业级的服务，现在在国内处在十分落后的情况。蒋涛说：“相对来说简略做的作业现已做完了，剩余的作业都是硬骨头，但我信任还会有跑出来大的公司，当然有数据的公司会更简略跑出来。”

　　实践上，现在人工智能的运用和落地办法还极点有限。简直一切人工智能的最新进展都是经过一种类型来完结：输入数据（A）快速生成简略的回应（B），举个比方：

　　这么一个简略的输入A和输出B将改动许多职业，而构建由 A→B的技能被称为监督学习。A→B 系统开展速度很快，这其间深度学习很大程度上受大脑的作业原理启示。但A→B 系统间隔科幻片中存在情感的机器人还差得很远，人类的智能也远远比A→B系统高档得多。

　　那么A→B这个系统能做什么？关于其颠覆性影响，这儿列一个规律：假如人类进行一项考虑时刻少于一秒的使命，那么不远的将来或许咱们能用人工智能主动化完结这项使命。

　　百度首席科学家吴恩达表明，人们在人工智能运用方面现已做了许多有价值的研讨：在监控视频中检测可疑行为、轿车行将撞到行人时主动急刹车、主动删去网上的黄暴内容，上述使命均可在一秒之内完结。当然，这些技能更适合与大的工业事务相结合。

　　互联网完结了基础设施可以跑、数据可以连，人工智能其实在别的一个维度上前进了咱们整个的运用功率，它企图处理的是生产资料及劳动力上的问题。人工智能是工业智能化晋级的强壮东西，正在改动包含通讯、医疗、教育等在内的一切范畴。

　　通讯网络一般有两大使命，一个是网络的操控，一个是网络的办理和保护。网络操控便是怎样样在一个通讯网络中进行有用地资源调度，然后前进网络的运用功率，更好地服务于用户。网络办理和保护便是精确了解网络需求，进行最优化的网络规划及布置；并可以实时感知网络情况，及时排除故障。而人工智能会使得未来的通讯网络越来越不需求人，整个网络的操控基本是全主动的，只需求很少的专家参加就可以把整个通讯网络的作业悉数搞定。

　　李彦宏在介绍百度人工智能在医疗范畴的运用时，说到四个层次，分别是O2O服务、智能问诊、基因剖析与精准医疗、新药研制。

　　第一个层次：百度医师现在现已有50万的医师参加咨询，累计有800万人经过百度医师渠道来取得相关的医疗服务。

　　第二个层次：在智能问诊的小测验中，百度医师的确诊和北大世界医院的医师确诊，在80%的情况下是一起的，而且它或许在一些比较稀有的情况下体现更好。当然这些技能除了对许多的医疗常识进行机器学习外，也需求对患者表述的了解才干不断地前进。

　　第三个层次：用基因来进行治病，最大的一个问题是大大都已知的基因导致的疾病都是单基因导致的，而这些病又大多是稀有病，大多常见病是多基因导致的。经过许多的核算，人工智能可以协助医师搞清楚一个病是由哪些基因一起作用导致的。

　　第四个层次：今日已知的、有或许构成药的小分子化合物大约是10的33次方那么多，这或许比全宇宙一切的原子加起来还要多。这样的一个量，怎样用它的分子式跟发生疾病的蛋白去合在一起，用来治病？怎样对不知道的那些分子式进行许多的挑选，找到有用的新药？核算机科学、人工智能可以在这方面有所协助。

　　教育职业其实是一个试错本钱十分高的职业，谁也不会拿孩子的作用来做试验。医疗职业相同如此，的确人工智能可以在图像辨认及确诊剖析上给出主张，不过一旦呈现医疗纠纷或因而而耽误了患者的病况，职责由谁来承当。

　　另一个方面，这两个职业决议方案链条很长。它触及的利益方许多，教育职业有校园、教师、家长、学生，在医疗职业便是医院、医师、患者。一起，这两个职业又是国家相对高度控制的职业。

　　德联本钱合伙人贾静表明，不管教育及医疗这两个职业有多少困难，本钱仍是十分重视。因为为教育及健康买单的用户，付费志愿及才干都十分强。这条路尽管弯曲，但出路特别光亮。

　　实践上，教育职业要比医疗职业走得更靠前一些。现在在教育职业，现已有许多人工智能技能运用。比方人工智能深度参加到教、学、练、测、评的环节中，加速个性化教育的进程。但这需求堆集许多真实有用的数据，谁能在整个教育环节堆集到足够多的数据就有或许跑到前面。

　　另一方面，教育职业一向想处理的问题是如安在供应侧做到规划又经济，教师该怎样练习和办理。那么人工智能介入教育职业，曾经由教师来处理的问题，或许70%-80%由人工智能来处理。这就从生产本钱前进行了革新，底子上处理了生产资料和劳动力的分配问题，而不仅仅交易本钱最小化。所以人工智能带给职业的革新，要比移动互联网大得多。

　　几年前出来的一些人工智能公司，技能开展现已相对老练，比方科大讯飞，当年刚出来做的产品并不是那么流通，但现在做得现已不错了。所以，技能不同不大的情况下，想要从技能上打破仍是比较困难的，那就需求找到一个可以激起用户极致体会的点，看用户的体会是不是超越了用户对产品的等待。

　　比方做语音指令，亚马逊Echo的一系列产品，拿到我国后就变成了纯音响，用户觉得这和漫步者差不多，它发生不了「哇」的这种感触，没有这些感触就没有办法转换成购买。一旦归类错了，咱们不会考虑花更多的钱来买一个同类的产品。

　　华创本钱合伙人熊伟铭表明，在To C范畴可以打破的将会是无人车，但会触及到监管问题。政府是否答应无人车在公路上跑，出了事端是算机器的职责仍是人的职责，人们会有一些常识性的忧虑。人类出于天性，对同类的决心要远远超出那些咱们不了解其原理的事物。比方在医疗范畴，尽管医师资源十分缺少，但依然不会答应机器给人治病。没有数据能证明机器的误诊率和医师的误诊率是不相同的，也阻止了它进一步的开展及商用化。

　　1896年1月20日，一名叫沃尔塔·阿诺尔德的英国人因违背限速规则而被处以罚款，成为世界上第一个因超速而被罚的轿车司机。其时他的车速只要13公里/时。到1896年「红旗法」被废止之前，英国对轿车的研制简直处于阻滞情况，在英国轿车开展史上留下了可悲的一页。

　　这个距离不是不或许跨越，而是需求很长的周期。就像轿车的确比马车更先进，但也阅历了1865年英国议会针对蒸汽轿车制定的「红旗法案」这种看起来很荒诞的阶段，而未来无人车或许要阅历相同的路途。这其间，除了决心，准则监管要占60%的要素。比方现在是不答应无人车在公路上运转，不管这辆无人车做了多少试验，相似医疗范畴，数据不能出医院这一类法规仍是许多存在。

　　假如无人车这么难的事都完结了，或许包含治病或许政府的行政事务会渐渐铺开。创业者要找一个行政环节最弱的点先切入，渐渐到一些行政壁垒很高的商场中去。

　　熊伟铭是也最早看移动互联网范畴的出资人之一，他说：“现在无人车的开展现已十分了不得了，这或许还仅仅一个小开端，但它开展到中期或许现已超越了移动互联网的小顶峰。”尽管人工智能大潮或许不会像移动互联网这么密布地迸发，但会比移动互联网持续时刻更长，一波接一波，开展到最后，这个范畴会有巨大的生长和收成。

　　在此他也给创业者提出主张，不管创业者进入到To B仍是To C的范畴都要选好商场及切入点，因为在机器学习上，它处理的是前进内部功率的问题。“你会活得更好一点，但这并不能改动你所从事的职业或范畴的商场巨细。本来需求100个人干的事现在只需求10个人，可是一个公司能处理1000人的问题，那你加上人工智能的技能也只能处理那1000人的问题，只不过本来能赚10元，现在能赚100元。”

　　在这场评论中，咱们还得出以下定论：现在人工智能虽处于寒武纪的大迸发阶段，但也很或许再度面对寒流。具体来说，人工智能或许会面对这五大检测：

　　现在人工智能在学习上遵从的理论依然是上个世纪80年代提出的，人们并没有从本质上了解人类的学习原理，从监督学习到无监督学习的办法还在探究。假如将人工智能比作制作太空火箭，核算才干和数据是燃料，理论便是发动机。假如你有许多燃料但只具有小功率发动机，你的火箭大约无法飞离地上。假如你具有大功率发动机但只要一点点燃料，你的火箭即便飞上天也无法进入轨迹。

　　现在的人工智能技能大都都要依托形状匹配，在监督式学习下，输入练习数据，每组练习数据有一个清晰的标识或作用。人们将猜测作用与「练习数据」的实践作用进行比较，不断调整猜测模型，直到模型的猜测作用抵达一个预期的精确率。

　　而无监督学习中，核算机无需人类协助的情况下，像人类相同自己学习常识。核算机并不被奉告怎样做，而是选用必定的鼓励准则来练习机器人培养出正确的分类。无监督学习办法是机器人工智能开展的要害技能之一。“现在朝着良性的趋势开展，但还未抵达咱们期望的阶段。”微软亚洲研讨院院长芮勇表明。

　　许多输入的数据其实都经过了人脑笼统，但咱们看不到，就好比你看到地上上的竹子每一根都是独立的，但它的地下茎联络是十分严密的。若要完结办法化常识结构的建立，是需求许多常识的，而机器中没有人脑中的布景常识，所以数据中包含的信息是不完好的，继而核算不出正确的作用。

　　假如将这些信息补足，是有或许用机器处理的。但一起要看到的是这些信息很难补足，一方面是因为许多人脑中的常识难以办法化，另一方面，补什么补多少才干抵达特定的作用，很难衡量。而且人脑输出的信息带宽太小，很难经过一个人来补足机器中没有的常识，而多人协同又存在常识相互不兼容的问题。所以常识太多，常识难以办法化，人脑输出太慢，成为了常识表达的三大妨碍。

　　海云数据的首席数据科学家赵丹表明，现在大公司基本上经过常识图谱来处理常识表达的问题，但这不是底子的处理办法。常识图谱尽管能在小的特定范畴处理一部分数据稀少问题，但图谱本身也有稀少的问题，而且依靠人工构建，规划有限。搬迁学习也可以发挥必定作用，但现在还没有把这些处理技能整合起来，构成一个完好的智能系统的理论架构。

　　一起赵丹还以为，深度学习的研讨必定程度上现已抵达瓶颈期，现在到了需求将深度学习现有的作用转化成产品的时分，比方Deepmind前段时刻发布的唇语辨认作用，再往前比方AlphaGo的博弈战略学习。“而构成产品是件很难的作业，像咱们熟知的人脸辨认，尽管已有不少创业公司做了好几年，但现在依然没有生产出老练的产品。工程上的坑不比研讨上的少，如若跨不过去就没有办法做出产品。”

　　在科学理论上的前进许多是偶尔事情，说不准下次会是什么时分。深度学习的作用转换期，到下次深度学习的前进期之间其实仍是会有或许呈现寒流。

　　图像辨认方面的成就像一把发令枪，启动了一场人才抢夺赛。有人曾说：“这个范畴的人才战适当血腥，一流的人才就像NFL足球运动员。”

　　谷歌在2011年推出专心深度学习的谷歌大脑方案（Google Brain Project），2013年3月得到了神经网络前驱Geoffrey Hinton的参加，现在有超越1000个深度学习项目。

　　Facebook在2013年12月聘请了法国神经网络立异者Yann LeCun作为它的新AI试验室的带头人。均匀每天运用神经网络翻译来自超越40种言语国家的20亿用户的帖子，这些翻译的内容每天被8000万用户阅览。

　　百度在2014年4月聘请了谷歌脑方案的前负责人吴恩达作为它的人工智能试验室的领头人，主攻语音辨认等要害范畴。

　　但蒋涛指出：现在人工智能范畴的理论把握在顶尖教授手上，但运用的数据在公司手上。顶尖教授一般会有与同行进行交流、宣布研讨作用的诉求，但公司的研制却要求不能泄漏商业中心隐秘，乃至要将这个科学家雪藏起来，比方苹果现在人工智能的领导者是谁，咱们都还不知道。这儿面存在天然的抵触，很或许成为约束人工智能开展的瓶颈。

　　因为人工智能是巨子公司的全国，所以「被并购」是许多草创公司的宿命。其时，谷歌、IBM、yahoo、英特尔、苹果、Salesforce以及国内的百度、阿里等互联网科技巨子公司布局气势「凶狠」，引发了一场全球范围内的人工智能出资收买热潮。

　　依据风投数据公司CB Insights的统计数据显现，2011年起，拿到融资的人工智能创业公司里边有近一半（140家）都被收买了，其间2016年就有40家。主力买主是谷歌、Twitter、IBM、yahoo、英特尔和苹果，谷歌以11次收买的作用位列第一。

　　但是，一些巨子公司在并购人工智能草创公司的时分却面对着重重问题。专心于大数据人工智能范畴出资并购的前海梧桐并购母基金总经理马春峰道出了自己观念：

　　首要，反观现在国内人工智能企业估值偏高，仅有2~3人的前期草创公司有时开价达1~2亿元，较老练公司的估值乃至比上市公司还高。这种高估值企业有时乃至让工业出资者难以承受，作用导致某些上市公司和工业基金纷繁出海，布局硅谷、以色列等海外商场。

　　不过，上市公司或工业基金布局海外商场都需求考虑落地问题，这时分交流本钱、办理本钱、人员习惯本地化本钱便会添加。因而，怎么下降本钱成为布局海外商场的一大难题。

　　其次，上市公司在出资草创企业时多对其成绩有要求，这就使得它们在出资并购时倾向于挑选较为老练的AI公司。但是现在国内人工智能范畴的创业公司在全体作用上并没有抵达上市公司的期望值，许多草创公司的老练度与上市公司本身事务开展的匹配度也不够高。

　　所以，现在大都上市公司采纳的办法是先在体外出资孵化，待孵化的公司老练到必定程度时再装进上市公司内部。

　　别的，有些上市公司本身也存在追逐热门的问题，在并不具有布局大数据、人工智能工业的基因的情况下，但却在活跃布局。这使得被出资或并购来的公司不能匹配上市公司的事务、办理才干和战略开展方向，反而导致草创公司的未来开展受到了约束。

　　其间，比较极点的观念来自于未来学家雷·库兹韦尔(Ray Kurzweil )，他提出摩尔定律的扩展定理，以为许多技能处于指数增加中；后来又宣布奇点理论，猜测技能在打破一个称之为奇点的临界点后将完结迸发性增加，在2045年左右会呈现自己考虑的人工智能。

　　当然，在大大都职业专家看来这是个伪出题。吴恩达表明「人工智能消灭人类论」便是炒作，现在咱们的科技还停留在弱人工智能阶段，强人工智能目只存在于科幻片。

　　关于人工智能的安全性，扎克伯格的观念代表了我国创投界大大都的主意：咱们过度忧虑人工智能，将阻止人工智能实践的前进。现在忧虑人工智能的安全性，就好像两百年前忧虑要是今后有飞机了飞机坠毁怎样办相同。咱们要先造出飞机，再忧虑飞机的安全性。