大数据、机器学习、人工智能是不是泡沫发展到了什么程度是不是媒体炒作的结果
我来讨论下大数据是不是泡沫，给大家以参考。（节选自知乎live分享“大数据人的职业生涯规划”）首先，我们先聊聊2000年前后的互联网泡沫究竟是什么回事。在1999年，美国处于一个相对低息大概4%的经济周期，大量的流动性涌入以互联网为代表的新兴经济体，另一方面，股市也在“新经济概念＋营收增长＋新商业模式带来预期高速增长”的故事神话下，所有的人都心潮澎湃，nasdq指数陡然攀升，很多企业在ipo的时候，就能享受2-5倍的股价攀升，分析师、投资者、企业家、风投、银行全部都陷入狂热的情绪当中，感觉所有的人都是赢家没有失败者。股价的飙升和买家炒作相结合，以及风险投资的广泛利用，创造了一个温床，使得这些企业舍弃了标准的商业模式，突破（传统模式的）底线，转而关注于如何增加市场份额，而忽略了商业的本质。在这种疯狂的状态下，美联储主席格林斯潘却预感到经济过热，美国即时开始进入加息周期，利率4%逐渐攀升到6%。随着流动性的减少、单一的企业盈利模式(主要是广告)、不挣钱的B2BB2C业务，导致企业利润微薄，现金流紧张，部分投资者开始意识到，这是一场不可持续的繁荣，开始撤离，nasdq指数从2000年3月份最高点的5048.62逐渐的回落，一直跌倒2002年10月份的1114.11点，泡沫破灭了。泡沫的形成，除了羊群效应之外，最重要的还是人们对于权威的盲从，以及对于无知的偏见。大家都认为市场不会崩盘，大家都相信新科技带来的商业模式有着超想象空间，认为现金流问题存在但可以在短期内解决。这种由愚昧和无知主导的预期偏见，最终导致了遍地鸡毛，这就是美国的不可持续的互联网泡沫。如果大家有在2007年、2014年参与炒股的，对这种股市泡沫就比较容易理解，基本上是一样的状况。我们再来分析下，当前的大数据面临的情况。从表面现象来看，大数据貌似确实也出现2000年互联网泡沫类似的特征，在短短的三四年间，在投资人的这种追捧下，国内一夜间创造出数百家大数据企业，这些大数据企业，目前也面临着变现难的问题，大家也逐步的意识到大数据没有大家想象的这么容易赚钱。大家这时就开始认为，大数据是一个泡沫，并且要破灭了。我的想法恐怕要出乎大家的意料，大数据话题在当前虽然炒得比较火热，但实际上，现在根本没有泡沫，又谈何讲泡沫破裂。大家看到过有哪家大数据公司上市了、股价在这阶段大幅甚至几倍上涨的吗？没有。另一方面，虽然有很多风投涌向大数据企业，但大数据企业是有门槛的，本身没有大规模数据又谈何说起是大数据企业，不是大家想做一个大数据公司就能做一个出来的，这完全不像2000年的互联网，门槛非常低，可以创造出千千万万的互联网公司。这就从源头上杜绝了千千万万的大数据公司出现的现象，与互联网有着天壤之别。这也说明了市场目前有足够大的空间容纳下来这些大数据公司，某个行业可能处于红海，但仍然可以转向更多蓝海行业，相信未来一定还会有更多的优秀的大数据公司涌现出来。不过，话说回来，当大家都觉得现在大数据处于泡沫中的时候，大家就会更加理性的思考大数据真正的价值在哪里，那么，会更多的专注于大数据分析挖掘等一些实际可落地的工作。这必然会是一个好的趋势，好的现象，一定会发现一些大数据有价值的东西，让企业得以生存发展。欢迎大家拍砖指正，欢迎大家关注我的知乎专栏“大数据实践与职业生涯”并留言，专栏会陆续的推出过往十多年的大数据工作经验总结和我的一些研究实践成果。如果你是大数据新人，或者想转行进入大数据领域，或者职业生涯上存在一些疑惑，都欢迎关注我的知乎live分享“大数据人的职业生涯规划”和“数据分析师-从零入门到精通”、“大数据人的数据科学家之路”、“企业大数据战略及价值变现”、“如何进入BAT从事大数据”、“如何利用大数据做个性化推荐？”、“大数据人职业面试攻略”。论人工智能的泡沫、价值与应用困境
“我准备考虑一个问题：‘机器能思维吗？’”—阿兰.图灵，1950，《ComputingMachineryandIntelligence》
前段时间在忙着炼丹（DeepLearning），还有几场大数据培训，很久没有动笔了。今天想和大家谈谈人工智能（ArtificialIntelligence,AI），2017可谓人工智能元年，AI领域风投和创新、创业风起云涌，深度学习研究和应用持续火爆，以Facebook小扎和Tesla钢铁侠为代表的大佬们站队互掐，AlphaGo的成功营销与Watson的失败应用，国内BAT纷纷推出人工智能战略等等…这一波大数据驱动的AI热潮，发展势头强劲。下图是从我培训课件里截的，称之为四位一体看数据技术（DataTechnology,DT），可以说AI高烧是大数据发展的必然。
图1四位一体看DT
从上图可以看出，这些年从物联网，云计算，大数据到现在的人工智能，一个比一个热，这是DT前沿信息技术发展的大势，其内在的逻辑联系和发展趋势使然，终极目标直指人工智能。这就好比我们人体一样，物联网（移动互联网）构造了眼耳鼻舌身等感官，大数据是各种感官获取的感受信息，云计算是记忆存储，人工智能就是我们的认知决策。IT和DT技术发展本质是在拟人化、智能化，智能时代一定会到来是毫无疑问的，但是，发展过程也不要太乐观。
一、人工智能源起：图灵的智能之问我在之前的文章里有讲到：
“大数据时代，我们周围充斥着各种不同的理论、知识、信息和噪音，数据爆炸式增长和科技高速发展所带来的冲击，加大了未来的不确定性。当我们接收的数据和信息越多，面临的选择就越多，如若不善于过滤、挖掘和处理，对各种决策就可能会造成负面影响，当然也会放大我们对未来不确定性的恐惧。如何从混沌中发现规律，成为预测未来的“先知”，抑或是少出几只黑天鹅？是历代人类的梦想，不管是古人的占卜、算命还是现在的专家系统、商业智能、数据挖掘、机器学习、人工智能、智慧地球、智慧城市等技术和应用，都源于我们对未来不确定性的恐惧。”
如何降低决策过程中的不确定性，通过智能技术进行前瞻预测是关键，不管是物联网、大数据、云计算还是DT偌大的技术生态体系，其核心都是为这一目标服务。从这个角度讲，传统商业智能应用90%失败这一论断是有道理的，因为基础的数据管理和常规的统计分析，不能称之为智能，换句话说没有成熟机器学习技术的支撑和成功应用，要说多智能那就是忽悠（后面我会讲IBMWatson的问题）。
机器如何智能，系统如何智能，可谓仁者见仁智者见智。我们先来看图灵是如何定义这一问题的。作为计算机科学和人工智能领域的先驱，图灵在1950年发表的著名论文《ComputingMachineryandIntelligence》中，详细讨论了机器能否拥有智能这一问题，但也只是个开放性的讨论，其实图灵也未能定义什么是智能（但提出了著名的“图灵测试”）。
在1956年的DARTMOUTH学术会议上，AI被正式提出，定义为：
“研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。通过了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，人工智能可以对人的意识、思维的信息过程进行模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。智能涉及到诸如意识、自我、思维、心理、记忆等等问题。”
由于我们对人类智能本身还知之甚少，所以人工智能的发展比预想的要慢很多。图灵当时也做了个比较乐观的预测，他预测在2000年左右，机器极有可能会通过“图灵测试”，拥有初步的智能行为，现在看来这一时间是延后了，从当前自然语言处理领域的发展现状及问题来看，要解答图灵的智能之问，还需要AI研究人员多年的努力。
二、人工智能泡沫：神经网络“三起三落”的启示从历史来看，重大科学的研究往往呈螺旋形上升的过程，不可能一蹴而就，每一次基础科学研究的重大进步，科技应用的重大突破，往往先由一两个领军人物偶然点破，而后大家蜂拥而至，在很短的时间内做出大量更具突破性的成果，同时带来相关产业界的革命性增长。
经历过“三起三落”的人工神经网络，能够在换马甲为深度学习后成功逆袭，正是机器学习领域几十年来积累诞生的重大科学研究和工程应用成果，当前深度学习被看作是通向人工智能的关键技术，被寄予厚望。
图2神经网络的“三起三落”
我在10多年前对神经网络和支持向量机两个机器学习方向都有过粗浅的学习和了解，见证了神经网络研究三起三落其中的一段时光，见证了以支持向量机为代表的浅层学习技术的火爆，但却始终少有看到机器学习技术真正走出实验室，直到最近几年，神经网络换马甲为深度学习后成功逆袭，使得机器学习领域这几十年来积累的成果，得以逐渐走出实验室，在学术界研究和产业界应用都一鸣惊人，并有望引领人工智能关键技术的跨越式发展。
图3人工智能的泡沫
但从另一方面看，神经网络的三起三落也就代表了人工智能的三个泡沫期，这给过分热衷深度学习技术与人工智能研究应用的人来讲，也是该降降温的，期望越大，失望越大，毕竟深度学习技术没有想象中的那么强大，至少在智能算法层面的突破很有限（主要靠的还是大数据和计算力）。
换个角度看，深度炼丹术的兴起，会不会是因为机器学习算法研究几十年迟迟无重大进展，神经网络算法的一点小改进（正好遇到了大数据与GPU）就被当做了救命稻草？或者说即使神经网络的深度架构碰巧撞到了类脑学习机制，但我们能全面解码它吗？不太了解神经科学的研究水平，这个需要大家去悟了。
三、人工智能价值：弱AI不弱，强AI难强AI目前的发展还处于弱AI（ArtificialNarrowIntelligence，ANI）阶段，但弱AI并不弱，如阿尔法狗一样，虽然只擅长某一方面的智能，但在这方面已然超过人类了。近年来，弱AI已经极大促进了信息化与智能化的发展，在很多领域提高了生产效率。如工业机器人、医疗机器人、智能问答、自动驾驶、疾病诊断、自动交易等系统工具，极大提高了生产力。
弱AI不能像人类一样靠理性或感性进行推理和解决各方面（哪怕很简单）问题，机器只不过看起来像是智能的，其实只是既定程序的执行而已，只能解决某一方面的问题（就像下围棋不能代表会下象棋），不会有自主意识，不会有创造性。而强AI（ArtificialGeneralIntelligence，AGI）的定位是在各方面相当于人类或者超过人类，也称为通用人工智能。
现阶段的人工智能研究和应用主要聚焦在弱AI，强AI的研究可以说还是停滞不前，难有进展。
强AI能否实现还是未知，但要论人工智能的价值，我认为很有必要对两者进行对比，首先我个人是不支持发展强AI的，除非对其有绝对的控制能力，除非人类遇到了全球性灾难或需要星际移民，不然强AI出世就很可能是另外一种原子弹，绝对是弊大于利。
弱AI帮助人类，是我们的好助手，能提高我们的生产效率和生活水平，强AI超过或代替人类，将是大部分人类的“终结者”，至少是劳动终结者，总不可能几十亿人都去从事艺术职业吧？当然弱AI发展也会面临这一挑战，但更可控和缓和很多。
四、人工智能应用困境：先要搞清楚几个关键问题随着机器学习、深度学习和人工智能相关技术（强化学习、迁移学习、对抗学习等）的高速发展。阿尔法狗与人类顶尖棋手的人机大战，也注定成为人工智能的里程碑事件，当AI变得越来越复杂，越来越聪明，以至于在多个领域全面超越人类的时候，那时的AI会是提高人类生产力和生活质量的好助手？抑或是彻底控制奴役人类的天网？现在还难以下结论，但可以肯定的是接下来数十年里AI对人类生活造成的冲击将是巨大的。不管是技术层面还是产业应用层面，要对人工智能领域有个全面准确的理解和把握，可以说十分困难。下面提几点个人认为比较关键的问题供大家探讨。
（1）现在是人工智能的“黄金”时代吗？这个问题乍看是废话，现在AI这么火，当然是黄金时代啦。从人工智能的三起三落来看，现在是处于技术和产业发展的波峰。而这一热潮的兴起一是得益于深度神经网络技术的发展，二是通过物联网和移动物联网等技术，大数据的爆炸式增长成为常态。三是大数据分析预测是解决不确定性问题的必然，大数据条件下的复杂性问题，越来越难以应用传统建模技术加以解决，而客观世界的复杂性，传统的机械模型更是难以分析和预测。
图4农业时代到智能时代
工业时代通过机械动力优化，放大了我们的体力，我们得以改造物理世界；智能时代通过算法优化，放大了我们的脑力，将极大改造我们的脑力世界。从人类社会发展大趋势来看，现在称之为AI黄金时代并不为过。
但这里有个不确定性，那就是AI技术发展的瓶颈问题，深度学习技术能否担当重任，能否一鼓作气有更大的突破，或者几年后又得停滞不前几十年，都有可能。
但可以肯定的是，对弱AI来讲，现在是再好不过的黄金时代，兴起的投资热潮也是看到了各个垂直领域应用弱AI的极大潜力；对强AI来讲，面临的技术瓶颈短期内难以突破，不过有没有可能多年后冒出个终极算法，全面解决类脑学习问题？不是没有可能，只是几率很小。
（2）人工智能的应用成熟度？尽管人工智能的发展已经超过50年，但仍然还处于一个比较早期的发展阶段，其应用主要集中在弱AI和垂直行业相结合的领域。
从产业链上看，人工智能产业链包括基础支撑技术（如大数据、云计算等）、人工智能技术（机器学习、深度学习等）及人工智能应用（语音、对话、识别等）三个层面，其中基础技术支撑由数据中心及运算平台构成，即计算智能阶段，包括数据传输、运算、存储等；
人工智能技术是基于基础层提供的存储资源和大数据，通过机器学习建模，开发面向不同领域的应用技术，包含感知智能及认知智能两个阶段，感知智能如语音识别、图像识别、自然语音处理和生物识别等，认知智能如机器学习、强化学习、对抗学习、自然语言理解等；
人工智能应用主要为人工智能与传统产业相结合，以实现不同场景的应用，如机器人、无人驾驶、智能家居、智能医疗、智能问答等领域。
从上述几个方面可以看出，AI产业链的应用成熟度取决于关键技术在垂直领域的突破，如果想靠大规模投资来快速推进AI技术的突破是不现实的，而是要反推，技术成熟一个再应用一个，这样比较稳妥。
图5谷歌产品线应用深度学习技术
（3）人工智能的技术成熟度？这一波人工智能的发展，大数据处理、深度学习和GPU计算三个方面的技术起到了关键的推动作用。大数据的采集、基础管理和云计算、GPU计算等技术应该说比较成熟了。突破智能的难点还是在机器学习。
我在前文反复提到过，不谈机器学习的智能技术多是在耍流氓。作为机器学习的子领域，深度学习虽然很牛，但它还是神经网络那套算法理论，几十年前就提出来了，换句话说还是在啃老本啊。不管是支持向量机、贝叶斯、决策树等浅层学习算法，还是深度网络衍生出来的深度强化学习、迁移学习、对抗学习等，大部分理论、算法在几十年前的人工智能教材上都能找到，唯一不同的加了个深度，有强大的计算力支持，能处理大数据了。
图6人工智能与机器学习
近年来的人工智能开源框架更是基本等同于深度学习，虽然TensorFlow、Keras、MXNet等深度学习框架备受开发人员推崇，但还是缺乏完整的人工智能技术链，深度学习被捧得太高不是好现象，传统的知识库、专家系统和规则式AI与深度强化、迁移、对抗等学习的融合才是AI发展的正途，另外从芯片、算法、平台、架构到应用等方面来看，弱AI要全面开花落地都还有较长的路要走。
再就是浮夸风问题，一些科技媒体抱着Arxiv的某篇论文，就能说解决了某重大应用问题，十分不严谨。如果要给AI技术成熟度打个分的话，个人认为总分100分的话最多算70分，而且还是抱了深度学习的大腿。至于深度学习技术发展的后劲如何，短时间内是否发展成为Musk所说的那样可怕，那要看IT巨头们机器农场中深度网络的工程能力和“进化”速度了，没有大数据资源和大规模计算资源的一般研究机构和人员是很难知晓的。
（4）大数据如何助力人工智能？在提这个问题之前，大家可以思考一下，有没有非数据驱动的智能？换句话说，如果没有大数据，除了专家系统和规则式AI，人工智能怎么发展？能否在智能学习方面有所突破？现阶段的AI多是数据驱动的AI，因为没有数据的喂养，就没有深度学习的成功。
数据驱动的AI离不开大数据，大数据与AI是一种共生关系：
一方面，AI基础理论技术的发展为大数据机器学习和数据挖掘提供了更丰富的模型和算法，如深度神经网络衍生出的一系列技术（深度学习、强化学习、迁移学习、对抗学习等）和方法；另一方面，大数据为AI的发展提供了新的动力和燃料，数据规模大了之后，传统机器学习算法面临挑战，要做并行化、要加速要改进。当前的弱AI应用都遵从这一技术路线，绕不开大数据。那么怎么做非数据驱动的AI呢？传统的规则式AI可以说是非数据驱动的，更多靠人工内置的经验和知识驱动，不过它最大的问题也是要人工介入，而且很难具有学习能力，靠的知识、记忆和经验建立的规则体系。强AI的目标是机器智能化、拟人化，机器要完成和人一样的工作，那就离不开知识、记忆和经验，也离不开通过知识、经验和记忆建立起来的认知体系（经验规则、知识本体）。
从这个角度讲，强AI要实现只靠深度学习还不够，但也不能绕过深度学习，通过深度学习进行物理世界基础知识的初步监督式或半监督学习（幼儿要人教），深度学习掌握的知识必须要能存储记忆并形成经验规则，只有这样遇到新的问题之后，才能智能响应（小孩通过知识经验的积累，不再需要人教而能自我学习）。这需要学习、存储、记忆、推理和构建知识体系，所以说强AI短期要实现很困难。
（5）深度学习的“深”与“浅”？首先我们来看深度学习的“浅”，深度学习的核心理论还是基于浅层神经网络的堆叠，核心技术本身并无新意，Hinton也只是做了有限的改造和提升。另外，伟大的东西往往很简单，好比爱因斯坦的EMC方程，深度学习是一种朴素、简单、优美而有效的方法：像小孩搭积木一样简单地构建网络结构；性能不够，加层来凑的朴素思想，这种标准化、易用性的处理架构，极大降低了机器学习的难度，当然最关键还是应用效果。从这个角度理解，深度学习并无深意，只是对传统浅层神经网络做了少量改造。
再来看深度学习的“深”，在我看来，深度学习绝不只是几个具体算法、模型那么简单，而是一种仿人脑多层异构神经元连接网络的机器学习思想、方法论和技术框架（可能会从传统机器学习学科中分离出来，传统浅层学习模型的深度化是一大研究趋势）。各类深度学习网络的变异、进化、融合，结合GPU超级计算将是未来现实大数据条件下大规模机器学习的重要方向，特别是海量多模态大数据条件下的机器学习，没有深度架构只靠浅层学习，将无法支撑大数据条件下自动特征学习、模型的有效表达和记忆存储。
当然，深度学习在当前看来是通向现实人工智能的一条有效途径，但不应该是一种包罗万象的解决方案。尽管深度学习的能力相比传统机器学习技术很强，但和真正的人工智能目标相比，仍然缺乏诸多重要的能力，如复杂的逻辑推理、知识抽象、情感经验、记忆和表达等。不过深度学习发展现在还处于初级阶段，能否真正实现类脑计算解码还需要时日加以验证；另外，随着深度学习的网络形式和深度架构的逐步演进，与基于经验知识库的规则式AI相结合，能否形成终极的类脑学习框架，让我们拭目以待。
（6）Tesla钢铁侠和Facebook小扎到底在争个什么？前段时间，Tesla钢铁侠Musk与Facebook小扎进行了一场谁不懂AI的嘴炮对决，大佬们纷纷站队，貌似支持小扎的大佬要多一些？他俩到底争个啥，在我看来绝不是单纯的AI技术问题，而是在讨论强AI的可能性和强AI的觉醒时间。
李嘉诚邀请阿尔法狗创始人戴密斯·哈萨比斯(DemisHassabis)给他讲课，日本软银孙正义计划几百亿只投资人工智能相关项目，都是在押宝这一问题。
其实弱AI与强AI的二元划分不是太合理，我们都知道技术的发展是个量变到质变的过程，弱到强之间难有技术分水岭，就像神经网络的三起三落，十年前没有大数据支持，神经网络学习效果不佳就说他弱吗？现在换了个马甲，因为有大数据了，学习效果好太多了就说它强吗？某一方面的技术不能说明问题，一个领域的突破性发展往往是一系列关键技术的改进在推动，缺一不可。
图7人类发展进程曲线
那么大佬们当下关注的关键问题-强AI何时到来？这也是小扎和钢铁侠争论的焦点，这个时间节点能否预测呢？首先看下上图的人类发展进程曲线，这个曲线表达的是核心意思是，我们的发展进程是经历突变还是渐变多一些？这个还真不好说，原子弹发明之前，大部分科学家预测短期不可能，至少要几十年，也有科学家预测只需要几年，人工智能的三起三落也是，前几十年的乐观预测都失败了，未来几年会不会产生突变呢？谁也说不准，首先我们不能以深度学习技术现有的局限来推断其未来的发展潜力，就像我们不能预测Hinton是在2006年提出DBN，而不是1996或是2026？另外强AI能否觉醒，这得看未来数年里，是否有Arxiv上的某篇论文提出了机器学习的终极算法？或是Facebook机器农场中的某个深度网络全面解码了人脑的学习机制，抑或是谷歌机器农场中的某个深度网络通过本体学习和记忆产生了初级意识。
五、人工智能五大门派对决：Watsonvs.AlphaGo上文说到，强AI的可能性，强AI何时能实现？是以小扎和钢铁侠为代表的大佬们，关于谁更懂AI展开嘴炮的焦点。要回答这一问题，首先得搞清楚AI技术发展的现状和瓶颈，下面就通过当今世界最顶级的两个AI系统，阿尔法狗（Alphago）和沃森（Watson）的对比分析，来深入探讨这一问题。
AlphaGo采用的核心技术我在前文《阿尔法狗（AlphaGo）彻底战胜人类意味着什么》中有深入分析，简单来讲，其基于深度学习+强化学习+蒙特卡洛树决策的组合式学习方法（或者说学习框架）应用说摸到了类脑学习的边，其学习下棋分为三个阶段：
通过对棋谱的深度学习完成策略网络的构建，采用深度学习技术训练一种有监督学习型走棋策略网络，类似于我们的观察学习获得的第一反应。通过自我对战强化学习来提高博弈水平，采用强化学习技术来优化先前的走棋策略网络，通过自我博弈的强化学习迭代结果，来提升前面的策略网络。即与之前的“自己”不间断训练以提高下棋的水平，这个过程有点类似于人类的巩固学习和理解贯通阶段。通过深度回归学习构建估值网络，用来预测自我博弈强化学习数据集里局面的预期结果，即预测那个策略网络的局面会成为赢家。结合蒙特卡洛树（MCTS）搜索压缩搜索空间，降低了搜索时间复杂度，MCTS决策有效结合了策略网络和估值网络，类似于人类的判断决策过程。Watson的系统架构如下图，IBM关于Watson的宣传资料提到，Watson原来只有1个“深度问答”的API，现在已经有42个API应用于36个国家的几十个行业，内容涵盖文字图像识别、自然语言理解、专业知识学习、人类情绪分析等各个领域。通过其技术架构分析，可知Watson的核心功能是文本挖掘和知识问答，核心技术采用了基于统计学习算法和规则式自然语言处理（NLP）技术。
从这个角度讲，IBMWatson的学习能力是十分有限的，依靠的海量非结构化大数据，加知识规则匹配，其重点宣传的认知智能是基于自然语言的情感分析和语义理解，是否采用了更为先进的深度学习算法不得而知。
可以肯定的是网上关于Watson系统的负面评价却不少，医疗智能诊断AI的失败，暴露出了不少问题，比如需要几个月时间进行繁重的训练，专家们需要给系统喂养海量条理清楚的数据（未经整理过的数据一般不能用，这是浅层学习模型的硬伤，而深度自动特征学习在一定程度上改善了这一问题，但还有相当大的技术瓶颈需要突破），而且不能在不同的数据集之间建立联系（这点是Palantir大数据系统的强项，详见前文《大数据独角兽Palantir之核心技术探秘》）。
图8IBMWatson架构
几十年来，人工智能技术研究的五大门派（如下图）一直以来都在彼此争夺主导权。
符号派：使用符号、规则和逻辑来表征知识和进行逻辑推理，最喜欢的算法是：规则和决策树。贝叶斯派：获取发生的可能性来进行概率推理，最喜欢的算法是：朴素贝叶斯或马尔可夫。进化派：生成变化，然后为特定目标获取其中最优的，最喜欢的算法是：遗传算法。类推派：根据约束条件来优化函数（尽可能走到更高，但同时不要离开道路），最喜欢的算法是：支持向量。联结派：使用概率矩阵和加权神经元来动态地识别和归纳模式，最喜欢的算法是：神经网络。图9人工智能五大门派
通过上述比较分析，可以看出AlphaGo与Watson的优劣。AlphaGo的技术框架通用性更好，深度学习能力更强，而Watson更多采用的传统规则式AI技术，虽然有自然语言文本等非结构化大数据优势，但没有关联挖掘和深度学习能力，其智能化水平有待提高。
另外，通过AlphaGo与Watson核心技术架构的对比，在大数据条件下，联结派和符号派AI谁更牛高下立见，但都有各自的优点和缺点。根据Domingos的观点，机器学习五大门派有望交叉融合产生终极算法，但是时间上却难以推测。
个人认为，未来联结派和符号派的融合会是大势所趋，基于自动特征抽取和规则关联推理的深度学习，与基于知识经验的终身学习相结合，是AI进一步发展的关键技术方向。
六、如果强AI觉醒，我们将走向何方？最后做点展望，人工智能技术毫无疑问会改变我们的世界，越是强大的技术，其自身发展的速度（指数级）也是难以想象和预测的，当谷歌的自动驾驶狗（已行驶超200万公里）、医疗狗（DeepMind各种疾病诊断AI已初现身手）、翻译狗（谷歌几十种语言的自动翻译）、军事狗（BostonDynamic机器人）、金融狗…等各种狗连成一片的时候，工业机器人很可能会走出牢笼，变身各种机器助手进入到我们家里和办公室里，而AI的服务端则会像电力一样提供源源不断的智能信息服务，到时我们的社会究竟会变成怎样，这不是一个单纯的技术问题，特别是面对强ＡＩ技术的研发和应用，我们应该重视其对社会、经济、政治产生的深远影响。假如有一天强ＡＩ真的觉醒，对于人类的未来，可以说是吉凶难测，这取决于我们的技术管控和团队协作等能力，还取决于更重要的一点，那就是人性。
最后列几则关于ＡＩ发展的正反方观点，难说谁对谁错，具有代表性，供大家思考。李开复：
“类人机器人只是科幻，人形机器人将马上进入千家万户的说法，简直是无稽之谈。人工智能擅长对目标明确的工作进行优化（但是不能创造，没有感情）；机械控制的发展速度较人工智能软件的发展要缓慢得多；传感器虽然得到迅猛发展，但价格昂贵、体积偏大且太耗电。机器人的开发要牢记实用性这一原则：机器人或能创造效益，或能节省成本，或能提高生产，或可以提供娱乐。过度担忧可能导致大众忽视AI正在带来的巨大机遇，也会让更多更紧迫的AI问题没有得到关注，这只会捡了芝麻丢了西瓜。未来十年，AI将大规模地取代那些依靠人力的、重复性的、分析性的岗位。因此，我们要肩负起创造更多社会服务性岗位的职责，而不是空想或谋划一个充斥着“不适用于人类”职位的社会…”
扎克伯格：
“人工智能威胁人类的观点“相当不负责任”，未来五到十年，人工智能会大为改善人类生活质量。人工智能已经在诊断疾病方面提供帮助，自动驾驶汽车也是人工智能改善人们生活的一种表现。科技应用一直都利弊兼有，创造技术的时候需要小心，但有人主张要放慢人工智能的研究步伐，其动机确实值得怀疑。”
ElonMusk：
“我认为，我们对待人工智能应当非常谨慎。如果让我猜测，人类最大的威胁是什么，那么就是人工智能。因此我们需要非常谨慎。我越来越感觉到，这里应当有一定的监管，或许是在全国层面，或许是国际层面，这只是为了确保我们不会去做一些蠢事。”
比尔盖茨：
“我和那些担心超级智能的人同处一个阵营。起先，机器将帮我们做许多工作，更不用说超级智能。如果控制得好，人工智能应该会非常有利。不过，几十年后人工智能会强大到足以令人担忧的地步。在这一点上我赞同ElonMusk等人的看法，而且我不明白为什么一些人会对此仿佛若无其事。”
马云：
“我认为人工智能，你是改变不了的，这是一个巨大的趋势，你只能改变自己。为未来来讲，三十年也好、五十年也好，人类的冲击一定会非常之大，而且一定会非常疼痛的，任何高科技带来的问题，带来好处也会带来坏处。有一点是肯定的，未来的机器一定比你更了解自己，人类最后了解自己，是有可能通过机器来了解的，因为我们的眼睛是往外看的，IT往外看的，但是DT是往内看的，往内走才是有很大的一个差异。至于前段时间比较热门的AIphaGo，人跟围棋下，我在深圳互联网大会上讲了一下，我认为这是一个悲剧，围棋是人类自己研究出来，自己玩的东西，人要跟机器去比围棋谁下得好，我第一天就不会比，就跟人要跟汽车比谁跑步跑得快，那不是自己找没趣吗，它一定比你算得快。”
王垠：
“很多人喜欢鼓吹人工智能，自动车，机器人等技术，然而如果你仔细观察，就会发现这些人不但不理解人类智能是什么，不理解人工智能有什么局限性，而且这些“AI狂人”们的心，已经严重的机械化了。他们或多或少的失去了人性，仿佛忘记了自己是一个人，忘记了人最需要的是什么，忘记了人的价值。这些人就像卓别林在『大独裁者』最后的演讲里指出的：“机器一样的人，机器一样的心。”每当提到AI，这些人必然野心勃勃地号称要“取代人类的工作”，“节省劳动力开销”。暂且不讨论这些目标能否实现，它们与我的价值观，从一开头就是完全矛盾的。一个伟大的公司，应该为社会创造实在的，新的价值，而不是想方设法“节省”什么劳动力开销，让人失业！想一下都觉得可怕，我创造一个公司，它最大的贡献就是让成千上万的人失业，为贪得无厌的人节省“劳动力开销”，让贫富分化加剧，让权力集中到极少数人手里，最后导致民不聊生，导致社会的荒芜甚至崩溃……”
参考资料：什么是人工智能？《NEWTON科学世界》2014年第3期论大数据的泡沫、价值与应用陷阱。http://www.datagold.com.cn/archives/7052.html阿尔法狗（AlphaGo）彻底战胜人类意味着什么？http://www.datagold.com.cn/archives/7591.html我为什么不在乎人工智能。http://www.yinwang.org/blog-cn/2017/04/23/ai
作者：杜圣东
来源：点金大数据
本文由@点金大数据 授权发布于人人都是产品经理，未经作者许可，禁止转载。
部分内容和图片选自网络；题图来自PEXELS，基于CC0协议
商汤科技CEO：人工智能的泡沫是把所有不相关的领域圈起来
8月30日，2017全球人工智能创新峰会在上海召开，新锐AI企业商汤科技创始人、CEO徐立以题为“人工智能的一天”的演讲登场。
他通过直观的视频演示，展现了商汤科技多项原创AI技术在各类生活场景的应用。早上的街道，行人在走路上班，但基于商汤的视觉识别技术，看到数据流在流动，与传统的图像存储相比，数据流的存储要小的多，节省了数据中心的空间。
商汤科技CEO徐立。徐立表示：“人工智能没有人们想象的那么遥远，它早已悄然渗透至人类社会中的各个领域，成为超越人类的生产工具，并带来全新的交互方式。未来，基于视觉识别的人工智能技术更将对社交、游戏、电商、广告、影视等行业产生颠覆式的变革。”
据了解，商汤科技核心团队在计算机视觉基础技术研究方面有近二十年的积累，原创技术已成商汤科技标签。2011年到2013年间，在世界顶级计算机视觉会议CVPR和ICCV上，发表了14篇关于深度学习的论文，占据全球共29篇的近一半。2014年，商汤团队发表DeepID系列人脸识别算法，首次超过人眼识别率，超过Facebook同期发表的DeepFace算法。2015年，在ImageNet国际计算机视觉挑战赛（ILSVRC）的视频通用物体检测竞赛中，取得检测数量、检测准确率两项世界第一，成为首个夺冠的中国企业。2016年，在ImageNet国际计算机视觉挑战赛（ILSVRC）的大规模物体识别竞赛中，商汤科技与香港中大-商汤科技联合实验室又一次蝉联视频物体检测冠军，一举揽下物体检测、视频物体检测和场景分析三项冠军。
徐立表示，商汤科技在视觉识别技术领域的突破源于人才的聚集，未来3-5年内人工智能领域的竞争关键都是人才。高准入的技术门槛，决定了人工智能人才需要更长周期的培养，深谙这一点的商汤科技已建立系统性的产学研体系，包括导师制，实习生制，与香港中文大学、浙江大学、清华大学等高校共建联合培养实验室，不仅让高校人才深度参与工业界的技术落地研究，也形成了商汤科技人才供给的保障。
今年7月份，商汤科技又宣布B轮融资，融资规模为4.1亿美元，此次融资对该公司的估值超过15亿美元，创下全球人工智能领域单轮融资最高纪录。
徐立在演讲结束后接受了澎湃新闻记者在内的媒体采访。
问：刚才演讲播放的视频中动作捕捉技术，将来应用方向在哪里？
徐立：会有非常多的应用方向，其中游戏会有非常大的延伸空间，以前的游戏体感带东西要做很多，以后会有单摄像头的交互，它就会生成很好的游戏的体验。第二个对视频当中的理解，对物、对人的理解，你有很好的捕捉以后就把两个人的关系弄得很清楚，通过动作捕捉你观察两个人是在打架还是练瑜珈。第三个如果在家庭场景当中，这些东西还可以做判断。比如说电视机上有这样的镜头，他会知道说你模仿杰克逊的舞蹈打几分，还有你做瑜珈标不标准。第四个是手机上的娱乐化应用，比如说拉长腿，我得整个都得拉，用PS太难做了。所以我们做这个SensePose（人体姿态检测系统）最大的核心理念是人工智能有两大工具：一个是生产力工具，一个是交互工具，交互工具是完全不同的一个，所以肢体是完全人机交互的一个。
问：视觉识别可以判断现场听众的专注度以及人与人紧密度的关系，这在应用时是否涉及到隐私？
徐立：讲隐私的问题是这样的。我一直觉得是有这样的能力以后，反倒是把大家的隐私保护起来了。比如说你刚才讲的，无外乎是安防摄像头看到大家，会不会泄露隐私，其实这些摄像头都在，会场的摄像头事后都有看和查。你说摄像头用人查方便还是机器查方便，假设机器将原始的信息转化成人类不可以读但是给出一个犯罪的线索，只有少数有权限的人才能调用原始的东西是一个更好的保护，技术某种意义上带来的是无人操作，越是无人操作越是保护，它的那种安全性是提升的。
问：现在大家都在做人脸识别，区别在哪里？
徐立：大家讲人脸识别，好像觉得这是一个已经定义好的问题，其实并不是这样的。你看公安做人脸识别抓人，犯罪分子喜欢戴口罩。第二个拍的照片也是模糊的小的。第三个通过背影、轨迹、姿态来恢复，其实它是一个综合的问题。但是反映到普罗大众不就是人脸识别吗？人脸没见到还能识别吗？这就是怎样定义的问题。好像无人驾驶，大家听上去一件事，怎样定义无人驾驶，要用感应器，要用雷达，几个摄像头怎么装都是问题的点。创业和技术公司第一件事是结合业界的需求把问题定义清楚，第二个是它能不能成功，能否根据这样的定义问题把我们的产品做到超过工业使用的红线，如果没有过红线，场景很好但是做不了。所以两个方面都有具备，第一技术很快，可以把很多垂直领域做过红线，第二个问题的定义，场景需求更明确一些，所以我们可以通过知识更好定义问题。
问：这些新技术的应用，会不会带来成本相应的提高？
徐立：技术问题是前期研发表达的成本，研发成功它的应用是低成本的，现在在每个安防摄像头都带有人脸捕捉加上各种属性的，比如说你们媒体走进采访房间，它知道大家开不开心，如果不开心就是回去会想是没讲好还是不开心，这个就是装在里面的，然后回去以后大规模量产就可以了。技术带来的是价值的提升，技术与其他创业不一样的是，是给行业的上下游带来了创造的价值。
问：商汤人脸识别对商业用户市场这块，占比最大的是哪块？
徐立：很多，互联网大部分的人脸识别都是商汤的，金融方面也挺大的。
安防也不错。我们现在几大块，手机的人脸解锁，还有人脸的娱乐相册。你现在拍一个照片每个人都是一个相册，我有三个小孩，虽然长得像但是每个还是分开的一个相册。
问：哪里智能城市的安防，商汤科技提供了解决方案？
徐立：比如说重庆，最早我们放了40天的系统识别了69个人，抓获15个人。
问：盈利模式清晰了吗？
徐立：清晰，B2B2C。这是两个概念，首先我们要考虑量，我们在安防里面，每一路视频可以处理的话，如果说视频的路数多了，那形成的体量对我们是有好处的。终端的设备，比如说IOT的设备是按台的，你的体量大我们也好。云端的SaaS调用也是这样的，调用多我们也是有优势。B2B2C是通过量级的企业来辐射的，而且还有一个好处是标准化，你这个做的是一个什么概念，也就是标准化。第三点就是B2B2C，如果客户大规模发展，反而会推动我们B端的发展，所以我们做的布局是“1+1+X”，第一个“1”是基础研究，第二个是“1”是产业结合，第三个“X”是行业伙伴。
问：人工智能很多大公司的研发投入是非常大的，如何跟这些大企业做差异化的竞争？
徐立：像Google投入了120多亿/年，这种大公司都会做这样的投入，但是问题是创业公司和大公司做这样的事情，在中国更难一些。难点在哪里，中国特别少做原创的东西。中国这些多年都是养成了拿来主义，国外有好的东西，开源的东西就拿来使用。但是这其实你是搭配在别人的生态上，中国投了几百亿在系统上，但是还是安卓系统，PC操作系统，中国没有自己操作系统。
为什么没有？因为海外形成了生态，Linux、安卓是开源的，它的前期的投入使得行业在他们上面的发展。人工智能同样的局面，也是国外的巨头都开源了，国内的人都是在上面去用，所以难点就非常大。
商汤想做的是源头的事情，我们是做底层的，我们做得比较早，早的好处是Google和脸书没有做的时候，你就开始做了，你就要建立自己的完整体系，很多人说为什么不利用别人的开源做，站在巨人的肩膀上走。但是我的意思是说巨人不一定跟你方向一致，涉及到国家安全，涉及到各种金融方面的事情，其实非常难说让Google和Facebook帮中国解决问题。
问：商汤科技如何保持自己核心技术的发展和领先地位的？
徐立：这就是进入行业的早晚，因为现在就是说人工智能在中国其实并没有很落后，因为它这波的信息，也就是在2010年、2011年兴起，也就是很短的历史，中国在起跑线上并未输，因为大家在同一个起跑线上跑。我们的创始团队在深度学习，在人工智能前三年，29篇文章里面发了14篇，就是中国人发了全世界一半的文书，那就相当于在原创这块没有输。中国现在的一个点是在哪里呢？是在海外Google、脸书投入很大，每年几百亿的投入。但是中国这样的巨头是不是做底层的核心，这很难，因为他们有自己的业务诉求和自己的点。并不像很多美国的基金养一个研究团队，我就有一批研究人员专门做这个，或者是5个大体量的公司结成联盟，而中国可能商业导向重一些，我觉得国家层面需要给予投入，给予地方的保护，尽快地将中国原创的平台和技术能够在应用场景当中有一个落地。
但是中国是有优势的，第一人才优势，很多事情是要靠人干，你可以看到中国在AI上的储备，人才下一波是非常非常多的。有些人小学都要学人工智能的。所以中国的人才储备是充足的。
第二个是应用场景，所有的行业都要先行先试，一定要拥抱技术的应用场景。中国双创也好，人工智能战略也好都是带来丰富的场景。
最后一个是数据，在中国，数据红利还是非常大的，只要是乘上人口基础都是数据非常大。这三点的话，只要是中国在下面的战略上达到一定的高度，它一定是可以在人工智能竞争当中至少是不输于美国。
问：人工智能讲到底就是人才、算法和数据这块，关于人才的抢夺还是蛮严重的，您进入这个行业人才变化是怎样的。另外商汤有很庞大的博士群，吸引人才这块怎么做？
徐立：在没有钱的时候，我们花了很多钱招人。当时人家不知道人工智能，也不会笼络人才，而且人才这个东西需要长时间培养。
问：BAT都在介入人工智能等各个方面，那对于咱们作为独角兽公司来说，我们计划未来发展是融入他们还是走自己的道路。
徐立：目前是我们发展自己原生的平台和技术。为什么我们要自己发展自己的人工智能技术，在于我们做了垂直应用别人也没做。在这些垂直应用上你一定要有自己的技术解决过红线的能力，不然你用开源的东西或者是某些平台，但是这些平台未必能支持这些应用场景。所以这是一个核心的点。
现在因为是技术发展的高速期，你只要站在技术的最前沿，你就有时间窗口形成壁垒，所谓的壁垒是合作伙伴、数据壁垒、各种各样流量的壁垒。目前我们还是会独立发展自己的东西，但是不排除和任何一家合作。
问：前一段时间商汤拿了很高的融资。从你创业到现在，目前是否达成您的预期目标？
徐立：先讲一下投融资目标，这也是我自己一个很有意思的判断，我说人和机器。大家不是讲机器超过人吗？人和机器最大的区别是什么，人的目标是会变的，机器是定目标的，我让机器下围棋，他不会说太难了我下一个五子棋，而我让小孩他会这样。所以创立公司也是一样的，早期的时候每个阶段也会随着你的现实状况发生变化，而融资只是一个Startingpoint，前期通过2000万美金做到这个程度，目前我们融了4个多亿美金，我们希望通过这个加快“1+1+X”的研究，第一个“1”是基础研究，着重投入；第二个是“1”是产品化，第三个“X”是发展合作伙伴，我觉得AI不是任何一家公司把所有的场景形成，接下来就是形成生态和形成X的联盟，所以接下来的投融资我们会着重在这样一个发展链条上。
问：商汤在融资后，有没有想去购买信息技术公司和团队的想法？
徐立：如果我们布局只能布局下游，上游就是服务器、芯片、传感器这些，比较少。那没那么相干。但是下游的应用可能是可以的，就是在垂直深，甚至是我们服务的客户里面，如果做得特别好的，我们就可以一起来做。
问：就是“X”的部分。
徐立：对。
问：讯飞是你们的天使投资，怎么看讯飞？
徐立：他们现在还是我们的客户，我们俩是合作伙伴关系，讯飞是做语音居多，它有一个很好的优势就是各地方言都收齐了，你没听过不知道怎么做。我们是做视觉的，是一个互补，但是视觉整体的应用范围都广一些。
问：一个是关于商业场景化的问题，有哪几个行业会率先实现规模化或者是更加有盈利前景？
徐立：普华永道做过一个预测，2030年人工智能将会带来一个中国加一个印度的GDP。在2020年大概增加了1万亿美金，但是这1万亿美金大部分是替代现有的劳动密集型产业，这是对的。就目前来说，人工智能落地的场景就是替代人，现在线下场景本身已经打通了，在有些地方有几十个，像我们在座的有一些地图的遥杆识别，通常是一家公司靠人做的，我算法进去，上千个变成200个，整个的成本就下来了，所以第一个变现的是人口密集的行业。为什么安防、金融能够变现就是这样的，安防2.5亿支摄像头，这些靠人看不行，所以不得不属于技术识别去做，这就是替代人。金融在线的所谓的认证，以前虽然是在线都是人，我见过最大的P2P公司，创业半年以后3000多人，都是背后有人验证，你的四要素齐不齐，现在靠机器干，人也不用了。所以行业场景一定是先有场景，一定是多个劳动密集型的，然后替代你去形成，这几块都是好的，像我们叫无人驾驶、医疗，都是替代人。
等到这一波价值接取完了，会带来新的场景和渠道，比如说交互。为什么我们做交互，本身不可能产生的事情现在新的交互产生，比如说现在用手机做浏览的，我们想不到手机怎样颠覆PC的，以前新浪、搜狐做得很好，但是现在今日头条也做得很好，但是真的是今日头条的AI算法比新浪好吗？或者是我把今日头条的AI完全搬到新浪上啊流量会变得多吗？很难说，是交互模式的变化了，它没有适应新的交互模式才会导致现在的局面。
问：也有观点是认为人工智能存在泡沫，您怎么看？
徐立：如果大家追来投钱，大部分的企业或者是应用场景过不了工业红线，这就是泡沫。如果能过工业红线的它发挥的价值是大的，他能改变生产制造。比如说发生了蒸汽机，农业灌溉能做、工业制造能做、铁路也能干，那是否发展空间很大，再看怎么垂直结合。人工智能的泡沫是把所有不相关的领域圈起来，大家都说自己做人工智能那就是很危险。
徐立简历：
商汤科技联合创始人、CEO。在他的带领下，商汤科技在人工智能学术研发和商业拓展等方面均取得多项突破，包括在ImageNet2015上成为首支夺冠的中国企业，在2016年获得ImageNet3个单项冠军，并推动超过400家客户的“人工智能+”升级。徐立还促成了商汤科技成为英伟达的平台级合作伙伴，以及与银联、中国移动的战略合作，并将商汤科技的业务拓展至金融服务、平安城市、智能家居、机器人、无人驾驶、虚拟增强现实、医疗等多个行业领域和场景。
在加入商汤科技之前，徐立先后在摩托罗拉研究院、欧姆龙研究所、微软研究院、联想研究院等计算机视觉基础研究机构访问工作。
徐立本科硕士毕业于上海交通大学计算机科学与工程系（试点班），博士毕业于香港中文大学计算机科学与工程系。徐立的主要研究方向是计算机视觉和计算机成像学，拥有十余年基础研究和产品开发经验。在视觉领域国际顶级会议、期刊上发表50余篇论文。徐立获得国际会议NPAR2012最佳论文奖，国际会议ACCV（12）ICCV（15）最佳审稿人奖。其三个算法获得视觉开源平台OpenCV收录，其中L0Smoothing为图形学期刊TransactiononGraphics（TOG）五年论文引用之首（2011-2015）。徐立还获得了网易未来科技人物大奖创新商业领袖、中国人工智能创业领军30人、2017新智元人工智能创业家等荣誉。
人工智能的泡沫是哪些(人工智能是刚需还是泡沫)
导读
2017年有人预测中国市场的工业机器人吞吐量将超过11万台，虽然国产工业机器人的销量有大幅提升，但是全球来看，工业机器人还是四大家族的天下！今天我们来看一下卢森堡Fanuc定制和配送中心，3万平米的仓库内放满了机器人，这样体量让人吃惊！
2000年左右，美国高科技风险投资在美利坚大陆上狂舞。北电网络、朗讯科技、甲骨文等IT公司疯狂招人。整个美国笼罩在一片高科技带来的繁荣之中。这样的泡沫式繁荣也在中国大陆上演，一批中概股赴美上市，享受资本泡沫带来的刺激，却毫无盈利能力。
后来的事情大家都知道，纳斯达克一夜之间狂泄千里。短短一年内，中国互联网就从狂热到剧冷，一众以门户、资讯为目标的企业纷纷业务调整。
18年后的今天，人工智能产业似乎在重演2000年左右的泡沫式繁荣。在12月20日的云栖大会北京峰会上，阿里云总裁胡晓明提到，“人工智能要去泡沫化”。无独有偶，胡晓明泡沫论的前一天，李开复在行业晚宴中提到，“个别AI公司肯定有泡沫，AI这么火，是个创业者都要包一个AI外套。”
资本泡沫下的AI遭遇的挑战和18年前并无二致——对技术的绝对崇拜让资本和创业者红了眼，但技术和落地、商业化却存在一小段距离。
人工智能泡沫论的出现
人工智能泡沫论的观点在2016年就已经开始出现。
2016年年末，《硅谷百年史》作者皮埃罗·斯加鲁菲提到说：
人工智能绝对是一个泡沫。大量资金在短期内进入了人工智能领域。但包括谷歌在内的公司都没有在这个领域获得收益。
麻省理工学院以及斯坦福大学研究员今年11月30日则是发布“AI指数报告”称，人工智能领域存在泡沫。ErikBrynjolfsson是麻省理工教授，也是“AI指数报告”作者之一。他说，近年来AI确实出现许多突破，但是距离“通用人工智能”（ARTIficialGEneralIntelligence）仍相当遥远。
“AI指数报告”指出，AI在影像和语音辨识上有极大进展，这两年来已经和人类并驾齐驱、甚至超越人类。但要达到通用人工智能仍有很长的路要走。AI只会进行交办的单一任务，不大能执行别的工作，而且如果任务性质稍有改变，或出现未曾遭遇的状况，AI都无法临机应变。
阿里云总裁胡晓明以及李开复的AI泡沫论给市场再浇了两桶冷水。
胡晓明认为，现在人工智能领域有种浮躁的氛围，有些企业靠AI讲资本故事、炒作股价。这和李开复“每个创业者都要包一个AI外套”的观点几乎如出一辙。
但是要注意的是，新技术一般两条水平线，一条是这项技术现有的水平，一条是这项技术要进入人类生活必须达到的最低水平。
只有一项技术的现有水平线超过进入人类生活必须达到的最低水平线，这项技术才能铺展开来，相关创业者才能取得成功。
然而，没有人知道现有水平线会在什么时候超过最低水平线。特别是在这项技术有突破和进展的时候，人们会产生“这项技术明天就能进入生活”的希望或者错觉。大家为了抢占先机，便一拥而生。泡沫由此产生。
本质上看，大量人工智能产品。只是新瓶装旧酒——只能看做是计算机计算能力的增强，带来了某些只有小把戏的新功能，很多企业对这些小把戏进行了简单包装就以人工智能的概念包装出去讲故事、炒估值。
产业AI才能真正落地
目前人工智能运用最成熟的领域是广告、信息流分发领域——百度的搜索引擎中推荐的广告采用了人工智能，微信朋友圈中推荐的广告也用了人工智能，今日头条给你分发的资讯背后驱动力还是人工智能。
AlgorithmDog之前对人工智能泡沫有这样一个表述：
如果人工智能的泡沫破灭，人工智能只能退回广告系统和推荐系统，重新回到“世界上最聪明的一群人，每天研究的是如何让人更多的点广告”的时代，怀抱这两大金主在寒冬蛰伏。
AlgorithmDog这个观点可能还是有点太过悲观，广告、信息流里的AI当然还远远不够，但人工智能人工智能不仅仅只是实验室里的、PPT里的“概念上的AI”，实际上也在产生“产业AI”。
阿里云总裁胡晓明在云栖大会北京峰会上介绍说，阿里对人工智能的三个判断是：
第一，必须要有场景驱动，我们在解决什么问题，为这个社会的成本降低了多少，效率提高了多少；
第二，在人工智能背后是否是有足够的数据来驱动AI能力的提升；
第三，是否是有足够的计算能力，支撑我们的算法、深度学习可以发生。
在他看来，只有三个场景同时具备的前提下，人工智能才会有价值。胡晓明的这个观点的确没错。
以机器人为例，今年上半年在几次以人工智能为主题的论坛中，笔者曾去参观站台上的产品，发现某家创业公司展示了蜘蛛机器人。当时满地蜘蛛机器人展示了一段舞蹈，据现场工作人员介绍说，这个舞蹈会根据现场观众的氛围来展示。笔者问到说，这个蜘蛛机器人具体商用是什么场景的时候，对方回答说，目前没有，只是用于商业展示。
这种所谓的人工智能就是没有场景驱动也没有足够数据更没办法产生计算能力的产品，和产业更是毫无关系。
但是以人脸识别技术是和上面说的蜘蛛机器人完全相反。人脸识别技术可以和很多商业场景展开融合，它只是一个单独的技术，却能和其他产品进行嫁接，而且可以作为数据收集的管道。比方说，阿里很早就上线了人脸支付的功能，今年12月阿里还和上海地铁打算合作部署人脸识别技术，阿里甚至还在自家无人商店中准备采用人脸识别技术，来解决支付、识别等一系列问题。
要知道，人脸特征作为重要的ID，不仅仅可以用来支付，甚至在零售、金融、汽车等产业都可以有大量结合。这种人工智能技术不仅仅有场景驱动，而且和产业紧密结合，甚至能够不断进行学习，反馈数据，这才是真正能够落地的“产业AI”。
当然不仅仅只是人脸识别技术，阿里云本身就有比较深厚的数据底蕴，还在城市、工业、零售、金融、汽车、家庭等多个场景推出ET大脑等“产业AI”方案，这些能力、产品和解决方案都通过阿里云服务于各行各业。
和产业展开融合本身就会有三点其他人无法企及的优势：
1、能够尽快统一行业的接口和标准，让更多企业参与其中，并且能梳理好解决方案，让AI可以更快在全国范围内落地。
2、能够迅速实现商业化，帮助产业合作伙伴提升效率或是迅速盈利，阿里云迅速落地“产业AI”，它能为每一位开发者、每一个合作伙伴，带来产业创新机会，帮助开发者、合作伙伴提升效率。
3、“产业AI”最大的优势还是在于优化算法，在和产业上的具体企业展开合作，可以让大数据建模变得更丰富、贴近实际，经过实战后带来的能力提升将是指数级别的。
综合这三点来看，产业AI的融合能让阿里的人工智能战略相比于BAT中一些在AI领域刚刚起步的巨头更贴近日常生活。
泡沫之下的终会是啤酒
上世纪80年代初，AI应用研究大膨胀的过程中，曾出现过大量AI研究项目（主要是专家系统），政府、学校投入了大量的资金人力，但结果却令人失望，因为绝大多数专家系统仅仅作为原型停留在实验室之中。
这导致政府信心下降，投资大量减少。
当时有人预言AI的冬天已经来临。这次泡沫之中，专家学者对AI技术做出了大量浮夸和不切实际的宣传，误导了社会资源的投放力度，过高的期待使得社会对于AI技术的实际成果产生落差。
但是和上世纪80年代等泡沫和今天情况当然完全不一样。今天的AI落地已经初见成效，它需要更扎实的基础，而不是基础不牢时就开始展开不切实际的炒作。阿里云在城市、工业、零售、金融、汽车、家庭等场景中落地“产业AI”恰恰是打基础的过程。
没有泡沫的啤酒不够美味，香醇的啤酒必然会有泡沫。
2000年左右的互联网泡沫并没有阻挡互联网在未来十余年成为最有活力的产业。如今人工智能产业的泡沫同样也在催生未来数十年的变革。
本文版权归原作者所有，同心智造网（www.cn-im.cn）转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
人工智能是趋势还是泡沫
麻省理工学院以及斯坦福大学研究员今年11月30日则是发布“AI指数报告”称，人工智能领域存在泡沫。ErikBrynjolfsson是麻省理工教授，也是“AI指数报告”作者之一。他说，近年来AI确实出现许多突破，但是距离“通用人工智能”（artificialgeneralintelligence）仍相当遥远。
“AI指数报告”指出，AI在影像和语音辨识上有极大进展，这两年来已经和人类并驾齐驱、甚至超越人类。但要达到通用人工智能仍有很长的路要走。AI只会进行交办的单一任务，不大能执行别的工作，而且如果任务性质稍有改变，或出现未曾遭遇的状况，AI都无法临机应变。
阿里云总裁胡晓明以及李开复的AI泡沫论给市场再浇了两桶冷水。
胡晓明认为，现在人工智能领域有种浮躁的氛围，有些企业靠AI讲资本故事、炒作股价。这和李开复“每个创业者都要包一个AI外套”的观点几乎如出一辙。
但是要注意的是，新技术一般两条水平线，一条是这项技术现有的水平，一条是这项技术要进入人类生活必须达到的最低水平。
只有一项技术的现有水平线超过进入人类生活必须达到的最低水平线，这项技术才能铺展开来，相关创业者才能取得成功。
然而，没有人知道现有水平线会在什么时候超过最低水平线。特别是在这项技术有突破和进展的时候，人们会产生“这项技术明天就能进入生活”的希望或者错觉。大家为了抢占先机，便一拥而生。泡沫由此产生。
本质上看，大量人工智能产品。只是新瓶装旧酒——只能看做是计算机计算能力的增强，带来了某些只有小把戏的新功能，很多企业对这些小把戏进行了简单包装就以人工智能的概念包装出去讲故事、炒估值。
产业AI才能真正落地
目前人工智能运用最成熟的领域是广告、信息流分发领域——百度的搜索引擎中推荐的广告采用了人工智能，微信朋友圈中推荐的广告也用了人工智能，今日头条给你分发的资讯背后驱动力还是人工智能。
AlgorithmDog之前对人工智能泡沫有这样一个表述：
如果人工智能的泡沫破灭，人工智能只能退回广告系统和推荐系统，重新回到“世界上最聪明的一群人，每天研究的是如何让人更多的点广告”的时代，怀抱这两大金主在寒冬蛰伏。
如果人工智能的泡沫破灭，人工智能只能退回广告系统和推荐系统，重新回到“世界上最聪明的一群人，每天研究的是如何让人更多的点广告”的时代，怀抱这两大金主在寒冬蛰伏。
AlgorithmDog这个观点可能还是有点太过悲观，广告、信息流里的AI当然还远远不够，但人工智能人工智能不仅仅只是实验室里的、PPT里的“概念上的AI”，实际上也在产生“产业AI”。
阿里云总裁胡晓明在云栖大会北京峰会上介绍说，阿里对人工智能的三个判断是：
第一，必须要有场景驱动，我们在解决什么问题，为这个社会的成本降低了多少，效率提高了多少；
第二，在人工智能背后是否是有足够的数据来驱动AI能力的提升；
第三，是否是有足够的计算能力，支撑我们的算法、深度学习可以发生。
第一，必须要有场景驱动，我们在解决什么问题，为这个社会的成本降低了多少，效率提高了多少；
第二，在人工智能背后是否是有足够的数据来驱动AI能力的提升；
第三，是否是有足够的计算能力，支撑我们的算法、深度学习可以发生。
在他看来，只有三个场景同时具备的前提下，人工智能才会有价值。胡晓明的这个观点的确没错。
以机器人为例，今年上半年在几次以人工智能为主题的论坛中，笔者曾去参观站台上的产品，发现某家创业公司展示了蜘蛛机器人。当时满地蜘蛛机器人展示了一段舞蹈，据现场工作人员介绍说，这个舞蹈会根据现场观众的氛围来展示。笔者问到说，这个蜘蛛机器人具体商用是什么场景的时候，对方回答说，目前没有，只是用于商业展示。
这种所谓的人工智能就是没有场景驱动也没有足够数据更没办法产生计算能力的产品，和产业更是毫无关系。
但是以人脸识别技术是和上面说的蜘蛛机器人完全相反。人脸识别技术可以和很多商业场景展开融合，它只是一个单独的技术，却能和其他产品进行嫁接，而且可以作为数据收集的管道。比方说，阿里很早就上线了人脸支付的功能，今年12月阿里还和上海地铁打算合作部署人脸识别技术，阿里甚至还在自家无人商店中准备采用人脸识别技术，来解决支付、识别等一系列问题。
要知道，人脸特征作为重要的ID，不仅仅可以用来支付，甚至在零售、金融、汽车等产业都可以有大量结合。这种人工智能技术不仅仅有场景驱动，而且和产业紧密结合，甚至能够不断进行学习，反馈数据，这才是真正能够落地的“产业AI”。
当然不仅仅只是人脸识别技术，阿里云本身就有比较深厚的数据底蕴，还在城市、工业、零售、金融、汽车、家庭等多个场景推出ET大脑等“产业AI”方案，这些能力、产品和解决方案都通过阿里云服务于各行各业。
和产业展开融合本身就会有三点其他人无法企及的优势：
1、能够尽快统一行业的接口和标准，让更多企业参与其中，并且能梳理好解决方案，让AI可以更快在全国范围内落地。
2、能够迅速实现商业化，帮助产业合作伙伴提升效率或是迅速盈利，阿里云迅速落地“产业AI”，它能为每一位开发者、每一个合作伙伴，带来产业创新机会，帮助开发者、合作伙伴提升效率。
3、“产业AI”最大的优势还是在于优化算法，在和产业上的具体企业展开合作，可以让大数据建模变得更丰富、贴近实际，经过实战后带来的能力提升将是指数级别的。
综合这三点来看，产业AI的融合能让阿里的人工智能战略相比于BAT中一些在AI领域刚刚起步的巨头更贴近日常生活。
泡沫之下的终会是啤酒
上世纪80年代初，AI应用研究大膨胀的过程中，曾出现过大量AI研究项目（主要是专家系统），政府、学校投入了大量的资金人力，但结果却令人失望，因为绝大多数专家系统仅仅作为原型停留在实验室之中。
这导致政府信心下降，投资大量减少。
当时有人预言AI的冬天已经来临。这次泡沫之中，专家学者对AI技术做出了大量浮夸和不切实际的宣传，误导了社会资源的投放力度，过高的期待使得社会对于AI技术的实际成果产生落差。
但是和上世纪80年代等泡沫和今天情况当然完全不一样。今天的AI落地已经初见成效，它需要更扎实的基础，而不是基础不牢时就开始展开不切实际的炒作。阿里云在城市、工业、零售、金融、汽车、家庭等场景中落地“产业AI”恰恰是打基础的过程。
没有泡沫的啤酒不够美味，香醇的啤酒必然会有泡沫。
2000年左右的互联网泡沫并没有阻挡互联网在未来十余年成为最有活力的产业。如今人工智能产业的泡沫同样也在催生未来数十年的变革。
文章来源于E-WORKS，制造业生态圈搜集，转载请说明出处。本圈已建精益群、机床群、生态圈群、机械加工群、自动化群，欲加入的朋友请加主编微信；
金昕炜原创文章：
主编微信号gold5imt返回搜狐，查看更多