史爱武：人工智能的三次浪潮与三种模式
人工智能的三次浪潮自1956年开始，人工智能经历了三起三落，出现了几次浪潮，现在人工智能已经是处于第三次浪潮了。
第一次浪潮（1956-1976年，20年），最核心的是逻辑主义
逻辑主义主要是用机器证明的办法去证明和推理一些知识，比如用机器证明一个数学定理。要想证明这些问题，需要把原来的条件和定义从形式化变成逻辑表达，然后用逻辑的方法去证明最后的结论是对的还是错的，也叫做逻辑证明。
早期的计算机人工智能实际上都是沿着这条路在走。当时很多专家系统，比如医学专家系统，用语言文字输入一些症状，在机器里面变换成逻辑表达，用符号演算的办法推理出大概得了什么病。所以当时的主要研究都集中在逻辑抽象、逻辑运算和逻辑表达等方面。
在第一次浪潮中，数学定理证明实际上是实现效果最好的，当时有很多数学家用定理思路证明了数学定理。为了更好的完成定理证明工作，当时出了很多和逻辑证明相关的逻辑程序语言，比如很有名的Prolog。
虽然当时的成果已经能够解开拼图或实现简单的游戏，却几乎无法解决任何实用的问题。
第二次浪潮（1976—2006年，30年），联结主义盛行
在第一次浪潮期间，逻辑主义和以人工神经网络为代表的联结主义都在，逻辑主义是完全占上风的，联结主义那时候不太吃香。然而逻辑主义最后无法解决实用的问题，达不到人们对它的期望，引起了大家的反思，这时候人工神经网络（也就是联结主义）就慢慢占了上风。
在70年代末，整个神经元联结网络、模型都有突飞猛进的进步，最重要的是BP前馈神经网络。1986年BP前馈神经网络刚出来的时候解决了不少问题，后来大家往更大的领域应用，实现了比较大的成果。在很多模式识别的领域、手写文字的识别、字符识别、简单的人脸识别也开始用起来，这个领域一下子就热起来，一时之间，人们感觉人工智能大有可为。随后十几年人们发现神经网络可以解决一些单一问题，解决复杂问题却有些力不从心。训练学习的时候，数据量太大，有很多结果到一定程度就不再往上升了。
这时期所进行的研究，是以灌输“专家知识”作为规则，来协助解决特定问题的“专家系统”为主。虽然有一些实际的商业应用案例，应用范畴却很有限，第二次热潮也就慢慢趋于消退。
第三次浪潮（2006—现在），基于互联网大数据的深度学习的突破
如果按照技术分类来讲，第二次和第三次浪潮都是神经网络技术的发展，不同的是，第三次浪潮是多层神经网络的成功，也就是深度学习取得突破。这里既有硬件的进步，也有卷积神经网络模型与参数训练技巧的进步。
若观察脑的内部，会发现有大量称为“神经元”的神经细胞彼此相连。一个神经元从其他神经元那里接收的电气信号量达某一定值以上，就会兴奋（神经冲动）；在某一定值以下，就不会兴奋。兴奋起来的神经元，会将电气信号传送给下一个相连的神经元。下一个神经元同样会因此兴奋或不兴奋。简单来说，彼此相连的神经元，会形成联合传递行为。我们透过将这种相连的结构来数学模型化，便形成了人工神经网络。
经模型化的人工神经网络，是由“输入层”、“隐藏层”及“输出层”等三层构成。深度学习往往意味着有多个隐藏层，也就是多层神经网络。另外，学习数据则是由输入数据以及相对应的正确解答来组成。
为了让输出层的值跟各个输入数据所对应的正解数据相等，会对各个神经元的输入计算出适当的“权重”值。通过神经网络，深度学习便成为了“只要将数据输入神经网络，它就能自行抽出特征”的人工智能。
伴随着高性能计算机、云计算、大数据、传感器的普及，以及计算成本的下降，“深度学习”随之兴起。它通过模仿人脑的“神经网络”来学习大量数据的方法，使它可以像人类一样辨识声音及影像，或是针对问题做出合适的判断。在第三次浪潮中，人工智能技术及应用有了很大的提高，深度学习算法的突破居功至伟。
深度学习最擅长的是能辨识图像数据或波形数据这类无法符号化的数据。自2010年以来，Apple、Microsoft及Google等国际知名IT企业，都投入大量人力物力财力开展深度学习的研究。例如AppleSiri的语音识别，Microsoft搜索引擎Bing的影像搜寻等等，而Google的深度学习项目也已超过1500项。
深度学习如此快速的成长和应用，也要归功于硬件设备的提升。图形处理器（GPU）大厂英伟达（NVIDIA）利用该公司的图形适配器、连接库（Library）和框架（Framework）产品来提升深度学习的性能，并积极开设研讨课程。另外，Google也公开了框架TensorFlow，可以将深度学习应用于大数据分析。
人工智能的三种模式人工智能的概念很宽泛，根据人工智能的实力可以分成3大类，也称为3种模式。
弱人工智能
长于单个方面的人工智能，也叫专业人工智能。比如战胜世界围棋冠军的人工智能AlphaGo，它只会下围棋，如果让它下国际象棋或分辨一下人脸，它可能就会犯迷糊，就不知道怎么做了。当前我们实现的几乎全是弱人工智能。
强人工智能
是指在各方面都能和人类比肩的人工智能，这是类似人类级别的人工智能，也叫通用人工智能。人类能干的脑力活，它都能干，创造强人工智能比创造弱人工智能难得多，目前我们还做不到。
超人工智能
知名人工智能思想家NickBostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强点，也可以是各方面都比人类强很多倍。超人工智能现在还不存在，很多人也希望它永远不要存在。否则，可能像好莱坞大片里面的超级智能机器一样，对人类也会带来一些威胁或者颠覆。
我们现在处于一个充满弱人工智能的世界。比如，垃圾邮件分类系统是个帮助我们筛选垃圾邮件的弱人工智能；Google翻译是可以帮助我们翻译英文的弱人工智能等等。这些弱人工智能算法不断地加强创新，每一个弱人工智能的创新，都是迈向强人工智能和超人工智能的进步。正如人工智能科学家AaronSaenz所说，现在的弱人工智能就像地球早期软泥中的氨基酸，可能突然之间就形成了生命。如世界发展的规律看来，超人工智能也是未来可期的！返回搜狐，查看更多
人工智能的发展与未来
随着人工智能（artificialintelligent，AI）技术的不断发展，各种AI产品已经逐步进入了我们的生活。
现如今，各种AI产品已经逐步进入了我们的生活｜Pixabay
19世纪，作为人工智能和计算机学科的鼻祖，数学家查尔斯·巴贝奇（CharlesBabbage）与艾达·洛夫莱斯（AdaLovelace）尝试着用连杆、进位齿轮和打孔卡片制造人类最早的可编程数学计算机，来模拟人类的数理逻辑运算能力。
20世纪初期，随着西班牙神经科学家拉蒙-卡哈尔（RamónyCajal）使用高尔基染色法对大脑切片进行显微观察，人类终于清晰地意识到，我们几乎全部思维活动的基础，都是大脑中那些伸出细长神经纤维、彼此连接成一张巨大信息网络的特殊神经细胞——神经元。
至此，尽管智能的具体运作方式还依然是个深不见底的迷宫，但搭建这个迷宫的砖瓦本身，对于人类来说已经不再神秘。
智能，是一种特殊的物质构造形式。
就像文字既可以用徽墨写在宣纸上，也可以用凿子刻在石碑上，智能，也未必需要拘泥于载体。随着神经科学的启迪和数学上的进步，20世纪的计算机科学先驱们意识到，巴贝奇和艾达试图用机械去再现人类智能的思路，在原理上是完全可行的。因此，以艾伦·图灵（AlanTuring）为代表的新一代学者开始思考，是否可以用二战后新兴的电子计算机作为载体，构建出“人工智能”呢？
图灵在1950年的论文《计算机器与智能（ComputingMachineryandIntelligence）》中，做了一个巧妙的“实验”，用以说明如何检验“人工智能”。
英国数学家，计算机学家图灵
这个“实验”也就是后来所说的“图灵测试（Turingtest）”：一名人类测试者将通过键盘和显示屏这样不会直接暴露身份的方式，同时与一名人类和一台计算机进行“网聊”，当人类测试者中有七成都无法正确判断交谈的两个“人”孰真孰假时，就认为这个计算机已经达到了“人工智能”的标准。
虽然，图灵测试只是一个启发性的思想实验，而非可以具体执行的判断方法，但他却通过这个假设，阐明了“智能”判断的模糊性与主观性。而他的判断手段，则与当时心理学界崛起的斯纳金的“行为主义”不谋而合。简而言之，基于唯物主义的一元论思维，图灵和斯金纳都认为，智能——甚至所有思维活动，都只是一套信息处理系统对外部刺激做出反应的运算模式。因此，对于其他旁观者来说，只要两套系统在面对同样的输入时都能够输出一样的反馈，就可以认为他们是“同类”。
1956年，人工智能正式成为了一个科学上的概念，而后涌现了很多新的研究目标与方向。比如说，就像人们在走迷宫遇到死胡同时会原路返回寻找新的路线类似，工程师为了使得人工智能达成某种目标，编写出了一种可以进行回溯的算法，即“搜索式推理”。
而工程师为了能用人类语言与计算机进行“交流”，又构建出了“语义网”。由此第一个会说英语的聊天机器人ELIZA诞生了，不过ELIZA仅仅只能按照固定套路进行作答。
而在20世纪60年代后期，有学者指出人工智能应该简化自己的模型，让人工智能更好的学习一些基本原则。在这一思潮的影响下，人工智能开始了新一轮的发展，麻省理工学院开发了一种早期的自然语言理解计算机程序，名为SHRDLU。工程师对SHRDLU的程序积木世界进行了极大的简化，里面所有物体和位置的集合可以用大约50个单词进行描述。模型极简化的成果，就是其内部语言组合数量少，程序基本能够完全理解用户的指令意义。在外部表现上，就是用户可以与装载了SHRDLU程序的电脑进行简单的对话，并可以用语言指令查询、移动程序中的虚拟积木。SHRDLU一度被认为是人工智能的成功范例，但当工程师试图将这个系统用来处理现实生活中的一些问题时，却惨遭滑铁卢。
而这之后，人工智能的发展也与图灵的想象有所不同。
现实中的人工智能发展，并未在模仿人类的“通用人工智能（也称强人工智能）”上集中太多资源。相反，人工智能研究自正式诞生起，就专注于让计算机通过“机器学习”来自我优化算法，最后形成可以高效率解决特定问题的“专家系统”。由于这些人工智能只会在限定好的狭窄领域中发挥作用，不具备、也不追求全面复杂的认知能力，因此也被称为“弱人工智能”。
但是无论如何，这些可以高效率解决特定问题的人工智能，在解放劳动力，推动现代工厂、组织智能化管理上都起到了关键作用。而随着大数据、云计算以及其他先进技术的发展，人工智能正在朝着更加多远，更加开放的方向发展。随着系统收集的数据量增加，AI算法的完善，以及相关芯片处理能力的提升，人工智能的应用也将逐渐从特定的碎片场景转变为更加深度、更加多元的应用场景。
人工智能让芯片的处理能力得以提升｜Pixabay
从小的方面来看，人工智能其实已经渐渐渗透进了我们生活的方方面面。比如喊一声就能回应你的智能语音系统，例如siri，小爱同学；再比如在超市付款时使用的人脸识别；抑或穿梭在餐厅抑或酒店的智能送餐机器人，这些其实都是人工智能的应用实例。而从大的方面来看，人工智能在制造、交通、能源及互联网行业的应用正在逐步加深，推动了数字经济生态链的构建与发展。
虽然脑科学与人工智能之间仍然存在巨大的鸿沟，通用人工智能仍然像个科幻梦，但就像萧伯纳所说的那样“科学始终是不公道的，如果它不提出十个问题，也永远无法解决一个问题。”科学总是在曲折中前进，而我们只要保持在不断探索中，虽无法预测是否能达到既定的目的地，但途中终归会有收获。
参考文献
[1]王永庆.人工智能原理与方法[M].西安交通大学出版社,1998.
[2]Russell,StuartJ.ArtificialIntelligence:AModernApproach[J].人民邮电出版社,2002.
[3]GabbayDM,HoggerCJ,RobinsonJA,etal.Handbookoflogicinartificialintelligenceandlogicprogramming.Vol.1:Logicalfoundations.,1995.
[4]胡宝洁,赵忠文,曾峦,张永继.图灵机和图灵测试[J].电脑知识与技术：学术版,2006(8):2.
[5]赵楠,缐珊珊.人工智能应用现状及关键技术研究[J].中国电子科学研究院学报,2017,12(6):3.
[6]GeneserethMR,NilssonNJ.LogicalFoundationofArtificialIntelligence[J].brainbroadresearchinartificialintelligence&neuroscience,1987
作者：张雨晨
编辑：韩越扬
[责编：赵宇豪]李开复：人工智能四波浪潮与机会
扫描分享
本文共字，预计阅读时间。由格隆汇打造、腾讯Fintech全程独家冠名、香港交易所全程支持的格隆汇"决战港股"海外投资嘉年华系列峰会第三站北京站上，创新工场创始人兼首席执行官，李开复博士以《人工智能四波浪潮与机会》为题做了如下的主题演讲。
以下为演讲全文：
很高兴又有机会来到格隆汇跟大家分享，去年格隆汇“决战港股”的演讲上讲过一些人工智能的基础，今天想来更多讲一下人工智能的应用，还有在中国的商机，以及创新工场现在在做的事情。也会提到在二级市场AI可能带来的机会和冲击，当然也有很多现在我们可能面临的潜在的一些泡沫。
一、人工智能有强弱等级之分人工智能从创新工场的角度来看，我们觉得现在大家讨论的题目已经比较聚焦，上次还是在谈很多未来、科幻，机器会不会控制人类。
现在大家谈人工智能基本分两种，其中所谓的强人工智能，就是说机器跟人一样，有七情六欲有跨领域思维，有策划的能力，有跨领域的常识，因此会有自我意识，会爱上人类或者控制人类。这些都是荒谬的，都是不存在的，虽然有一些所谓的大佬谈过他们会在若干年会发生，但是这是没有任何技术领域和工程基础的，所以今天我们就不再谈这个幻想的事情。
因为在座的都是很务实的投资人，没有什么强人工智能可投，如果有公司来跟你说，我做了一个新AI能够理解所有人的自然语言，你可以直接把他轰出去，因为这个是没有任何机会的。
什么是弱人工智能？也就是说在单一领域，经过大量的数据，能够达到比人远远更精确的判断。比如说在围棋的领域阿法狗Zero，就能够学习远远超过人类几千年的累计，学一辈子20、30年到9段就不得了，阿法狗3天就二十几段，这是很标准的案例。还有在贷款的领域，AI比人更能判断该不该借钱给你。未来在投资领域，AI比人更能够判断该不该做一个投资。
所以在座的投资人，或许AI都会抢你们的饭碗，可是没有那么快，还需要一点时间。但是你如果说需要很久的时间，其实并没有那么久，因为在大数据的推动下，有些领域会动的很快。
那AI智能未来即便是弱人工智能，也都是有很大的提升的，我们采用比较保守的财务机构普华永道数据来看，他们预测2030年，中国GDP中AI有20%的贡献，我个人认为会比这更多。但是我们可以看到，即便是保守的财务机构，也看到了这样的一个变化发生的巨大的价值，我们如果回去看，过去的十几年移动互联网可能也就产生这么多价值。所以我觉得这是一个至少移动互联网级别的价值的产生，每一个投资人一定要仔细的观看。
二、人工智能应用的四波浪潮那么谈弱人工智能其实还有4种不同的弱AI，今天既然要展开来讲技术和投资和创业的机会，我们就要把AI很负责的切分成4种，第一种是叫做互联网智能化，第二种是商业智能化，第三种是实体世界智能化，第四波是全自动智能化。
这四波所需要的创业人，所面临的商机所应该面对的投资策略都是不同的。如果有一个团队跟你说，我有一个很棒的AI团队，我们什么AI都投，是不太靠谱的。像创新工场我们4波浪潮有不同的合伙人来主导，有4个不同的团队来看，所以如果有人跟你说所有的AI都是一回事，肯定不是这样。
那这4个机会来自于哪里？互联网AI是最早的，我先简单介绍一下再深入解释。互联网AI就是用最大量的互联网数据来训练AI，商业化AI就是把商业的数据拿来训练AI，用在已有的商业流程，比如说银行、保险、医院等等，实体世界的智能化，把过去不存在的数据捕捉起来，用它来做过去不可能存在的事情，把不可能变成可能。
所以第一、第二波浪潮是把可能的事把已有的数据用的更好，赚更多的钱，创造更多的机会。三是把过去没有的数据捕捉起来，做过去不能做的事情，所以这更厉害。第四波就是说我们不是捕捉数据、运用数据用数据做推测预测，而我们这个东西真的要跟人一样，能够能走能行动能摸能拿起来东西，就像科幻片的机器人一样，虽然没有强AI的动力，但是它可以走可以行动可以摸可以拿起东西，这四波的难度不一样的，但是没有绝对的先后顺序，成熟的程度一定是有先有后的。
但是今天一天我们就可以把四波浪潮都投起来，只是你投资的时候投第四波可能就要期望它的应用跟普及也许还要5年到10年。第三波的话可能就会应用的比较快，那么第一波几乎是已经过去的事情。AI其实特别关键的就是大量的数据，有了数据这4件事情就都可以做了，没有数据是不可能的。
1、利用庞大的自然标注数据，互联网巨头成为第一批受益者
那第一波浪潮到底是什么，其实就是BAT，或者说在美国谷歌、雅虎、facebook、微软，大概也就是这7家公司。为什么这7家公司作为最早的崛起者？因为世界的这个量非常大，每天有多少数据量，有多少用户，我们其实都在产生数据，不仅在产生数据我们还在上面做小白鼠产生数据，还在做免费的数据标签的标注。
意思就是，当你在每一次用淘宝的时候，你的浏览轨迹，就被捕捉下来，你的淘宝账号，你用什么付费，看了什么东西却没有买，考虑再三最后还没有买或者买了一个竞品，这一切都被捕捉下来。尤其在你买的那一刻的数据标注特别的重要。标注的是什么？标注像你这样的一个人在今天这样的时候，是会买这样一个货品的。所以淘宝能做什么，能不能用他的AI找类似的人在类似的时候，当他还不知道没想到这个货品的时候就当作一个广告推荐给他。
AI就是这么用，他做的事情就是一个推荐、预测、判断还有分类。所谓的分类就是比如说人脸识别，所谓的判断就是决定他该怎么做，我该买这支股票还是那支股票，所谓的预测就是说未来会怎么走，比如说这支股票下周会多少钱，下个月多少钱，这些预测也都是可以做的。
在互联网上我们每天在使用AI，还在帮它标注，那这些标注就成为它的训练样本，所以就有一大堆的淘宝用户每天点击每天购买，让我更清楚的预测什么样的用户什么时候点击，什么样的用户什么时候购买。因此在用户的获取变现转换，都可以把数字化做的更精确。
这就是BAT他们的巨大的优势，他们的流量是BAT的优势。一个在公司很值钱，可以用市值做很多的事情，还有就是品牌很大，用户的流量不要钱，用户的获取是因为天然的品牌和产品得到的，还有隐藏的优势用AI不断优化他的流程，不断提升竞争壁垒。
今天有人给你说给你1000亿做百度或者做淘宝，或者来做微信，你是不可能成功的。你可以把这个钱砸进去获取用户，做各种各样的事情，打造你的品牌，但是今天淘宝平均的数字你就没有办法超过。比如说他平均一个用户来到淘宝网站他可以赚到几块钱，这个数字他是经过十几年的运营的。他每天都有AI在背后算，我要怎么样去展示网页，给一个新来的用户看，才让他有最大的概率在我这里购买。
而且这些大公司很厉害，我们看一个公司的财报可以看很多的数据，我们可以看一个公司的用户量、活跃用户量，可以看他的营收、利润，每一个互联网巨头都可以调整这4个按钮。你可以想像一下，淘宝用户这个季度已经远超预期了，我们要得到用户的留存，所以我们就把人工智能的学习的目标函数修改一下，这个月我们钱是要赚的，但更重要的是用户的时长，那么你看到的网页突然就变了，针对每一个用户不同的喜好页面会显示不一样，真的就是千人千面。
所以淘宝是可以调整，你看到的所有的网页来优化怎么样得到最高的营业额，怎么样得到最高的收益，怎么样得到最多的用户留存，怎么样得到更多的用户转发，怎么样得到更高的用户平均时长。一个公司的CEO把这4个综合说我们的战略怎么走，现在AI都可以做，AI给CEO说什么样的指标，最重要的背后就可以调整，这就是第一批浪潮最大的机会。
还能不能再投第一批浪潮？实际上不能再投了。第一批浪潮首先要有品牌和流量，当我们投一个新的流量入口，可以是像今日头条、快手这些有新的流量的公司，但是要先有流量后做AI的这类公司。投第一波的AI的话，只能投流量很大的公司，帮他把AI做好，赚更多的钱上市，所以反过来的话不是说不可能，是非常的困难。
美图也是一个案例，在座很多的美图的用户，美图每个人都在贡献数据，你在自拍就是在贡献数据。但是美图是怎么标注的，有人知道吗？自拍之后，假如说我们是用一个自动的自拍，美化度是2，然后自拍了以后，下面我可能做什么事情，三件事情：分享、储存或者删除。对美图来说意义是什么？分享一定是美的好的，储存也是美的不错的但是略差一点，但是删除的一定是美的不好的。所以美图要不断的调整自己的AI，收了一大堆的数据拿来做更多导致用户分享的美化效果，还有那些会导致用户储存的效果。
当然千人千面，所以每个人可能喜欢储存的不一样，也许中国人都喜欢白一点，但是非洲人喜欢白但是白一点点就可以了，那些在海滩的人还喜欢自己有点晒黑一点，这个还是要看个人的。
这些标注就让美图现在有一个很难撼动的地位，它的电商不能跟淘宝比，搜索不能跟百度比，但是它的照片尤其是自拍的，尤其是女孩子的自拍，一定是世界最多的，谁还能比它做出更美的效果？很困难。大量的AI的滚动，大量的数据，使AI滚动起来非常的重要。
2、以业务流程为中心，激活已有的数据，创造商业价值
第一波讲完了我讲第二波，第二波浪潮，很多的公司包括传统的公司，内部有很多的数据。过去你存数据可能就是为了一个财务、备份、合法等等的理由把数据存了，存了不当一回事，比如说医院的病例。银行每次的交易的记录，都不见得很重要。
但是今天AI来了我们如果要优化银行，银行要决定出一个新产品了，该推给哪个用户？因为每个用户的推送一定是有限的，能不能把最合适的产品推给最合适的用户？因为推多了就会烦了，这就基于你过去存的数据。我要知道客户的可信度，用了多久我们的服务，存了多少钱。可能还有一些数据是我们没有的，没有的就要去猜，比如说我们其实很需要知道一个用户的身家，那么银行存款不见得会告诉你，但是有外部数据可以帮你猜出来。
我举一个美国的例子，比如说一个人在花旗银行存了10万美元，但是有30栋房子，所以他的身家可能是3亿美元。一个很好的AI不但会把银行里的10万美元算出来，还会在美国的公共数据里面找出来，因此30亿美元的富翁，我们会推适合他的合适他的产品。银行推送广告的转化率，也就是你作为银行用户收到一个短信或者说一个电话，或者收到微信的推送，然后你的购买率经过AI提升65%，以前1万个人，100个人买，现在165个人买了，这对银行的利润增长非常巨大。
这些例子很多，二级市场的投资肯定是会用AI，现在还没用的很好，但是未来会开发，未来的AI角色会越来越大。现在大家讲量化，还是不是讲速度，讲智商？其实讲的是融合，是把各种各样的数据融合起来，不只是看股票的指数，看股票未来走势怎么走，还会把每一个季度的财报读进来，读的时候会看出不一样的地方，比如说管理团队，上季度说我们非常乐观，这个季度说我们乐观，少了非常两个字，AI就可以提出一个红灯让你做更聪明的判断。
AI可以容纳大量的数据，数据越多，做的越好，这些数据可以是多样性，一个分析报告的文字，还有股票的走势，还有社交网络的正向和负向，还有格隆汇说了什么，雪球上做了什么，这些全部可以综合起来，这是投资方面特别适合用大数据的。
而且不要认为只有二级市场，这次我到美国跟谷歌在投资委员会做了一个机器，不止是几个厉害的投资人，几个GP，几个合伙人在那投票，机器还要投一票。机器也就是各种的数据，有历史可以看到让机器投票得到的回报是多少。我们会看到以后一级市场二级市场都会用到AI，但是你用AI你的数据一定要整理好，如果你是没有数据化的公司，不可能有AI，数字化以后还要去整理，整理以后需要专家，专家来帮助你调解。最开始是辅助，最后是协助，最后是机器来做，机器为主。
金融界根本就是一个人创造的虚拟数字游戏，根本就不适合人来做的，抱歉。但是它不是一个很自然的事情，人写一首诗人抱着孩子是很自然的事情。金融界数字多，标注清楚，而且是非常客观，股票不是涨就是跌了，保险费不是涨就是没涨，贷款不是还了就是没还，没有模糊的空间，没有情感优势，所以是适合AI来做的。AI统治金融界应该是一个迟早的事情，当然也可能要20年，30年，也可能有些领域一两年就发生了，也可能二级市场更合适，也许天使投资更安全，这个需要时间来验证。但是我觉得AI作为比人类更强的投资方法这个是确定的，然后在银行、保险等等领域都有机会。
医疗有没有机会？我觉得医疗的机会是特别巨大的，但是因为有数据的问题，有标注的问题，相比金融的数据量大，标注精准，医疗的就比较麻烦，我们协和级别的医生可以有多少来做标注，比如说癌症的医疗，活了就是正面，没活就不是正面。当一个人来他可能活10年20年，50年，数据累计太慢所以又带来一些问题，所以医疗我觉得真的应该做，但是不是那么容易做。
如果要投第二波浪潮的，我觉得是非常需要有一个懂大数据的CTO，不一定要是一个特别牛的AI的科学家，他要有务实的经验。他如果在谷歌的搜索，或者说百度的凤巢，做过这类的工程师是非常适合。还要有年轻的人懂调参数，还有懂商业经验的人做CEO，你做这个软件要卖给同行，要会卖，卖企业级软件并不是容易的事。
这波浪潮里，比较著名的是追一科技，他做的是客服，每一个客户发生的问题，要退货，或者有疑问，或者掉了一个充电器，针对运营商也好，银行也好，滴滴也好，会把用户交易纪录全部收进来，然后这些用户一般会给客服打分的，如果客服办的不满意，可能6个月以后不做这个服务了，可以作为大数据的标注。当然一个公司卖的产品是很有限的，在滴滴上面发生的事件投诉也就那么多，车子没来等等的，或者说在一个保险，或者我的花费，月费该怎么缴等等。
我们追一科技也开始在使用，也开始进入好几个大的银行，那么它的精确已经超过人类，客户满意度还在提升中，所以我觉得这是时间问题。中美的企业包括印度的外包就有2000万个客服，这些都会被集聚起来，客服被取代之后，一个聪明的机器客服是很会趁机帮你打品牌推销产品的，比如说我退了一个oppo的手机，说要不要买一个小米，也不是说它更好，他也有一个目标，卖出这个产品是第二个目标。AI客服机器人推荐的一个链接点击率是50%，所以这会比百度的广告更有效，这会变成企业促销的工具。
3、实体世界的智能化
传统商业谈完了，我们来谈谈第三波浪潮。当我们把全世界过去没有储存的数据突然捕捉起来，然后拿它来做有意思的事情，比如说我们的天猫精灵，在捕捉我们的语音，这是一个例子。比如说我们在购物中心或者说一家商店，或者说美国的亚马逊，或者说有超级商店的这个投资，还有一些无人商店。无人商店其实是重要的部分，商店的无人其实就两个部分，一个就是说，用AI来识别谁买了什么东西，然后帮你去付账，然后经过这件事情让你觉得很酷，让你节省时间让你不用排队结账这是优势。
但是其实它更大的优势是什么，它是知道了你是谁，到了哪一排的货品，试穿了哪一件衣服，最后发现尺寸不符又是哪一件，或者说衣服太贵而没有买，这些视频语音都会捕捉起来然后回到公司的决策逻辑。一方面可以决定这个衣服大家都觉得贵，我要重新定价或者这件衣服不合身，穿上不好看，或者这个衣服红色好看，要有红色的就好，都可以捕捉下来。再一个可以预测数量，红色卖20件，蓝色卖5件，我们可以这样进货；我们可以发现这个季节的人喜欢粉红色的长裙，那我们下个季度就多做一些。整个商店的流程就被完整起来，从产品的设计到最后的购买，还有用户的满意度。
听起来有点像未来很远的事情，但是AmazonGo已经开始推出了，阿里也在做尝试，我们投资的F5未来商店也会做，这个会很快推出，尤其是在中国。
这只是有关零售行业的，我们可以期待，这些是可以用在仓储、物流等领域的。我们看到一家公司外包给好多的小工厂，我们能不能放一些小摄像头来确保那些工人有在工作，要不然我们货物就来不了了。
我们在教育方面也投资了像盒子鱼，把线上线下课程都捕捉起来，这是一个对学生从教学、练习到测试的全方位的辅导，它将这些数据累积起来，然后线上线下相结合，这些未来都是会发生的。昨天我做了一个OMO的分享，如果有兴趣的话可以去看看创新工场的微信公众账号，昨天发布了一个关于OMO的未来的文章，讲到了OMO会怎样颠覆零售、教育、交通等等领域。
OMO是什么意思呢？OMO就是线上线下完整的融合为一。那么要融合为一就必须用AI，因为要靠AI来预测它的一切需求行为，通过AI来捕捉线下的用户，然后在线上把数据结合起来。你可以想象未来，比如说你去买了一个电动牙刷，回家可能就发现，背后的线上已经开始问你两个月后要不要换牙刷头，这些东西线上线下都是会结合的。
关于语音视频方面，很多人可能听过相关的创业者说新的用户界面是通过手势、眨眼睛、说话来进行的，机器都可以听懂之类的。我觉得这样的项目一般就不要投了，因为如果真的要做出颠覆性的东西，已有的产品是不需要新的用户界面的，新的用户界面很难融入已有的界面。我们的电脑就是一个鼠标first和键盘first的产品，一定要塞语音已经塞不进去了，硬要做手势和摇一摇之类的，是没用的。手机是一个touchfirst，当然乔布斯发明手机的时候可以把它做成一个语音first的产品，但是他没有。像语音这样的只能用在车载比如说音箱，或者一个全新的产品，但是你这么做的时候一定要给他设计一个全新的用户体验，甚至你会需要一个非常强的产品经理，才可能做出新用户体验的机器。这一类有很多出来融资的AI公司，但是非常容易有陷阱，各位一定要小心。
这里举一个我们投资的例子，也是比较知名的旷视科技，face＋＋，前段时间做了全世界AI公司最大的一轮融资。这个公司是基于计算机视觉的，我认为视觉是比语音更容易推动的，我以前是做语音的，所以我讲这个应该是比较客观的。视觉上是比较容易把问题切割小的，因为AI不能够了解完整的一个场景或者说懂一个人的大脑在想什么，但是AI是可以从看到的影像里识别出脸在哪里、杯子在哪里、车在哪里、车牌是几号、行人在哪里、会不会过街等，这些东西是可以切割出来的，把它当作单领域的简单的识别，不用很深的理解就可以做到。
我们可以看到，人脸识别作为一个单一的案例，face＋＋是最早做这个领域的公司，现在的识别度非常得高，当时在德国马云也是特别去演示这个技术，现在它可以同时识别300万个人。如果我们有一个世界的通缉库，我们把它放在世界的每一个机场，这个通缉库也不可能超过300万个人，那么这些人基本上就是无处可逃了。这些给我们带来的不仅是商业价值，而且是更多的安全保证，让社会更加的稳定。另外一个有意思的例子，有一个城市用了face＋＋，那些闯了红灯过马路的人的照片立马就会被拍下来，账单就直接寄到了家里。
4、全面自动智能化
第四波浪潮是全自动智能化，即AI可以动起来，可以走动，可能用轮子或者是脚，可以拿东西。当然这个的速度会比较慢，它不仅要用到机器学习的软件，还要有硬件，和学机械学电机的人一起来工作。它就不像AI爆发得那么快，会有一点难度，需要一些时间，但是都可以克服。我认为会有两个重点：
第一个是自动驾驶会成为这个行业的催化剂。为什么会这样？首先是它对经济的影响太大了，大概是全球10%到20%的GDP的价值，因为它不仅是影响买车的价值，还有出行的习惯、消费等，以后我们自动驾驶滴滴随叫随到，我们就不需要买车了，以后我们钱变多了，交通变好了，故障变少了，人的生命更安全了，随之而来的我们的保险也会下降。以后我们的车都是共享的，我们的停车库就可以激活拿来做别的用途了。我们的物流开始自动化了，比如说我要买很远的广西的橘子就非常容易了，价格非常低了，因为不是人来开而是机器来开，加上它是电动车和共享经济，所以机会是非常大的。
第二个是全世界的公司都接受了自动驾驶必然到来，包括所有的车厂，它不像手机时代到来的时候，可能很多的PC公司还在说，PC为主，手机为辅，所以那时候很多的PC公司都死掉了。但是这次不一样了，传统的这些公司都已经投降了，每一家车厂都在说迟早是自动驾驶的世界，只是有些会说3年，有些会说20年，但是没有人会说它不会来。所以它的到来对整个经济的颠覆，提供的创业机会和投资机会是非常巨大的。而且一旦做成了，背后会有一个软件和硬件是能看、能听、能走、能知道环境一切。
那么是不是机器人的世界就到来了？我们看科幻小说，会期待有机器人帮我们迎客、做饭、打扫等等，这一天肯定是会来的，但是首先是有车，先把这些问题解决了，然后按照几十万块钱做一台车，然后再几千块做一个机器人，到那一天我们就有福了，虽然还很早，但它一定会发生。
我们首先通过车把这些困难的问题用大量的资金，用高昂的售价解决了，才可能有机器人的那一天。而且我们认为机器人会先从赚钱的领域出来，而不是家庭机器人。这些机器人应该是先在工业出现，比如说富士康的董事就不断地来看哪些机器可以做得比人更好，在产品的良率、产品的识别以及简单的流水线的组合等方面，一步步地去克服，从价钱最高最好的地方往下移，一步步的来省钱。
在商业方面很多工作人类是不想做的，比如说我们投了一家生产摘草莓机器人的公司，其实机器很简单，用视觉识别看到草莓，然后把它摘下来不要弄坏就可以了；我们还投了一家生产洗碗机器人的公司，但它不是卖到家里，而是卖到餐馆的，很贵，要几十万美金，因为在美国，洗碗工是最容易闹情绪的，他虽然在餐馆环节不重要，但是突然没有人洗碗了，你的整个运营就崩溃了，所以有个洗碗机器的话，按照租赁的方法，是可以很好的解决问题的，所以这一类可以帮你赚钱省钱的机器人会先发生，这也是我们主要投资的方向。简单的讲，我们的投资一方面是投无人驾驶，另一方面是投机器人和智能制造，再者就是芯片了。
我们投无人驾驶的时候，非常重要的是能够一边收集数据一边学习，一边进步一边滚动，所以我们投的第一家无人驾驶就是驭势科技，他并不是一步登天在二环三环就可以跑，他想做的是非常务实的一个慢速车，可能会在景区、机场、物流等方面使用。下一步会先做一些慢速的车在真实的道路上跑，比如说清洁车或垃圾车，这些方面的安全性就会比较高。
我们可以看到很多有意思的无人驾驶，比如说矿区的送矿，走固定路线的大巴车，还有一些卡车、货车，因为它可以降低出事率，而且无人驾驶很适合在高速公路而不是小道路开。这些公司我就很看好，因为它是场景化的，是在一个场景里面解决一个真实的问题，从这里面去获取更多的数据，让数据能够迭代，然后做到更难的场景，我觉得未来就应该是这样的。
其实我们可以看到像谷歌、百度，都是先做简单的文字，之后再图片、视频、手机、机器人操作系统、语音、对话，然后现在都在做汽车，所以其实谷歌、百度的路线就是先解决简单的问题，打磨自身的技术，再越做越难。所以无人驾驶也是要先赶快推出，收集数据，再进入更难的场景，这是必然的过程。
所以刚才讲的4个领域都很不一样，但是AI需要的东西是一样的，这4种AI会在5种情况下进行工作：海量数据、客观精准自然标注、单一领域、超大计算量、顶尖AI科学家，我们以后的科研就是要克服这5个问题，海量数据能不能不要那么多，客观标注能不能少一点，单一的领域能不能做到多领域，计算量能不能做到便宜一点，能不能做到手机、摄像头里面，顶级的科学家能不能不要，能不能有一个平台让所有的工程师都可以做AI的科学家，这天发生的时候，我们的AI应用就会井喷了。
12立即报名以上信息我们将会严格保密，报名结果以官方通知为准，感谢您对未央网的信任与支持！
非常感谢您的报名，请您扫描下方二维码进入沙龙分享群。
非常感谢您的报名，请您点击下方链接保存课件。
点击下载金融科技大讲堂课件[Source]本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！本文版权归原作者所有，如有侵权，请联系删除。人工智能和Web3浪潮下，如何备战下一代互联网
01.备战Web3，下一代互联网为应对即将到来的下一代互联网Web3，我们需要做好准备。在这个新的数字环境中，我们的数据可以自由携带并且不受控制，这对当前存在的垄断局面构成了挑战。Web3承诺成就这样一个环境，投资者可以参考互联网的演进历程来更好地理解这一转变。第一阶段是Web1，它为用户提供了前所未有的信息获取和连接性（比如Yahoo!和Google）。然后出现了Web2，通过应用程序提供个性化的用户生成内容，进一步增强了用户体验（比如Facebook和Twitter）。作为下一代网络，Web3运行在全球范围内的点对点基础设施上，这得益于区块链技术的支持。类似比特币，Web3网络是去中心化的，也就是说它消除了中间人，没有任何单一实体控制。Web3的核心目标是解决数据垄断、隐私风险和算法偏见等问题，推动一个更加公平和开放的互联网。我们将会看到从以平台为中心转向以个人为中心的数据和身份管理，从而产生新的技术和商业模式。但要真正建立这样的网络，用户（包括人和机器）需要积极参与其中。为了实现这一点，开发人员可以通过使用通证来管理活动并在区块链上记录交易。此外，这个下一代生态系统的其他关键组成部分可能还包括智能合约和数字钱包。02.对Web3公司的投资区块链技术以其"无需信任"的系统被视为解决对各种传统机构缺乏可信度的一种方法。然而，包括FTX和Silvergate在内的crypto相关公司最近的失败引发了投资者对数字资产的不确定性，给Web3的未来蒙上了阴影。请看下面的图表，这是德勤最近的一份报告中的数据。从2016年到2022年，早期投资者向Web3公司注入了约940亿美元的资金，其中大部分资金集中在过去两年，在2022年第一季度达到了130亿美元的峰值。这与比特币在触及近69,000美元的历史最高点后价格暴跌相对应。然而，正如德勤所指出的，数字资产价格的暴跌与2000年代初的互联网泡沫破裂存在一些相似之处。就像互联网随着时间的推移成为生活和工作中不可或缺的一部分一样，Web3的变革潜力可能会持续存在，吸引风险投资和私募股权投资者。03.人工智能，美国企业和元宇宙的后起之秀对人工智能（AI）的关注度也在不断增长，并且这在美国企业界有所体现。根据FactSet的分析，对2023年第一季度收益电话会议的研究显示，讨论人工智能的标普500指数公司数量显著增加。在这段时间内，有110家公司提到了人工智能，相比五年平均水平的57家和十年平均水平的34家，这是一个明显的增长趋势。同样的方向上，Meta、Roblox和Apple等公司开发的实时3D虚拟应用预计将推动对AI服务器的支出增加。根据预测，AI服务器的支出预计将以每年19%的速度增长，直至2032年。这是因为对生成式人工智能的需求日益增加，而ChatGPT和Midjourney等受欢迎应用程序也是其中的主要原因。“生成式人工智能”指的是能够根据用户提交的简单提示创作出独特内容的应用。在今年早些时候，ChatGPT成为了历史上增长最快的应用，仅仅在推出后的两个月内就吸引了1亿用户。为了高效运行，这些元宇宙应用将需要先进的图形和人工智能处理器，这将增加对NVIDIA、AMD等公司的高性能AI芯片以及HIVEBlockchainTechnologies等数据中心运营商的投资。根据彭博智能预测，到2032年，AI服务器支出可能占总工作负载支出的近30%，相比之下，2022年的比例约为15%，这是一个显著增长。04.生成式人工智能，价值万亿美元的产业
但在“现实世界”中，生成式人工智能可以用于哪些方面呢？麦肯锡公司发现，在16个业务功能中有63种这样的AI应用。如果得到应用，每年可以创造2.6万亿到4.4万亿美元的经济效益。这将使目前11万亿至17.7万亿美元的非生成性人工智能和分析的潜在价值增加15%至40%。高盛的预测更为乐观。据该银行称，生成式人工智能的进展可能对全球经济产生显著影响，十年内全球GDP有望增长7%（相当于近7万亿美元），并提高1.5%的生产力增长率。作为一个实例，亚马逊网络服务（AWS）上周宣布推出了AWS生成式人工智能创新中心，这是一项耗资1亿美元的倡议，旨在帮助客户开发和实施生成式人工智能解决方案。此举是该公司扩大全球客户和合作伙伴对生成式人工智能的可访问性的战略的一部分。05.人们将以更快的速度采纳新技术可以理解，一些读者可能会感到困惑，但值得记住的是，技术周期通常每隔10-15年就会出现一次。Web3、人工智能和数字资产也不例外。诚然，广泛采用Web3、人工智能和区块链等资产并非易事。主要的阻碍可能在于用户体验。例如，设置crypto钱包的过程可能相当复杂而繁琐，而标准的网络浏览器可能需要额外的插件才能支持Web3功能。为了促进大规模采用，Web3需要提供一个用户友好的界面，就像从Web1过渡到当前更互动的互联网版本时那样。这一转变可能由像Meta这样的主要科技公司领导，他们理解简化Web3对于普通用户的潜在好处。好消息是，人们似乎越来越擅长接受新技术。麻省理工学院（MIT）的《技术评论》于2013年进行的一项研究证实了这一趋势。例如，电话在美国家庭中成为常见设备花费了半个世纪的时间，而智能手机仅在10年内就达到了40%的普及率。同样地，预计数字转型方面的进展会非常迅速。根据去年夏天进行的一项调查，75%的零售商计划在接下来的两年内接受数字货币作为支付方式。安德烈森·霍洛维茨公司（AndreessenHorowitz）预测，区块链技术作为Web3的基石将引领一个新的数字时代，在2031年前可能拥有10亿全球用户。值得对比的是，互联网在2005年才达到10亿用户的规模。原文由U.S.GlobalInvestors撰写，中文内容由元宇宙之心（MetaverseHub）团队编译，如需转载请联系我们。原文标题 : 人工智能和Web3浪潮下，如何备战下一代互联网？