拯救AI独角兽：人工智能行业“泡沫”破了
AI独角兽泡沫破裂：高管离职、裁员、数据打架、上市中止、营收崩溃。
文|杨晓鹤
“早预料到今天的情况，所以也没有太意外。”
依图科技研发人员高强告诉Tech星球，3月12日听到自家公司中止科创板上市的消息时，情绪并没有太震动。在近期云知声、京东数科、禾赛科技、柔宇科技相继撤回招股书的情况下，依图撤回也是正常不过。“毕竟依图的主营医疗业务线境况不佳，年前还裁员了20%。”
如今，AI独角兽们都在争“AI第一股”，现实却是面临集体“淹没”的危险。披露招股书的云从、旷视、依图、云知声都普遍亏损，更大的压力在于，这些拿了很多融资的AI独角兽，并不能在二级市场获得匹配融资时的高估值。
而且科创板监管加强后，很多AI独角兽主动释放要“更新”招股书数据的意图，在上市前审查过程中主动逃离。“我知道依图、云知声、地平线等多家AI独角兽商业化成问题，AI要全线崩溃。”一位AI从业者乔梦告诉Tech星球，并强调这可能并不是危言耸听。
而在很多不明全局的AI企业员工看来，自己切身的体会就是，同事在陆续离职，年终奖不发或者打折发。“我们没发年终奖，我也不知道咋回事。”一位云知声员工告诉Tech星球，上市受挫之后，他现在很后悔没接某大厂offer，公司内部在传要裁员五分之一，期望别落在自己头上。
从2016年“AI元年”开始算起，在科创板的东风下，寒武纪、UCloud等第一批云计算与AI企业捷足先登，AI独角兽们以为要迎来自己的春天。
回过神来的AI企业开始“打扮”自己的财报，并在2020年末竞相提交上市申请。
云知声、依图科技、云从科技、格灵深瞳、旷视科技、推想科技等AI领域有头有脸的企业，都摩拳擦掌要上市。
剩下的商汤科技、第四范式、地平线、思必驰、壁仞科技也不断有上市消息传出。
但截至3月12日，CV四小龙中，旷视和依图2家都中止过上市进程；智能语音领域的云知声在问询后被终止；最烧钱的AI芯片领域短时间难有企业上市；营收稍好的硬件领域，也有优必选等企业折戟IPO。
“AI企业的问题都懂”，一位投资人告诉Tech星球，“现在应该想想如何救救AI独角兽？”
01接连“暴雷”的AI独角兽
这些突然不能上市的AI独角兽中，最令人意外的依图科技。
2020年突然袭来的疫情，曾让这家医疗影像独角兽大放异彩。彼时在接受Tech星球采访时，依图科技曾称在3天内完成“新型冠状病毒性肺炎智能评价系统”开发，一天内完成部署检测，帮助上海地区新冠肺炎重点收治单位——上海市公共卫生临床中心使用的依图CT影像机器完成升级，AI系统能够对病变区域，在2-3秒之内就能完成定量分析。
“我们技术确实很厉害，医院医生也说好，但是到掏钱采购的时候就不行了。”高强说道，自己是做技术的程序员，也不知道为何总是投标失败。
2020年底重庆一个三甲医院的订单，金额有200多万，最终流标了。这让高强很受挫，手头暂时没了业务。
原本这单拿下，其他几单也就稳成，今年自己至少有上千万的业务可做，现在自己要思考是不是该跳槽了。
高强认为，也不能都怪商务BD，虽然这个BD已经在重庆这家失败三次了。“你换一个BD就一定能成吗？说不定比他更差。”
有内部人士告诉Tech星球，依图杭州医疗团队业务差不多裁了70%，销售差不多已经崩盘。但在部分员工看来，依图是在为上市进行的主动调整，既然短期内无法盈利，那就通过缩减人员减少人力成本。
同时业务转向芯片和自动驾驶，以期未来重新登录资本市场时，再讲个有吸引力的故事。
依图的困局，主要是计算机视觉在商业化领域的落地难题。这个难题，在CV四小龙中普遍存在。
成立最早的旷视就是如此，在港股撤回过招股书，3月12日又转战科创板。不仅资本市场的经历比依图丰富，业务调整的也比依图频繁，从最早的ToC到现在的ToB，刚刚形成自己的三大支柱业务。
一位旷视内部人赵明告诉Tech星球，“每次更换业务线，就意味着一些高管的进入新业务的扩招，也意味着一批员工高管的离开。”2019年底，旷视科技行业物联总经理平原离职；2020年，旷视科技智慧物流引入高级副总裁王银学和大批员工，就是CEO印奇要发力不同业务的结果。
综合来看，目前比较纯粹的AI算法企业，都没有找到爆发性增长的应用行业。对于那些AI硬件企业来说，也面临同样的问题。
近期，一家仅C轮融资就高达9亿美金的车规级AI芯片企业，被某车厂高管朋友圈爆料，其最新的第五代芯片流片失败，并称其后续再搞个忽悠人的“第六代”。
坦率说，上述AI芯片企业有很多布局自动驾驶的大企业投资，短期内不至于没钱。但是要知道芯片流片很烧钱，在多家AI芯片企业因为亏损无法登陆科创板的情况下，其2021年下半年赴科创板上市的目标，就未必能实现了。
头部AI为了生存都不免慌乱，余下的中腰部AI企业自然都不好过。
近期，累计融资上亿美金，主打“AI+HR”概念的e成科技近期就遇到破产危机。
3月7日，e成科技发布内部信，宣布公司面临极大的经营困难，3月份所有员工薪酬都不能发，成立“公司运营委员会”接管公司，并明示公司已经进入生死存亡之际。
有行业人士对此评价：这家公司口号喊得响，什么万亿招聘市场，用AI重新定义招聘4.0，最后还不是利用爬虫抓简历，用猎头落地业务。
从2020年全球知名的AI芯片企业——WaveComputing公司破产，AI企业再难获得VC亲睐，独立造血不足的情况，第一批AI公司甚至已经开始倒下，现在对于活着的AI来说，能不暴雷已经算是发展行情不错。
02AI商业化是“皇帝的新装”？
AI独角兽冲击上市进程中，虽然好多企业因此惹出发展问题，但也让外界得以窥探各家业务和营收的真实情况。
Tech星球整理了几家递交招股书的AI独角兽的数据，发现财务层面不尽如意，亏损都远大于营收。披露的2020年前三季度数据，依然是这种局面。
不过，尽管年营收平均仅为10多亿元，数据打架的情况依然发生。
前有科大讯飞质疑云知声招股书存在夸大宣传的嫌疑，认为后者在签约医院数量、黑电合作企业远不如科大讯飞的情况，宣传语音病历市场、家电智能语音模组领域占有率高达70%的表述严重失实。
乔梦认为云知声数据问题，甚至是整个智能语音赛道的问题。这个赛道巨头都有布局，包括谷歌、苹果、微软、科大讯飞等在内的头部企业，占有80%以上的市场份额。
因此，虽然宣称自己的识别率已经达到90%多，但智能语音创业企业生存情况依然不理想。
Tech星球曾潜伏在一个数据标注群，发现某智能语音上市企业外包团队招聘“数据农民工”，据群内的一位招聘负责人透露，目前其有上万人在辅助机器做语音转写或者算法模型训练，AI商业化根本没有想象中的“一本（套算法）万利。”
不仅AI企业互相揭露，转换上市地点的旷视科技，赴港股和赴A股的两版招股书中的数据也有出入。
对比两版本招股书2018年的数据看，此前港股招股书披露城市物联网解决方案全年实现营业收入10.57亿元，占总收入比例为74.1%；但在最新A股招股书中，2018年全年该业务实现营业收入为5.43亿元，占比63.56%，该项业务收入诡异大幅减少。
旷视科技港股招股书
旷视科技科创板招股书
而且2018年整体营收8.5亿，也远低于港版招股书中，2018年城市物联网一项业务收入。
从A股招股书看，旷视科技2020年的收入也大幅减少，同时已经结束的2018年营收数据大幅变化，不知旷视在接受上市问询时，会对此变故如何解释。
一家AI企业市场总监张易告诉Tech星球：“纯粹AI企业营收都比较难，我们竞对华中区商务负责人都要离职了，我最近还听他们吹华中营收一年几亿呢”，所以自己对数据的真实性都不太相信。
回到业务层面讨论，AI企业难做营收的根本原因，源于每家的主力产品都是AI解决方案。这意味每个方案都有差异化诉求，加上本身AI方案的效果就难说，打动客户怎么会容易？
分析近期撤回招股书的京东数科（近期更名京东科技），也可以看出这家公司的AI业务商业化困境。
在其营收构成中，金融机构数字化解决方案、商户与企业数字化解决方案占了93.7%的营收。而政府及其他客户数字化解决方案仅占5.5%，也就是说雄安智慧城市四期、AI养猪等比较有噱头的AI业务，半年营收才为5.7亿元。
Base在美国的京东数科副总裁曹鹏，要利用“猪脸识别”打造国内的智慧农业，甚至研发了420项相关专利。“AI判断猪的发情期或是生病情况，其实有经验的养猪人判断更准确”。
也许没人关注真实准确度，在科技互联网大厂都在发力AI养猪的背景下，媒体给足了AI业务关注度就够了。
对于AI商业化难题，正在外地拓展商单的旷视科技赵明告诉Tech星球：客户最终决定采购AI解决方案，还是看多大程度能够代替人力，多大程度能够提升效率。所以ToG比ToB好做（方案用户规模大），智能视觉比智能语音好做（效率提升更明显）。
好做也是相对而言，没有京东白条的京东科技就无法盈亏平衡，目前递交招股书中AI企业，想要盈利还是太难了。
03曾经的天赐宠儿与现在的弃儿
一位ToB投资人评价说，这波撤回上市招股书的AI企业时说：“性感的不赚钱，赚钱的不性感”，现在科创板想要既性感又赚钱的企业，所以大批AI企业回去深造了。
一直以来，受VC热捧的AI企业有多“性感”？Cool公司格灵深瞳的故事或许最具代表。
当年，真格基金徐小平给格灵深瞳创始人赵勇订机票和酒店，催促其从Google回来创业。
后来一次饭局上，徐小平和红杉资本的沈南鹏、联创策源的冯波聊到格灵深瞳未来的估值。徐小平说起码5000亿美元，沈南鹏说1000亿美元比较实际。两人争执不下时，冯波给出了一个折中价格3000亿美元。
此后，格灵深瞳经历董事长开除CEO、员工离职过半的事件后，在2020年12月也开启了科创板上市辅导，36氪报道其最后D+轮仅为6亿美金估值看，格灵深瞳已然是“AI最大的泡沫”。
曾几何时，无数投资人看中了AI企业讲述的性感故事，只是这些性感故事也真是烧钱。Tech星球统计几家知名AI公司上市前的融资额，动辄20亿最低融资额，让很多ToB投资人根本投不起这些AI独角兽。
而根据公开资料显示，AI四小龙中商汤科技累计融资约187亿多元，估值近800亿，资本估值效率（P/I）是4.2，旷视科技是3.6，依图科技是5.6，云从科技是7.3。均低于国外上市企业Slack、Zoom超过10的资本估值效率。
大多数AI企业创始人都是精英级别的技术出身，早期都在比拼算法，比拼专利，看看谁家的技术深厚。
2019年，旷视科技研究院负责人俞刚离职，内部加强产研结合，说明业内已经认识到商业化的重要性。
“阿里达摩院不都盈亏平衡了吗？，地主家都没有余粮了。”一位AI行业告诉Tech星球，现在众多AI企业“临上轿现扎耳朵眼”，匆忙商业化导向做了两年，现在一看还是都在亏损。
而且，2018年、2019年以及2020年前三季度，旷视科技实现归属净利润分别约为-28亿元、-66.39亿元、-28.46亿元，合计已亏超百亿元，而依图科技则是三年半亏损超70亿元，互联网巨头的非核心业务都不敢这么亏损。
持续亏损与上市遇到挫折的情况下，很多AI大牛开始离开了行业。
最近，东南亚电商平台Shopee3月份发布的财报坐实，原依图科技CTO颜水成已在2020年末离开，加盟Shopee。而据内部人士消息，格灵深瞳CTO邓亚峰也已经离职。核心高管离职，对拟上市企业无疑是重大打击。
当下的情况是，投了很多资金、寄于厚望的AI独角兽近乎全部折戟上市，也算是投资人继O2O后，又押错的一个时代。强如李开复也在2020年公开承认，“不少AI公司割了投资人的韭菜。”
04四散寻找出路的AI企业
成立于2018年11月的科创板，曾给短时间无法盈利的AI企业，带来很大的希望。早期上市的AI芯片企业寒武纪、智能扫地机石头科技、计算机视觉虹软科技等企业，都经历过股价翻倍的喜悦。
现在，这些待上市的AI独角兽，进入科创板后也是十足的吞金兽。很多企业都没有进行Pro-IPO幕资，而IPO募资都在几十亿元左右，京东科技此前幕资额甚至已经达到200亿元。科创板的不深蓄水池，势必需要严格审核进入的门槛。
数据显示，截至3月9日，科创板共受理家541家企业，其中包括中芯国际等236家企业已上市。
但从2021年初几次严格抽查的情况来看，查出企业问题的概率还是比较大。1月21日，中国证券业协会抽查20家企业中，已经有柔宇科技等6家已撤回申请，终止审核。
一系列动作表明，监管部门正加强监管部分资质不佳的企业，防犯利用投资者对新兴科技的热情和监管环境的相对宽松包装上市募资。
对于那些主动撤回招股书的企业，监管部门也提到不能一撤了之。根据3月份之后实施的新政，财务数据造假的保荐、审查等机构也将入刑。
资本市场再次提高准入门槛，狂奔的AI独角兽们上市无门，必须再次奔跑起来设法觅食。从目前看，AI独角兽正通过三条路径密集做营收，视图自救。
第一路，是给互联网巨头打工，AI魔变科技CEO刘占禹告诉Tech星球，他们经常帮企业做数据标注和算法模型训练，此前“吗咿呀嘿”AI动图火爆的时候，某头部短视频平台就找到他们做脸部算法训练，两三天处理完百万级的人脸数据，也让这款魔变表情迅速在短视频平台应用。
旷视科技也和阿里等巨头合作紧密，但这条路不是长期办法。“巨头上游有数据，下游有应用场景，没道理长期把核心算法交到AI企业手中”，刘占禹向Tech星球分析说。
所以，大多数时候，AI企业都与巨头都是非对称的竞争关系，比如百度和云知声，腾讯和依图科技、小米和地平线。
第二条路，是做自动驾驶。目前行业的一个共识，就是自动驾驶市场规模大，资本看好，商业化也在临近，这从百度近期股价的上涨就可以看出。
最早是深兰科技全面转向自动驾驶，2021年初签署全国首个自动驾驶氢能重卡大单，协议要在两年交付1000台。深兰主攻的公交车、重卡等大型商用车的智能化，这些智能车的路线相对固定，较容易开发，当然也意味着市场天花板不高。
另一家AI公司地平线，也开始裁撤AIoT部门不少员工，将重点收缩到占公司收入大头的自动驾驶AI芯片的研发中。有消息透露，依图科技也要研发自动驾驶，Tech星球就此向对方求证，目前尚未获得回复。
第三条路径则是，推进硬件占比，AI企业中也就海康威视等几家营收过百亿，主要原因还是他们硬件收入占了大部分，大多数AI企业都在卖解决方案。
“做AI方案单子特别难拿下，价格还上不去。”张易告诉Tech星球，做硬件增加营收是行业通用手段，他们竞对就是靠一体机做业绩。旷视做AI摄像头和物流机器人，依图做AI芯片，京东科技做AI机器人都是此道理。
总而言之，这波上市潮的提前退去，让众多AI独角兽搁浅在沙滩上裸游，期待AI企业重整旗鼓，在下一次潮水来临之际，驶向星辰大海。
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
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
被严重高估的人工智能，其泡沫将以怎样的方式破灭
实际上，类似的事件之前也出现过，在江苏卫视《最强大脑》节目中，百度大脑挑战一众最强大脑，也有网友认为其中可能存在鲜为人知的内幕。那么，为何大家会对AI产生诸多质疑?AI又是否真如企业所宣传的那么强大呢?
一，大部分AI技术仍存在致命的缺陷和瓶颈
我在网上搜索到一则《DMV2017年度最新自动驾驶测试报告》，报告准确显示了目前无人驾驶的发展水平，值得一提的是，即便全世界做的最好的Waymo，也就是谷歌的兄弟公司，目前仍不能说完全实现了L4级别的自动驾驶。显然，无人驾驶很难真正做到万无一失。
[[245718]]
另外，数据还显示，Waymo从每1300英里(2015年)到5000英里(2016年)到5596英里(2017年)干预一次，提升的幅度越来越小。换言之，越往上无人驾驶面临的瓶颈越严重。
众所周知，无人驾驶技术是AI非常重要的一项应用，如果无人驾驶不能得到大面积推广，这必然会让人怀疑AI的发展前景。就眼下的情况来看，无人驾驶离大面积普及仍然有很长的路要走，实际上，对于交通这种对安全性要求极高的体系来说，无人驾驶或许永远不可能被民众普遍接受，因为没有人愿意把自己的生命完全交给机器来掌控，只能在部分相对局限的区域，比如产业园区无人驾驶才有应用价值，因为在这些区域，即便无人驾驶出现故障，也不会产生太严重的后果。
再者，无人驾驶也未必能达到高于人类驾驶的水平，众所周知，交通状况、路况信息是极其离散的，而人脑在吸收和处理这些数据时比机器有着得天独厚的优势。举个例子，如果出现某个路段临时管制无法通行，那么人脑会第一时间做出判断，但是机器就不一定了，面对复杂的情况，它一定会有一个漫长的学习和适应过程，这也使得无人驾驶在面对错综复杂的交通需求时显得“捉襟见肘”。
当然，这种情况在其他方面也有反映，以AI同传为例，如果是逻辑极其简单、行文极其标准的内容形式，那么机器翻译或许不存在太大的难度，也不会犯严重的错误。问题是，很多内容并不标准，不仅对上下文语言环境要求极高，而且，像中文的话，还存在各种各样的修辞手法，在面对这些问题时，AI翻译可能会出不少令人啼笑皆非的错误。不过，如果只是将AI作为辅助的翻译手段，还是可以降低不少人工成本的，因为某些场景对翻译的准确率没有太高的要求，只要能出大概意思就可以。
另外，百度大脑登上最强大脑那个节目，也确实展现了百度大脑的一些技术实力，不过，正如某些网友所说，如果让百度大脑像水哥那样对几百杯水进行“微观辨水”操作，估计系统就会直接崩溃了。因为对于微观信息近距离的获取，机器不见得能胜过水哥的双眼，同时，如何对不同微观信息进行处理，机器所使用的算法不同，结果也可能产生巨大的差异。
真正要使人工智能全面超越人类，前提是规则必须确定、信息必须有序，这样人工智能在逻辑分析、数据处理方面才会占据较大的优势。还有一种情况，如果能让机器具备人类的感情色彩、逻辑思维和学习能力，它也能全面超越人类，不过这看上去并不现实。
二，疯狂背后，人工智能已浮现巨大的泡沫
今年3月份，中国创客导师、创新工场创始人李开复在参加某活动时，就公开指出人工智能存在巨大泡沫------“最近我见了一个做内衣的，也说自己是人工智能的企业，这是非常不正常的现象。现在，人工智能领域的泡沫化特别严重。”
实际上，人工智能的泡沫和其他任何一种科技泡沫相比具备极高的相似性。这种泡沫首先表现在概念炒作层面，即在相关应用大规模落地之前，概念已经被炒得滚烫，并形成了新的“风口”。之后便是大量资本的涌入，推动泡沫从概念层面升级到资本层面，从某种意义上讲，任何泡沫都是资本推动的结果。当然，资本是要求回报的，如果资本无法从中获得回报，或者相关领域商业潜力并不大，那么一阵狂热后，资本必然会退潮，这也就是泡沫破灭的时候。
那么人工智能的泡沫到底有多大?这种泡沫又表现在哪些方面呢?
我们先来看看融资规模，CVSource显示，人工智能创企融资事件从2013年21起到2018年仅一季就有130起，融资额更是由2013年全年融资15亿增长到2017年的338亿元，而2018年仅一季度融资总额就已超过了2017全年，达到402亿元。大量资本的涌入，也抬高了AI独角兽的估值------9月10日，软银中国向商汤科技投资10亿美元，将商汤估值抬高至60亿美元，那么这种具备标杆效应的融资案例，也可能会推动其他AI巨头估值提升，当然，如果整个行业破灭，情况可能截然相反。
此外，人工智能领域相关人才的薪水已经大幅偏离IT产业的平均水平。虎嗅上有一篇文章深入探讨了这一点，其中提到“职位最低的工程师年薪在30~50万，商业公司中的研究员则在50~100万之间，项目主管或CTO则大多会在年薪80万以上上不封顶，普遍在150万左右。”可以说，市场对AI企业的期望值已经使得AI人才成为了香饽饽，AI人才身价水涨船高，这部分成本势必会转嫁给AI企业。然而，绝大多数企业并不在乎，因为在他们看来，只要笼络足够的人才，就可以做出更好的产品，获得更高的估值，融得更多的资金。正是在这种模式之下，AI的抢人大战才可以维持。
其实，无论是企业估值，还是人才身价，都是资本推动的结果，但资本要获得回报，就必须严格审视AI的商业化进程。光大新经济投资负责人艾渝在重庆智博会上就表示，AI技术商业化的压力增大，未来如果找不到合适的落地场景，将有百分之九十的人工智能初创企业将会落败出局。实际上，AI商业化的问题不仅困扰着初创企业，对BAT、谷歌、微软这类巨头而言，这同样是个难题。正如上面所说，AI在很多情况下无法真正替代人工，如果缺乏应用潜力，其商业价值必然饱受争议。
再者，如果有一天AI大量取代人工，我也担心整个经济会陷入衰退。因为AI的发达将导致就业困难，老百姓收入普遍降低，哪儿来的钱去下馆子、逛超市?机器可以代替人干活，却不能代替人消费。同时，机器的维护成本也相当低廉，甚至存在机器维护机器的可能，彻底取代人工，现如今汽车制造大部分工序已交由机器完成，这对AI而言是个非常危险的信号。
从某种意义上讲，一旦AI威胁到经济的正常运行，必然会被严格管控，相比投资的退潮和变现的困难，这可能才是其泡沫破灭的终极形式。
人工智能泡沫已经破了两次，这次还会破吗
第一次浪潮和第一次低谷：
达特茅斯会议推动了全球第一次人工智能浪潮的出现，这次浪潮从1956年一直持续到1974年。当时乐观的气氛弥漫着整个学界，在算法方面出现了很多世界级的发明，其中包括一种叫做增强学习的雏形（即贝尔曼公式），增强学习就是谷歌AlphaGo算法核心思想内容。
70年代初，AI遭遇了瓶颈。人们发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。
研究者们很快发现，要求程序对这个世界具有儿童水平的认识这个要求都太高了——1970年没人能够做出人工智能需要的巨大数据库，也没人知道一个程序怎样才能学到如此丰富的信息。另一方面，有很多计算复杂度以指数程度增加，这成为了不可能完成的计算任务。
第二次浪潮和第二次低谷：
在80年代，一类名为“专家系统”的AI程序开始为全世界的公司所采纳，而“知识处理”成为了主流AI研究的焦点。专家系统的能力来自于它们存储的专业知识，知识库系统和知识工程成为了80年代AI研究的主要方向。
但是专家系统的实用性仅仅局限于某些特定情景，不久后人们对专家系统的狂热追捧转向巨大的失望。另一方面，1987年到1993年现代PC的出现，其费用远远低于专家系统所使用的Symbolics和Lisp等机器。
相比于现代PC，专家系统被认为古老陈旧而非常难以维护。于是，政府经费开始下降，寒冬又一次来临。
第三次浪潮：
1993年后，出现了新的数学工具、新的理论和摩尔定律。人工智能也在确定自己的方向，其中一个选择就是要做实用性、功能性的人工智能，这导致了一个新的人工智能路径。
深度学习为核心的机器学习算法获得发展，积累的数据量极大丰富，新型芯片和云计算的发展使得可用的计算能力获得飞跃式发展，现代AI的曙光又再次出现了。一个标志性事件发生在2016年3月，谷歌DeepMind研发的AlphaGo在围棋人机大战中击败韩国职业九段棋手李世石。随后，大众开始熟知人工智能，各个领域的热情都被调动起来了。
深度学习算法，这次人工智能崛起的技术根基
可以看到，每次技术的突破，都会迎来一波人工智能的发展浪潮。这次人工智能浪潮的基石有三个，分别是算法、数据和计算能力。尤其是算法，直接决定了人工智能的发展水平。
人工智能的三大根基
首先，我们来看看这次人工智能的技术根基。1943年，美国心理学家McCulloch和数学家Pitts在论文《神经活动中所蕴含思想的逻辑活动》中首次提出神经元的M-P模型，该模型从逻辑功能器件的角度来描述神经元。M-P模型将生物神经信息处理模式简化为数学模型，为神经网络的理论研究开辟了道路。
M-P模型
在M-P模型中，Xi（i=1，2，...，n）表示来自于与当前神经元j相连的其他神经元传递的输入信号，Wij表示从神经元i到j的连接强度，F为转移函数。那么神经元的输出用向量表示就是Yj=F（XW）。
2006年，加拿大多伦多教授Hinton和他的学生发表了《Reducingthedimensionalityofdatawithneuralnetworks》,提出了一种面向复杂通用学习任务的深度神经网络，指出具有大量隐层的网络具有优异的特征学习能力，而网络的训练可以采用“逐层初始化”与“反向微调”技术解决。
自此，人类借助神经网络找到了处理“抽象”概念的方法，人工智能进入了一个崭新的时代。
深度神经网络
另一方面，由于互联网、移动互联网以及物联网的发展，企业尤其是互联网巨头积累了大量的数据。再加上云计算的发展，让计算能力像电力一样变得更加便宜，可获得性更高。
芯片性能的提高，GPU、FPGA等人工智能芯片的出现和发展，进一步提高了人类可利用的计算水平。一些互联网巨头开始利用大量数据，来训练其深度学习算法，不断提升系统的智能水平。
纯粹理性批判，我们离冬天还有几年？
介绍完了人工智能的“沉浮史”，以及支撑这次浪潮的基础。现在让我们回到刚开始的那个问题：这次人工智能的泡沫会破么？分析这个问题的角度有两个：
从历史上人工智能两次低谷的原因来分析这次面临同样困境的可能性；从这次人工智能浪潮的支撑基石角度，看目前的技术水平能支撑人工智能走多远。
从上两次人工智能泡沫破灭的原因来看，最重要的限制来自算法层面。人们对人工智能的最大期待是不断提升系统的智能水平，让智能系统逐步拓展能够处理的问题范围，最终实现通用人工智能系统，解决几乎所有领域问题。
每次人工智能浪潮中，人们都或多或少的怀有“一劳永逸”的期待。泡沫破灭的主要原因，也是现实的系统远远无法达到人们所想象的智能水平。
第一次泡沫破灭是因为人们发现当时的智能系统如逻辑证明器、感知器、增强学习等，只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对，这让智能系统不足以解决任何实际的问题。
第二次泡沫破灭也是因为专家系统所能解决的问题非常局限，远远无法达到人们的期待。
那么，算法的局限性也会是埋葬这次人工智能浪潮的掘墓人么？——很可能是！这次技术革新最大的成就无疑是深度学习技术，人工智能浪潮能走多远很大程度上取决于深度学习技术到底有多强。
深度学习是比以前的统计学和机器学习方法更为强大的模式识别方法，但具有很多的内在缺陷：
深度学习系统缺乏推理能力。深度学习技术缺乏表达因果关系的手段，缺乏进行逻辑推理的方法，而逻辑推理毫无疑问是人类智能的核心之一。
深度学习系统缺乏短时记忆能力。人类的大脑有着惊人的记忆功能，我们不仅能够识别个体案例，更能分析输入信息之间的整体逻辑序列。这些信息序列富含有大量的内容，信息彼此间有着复杂的时间关联性。
目前的深度学习系统，都不能很好地存储多个时间序列上的记忆，也就是说缺乏记忆能力。这在目前主流的人机对话系统中可以很明显的感觉出来。
人类的交流，都会基于前面的交谈内容来构建语境，后面的交流都会基于前面的语境来进行，目前的人机对话系统还远远达不到这种水平。比如苹果的Siri系统，你问它3乘以3等于多少，它可以很好的回答，但是你再问“刚才的结果再乘以3呢？”或者说“我刚刚问你什么来自？”，估计Siri得一脸懵逼。
缺乏执行无监督学习的能力。无监督学习在人类和动物的学习中占据主导地位，我们通过观察能够发现世界的内在结构，而不是被告知每一个客观事物的名称。
目前几乎所有由人工智能创造的经济价值都来自监督学习技术，也就是基于系统曾经接受过的其他实例的输入，来学习对结果进行预测或对东西进行分类。
在可预见的未来，深度学习系统还无法具备无监督学习的能力。目前来看，虽然无监督学习可以帮助特定的深度网络进行“预训练”，但最终绝大部分能够应用于实践的深度学习方法都是使用纯粹的有监督学习。
另一个方面，建立在语言之上的知识系统在人类智能方面扮演至关重要的作用。语言是知识的钥匙，而知识正是AI的终极目标。人类社会的知识，正是通过语言来代代相传的。
仅靠观察他人，人类是无法获取到广泛的可复用知识的。对于下一代智能系统所需的知识，人工智能必须能同时进行“阅读”和“聆听”才能获取到。而此等程度的机器学习，其关键技术正是NLP，可以说NLP是实现人与AI之间成功沟通的技术关键。但当前的深度学习方法还不足以解决NLP领域的核心问题。
仅仅通过扩大今天的深度学习技术，我们无法实现通用智能。虽然神经网络在大样本量上可以达到统计学上令人惊讶成果，但它们“对个例不可靠”，并且经常会导致人类永远不会出现的错误。
输入不准确或不完整数据的神经网络将产生错误的结果，这其中有两个著名的例子：
Google图像错误地将非洲裔美国人分类为大猩猩；微软的Tay在Twitter上学习了几个小时后，就出现了种族主义以及歧视女性的言论。
算法的突破无疑是制约人工智能发展的关键，这次人工智能浪潮的核心——深度学习算法的局限，直接决定了目前的人工智能系统不可能实现人们所预想的通用人工智能那种状态。
除了算法层面，就人工智能的另外两个关键因素数据和算力来看，虽然取得了很大的进步，但也存在诸多问题。
首先，数据层面。积累的海量数据就是人工智能系统的“粮食”，可以说是足够多的数据将人工智能“养大的”。
一方面，随着互联网、移动互联网的发展，数据积累的速度在不断加快，5G网络建成之后，物联网体系将会贡献更大量、类型更丰富、对人类更有价值的数据；
另一方面，不是积累的数据都可用，目前机器系统能够“理解”的基本都是结构化数据，像语音、图像、社交数据这些非结构化数据的“理解”还存在很大问题，在10年之内是否能够解决非结构化数据的“理解”问题尚未可知。
算力层面。目前的GPU、FPGA等人工智能芯片，虽然比CPU计算能力更强，但局限性依然很大。我们最终的目标是实现人类一样的通用智能，继而实现超级智能，那从系统的物理结构上就必须支持这一设想。
目前来看，我们对大脑的思维过程还知之甚少，其整个处理和决策过程对于人类来说还是个“黑箱”。就当前的处理芯片跟人脑在物理结构上的差距非常大，甚至可以说根本就不是一回事。对人脑神经系统的研究还任重道远，近10年内基本也看不到获得根本突破性进展的可能。
综上所述，技术尤其是算法层面的局限，决定了这次人工智能浪潮的“天花板”。深度学习算法带来的“技术红利”，将支撑我们再发展5~10年时间，随后就会遇到瓶颈。
在人工智能领域，技术的进步不是线性的，而是线性积累和间断式突破交替进行的。我们必须要达到一个“技术奇点”，才能实现根本上的突破，达到通用人工智能甚至是超级人工智能的水平。
大概率的可能性，未来几年人们对人工智能怀有巨大的热情和非理性的期待，但同时会渐渐发觉推进起来越来越费劲，仿佛有个无形的“天花板”挡在那里，迟迟不能获得突破，人们的耐心被渐渐耗尽，人工智能的下一个冬天也就来临了。
人工智能发展阶段
泡沫会以什么姿势破灭，怎么过冬？
人工智能技术和产业特性决定了，在没能实现高水平的智能之前，现在势头正猛的应用领域，在未来几年很可能会进入寒冬，乃至退出人们的视线，就像第二次浪潮中的专家系统一样。
人工智能的产业化应用，更多的是基于人们对于未来技术发展水平更高的预期，而不是当下已经达到的水平。比如自动驾驶领域，未来商用是基于能够达到L4级别的预期，但如果预期落空了呢？很可能自动驾驶就会被彻底抛弃。
就一般产业而言，线性发展的成分更重一些，即使产业不能再往前推进了，依然能够保持比较高的产业成熟度。人工智能产业则不同，如果以百分制来衡量一个产业的发展程度，人工智能不是从1慢慢发展到100，而是要么是90分以上，要么是10以下。
试想一下，你有一个智能助手，如果他的智力水平一直在10岁以下，你能接受么？那样的智能助手更多的是个玩具，不能委以重任，毕竟谁也不会将重要的事情交给一个小孩子来做。
再比如翻译领域，一旦智能系统能够达到人类水平的翻译能力，那将是一次彻底的颠覆，人类翻译员将彻底消失；但是，在没达到那种水平之前，翻译系统基本就是个摆设，你不能通过那套系统来与外国人顺畅的交流，也不能将看到的整段材料马上转换成另一种语言。
人工智能的泡沫，更多的是产业化和商业应用层面的。很多做人工智能应用的企业，如果发现将方案落地的期待落空，那他整个商业价值存在的根基就不存在了，整个产业将会消失，大量企业也会倒闭。
面对那样一个未来，我们应该怎么应对呢？我提出几点参考建议：
适度降低对人工智能的技术预判，理性设定商业模式。企业要仔细评估技术的发展潜力，不要抱有不切实际的幻想。寻找并设计一些智能水平不是太高就能具有商业价值的应用模式，并基于此来构建竞争壁垒。比如在自动驾驶领域，我们要做好L4在10年内无法实现的心理准备，寻找一些L3级别就能具有商业价值的应用领域。
现在就开始准备“过冬的粮草”。泡沫破灭之后，融资会变得越来越难，依据公司本身的造血能力维持基本没戏。所以，现在尽可能的多融资吧，并且在未来几年省着点花，争取能挨过寒冬。
实行曲线救国策略，发展一些“伪智能”业务，拓展业务领域。如果哪天发现“纯人工智能”这条路走不通，可以考虑发展一些周边产业，只要能带来现金流就行。虽然挂羊头卖狗肉有点缺德，但能保存“革命的火种”，也算一件好事。
我对人工智能事业怀有深切的热情，但目前的技术水平还无法满足我们内心最深切的期待，这一波人工智能浪潮很可能在几年内遭遇低谷。
比较坏的情况是：大多数人会由于失望而对人工智能事业不信任，媒体会由吹捧转而嘲讽冷落，大量企业可能倒闭，目前炙手可热的人工智能人才会遭遇职业危机，流入人工智能领域的资金会越来越少，到处都是一副萧条的景象。
怀有最美好的期待，做最坏的打算，这是干事业应有的理智和态度。希望这次人工智能浪潮不是行将破灭的泡沫，但如果是，请做好准备。（来自中国软件网，作者欧应刚）
免责声明：本文系网络转载，版权归原作者所有。如涉及作品版权问题，请与我们联系，我们将根据您提供的版权证明材料确认版权并支付稿酬或者删除内容。返回搜狐，查看更多
人工智能“泡沫论”：从业者仍存“盲人摸象”误区
人工智能“泡沫论”：从业者仍存“盲人摸象”误区2017年12月19日07:23:25来源：每日经济新闻作者：李少婷
用微信扫描二维码
人参与评论“是个人上来都谈人工智能，我都不好意思说我们是在做真正的人工智能了。”12月18日，在2018网易经济学家年会论坛上，一位人工智能从业者发出这样的慨叹。
每经记者李少婷
“是个人上来都谈人工智能，我都不好意思说我们是在做真正的人工智能了。”12月18日，在2018网易经济学家年会论坛上，一位人工智能从业者发出这样的慨叹。
在人工智能发展的历史上，2017年无疑将会被铭记。这一年，人工智能成为聚光灯下的宠儿，收获了鲜花和掌声，不过，和此前大火的虚拟现实、共享经济一样，泡沫化质疑也随之而来。
论坛上，多家国内人工智能“领头羊”企业一方面忙于澄清外界对AI（人工智能）的认知误区，另一方面则对于大量资本涌入致人工智能泡沫化的质疑予以回击。旷视科技首席科学家孙剑认为，与前两次人工智能出现泡沫相比，这次人工智能领域商业化的进程落地是扎实的，融资的钱也主要用作战略发展。
第四范式创始人兼CEO戴文渊向包括《每日经济新闻》在内的媒体表示，目前AI公司拿到的所有的钱加起来远远低于AI每年给行业创造的价值，“我认为（AI领域投资）是完全没有泡沫，甚至还要再涨两三个数量级”。
●从业者仍存“盲人摸象”误区
60年内，AI第三次火了。这一点可以从A股人工智能龙头科大讯飞的股价中略窥一二。根据wind数据统计，截至12月18日收盘，科大讯飞股价已较年初上涨117.5%。而前瞻研究院统计数据显示，2017年1月~7月，中国人工智能行业共发生181起融资事件，达到亿元级的融资项目有37次，其中10亿元以上的项目有3次。
在论坛主持人、乌镇智库理事长张晓东看来，用“三十年河东，三十年河西”来形容人工智能今昔处境恐怕最为贴切。计算机领域内的三类人分为研究理论的、研究系统的和研究AI的，30年前，张晓东在美国留学时前两者都瞧不起研究AI的，但如今前两者大多涉足AI研究。
不过，多位业内人士在论坛中提出，业界内外对AI的理解存在误区，从而高估或低估了AI。孙剑认为，通过媒体的宣传以及AlphaGo对战柯洁的事件，让大家觉得人工智能已经很快就到了，但实际上学术界认为人工智能还有很多基本问题都没有解决。
在商业推广上，不正确评估的现象更加严重。“（过去提出）用人工智能技术帮助公司提供8倍的收益，对方说你这是忽悠的吧？骗人的吧？到今天就不一样了，我还没去，他们可能就对人工智能感兴趣。我说提升8倍的时候，对方说这个不够，还要更多。”戴文渊举例道。
中科视拓创始人、董事长兼CTO山世光认为，即便是业内对AI也存在“盲人摸象”误区，理解也是片面的，“大家都没有一个全局的观念，因为没有一个人能够在这样一个时间点把所有的事情都搞得非常清楚。”这使得从业者不自觉地过度泛化理解，比如把AlphaGo的技术泛化到其他的问题上去。
另外，戴文渊认为，外界存在将人工智能与人的智能建立联系的误区，认为人工智能未来就是会达到或者超过人的智能的一种能力，但其实人的大脑工作原理和机器大脑的工作原理是不一样的，“因为这两个是不同的物种，每一个物种都按照他更擅长的方式工作”。
●AI融资额“还要再涨两三个数量级”
中国的互联网经过多年孕育，出现了BAT三大巨头，人工智能作为炙手可热的领域，已被给予厚望。“在未来的5~10年，不排除在座的企业里面就有未来人工智能的BAT。”有与会者在论坛中表示。
一方面是从业者和投资者的雄心勃勃，另一方面则是“泡沫化”隐忧。科大讯飞董事长刘庆峰近日表示，过去一段时间，许多创业公司存在纯粹炒作人工智能概念的现象。随着人工智能领域竞争的加剧，这些光靠概念的公司将会陆续倒闭。人工智能要想发展，应该拒绝神话。
刘庆峰说：“技术有进步并不代表马上可以大规模产业化应用，概念导入到梦幻起来，再到泡沫破灭，谁坚持下来谁才可以往前，所以一定要有这样一个心态，我们认为人工智能一定拒绝神话，脚踏实地，强调应用是硬道理。”
大量的资本注入是不是意味着泡沫？对此，多位业内人士均给出否定回答。“前两次是人工智能泡沫，这次不是泡沫，最大的不同是这次商业化的进程落地与前两次比起来都是扎扎实实的。”孙剑表示。值得一提的是，其所在的旷视科技在10月31日完成C轮融资，融资额达到4.6亿美元，刷新了世界范围内AI领域的融资记录。
同样在融资额上掀起一轮又一轮高潮的还有移动出行，如今共享单车领域正就两大头部企业是否合并争执不休，但多位AI业内人士在论坛上强调AI与共享出行不同。
“（AI与共享出行的）不同是碎片化特别严重，碎片化指的是需求不是特别标准，不是做一个东西之后，其他的马上都可以跟上去用了。”山世光举例道，即使细化到人脸识别这个领域，细分的话也会有十几种不同的场景，每一种场景可能都需要积累不同的数据，甚至算法要进行相应的改变，因此人脸识别领域由多家公司同时做仍存在很大可能性。
此外，戴文渊指出，不同于共享出行领域企业，AI公司不是账上的现金越多竞争力就更强，“比融资金额更重要的就是，你拿谁的钱，怎么拿钱，以及怎么去整合资源”。
在AI领域融资额和所创造的价值上，戴文渊认为，现在AI公司拿到的所有的钱加起来远远低于AI公司每年给行业创造的价值，甚至“不是一两个数量级的问题”，“我们去服务客户创造的利润，少则几个亿，多则上百亿，这些和我们现在融到的钱，和我们的估值比起来真的不算什么”。
戴文渊认为，单看一家公司可能会存在泡沫，甚至会倒闭，但是“这个行业，我认为是完全没有泡沫，甚至还要再涨两三个数量级”。
于雷[责任编辑：于雷]
责任编辑：于雷
标签：人工智能误区
推荐用微信扫描二维码
分享到：新浪微博QQ空间人参与评论