人工智能领域的发展历史总共经历了三次大浪潮
人工智能也被称为AI，是将新型机器赋予机器思维，代替人脑进行各种计算、决策和分析，有效解放人们双手的智能技术，倍受人们的欢迎和接纳。人工智能的发展历程曲折而漫长，但每一次研究的深入都使得人工智能产品的功能变得更加强大，使人类科技向前迈出更大的一步，让人们获得更多的便利和舒适，未来人工智能也将进一步发展与完善。现阶段人工智能在人们的生活领域中有着广泛的应用，其中在教育行业，教师非常依赖于各种智能系统完成各种评估与分析，高效完成自己的工作。文章从高中生的角度出发，结合自身所学相关知识，对人工智能发展历程与教育应用现状作一个探究。
进入21世纪以来，互联网信息技术高速发展，并得到广泛的应用，世界范围内的各个行业都处在交互共融的环境中，互联网也成为推动各领域变革的强大力量。2015年3月，***总理在十二届全国人大三次会议上提出了“互联网+”行动计划，从国家战略层面上，将“互联网+”提高到前所未有的高度，也进一步促进了各领域内的深度融合；在教育领域内，信息技术与教育的深度融合促进了教育信息化的建设与发展，而“互联网+”也教育领域带来了深刻的影响，学生的学习方式，教师的教学模式，以及师生的关系都发生了很大的变化。
人工智能的三次浪潮
纵观世界人工智能发展历史，人工智能领域的发展历史是短暂而曲折的，总共经历了三次大浪潮，但它点滴的进步都有效推动了社会的发展。在人工智能的发展历程中，人们将人工智能技术与计算机技术已经牢牢地结合在一起，因此在人们生产与生活的许多领域都能够得到广泛的应用，如教育行业，生产行业以及工业生产多个领域。要想了解人工智能在教育行业的应用现状，必须要对人工智能的发展历史有一个详细而深入的了解，才能够对人工智能在教育行业的应用现状有一个更加清晰明确的认知。尽管人工智能的发展历史短暂，但发展过程曲折而漫长，因此有着较多的介绍，在此根据相关研究将其主要分为以下三个阶段：
一、“人工智能”概念首次被提出
上个世纪五十年代以前，尽管许多机器能够代替人们进行体力劳动，但却没有一些机器可以代替人们进行脑力劳动，因此未来机器将被冠以“智能化”的标签，将代替人们完成更高难度的工作。在六七十年前，一群科学家在会议上讨论未来的机器应该如何更好地为人们服务，“人工智能”的概念被麦卡赛和明斯基等人提出，未来机器人将变得更加便捷化和智能化。“人工智能”这一概念提出后，无数的科学家前赴后继对此进行研究，为使机器智能化和人性化不断努力奋斗。
二、计算机技术的发展赋予了计算机的机器思维
计算机领域深入发展之前，几乎没有机器可以减少人类的脑力劳动，更没有办法代替人类的思维进行运算和判断。在计算机领域进一步发展后，人们研制出了能够代替人脑进行思考判断的程序和编码，装载特定的软件，能够代替人脑进行思考判断。举个例子，任何机器都不能代替人脑作出决策和判断，而计算机却能够模仿人类大脑，与人类下象棋和围棋等等，进行各种思维上的较量。此外，计算机还能够代替人脑进行繁琐复杂的计算，它能够以快速无误的方式转化编码进行计算，这是人脑不能够做到的。计算机的出现实现了部分人工智能的构想，但它也还不够人性化和智能化，需要人频繁地进行操控和运算。
三、许多高度智能化的机器人开始出现
随着人工智能领域的研究越来越深入，许多机器人也开始出现，它们代替了人手和人脑，开始逐渐普及到人们的日常生活中。这些机器人并非是高度智能化的产物，但确实也能够解放人们的双手和大脑，带给人们更加便捷舒适的生活，给人更加良好的体验。美中不足的是，人工智能领域的探索至此出现了较大的瓶颈，如何将人工智能机器人由低级智能转变为高度智能？这是许多科学家关系的命题，也是无数人梦寐以求想要实现的目标。
人工智能在教育应用的现状
现阶段人工智能在教育行业的应用是广泛的，能够帮助教师对学生进行各种测评，将枯燥的学习和记忆转化为趣味的教学游戏，并且可以利用智能机器人可以辅助学生学习。人工智能在教育应用的现状体现在多个方面，以下列举三个方面进行逐一分析：
一、智能导师系统
智能导师系统是人工智能技术发展的产物，是一种兼具智能化与人性化的计算机软件。这种系统被广泛应用在教育行业中，根据学生的各项指标和参数，生产各种特定的学生模型。建立学生模型是将学生的个人能力数字化客观化的一种有效途径，让学生得到个人化且有互动性的辅助，也是实现教师因材施教的重要手段，能够使教师直观快速地看到学生的不足，相对老师，智能导师系统起辅助教学的作用，能有效帮助学生更好地克自身服弱点。
二、自动化测评系统
自动化测评系统是一种测评软件，它被人们广泛地用于教育和教学中。自动化测评系统能够对学生的各种能力作出最标准的评价，并让学生能够清晰地认知到自己的不足，在加以改进后能力将有显著的提升。自动化测评系统与智能导师系统有异曲同工之妙，两者都可以准确有效地评价学生的能力，但自动化测评系统会比智能导师更加精确和全面一些，能够更好地指出学生的不足。
三、教育游戏
教育游戏也是以人工智能技术为依据研发出来的一种系统，这种系统能够将枯燥的学习变得趣味化，它集教育与娱乐于一身，使学生在游戏的同时进行知识的获取与学习，在游戏中学习可使学生感受到学习的快乐和趣味，即便在漫长枯燥的学习中也不容易厌倦。教育游戏的初衷是寓教于乐，使学生能够在轻松愉悦的氛围中轻松快乐地高效学习，收获快乐的学习体验。例如单词拼写游戏，游戏会为你随机配对一人进行对抗，在规定时间内拼写单词正确多的人获胜，这不仅可以让我们巩固单词还能让我们学习新单词，激发我们背单词的乐趣，在学习之余，玩一玩教育游戏，也算是一种有效休息。既能愉悦身心，又能进行学习，遗憾的是，教育游戏并没有在教学课堂中得到有效的普及，还需要学生自己使用该软件让学习变得趣味化。
四、教育机器人
教育机器人结合了多个领域的技术，是一种全新的高度智能化机器人，是一种创新的学习环境，也是提高学生学习动机和抽象概念理解的补充工具。教育机器人的产生是推动教育行业发展的重要技术支持，它在科学，技术和数学教育等方面发挥着巨大作用，能够代替教师高效地在教育行业行使职能，完成工作。教育机器人的出现是人工智能技术进步的重要体现，使人们的学习不再枯燥化和教条化，让人们的生活能够更加便捷和舒适，推进人类社会的进步和发展。
综上所述，人工智能领域的发展历史是短暂而曲折的，总共经历了三次大浪潮，但它点滴的进步都代表着科学技术的进步，都有效推动了社会的发展，为人们带来新的希望与期待。现阶段人工智能在教育行业的应用是广泛的，能够帮助教师对学生进行各种测评，将枯燥的学习和记忆转化为趣味的教学游戏，增加学生们的学习乐趣，并且可以利用智能机器人辅助学生学习等等
人工智能的三次浪潮与三种模式
■史爱武
谈到人工智能，人工智能的定义到底是什么？
达特茅斯会议上对人工智能的定义是：使一部机器的反应方式就像是一个人在行动时所依据的智能。
百度百科上对人工智能的定义是：它是研究、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新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，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，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
尽管人工智能现在还没有非常严格准确或者所有人都接受的定义，但是有一些约定俗成的说法。通常人工智能是指机器智能，让机器达到人智能所实现的一些功能。人工智能既然是机器智能，就不是机械智能，那么这个机器是指什么呢？是指计算机，用计算机仿真出来的人的智能行为就可以叫作人工智能。
2017年7月，国务院印发了《新一代人工智能发展规划》。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。这一国家级战略和社会流行趋势标志着，人工智能发展进入了新阶段，我国要抢抓人工智能发展的重大战略机遇，构筑人工智能发展的先发优势，加快建设创新型国家和世界科技强国。
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。为了更好地完成定理证明工作，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相比，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（Frame⁃work）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3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。
（1）弱人工智能：擅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。
（2）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。
（3）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！
责编：唐煜斯
来源：中华读书报
人工智能， 第三次浪潮OR寒冬
人工智能，第三次浪潮OR寒冬？出处：数据杂志作者：李婷网编：张兰2019-10-16A大中小收藏分享打印手机网页版X分享到微信朋友圈打开微信，点击底部的“发现”，
使用“扫一扫”即可将网页分享至朋友圈。
今年似乎什么时候聊起“人工智能”都显得不那么过时，当我们还在消化“5G”、“区块链”到底能如何改变我们的生活时，人工智能突然就已经无处不在。大到城市建设和管理，小到手机指纹解锁，在医疗、教育、金融、商业、城市管理、工业、农业等众多领域，人工智能似乎都在悄然进行着一场又一场的革命。
当我们一次次谈论人工智能又以怎样的新形态出现在面前时，市场却正在发生一轮新的变革。在各路人马井喷式涌入人工智能行业后，去年90%以上的企业却都处于亏损状态，当“死亡名单”开始越来越长后，即使是一些几年时间迅速登顶独角兽的人工智能企业，也同样不能幸免。我们又产生了一层新的思考？
眼下对于人工智能行业来说，究竟是新浪潮还是新寒冬？
六十多年里的三次浪潮
说到人工智能，肯定离不开如今作为美国历史最悠久的世界顶尖学府达特茅斯学院。因为这个概念的正式诞生，就来自于这个学府上的一场会议。
1953年夏天，几个对计算机感兴趣的年轻人聚在一起，想编一本关于“是否可用图灵机作为智能活动的理论基础”的书籍，虽然书籍慢慢搞成了，但这几个年轻人却非常不满意。所以在1955年夏天，他们决定再次搞一场类似的活动，而其中一位叫麦卡锡的年轻人，突发奇想给1956年举办的“达特茅斯学院会议”上，起了一个“人工智能夏季研讨会”（Summer Research Project on Artificial Intelligence)的名字。虽然历史上对“人工智能”是不是麦卡锡本人创造的词汇还有很大争议，但必须承认的是，“人工智能”一词在这一年也正式进入了人们视野。
但是这个词诞生之后的发展，却远不像大家想得那样顺利。1956-1974年间，或许是对人工智能抱有过高的期待，这些年间无论大学还是政府机构都纷纷在人工智能相关领域倾注包括人力、物力、财力等大量资源。然而，在当时无论硬件还是自身技术，都无法匹配人工智能的发展需要，所以，在经历第一次大发展后，1974年人工智能迎来了首次寒冬。
这一次寒冬，业界认为主要是来自于计算机性能的瓶颈，无法满足发展人工智能所需要的复杂计算以及庞大的数据量，导致AI领域研究者们一筹莫展。
这阵寒冬一直持续到上世纪80年代，解决的突破口是一种名为“专家系统”的AI程序的出现，这个系统其实就是一种程序，能够依据一组从专门知识中推演出的逻辑规则，在某一特定领域回答或解决问题，“专家系统”在全世界范围内被采纳后，在某些范围内解决了一些问题。此外，非常热衷于人工智能的日本，也在这个时期通过政府斥资8.5亿美元创造出了一台具有超级计算能力和人类智能的计算机，这台被称为“第五代计算机项目”的机器，目标是可以实现与人对话、翻译语言、解释图像，并且能像人一样推理。这也吸引了英国、美国开始向AI和信息技术领域的研究提供大量资金。
这次突破也为行业带来了第二次发展，但随着1987年“苹果”、“IBM”崛起，研发出类似我们现在使用的台式电脑，让AI硬件市场需求突然下跌。再加上人们逐渐意识到，日本人提出的“第五代计算机项目”并没有实现，所以开始走向失望。这直接导致价值5亿美元的专家系统产业的直接崩溃，并引发了人工智能的第二次寒潮。
之后几年，随着互联网的发展，人工智能才有了稳定复苏的迹象。此后的标志性事件，就是1997年IBM研发出的计算机“深蓝”击败国际象棋冠军加里·卡斯帕罗夫，才让公众真正开始意识到人工智能的力量。随后，2011年，IBM的问答系统“沃森”在美国智力竞赛节目《危险边缘》中击败了卫冕冠军布拉德·拉特和肯·詹宁斯。“Alpha GO”分别在2016年和2017年击败九段围棋选手李世石和世界冠军柯洁。这些也一次次刷新着人们对人工智能的认知。
由于硬件设备的突破，机器学习继续向前发展。计算机的处理和存储能力呈指数级增长，使企业能够存储和处理大量数据，众多企业和政府机构已成功地将人工智能大规模地应用起来，但与此同时，科技行业面临着网络泡沫，人工智能的基金已经耗尽。
很多人认为目前人工智能的发展已经放缓，即将面临人工智能发展的第三次寒潮。也有些人认为在强人工智能方面还没有取得重大突破，而当前企业专注于弱人工智能的研究，抑制了整个人工智能技术水平的发展。也有人批评当前人工智能研究过于集中，可能会危害到社会。不管怎样，不可否认的是，当前的股票市场由苹果、谷歌、亚马逊、Facebook等公司主导，如果人工智能的第三次寒冬真的来临，不仅AI产业将停滞不前，全世界都将可能面临下一次经济危机。
弱人工智能阶段的“天才白痴”
得益于大数据与大数据技术发展，深度学习的出现以及运算力的提升，当前人工智能已经进入加速发展期。数据方面，大数据的出现为人工智能提供了充分“养料”；算法方面，深度学习颠覆了语音识别、语义理解、计算机视觉等基础应用领域的算法设计思路。算力方面，GPU、NPU、FPGA等专用芯片的出现，突破了人工智能发展在数据处理速度上的瓶颈。然而单就目前AI的智力水平来说，业界普遍认为它仅与人类三岁小孩智力相当，可以说还处在弱人工智能阶段。
数据、算法和算力是现阶段推动人工智能发展的三驾马车。而在过去60多年间，有碍于数据的缺失和算力水平薄弱，人工智能发展遭遇巨大瓶颈。虽然人工智能当下在很多应用领域可以实现数据的高写入、高分析和高存储，但离想象中具有自我思考能力、能够认知外部世界的人工智能还差得很远。
对此，久其软件产品中心副总经理李纪洲也对《数据》杂志表示，作为当前支撑人工智能的核心技术，深度学习本质上还是统计学层面的技术，也就是说，现在的人工智能对外部信息还无法给出自己的判断，只能通过大量数据灌输来总结概率，从而得出结论。久其人工智能研究院院长龚佶敏，则干脆将现在的人工智能比作“天才白痴”。
绿湾科技CTO于建岗也对此表示，在数据处理方面，人工智能的确远远超越了人类，但在认知思维方面，目前人工智能可能还相当于零，“很多对于人来讲非常简单的事情，但是从机器学习的角度来说，却是非常困难的。”于建岗博士解释道，“光靠数据堆积做统计分析的事情，现在已经做得非常好。但人工智能如何从现在的统计走向思维，这条路还很漫长。”
从深度学习的角度来说，现阶段通过大量数据进行灌输训练的方式还显得过于简单粗暴，并不能算为智慧。在李纪洲的理解中，如果机器学习能够摆脱对庞大样本数据的依赖，那么人工智能技术发展会有一个巨大突破。
同样的构思，中国人工智能学会前理事长钟义信也曾对《数据》杂志表示，希望可以通过给予目标来让人工智能系统自动排除非目标数据。钟义信的理念是，强调目标是一切智能系统的灵魂，用目标来甄别和过滤大数据，将杂乱的大数据变成有用的小数据，这是智能系统区别于计算机系统的重要体现。
基于这些构思，研究人员也开始将目光重新放回到神经网络身上。想要学习人的思维能力，就要了解大脑的运行机制，研究人的脑神经。“而人工智能现在正处于从感知智能走向认知智能转移的初期，属于非常初级的阶段。”于建岗表示，不过他相信，在未来的5-10年内，人工智能的理论研究会在认知推理、逻辑思维方面取得一些突破。
“To”谁的人工智能？
人工智能在中国的火热已无须赘言，仅从近两年人工智能企业的数量增长就可见一斑。据中国信息通信研究院发布的数据表明，中国人工智能企业数量从2012年的300家已经增长到2017年末的1000家左右。从横向看，中国人工智能企业数量在全球范围内，已仅次于美国稳居第二。截至2018年6月，美国和中国的人工智能企业数量分别为2028家、1011家，随后排名第三的英国企业数量仅有392家，排名第九的瑞典仅有55家，差距已经逐渐拉大。
此外，人工智能、大数据企业无疑也是近两年“独角兽”阵营中的明星。2018年全球新生独角兽中，包括新能源汽车、人工智能芯片、机器人、大数据、计算机视觉、云计算等在内的企业共28家，较2017年增长9家，增长近50%。其中中国共有8家，分布在人工智能、机器人、新能源汽车和大数据领域。
从这几年资本的倾斜程度也不难看出市场对人工智能的期待。2013年到2018年一季度，全球AI行业累计投融资数据中，中国占比60%，美国占比29%，合计占比接近90%。根据亿欧智库《2018中国人工智能商业落地研究报告》显示，2017年中国AI创业公司累计获得超过500亿元人民币融资，但其中累计产生收入却不足100亿美元，绝大多数的人工智能企业是在亏损的状态。
繁荣过后不久，95%以上的人工智能创业公司就要迎来倒闭潮。对此有业内人士表示，在IPO提速以及高估值的双重作用下，2018年已经开始出现了AI公司的倒闭潮。甚至从2018年年初开始，人工智能领域的投融资热度也已出现明显放缓节奏。新工场董事长李开复也曾在公开场合表示，在2018年底AI公司估值已经下降了20%、30%，同时他还表示，“要再下降20%、30%，就是AI公司合理的估值了。”
今年8月中旬，《华尔街日报》就曝光了一家海外伪AI明星公司Engineer.ai。这家成立于2016年、总部设在美国洛杉矶和英国伦敦的公司，号称可以通过人工智能程序、辅助缺少工程师的公司、自动“组装”新的代码。可以像定制披萨一样，为任何人和公司自动生成自己的各种网站和手机App。他们声称，使用AI技术在很大程度上实现了移动App的自动化开发。
依靠这项理念，在2018年11月，Engineer.ai对外宣布完成了2950万美元A轮融资。但很快它就被爆出，该公司所声称的大部分demo制作和软件生成，目前都是依靠印度以及其他地方的人工工程师来完成的，而不是使用人工智能。
，而不是使用人工智能。风口之上，打着人工智能幌子的公司让人真假难辨。风投公司MMC曾发布的一份报告显示，只要打上“AI”的标签，企业可以多获得15%-50的融资。对此业界甚至调侃，很多人工智能公司不是“to G”，也不是“to B”或“to C”，而是“to VC”，这些公司主要研究的是怎么做PPT而不是怎么做人工智能。
打怪升级的创业之路
第三届“百度AI开发者大会”上，李彦宏的被泼风波依然余音未平，不过令人匪夷所思的不只是李彦宏现场的遭遇，还有他后来接的一句颇有意思的话：在AI前进的道路上会有各种各样的事情发生，但是我们前进的决心不会改变，AI会改变每一个人的生活。
AI之路到底有多艰难？尤其对于创业型AI公司来说，尽管能拿到风投，但在开始的两三年之内，就会因为技术研发基本被烧光，如果这个时候还找不到合适的应用场景去做产品落地，就相当于死亡。而闯过这几关的公司，也还会面临数据收集难、产品与用户需求不匹配、项目产出周期漫长、项目成本高但盈利低等种种难关。
赚钱慢、烧钱快、磨合时间长，在过五关斩六将的路途上，甚至有大批企业还没有找到应用场景就已经死掉了。在这样的情况下，如何走出一条稳妥的路，对创业型人工智能公司来说，可谓是举步维艰。对此于建岗也表示，AI这波火有点虚热，国家政策大力支持，VC的钱也大量投进来，但人工智能技术的落地仍然是一大问题，目前除了图像、语音、视频这几块的智能产品落地能产生价值，其他的到现在还没有出现。
所以，为了让自己能活下去，国内也出现了很多打着人工智能旗号却用人力来解决问题的AI公司。不过对于这种情况，龚佶敏也表示，并不能因此认定对方是“伪AI”，但可以肯定的是AI的智能水平没有达到那些公司所宣扬或者人们所想象的那种程度。
此外，人才问题目前也是我们发展人工智能的一个短板。近期某互联网公司给名校人工智能方向应届博士开出80万年薪，一度引发社会热议。但在这件事背后，却是500万的AI人才需求缺口、1：10的供需比例、平均年薪约33万……在这些高帽子加持下，人工智能已经超越了曾经的金融、计算机等专业，成为了站在风口最前端的香饽饽专业。今年35所学校获得首批开设人工智能本科专业的学科建设资格，包括同济大学、浙江大学、上海交大等一批一流学校，可见社会对这一领域人才的极度渴求。对此于建岗也表示，人工智能的发展难题归根结底是人才的难题。
技术先行OR商业模式先行？
产品落地决定企业生死，有无技术决定企业存亡，而当这两者之间出现矛盾时，企业到底应该是技术先行还是商业模式先行？
以AI识别技术为例，李纪洲举了个例子，在一些对结果不容出错的应用领域，例如监狱服刑人员的监控、点名等场景，除非能完全消除程序的错误率，否则再好的人工智能产品都没有应用价值。李纪洲解释道，对于AI识别，很多人把“正确率”+“错误率”理解成“已识别的”+“未识别的”，但实际上并不准确，应该分为三类：“已识别正确的”、“已识别错误的”，和“未识别出的”，相对应的就是正确率+错误率+未识别率=100%。而在上述几个实际应用场景中，对于错误率几乎是零容忍，不管产品的识别正确率有多高，如果无法消除错误率，稍微一点差错都会为用户带来更大的麻烦。
李纪洲表示，当前市场上人脸识别产品的准确率基本都可以达到85%、甚至90%以上的准确率，再想把准确率提高一个点都是件非常艰难的事，一些企业会花大量成本追求这个准确率，但是很少会有人去关注错误率的问题。然而一旦落到实地，会发现还是有很多水土不服的地方。在结果门槛高于技术门槛的应用领域，任何一个点的错误都会导致大量的人工核对成本。有客户就曾说过：“AI可以识别不出来，但千万不要识别错了，每错一个我们都要去人工核查一遍真实情况。”这正是技术与应用场景脱节的地方。
比如对于2014年才成立的绿湾科技来说，这也不是一个容易取舍的问题。与大多数初创型企业一样，绿湾科技在获得第一笔融资后花费了大概三年的时间潜心研究技术，然后在2017年左右开始开拓市场。应用领域从一开始的公安、法院、政务等G端慢慢向金融等B端市场迈进。在王兴让看来，做人工智能的企业一定是以技术为驱动，以市场需求为牵引，同时需要找到相匹配的商业模式来做产品的孵化器，“这三个要素是相辅相成的过程”。
李纪洲也给出了类似的回答，在久其自己的摸索过程中，也曾经出现过一个很精致的智能产品做出来不符合用户需求的情况，然后拿回去大刀阔斧地改，但即使最优秀的产品设计师也不能百分百满足用户需求。对此李纪洲也表示：“一家公司里的销售团队和研发团队永远都在‘打架’，但是只要这两方势力均衡，这家公司就算是健康的状态，这就是商业模式和技术该有的关系。”
不过在商业化探索方面，“目前应该说很少或者说几乎没有现成的商业模式可供参考”，绿湾科技运营总监胡大民表示，“从这个角度来看，应该说大家都是在推进技术创新和落地的过程当中，不断地在摸索合适的商业模式。”
“别害怕这个泡沫破灭”
从2017年开始，人工智能连续三年进入政府工作报告，而2019年的政府工作报告不仅继续大力推进人工智能发展，更首次提出“智能+”的概念，从顶层设计的角度，将人工智能视为国家战略中重要的基础设施，推动其与产业的融合，加速经济结构升级。可以说我国对于人工智能的重视程度非常高，已经上升到国家战略层面。
而回望AI过去两次浪潮都跌入低谷，很大一部分原因是没有跟产业结合。但掀起这一次浪潮的更大背景是万物互联。大数据、5G、物联网等这些前沿技术的兴起都为人工智能与实体产业的融合提供了充足动力。“AI+”也被寄予着在未来撬动整个社会经济深度变革和人类文明科学有序进展下去的厚望。
对于人工智能的未来，李纪洲表示，平民化的产品应该是未来大数据分析的方向，尤其在未来客户普遍对大数据分析有了一定认识后，做人人可用的产品直接赋能用户，可以减去厂商和用户之间大量的沟通成本。总而言之，技术的发展终归是要让技术越来越简单化、平民化。借助于人工智能的技术，未来每一个人都可以成为数据分析师。
“人工智能不新鲜，但人工智能还很幼小，它未来的潜力无限，但现在人们把这个东西无限放大了，实际上我们离这一步还非常遥远，人工智能不是像大家现在看到的那样一下子就来了。”于建岗表示。
“人工智能有可能是泡沫，但别害怕这个泡沫破灭。”华为创始人任正非曾这样表示。就像是晦暗河流之上的一座灯塔，人工智能吸引着人类的注视和追逐，我们距离这座灯塔还有多远？眼下并没有确切答案，每个走在前沿的AI企业都在无人区摸索前进。而眼下的每一个难关，都是必经之道。作为一项能够大规模提升生产效率的技术，AI的前景不可限量，尽管当前道路阻力重重，重要的是人类没有因此停下脚步。
·人工智能大家谈·
久其软件人工智能研究院院长龚佶敏
用“天才白痴”来形容现在的人工智能其实特别合适，我们不能因此否定它现在拥有的智慧。对于目前人工智能的技术发展正处在一个什么阶段，没法给出准确的回答，但未来是无限可期的。
绿湾科技副总裁王兴让
人工智能这个行业确实是一个趋势，但这个趋势需要几个要素。第一个是需要技术来驱动，只有计算机技术、人工智能技术到这个程度了，你才能推进业务发展，所以要技术做源动力。第二个是要需求来牵引，如果没有业务需求，实现不了商业化，就没有营收来滋养你的技术进步，所以技术需要需求的牵引力。第三个就是要有配套的商业模式来做它的孵化器。这三者是一个相辅相成的关系。
绿湾科技CTO于建岗
为什么从象棋到围棋对人工智能来说是个巨大进步，因为围棋可搜索空间比象棋要多得多。但毕竟围棋有固定规则，在有规则的情况下做人工智能是比较容易的，但实际生活中的规则太多了，这对人工智能的学习是很大挑战，这就需要一个行业一个行业地去解决。
久其软件产品中心副总经理李纪洲
很多的所谓AI应用，从本质上来看还都是大数据的应用。AI只是露出来的冰山一角，从数据的采集到存储、管理等都需要一整套大数据平台的支撑。现在的“AI+”更多地聚焦于把系统做得简单易用，是锦上添花的东西；未来应该更关注于用户的核心生产场景，真正实现雪中送炭。
文/李婷
快乐分享
人工智能，请准备迎接冬天
历史上的寒冬，人工智能的三次沉浮录
如果将眼光放长远一点，历史上已经经历了三次发展浪潮，也经历了两次低谷。换言之，人工智能的泡沫已经破灭两次了。让我们先来回顾一下人工智能这三起两落的历史，从历史中来找寻现在的意义，推导出我们可能面临的未来。
人工智能沉浮史
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乭。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
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，
为神经元的激活阈值，F为转移函数。那么神经元的输出Yj可以表示为
，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？
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。
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。
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？
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。
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。
│││
│││
│││
—SaaS—
—基础架构—
—国产化—
—管理会计—
—云计算—
—人工智能—
—信息安全—
—软件园—
—大数据—
本文由中国软件网（www.soft6.com）原创发布，未经许可，禁止转载。返回搜狐，查看更多