AI领域的总结与思考：未来将面临的五大考验
这两天，有朋友感慨道：“2016年对人工智能来说是意义非凡的一年，或许在技术领域的感知并不明显，在商业层面的「成功」却是前所未有的。”是呀，从年初AlphaGo和李世石的围棋大战，再到一场场和人工智能有关的发布会。不管怎样，人工智能终于跳出了实验室的禁锢，成为活跃在科技领域的核心力量。
一、人工智能时代正在到来
每当一个事物兴起的时候，随之而来的就是大量的观点与推测，其中最受欢迎的往往是那些最大胆的；而后每增加一个论据，都会让我们对这个观点更加深信无疑。就像从Alpha Go战胜李世石后，人工智能在舆论中强势回暖，而后李彦宏在世界互联网大会上的言论，也再度加强了人们对它的关注。
不仅百度，马化腾在2015年6月的演讲中也说道：人工智能是我最想做的事情。马云也在2015年5月内部信中写道：未来三十年云计算、大数据、人工智能等技术将会让无数的梦想成真。
目前国际互联网巨头纷纷入场， 亚马逊的Alexa、苹果的 Siri、微软的 Cortana，作为人工智能的第一块敲门砖，已经被较为广泛的使用；搜索、翻译、地图、无人车，深度学习的影子无处不在，人工智能正在重构人类的生活。
同时，伴随互联网的高速发展和底层技术的不断进步，人工智能所需的「能源」正在不断完善。
数据量： 2000年至今，互联网及移动互联网的高速发展使得数据实现了量的积累，据IDC预测，2020年全球的大数据总量将为40ZB，其中有七成将会以图片和视频的形式进行存储，这为人工智能的发展提供了丰厚的土壤。
深度学习算法：多伦多大学教授Geoffrey Hinton（致力于神经网络和深度学习研究）的学生在业内知名的图像识别比赛ImageNet中利用深度学习的算法将识别错误率一举降低了10%，甚至超过了谷歌，深度学习进而名声大噪。2015年，微软亚洲研究院视觉计算组在该项比赛中夺冠，将系统错误率降低至3.57%，已经超过了人眼。
高性能计算：GPU响应速度快、对能源需求低，可以平行处理大量琐碎信息，并在高速状态下分析海量数据，有效满足人工智能发展的需求。
基础设施成本：云计算的普及和GPU的广泛使用，极大提升了运算效率，也在一定程度上降低了运营成本。IDC报告显示，数据基础设施成本正在迅速下降，从2010年的每单位9美元下降到了2015年的0.2美元。
与此同时，巨头和创业公司也相继投入资源和成本进行商业化探索，但技术本身尚有足够大的成长空间，当前仍处于早期阶段。
二、人工智能带来的机会
我们看到，目前人工智能领域的企业主要集中于以下三个层面：
基础层：关注人工智能基础支撑硬件或数据平台基础；
技术层：包括有关机器识别与深度学习的算法和技术设计；
应用层：包括通用应用和行业垂直应用等。
图片来源：易观智库
在极客帮创投创始合伙人蒋涛看来，大公司在这三个层面赢家通吃，而小公司只能依靠单点突破，以及在传统行业优势上进行突围。
大公司（100亿市值以上）的主战场在于争夺未来人工智能的制高点，这分为两个方向，第一个方向是争夺未来人工智能的入口，包括家居的入口、汽车的入口等等，这些未来的入口扮演着比较重要的交互作用，例如Google的语音交互，百度的百度大脑。
第二个方向是生态系统的竞争，入口很容易切换，那么就要通过生态提高切换成本，通过开源技术，通过推荐算法，当然也要依靠于物联网的延伸与发展。而像京东、当当这类的大公司，他们最大的竞争力在物流和海量的数据上，所以在技术上可以购买，但并不那么着急。
小公司的主战场在垂直领域的应用，通过人工智能的浪潮来改进尚未完成移动化的行业。例如金融行业，它在人工智能时代的市场规模、空间应该会比移动时代更加广大；例如企业级的服务，现在在国内处在非常落后的状态。蒋涛说：“相对来说容易做的事情已经做完了，剩下的事情都是硬骨头，但我相信还会有跑出来大的公司，当然有数据的公司会更容易跑出来。”
实际上，目前人工智能的应用和落地方式还极其有限。几乎所有人工智能的最新进展都是通过一种类型来完成：输入数据（A）快速生成简单的回应（B），举个例子：
这么一个简单的输入A和输出B将改变许多行业，而构建由 A→B的技术被称为监督学习。A→B 系统发展速度很快，这其中深度学习很大程度上受大脑的工作原理启发。但A→B 系统距离科幻片中存在情感的机器人还差得很远，人类的智能也远远比A→B系统高级得多。
那么A→B这个系统能做什么？关于其颠覆性影响，这里列一个法则：如果人类进行一项思考时间少于一秒的任务，那么不远的将来或许我们能用人工智能自动化完成这项任务。
吴恩达，百度首席科学家，人工智能和机器学习领域国际上最权威的学者之一。
百度首席科学家吴恩达表示，人们在人工智能应用方面已经做了很多有价值的研究：在监控视频中检测可疑行为、汽车即将撞到行人时自动急刹车、自动删除网上的黄暴内容，上述任务均可在一秒之内完成。当然，这些技术更适合与大的产业业务相结合。
互联网实现了基础设施可以跑、数据可以连，人工智能其实在另外一个维度上提升了我们整个的应用效率，它试图解决的是生产资料及劳动力上的问题。人工智能是产业智能化升级的强大工具，正在改变包括通信、医疗、教育等在内的所有领域。
1、通信领域
通信网络一般有两大任务，一个是网络的控制，一个是网络的管理和维护。网络控制就是怎么样在一个通信网络中进行有效地资源调度，从而提高网络的使用效率，更好地服务于用户。网络管理和维护就是准确理解网络需求，进行最优化的网络设计及部署；并能够实时感知网络状况，及时排除故障。而人工智能会使得未来的通信网络越来越不需要人，整个网络的控制基本是全自动的，只需要很少的专家参与就可以把整个通信网络的事情全部搞定。
2、医疗领域
李彦宏在介绍百度人工智能在医疗领域的应用时，提到四个层次，分别是O2O服务、智能问诊、基因分析与精准医疗、新药研发。
第一个层次：百度医生现在已经有50万的医生参与咨询，累计有800万人通过百度医生平台来获得相关的医疗服务。
第二个层次：在智能问诊的小测试中，百度医生的诊断和北大国际医院的医生诊断，在80%的情况下是一致的，而且它可能在一些比较罕见的情况下表现更好。当然这些技术除了对大量的医疗知识进行机器学习外，也需要对病人表述的理解能力不断地提升。
第三个层次：用基因来进行治病，最大的一个问题是大多数已知的基因导致的疾病都是单基因导致的，而这些病又大多是罕见病，大多常见病是多基因导致的。通过大量的计算，人工智能可以帮助医生搞清楚一个病是由哪些基因共同作用导致的。
第四个层次：今天已知的、有可能形成药的小分子化合物大概是10的33次方那么多，这可能比全宇宙所有的原子加起来还要多。这样的一个量，怎样用它的分子式跟产生疾病的蛋白去合在一起，用来治病？怎样对未知的那些分子式进行大量的筛选，找到有效的新药？计算机科学、人工智能能够在这方面有所帮助。
3、教育领域
教育行业其实是一个试错成本非常高的行业，谁也不会拿孩子的成绩来做实验。医疗行业同样如此，的确人工智能可以在图像识别及诊断分析上给出建议，不过一旦出现医疗纠纷或因此而耽误了病人的病情，责任由谁来承担。
另一个方面，这两个行业决策链条很长。它涉及的利益方很多，教育行业有学校、老师、家长、学生，在医疗行业就是医院、医生、病人。同时，这两个行业又是国家相对高度管制的行业。
德联资本合伙人贾静表示，无论教育及医疗这两个行业有多少困难，资本还是非常关注。因为为教育及健康买单的用户，付费意愿及能力都非常强。这条路虽然曲折，但前途特别光明。
实际上，教育行业要比医疗行业走得更靠前一些。目前在教育行业，已经有许多人工智能技术应用。比如人工智能深度参与到教、学、练、测、评的环节中，加快个性化教学的进程。但这需要积累大量真实有效的数据，谁能在整个教育环节积累到足够多的数据就有可能跑到前面。
另一方面，教育行业一直想解决的问题是如何在供给侧做到规模又经济，老师该怎么培训和管理。那么人工智能介入教育行业，以前由老师来解决的问题，可能70%-80%由人工智能来解决。这就从生产成本上进行了改革，根本上解决了生产资料和劳动力的分配问题，而不只是交易成本最小化。所以人工智能带给行业的变革，要比移动互联网大得多。
4、To C应用
几年前出来的一些人工智能公司，技术发展已经相对成熟，比如科大讯飞，当年刚出来做的产品并不是那么流畅，但现在做得已经不错了。所以，技术差别不大的情况下，想要从技术上突破还是比较困难的，那就需要找到一个能够激发用户极致体验的点，看用户的体验是不是超过了用户对产品的期待。
比如做语音命令，亚马逊Echo的一系列产品，拿到中国后就变成了纯音响，用户觉得这和漫步者差不多，它产生不了「哇」的这种感受，没有这些感受就没有办法转换成购买。一旦归类错了，大家不会考虑花更多的钱来买一个同类的产品。
华创资本合伙人熊伟铭表示，在To C领域可以突破的将会是无人车，但会涉及到监管问题。*是否允许无人车在公路上跑，出了事故是算机器的责任还是人的责任，人们会有一些常识性的担心。人类出于本能，对同类的信心要远远超出那些我们不了解其原理的事物。比如在医疗领域，虽然医生资源十分短缺，但依然不会允许机器给人看玻没有数据能证明机器的误诊率和医生的误诊率是不一样的，也阻碍了它进一步的发展及商用化。
1896年1月20日，一名叫沃尔塔·阿诺尔德的英国人因违反限速规定而被处以罚款，成为世界上第一个因超速而被罚的汽车司机。当时他的车速只有13公里/时。到1896年「红旗法」被废止之前，英国对汽车的研制几乎处于停滞状态，在英国汽车发展史上留下了可悲的一页。
这个鸿沟不是不可能逾越，而是需要很长的周期。就像汽车确实比马车更先进，但也经历了1865年英国议会针对蒸汽汽车制订的「红旗法案」这种看起来很荒唐的阶段，而未来无人车可能要经历一样的道路。这其中，除了信心，制度监管要占60%的因素。比如现在是不允许无人车在公路上运行，无论这辆无人车做了多少实验，类似医疗领域，数据不能出医院这一类法规还是大量存在。
如果无人车这么难的事都实现了，可能包括看病或者*的行政事务会慢慢放开。创业者要找一个行政环节最弱的点先切入，慢慢到一些行政壁垒很高的市场中去。
熊伟铭是也最早看移动互联网领域的投资人之一，他说：“现在无人车的发展已经非常了不起了，这可能还只是一个小开始，但它发展到中期可能已经超过了移动互联网的小高峰。”虽然人工智能大潮可能不会像移动互联网这么密集地爆发，但会比移动互联网持续时间更长，一波接一波，发展到最后，这个领域会有巨大的成长和收获。
在此他也给创业者提出建议，无论创业者进入到To B还是To C的领域都要选好市场及切入点，因为在机器学习上，它解决的是提高内部效率的问题。“你会活得更好一点，但这并不能改变你所从事的行业或领域的市场大校原来需要100个人干的事现在只需要10个人，但是一个公司能解决1000人的问题，那你加上人工智能的技术也只能解决那1000人的问题，只不过原来能赚10元，现在能赚100元。”
三、人工智能面临的五大考验
在这场讨论中，我们还得出以下结论：目前人工智能虽处于寒武纪的大爆发阶段，但也很可能再度面临寒潮。具体来说，人工智能可能会面临这五大考验：
第一大考验：理论鸿沟很难逾越。
目前人工智能在学习上遵循的理论依然是上个世纪80年代提出的，人们并没有从本质上理解人类的学习原理，从监督学习到无监督学习的方法还在探索。如果将人工智能比作建造太空火箭，计算能力和数据是燃料，理论就是发动机。如果你有许多燃料但只拥有小功率发动机，你的火箭大概无法飞离地面。如果你拥有大功率发动机但只有一点点燃料，你的火箭即使飞上天也无法进入轨道。
目前的人工智能技术多数都要依靠形态匹配，在监督式学习下，输入训练数据，每组训练数据有一个明确的标识或结果。人们将预测结果与「训练数据」的实际结果进行比较，不断调整预测模型，直到模型的预测结果达到一个预期的准确率。
而无监督学习中，计算机无需人类帮助的情况下，像人类一样自己学习知识。计算机并不被告知怎么做，而是采用一定的激励制度来训练机器人培养出正确的分类。无监督学习方式是机器人工智能发展的关键技能之一。“目前朝着良性的趋势发展，但还未达到我们希望的阶段。”微软亚洲研究院院长芮勇表示。
第二大考验：知识表达问题。
许多输入的数据其实都经过了人脑抽象，但大家看不到，就好比你看到地面上的竹子每一根都是独立的，但它的地下茎联系是非常紧密的。若要完成形式化知识结构的搭建，是需要很多知识的，而机器中没有人脑中的背景知识，所以数据中蕴含的信息是不完整的，继而计算不出正确的结果。
如果将这些信息补足，是有可能用机器处理的。但同时要看到的是这些信息很难补足，一方面是因为很多人脑中的知识难以形式化，另一方面，补什么补多少才能达到特定的效果，很难衡量。并且人脑输出的信息带宽太小，很难通过一个人来补足机器中没有的知识，而多人协同又存在知识相互不兼容的问题。所以知识太多，知识难以形式化，人脑输出太慢，成为了知识表达的三大障碍。
海云数据的首席数据科学家赵丹表示，目前大公司基本上通过知识图谱来解决知识表达的问题，但这不是根本的解决方法。知识图谱虽然能在小的特定领域解决一部分数据稀疏问题，但图谱本身也有稀疏的问题，并且依赖人工构建，规模有限。迁移学习也能够发挥一定作用，但目前还没有把这些解决技术整合起来，形成一个完整的智能体系的理论架构。
同时赵丹还认为，深度学习的研究一定程度上已经到达瓶颈期，现在到了需要将深度学习现有的成果转化成产品的时候，比如Deepmind前段时间发布的唇语识别成果，再往前比如AlphaGo的博弈策略学习。“而形成产品是件很难的事情，像我们熟知的人脸识别，虽然已有不少创业公司做了好几年，但现在仍然没有生产出成熟的产品。工程上的坑不比研究上的少，如若跨不过去就没有办法做出产品。”
在科学理论上的进步很多是偶然事件，说不准下次会是什么时候。深度学习的成果转换期，到下次深度学习的进步期之间其实还是会有可能出现寒潮。
第三大考验：人才问题。
图像识别方面的成就像一把发令枪，启动了一场人才争夺赛。有人曾说：“这个领域的人才战相当血腥，一流的人才就像NFL足球运动员。”
谷歌在2011年推出专注深度学习的谷歌大脑计划（Google Brain Project），2013年3月得到了神经网络先驱Geoffrey Hinton的加入，现在有超过1000个深度学习项目。
Yann LeCun，现任Facebook人工智能研究部门主管。
Facebook在2013年12月聘请了法国神经网络创新者Yann LeCun作为它的新AI实验室的带头人。平均每天使用神经网络翻译来自超过40种语言国家的20亿用户的帖子，这些翻译的内容每天被8000万用户阅读。
百度在2014年4月聘请了谷歌脑计划的前负责人吴恩达作为它的人工智能实验室的领头人，主攻语音识别等关键领域。
但蒋涛指出：现在人工智能领域的理论掌握在顶尖教授手上，但应用的数据在公司手上。顶尖教授一般会有与同行进行交流、发表研究成果的诉求，但公司的研发却要求不能透露商业核心秘密，甚至要将这个科学家雪藏起来，比如苹果现在人工智能的领导者是谁，我们都还不知道。这里面存在天然的冲突，很可能成为制约人工智能发展的瓶颈。
第四大考验：资本化问题。
由于人工智能是巨头公司的天下，所以「被并购」是许多初创公司的宿命。当前，谷歌、IBM、雅虎、英特尔、苹果、Salesforce以及国内的百度、阿里等互联网科技巨头公司布局势头「凶猛」，引发了一场全球范围内的人工智能投资收购热潮。
根据风投数据公司CB Insights的统计数据显示，2011年起，拿到融资的人工智能创业公司里面有近一半（140家）都被收购了，其中2016年就有40家。主力买主是谷歌、Twitter、IBM、雅虎、英特尔和苹果，谷歌以11次收购的成绩位列榜首。
然而，一些巨头公司在并购人工智能初创公司的时候却面临着重重问题。专注于大数据人工智能领域投资并购的前海梧桐并购母基金总经理马春峰道出了自己看法：
首先，反观目前国内人工智能企业估值偏高，仅有2~3人的早期初创公司有时开价达1~2亿元，较成熟公司的估值甚至比上市公司还高。这种高估值企业有时甚至让产业投资者难以接受，结果导致某些上市公司和产业基金纷纷出海，布局硅谷、以色列等海外市常
不过，上市公司或产业基金布局海外市场都需要考虑落地问题，这时候沟通成本、管理成本、人员适应本地化成本便会增加。因此，如何降低成本成为布局海外市场的一大难题。
其次，上市公司在投资初创企业时多对其业绩有要求，这就使得它们在投资并购时倾向于选择较为成熟的AI公司。然而目前国内人工智能领域的创业公司在整体效果上并没有达到上市公司的期望值，许多初创公司的成熟度与上市公司自身业务发展的匹配度也不够高。
所以，现在多数上市公司采取的方式是先在体外投资孵化，待孵化的公司成熟到一定程度时再装进上市公司内部。
另外，有些上市公司自身也存在追逐热点的问题，在并不具备布局大数据、人工智能产业的基因的情况下，但却在积极布局。这使得被投资或并购来的公司不能匹配上市公司的业务、管理能力和战略发展方向，反而导致初创公司的未来发展受到了限制。
第五大考验：安全问题。
这里面的安全不是某一项人工智能产品是否存在风险，而是对强人工智能何时出现的整体的考量。
其中，比较极端的观点来自于未来学家雷·库兹韦尔(Ray Kurzweil )，他提出摩尔定律的扩展定理，认为很多技术处于指数增长中；后来又发表奇点理论，预测技术在突破一个称之为奇点的临界点后将实现爆发性增长，在2045年左右会出现自己思考的人工智能。
当然，在大多数行业专家看来这是个伪命题。吴恩达表示「人工智能毁灭人类论」就是炒作，目前我们的科技还停留在弱人工智能阶段，强人工智能目只存在于科幻片。
对于人工智能的安全性，扎克伯格的观点代表了中国创投界大多数的想法：我们过度担忧人工智能，将阻碍人工智能实际的进步。现在担忧人工智能的安全性，就如同两百年前担心要是以后有飞机了飞机坠毁怎么办一样。我们要先造出飞机，再担心飞机的安全性。