讀書筆記:《人工智慧》
目錄

讀書筆記 摘自:《人工智慧》(作者:李開復 王詠剛)

第一章 人工智慧來了

人工智慧已經來了,而且它就在我們身邊,幾乎無處不在。

人類,你好!

“不管我們是碳基人類還是矽基機器人,都沒有本質的區別。我們中的每一員都應獲得應有的尊重。”
每當前沿科技取得重大突破,為我們預示出人工智慧的瑰麗未來時,許多人就又不約而同地患上人工智慧恐懼症,生怕自己的工作乃至人類的前途被潛在的機器對手掌控。
普通公眾對人工智慧快速發展的認知,始於2016年初Alpha Go的驚世對局。

無處不在的人工智慧

人工智慧技術已經是手機上許多應用程式的核心驅動力。
谷歌最資深的電腦科學家與軟體架構師、谷歌大腦開發團隊的帶頭人傑夫·迪恩(Jeff Dean)則說:“很多時候(人工智慧)都是藏在底下,因此人們並不知道有很多東西已經是機器學習的系統在驅動。

智慧助理

事先積累的人類對話庫和網際網路資料庫中,查詢最有可能匹配的回答。
2017年1月,百度推出的基於自然語言對話的作業系統Duer OS則代表了國內網際網路公司在建立智慧助理開發與應用平臺方面的自信。

新聞推薦和新聞撰稿

應用程式可以聰明地歸納每個人看新聞時的不同習慣、愛好,給不同使用者推薦不同的新聞內容。
世界三大通訊社之一的美聯社於2014年宣佈,將使用Automated Insights公司的技術為所有美國和加拿大上市公司撰寫營收業績報告。
自動撰寫新聞稿件的好處不言而喻,這不但可以節省記者和編輯的大量勞動,而且可以在應對突發事件時充分體現出計算機的“閃電速度”。

機器視覺

人臉識別,這幾乎是目前應用最廣泛的一種機器視覺技術,是人工智慧大家庭中的重要分支。近年來,隨著深度學習技術的發展,人工智慧程式對人臉識別的準確率已經超過了人類的平均水平。
廣義上的機器視覺既包括人臉識別,也包括影象、視訊中的各種物體識別、場景識別、地點識別乃至語義理解。

AI藝術

新一代搜尋引擎

谷歌創始人拉里·佩奇(Larry Page)和謝爾蓋·布林(Sergey Brin)於1996年提出的Page Rank演算法大幅提升了搜尋引擎結果排序的準確性
在機器學習的方向裡,計算網頁排序的數學模型及模型中的每一個引數不完全是由人預先定義的,而是由計算機在大資料的基礎上,通過複雜的迭代過程自動學習得到的。
近年來,利用人工智慧技術在語音識別、自然語言理解、知識圖譜、個性化推薦、網頁排序等領域的長足進步,谷歌、百度等主流搜尋引擎正從單純的網頁搜尋和網頁導航工具,轉變成為世界上最大的知識引擎和個人助理——毫無疑問,人工智慧技術讓搜尋引擎變得更聰明瞭。

機器翻譯

如果我們沒法在網路上收集到足夠多的中文和阿拉伯文之間的對應語料,那麼,谷歌的機器翻譯技術可以利用英文到阿拉伯文之間的對應語料,以及中文到英文之間的對應語料,訓練出一個支援多語言間相互翻譯的模型,完成中文和阿拉伯文的雙向翻譯。這種技術可以輕易將翻譯系統支援的語言對的數量,擴充套件到幾乎所有主要地球語言的相互配對組合。

自動駕駛

2016年5月7日,一起發生在佛羅里達州的車禍是人工智慧發展史上的第一起自動駕駛致死事故。當時,一輛開啟Autopilot模式的特斯拉電動汽車沒有對駛近自己的大貨車做出任何反應,徑直撞向了大貨車尾部的拖車並導致駕駛員死亡。
美國國家公路交通安全管理局同時還強調說,特斯拉在安裝了Autopilot輔助駕駛系統後,事故發生率降低了40%。
自動駕駛系統的總體安全概率要高於人類駕駛員,自動駕駛的商業化和大範圍普及只是時間的問題。

機器人

從投資者的角度看,越是追求與人長得一樣,試影象人一樣說話、做事的機器人專案,就越沒有商業前景。這個道理很簡單——機器人越像人,人類就越容易拿真人與“它”做比較。
這時,技術的不足會暴露無遺,在“缺點放大鏡”的作用下,這種機器人只會顯得無比愚蠢和笨拙。

到底什麼是人工智慧?

定義一 AI就是讓人覺得不可思議的計算機程式

2016年3月9日,圍棋世界冠軍李世石坐在Alpha Go面前,宿命再一次降臨。隨著Alpha Go在五番棋中以四比一大勝,有關人工智慧的熱情和恐慌情緒同時在全世界蔓延開來,也因此引發了一撥人工智慧的宣傳熱潮。

定義二 AI就是與人類思考方式相似的計算機程式

但歷史經驗證明,仿生學的思路在科技發展中不一定可行。一個最好也最著名的例子就是飛機的發明。
Dendral的成功事實上帶動了專家系統在人工智慧各相關領域的廣泛應用,從機器翻譯到語音識別,從軍事決策到資源勘探。一時間,專家系統似乎就是人工智慧的代名詞,其熱度不亞於今天的深度學習。
早期神經網路技術沒有發展太久就陷入低谷。這主要有兩個原因:一是當時的人工神經網路演算法在處理某些特定問題時有先天侷限,亟待理論突破;二是當時的計算機運算能力無法滿足人工神經網路的需要。
直到2010年前後,支援深度神經網路的計算機叢集才開始得到廣泛應用,供深度學習系統訓練使用的大規模資料集也越來越多。
客觀地說,神經網路到底在多大程度上精確反映了人類大腦的工作方式,這仍然存在爭議。

定義三 AI就是與人類行為相似的計算機程式

從近似於人類行為的最終結果出發,忽視達到這一結果的手段。
在研究者看來,深度學習模型是不是真的跟人類大腦神經元理解自然語言的過程類似,這一點兒都不重要,重要的是,整個模型可以聰明地工作,最終結果看起來就像人做的一樣。

定義四 AI就是會學習的計算機程式

“無學習,不AI”,這幾乎成了人工智慧研究在今天的核心指導思想。
媒體上,被宣傳為人工智慧的典型應用大多都擁有深度學習的技術基礎,是計算機從大量資料資料中通過自我學習掌握經驗模型的結果。
當然,機器目前的主流學習方法和人類的學習還存在很大的差別。
目前的計算機視覺系統在看過數百萬張或更多自行車的照片後,很容易辨別出什麼是自行車,什麼不是自行車,這種需要大量訓練照片的學習方式看上去還比較笨拙。
儘管研究者提出了遷移學習等新的解決方案,但從總體上說,計算機的學習水平還遠遠達不到人類的境界。
讓機器在學習時的抽象或歸納能力向人類看齊。

定義五 AI就是根據對環境的感知,做出合理的行動,並獲得最大收益的計算機程式

第二章 AI復興:深度學習 大資料=人工智慧

這一次人工智慧復興的最大特點是,AI在語音識別、機器視覺、資料探勘等多個領域走進了業界的真實應用場景,與商業模式緊密結合,開始在產業界發揮出真正的價值。

第三次AI熱潮:有何不同?

從20世紀60年代到90年代再到今天,從西洋跳棋到國際象棋再到圍棋,三盤棋,三次人工智慧在公眾中引發的熱潮——為什麼處在風口浪尖的偏偏都是人機對弈?為什麼會下棋的計算機程式如此風光?

用高德納技術成熟度曲線看AI發展史

學術界、產業界和投資界在談到技術高潮與低谷時,經常會引用高德納諮詢公司(Gartner)推薦的技術成熟度曲線。
這條曲線顯示出,幾乎每一項新興且成功的技術,在真正成熟之前,都要經歷先揚後抑的過程,並在波折起伏中通過積累和迭代,最終走向真正的繁榮、穩定和有序發展。
產品的不足被無限放大,負面報道開始出現,供過於求的市場競爭中,大批跟風入局的初創公司不是被兼併,就是走向倒閉,只有少數擁有核心競爭力的堅持了過來。
2010年前後,準確地說,是從2006年開始,隨著深度學習技術的成熟,加上計算機運算速度的大幅增長,當然,還有網際網路時代積累起來的海量資料財富,人工智慧開始了一段與以往大為不同的復興之路。
隨著機器視覺領域的突破,深度學習迅速開始在語音識別、資料探勘、自然語言處理等不同領域攻城略地,甚至開始將以前被人們視為科幻的自動駕駛技術帶入現實。
此外,基於深度學習的科研成果還被推向了各個主流商業應用領域,如銀行、保險、交通運輸、醫療、教育、市場營銷等,第一次實現了人工智慧技術與產業鏈條的有機結合。

今天的人工智慧是“有用”的人工智慧

我覺得,和前兩次AI熱潮相比,這一次人工智慧復興的最大特點,就是AI在多個相關領域表現出可以被普通人認可的效能或效率,並因此被成熟的商業模式接受,開始在產業界發揮出真正的價值。
我們說“人工智慧來了”,其實是說,人工智慧或深度學習真的可以解決實際問題了。
人工智慧之所以有今天的成就,深度學習技術居功至偉。
最重大的突破應該是對於深度學習的使用。這項技術目前已經成功地被應用到許許多多的場景中,從語音識別到影象識別,再到語言理解。而且有意思的是,目前我們還沒有看到有什麼是深度學習做不了的。
學術研究主導
現實商業需求主導
市場宣傳層面
商業模式層面
學術界在勸說、遊說政府和投資人投錢
投資人主動向熱點領域的學術專案和創業專案投錢。
提出問題
解決問題

圖靈測試與第一次AI熱潮

艾倫·圖靈是人工智慧的開拓者,他所提出的圖靈測試,直到今天仍然是我們判定一部機器是否具有人類智慧的重要手段。
與其去研製模擬成人思維的計算機,不如去試著製造更簡單的,也許只相當於一個小孩智慧的人工智慧系統,然後再讓這個系統去不斷學習——這種思路正是我們今天用機器學習來解決人工智慧問題的核心指導思想。

語音識別與第二次AI熱潮

這個時代被證明最為神奇、最有效的人工智慧演算法——深度學習
今天的主角是人工智慧。移動網際網路的浪潮尚未平息,人工智慧的創投就已經進入了讓創業者無比興奮的上升期。只有順應潮流,在對的時間做對的事情,創業才最有可能成功。
今天異常成功的深度學習技術,當年曾在語音識別領域品嚐過失敗的苦澀。
“比爾,當你走錯方向的時候,投資越大,損失就越多,彌補也越難。”
時代就是這麼無情,在人工智慧的上一個時代,符號主義專家特別是語言學家們還風光無限,彷彿技術突破的美好前景都要由他們來描繪。但實踐結果表明,我所代表的統計學派真正可以解決問題,可以提高語音識別與自然語言處理的準確率,專家系統等老一代技術就被無情拋棄。老一代研究者如果不能儘快更新知識儲備,就只有面臨被解僱的命運。
今天,語音識別和更廣泛意義上的自然語言處理已經走進了統計方法與深度學習方法相結合,甚至是深度學習方法獨立起主導作用的新時代。
深度學習就像一個祕密武器,蟄伏多年,重出江湖,首先在計算機視覺領域,幫助計算機認識人臉、認識圖片和視訊中的物體,然後,拔劍四顧,衝入語音識別、機器翻譯、資料探勘、自動駕駛等幾乎所有人工智慧的技術領域大展身手。
2011年前,主流的語音識別演算法在各主要語音測試資料集中的識別準確率還與人類的聽寫準確率有一定差距。2013年,谷歌語音識別系統對單詞的識別錯誤率在23%左右。
僅僅兩年時間,因為深度學習技術的成功應用,谷歌在2015年5月舉辦的Google I/O年度開發者大會上宣佈,谷歌的語音識別系統已將識別錯誤率降低到了驚人的8%!
而IBM的Watson智慧系統也不遑多讓,很快就將語音識別的錯誤率降低到了6.9%。微軟則更進一步。2016年9月,微軟研究院釋出了里程碑式的研究成果:在業界公認的標準評測中,微軟最新的基於深度學習的語音識別系統已經成功地將識別錯誤率降低到了6.3%。
這裡寫圖片描述
圖23 近20年來語音識別錯誤率的下降趨勢

深度學習攜手大資料引領第三次AI熱潮

機器視覺領域,2014年在Image Net競賽(ILSVRC)中第一次超越人類肉眼識別準確率的影象識別演算法也是深度學習的傑作!
很多人甚至高喊出了“深度學習=人工智慧”的口號。
深度學習是當今乃至未來很長一段時間內引領人工智慧發展的核心技術,則一點兒也不為過。
正如人們所寫的那樣,我們正在經歷另一場工業革命,它並不是簡單地增加人類的機械力;計算機將增加人類的認知能力和智力。

從神經網路到深度學習

2000年後,計算機產業的發展帶來了計算效能、處理能力的大幅提高,尤其是以谷歌為代表的前沿企業在分散式計算上取得了深厚積累,成千上萬臺計算機組成的大規模計算叢集早已不再是稀罕物。而網際網路產業的發展則使搜尋引擎、電子商務等公司聚集了數以億計的高質量的海量資料。大計算能力和大資料,正是深度學習這件深藏不露的千古神兵所等待的兩大時機。
由今天的深度學習追溯到它的核心計算模型——人工神經網路的誕生之日。
2006年是深度學習發展史上的分水嶺。此前提過,傑弗裡·辛頓在這一年發表了《一種深度置信網路的快速學習演算法》及其他幾篇重要論文,其他深度學習領域的泰斗、大師們也在這一年前後貢獻了一批重要的學術文章,在基本理論方面取得了若干重大突破。深度學習也由此進入了高速發展的全盛期。

谷歌大腦:世界最強大的深度學習叢集

深度學習能夠大展身手的兩個前提條件——強大的計算能力高質量的大資料,都是在2010年前後逐漸步入成熟的。深度學習、大規模計算、大資料三位一體,神兵出世,一下子就可以摧城拔寨、無堅不摧。
谷歌大腦是在2011年由谷歌最資深的科學家與工程師傑夫·迪恩,以及後來在百度任首席科學家的吳恩達(Andrew Ng)帶領團隊建立的。這是一個龐大的深度學習計算框架,擁有數萬臺高效能的計算機和頂級的圖形處理器作為計算單元
可以完成大規模、多維度、多層次的深度學習模型訓練和演算。
2012年6月,谷歌大腦初戰告捷。據當時的《紐約時報》報道,谷歌使用了一個擁有16000個CPU的大規模計算機叢集,讓計算機用深度學習模型自己“看”了一千萬段You Tube上的視訊,然後,計算機自己“學”到了如何從視訊中辨認一隻貓!
深度學習助力,有基於網際網路的海量資料支撐,有數以萬計的強大計算機叢集,谷歌大腦正在幫助谷歌公司解決橫跨多個領域的幾乎所有人工智慧的相關問題
從根本上來說,深度學習和所有機器學習方法一樣,是一種用數學模型對真實世界中的特定問題進行建模,以解決該領域內相似問題的過程。

首先,深度學習是一種機器學習。
用專業的術語來說,計算機用來學習的、反覆看的圖片叫“訓練資料集”;
決策樹的機器學習方法
深度學習就是這樣一種在表達能力上靈活多變,同時又允許計算機不斷嘗試,直到最終逼近目標的機器學習方法。
簡單地說,深度學習就是把計算機要學習的東西看成一大堆資料,把這些資料丟進一個複雜的、包含多個層級的資料處理網路(深度神經網路),然後檢查經過這個網路處理得到的結果資料是不是符合要求——如果符合,就保留這個網路作為目標模型,如果不符合,就一次次地、鍥而不捨地調整網路的引數設定,直到輸出滿足要求為止。
好在計算機計算速度快,暴力計算外加演算法優化
這裡寫圖片描述
圖27 用“水管網路”來描述教計算機識字的深度學習過程

計算機需要用特定方式近乎瘋狂地調節所有流量調節閥,不斷實驗、摸索,直到水流符合要求為止。
深度學習大致就是這麼一個用人類的數學知識與計算機演算法構建起整體架構,再結合儘可能多的訓練資料以及計算機的大規模運算能力去調節內部引數,儘可能逼近問題目標的半理論、半經驗的建模方式。
實用主義意味著不求甚解。
人們通常只知道深度學習模型是否工作,卻很難說出模型中某個引數的取值與最終模型的感知能力之間,到底有怎樣的因果關係。
有史以來最有效的機器學習方法,在許多人看來,竟然是一個只可意會、不可言傳的“黑盒子”。
由此引發的一個哲學思辨是,如果人們只知道計算機學會了做什麼,卻說不清計算機在學習過程中掌握的是一種什麼樣的規律,那這種學習本身會不會失控?
比如,很多人由此擔心,按照這樣的路子發展下去,計算機會不會悄悄學到什麼我們不希望它學會的知識?另外,從原理上說,如果無限增加深度學習模型的層數,那計算機的建模能力是不是就可以與真實世界的終極複雜度有一比呢?如果這個答案是肯定的,那只要有足夠的資料,計算機就能學會宇宙中所有可能的知識
谷歌著名的深度學習框架Tensor Flow就提供了一個網頁版的小工具,用人們易於理解的圖示,畫出了正在進行深度學習運算的整個網路的實時特徵。
這裡寫圖片描述
圖28 訓練深度學習模型時,整個深度神經網路的視覺化狀態

大資料:人工智慧的基石

目前的深度學習主要是建立在大資料的基礎上,即對大資料進行訓練,並從中歸納出可以被計算機運用在類似資料上的知識或規律。
大資料到底是什麼?大資料是如何產生的?什麼樣的資料才最有價值,最適合作為計算機的學習物件呢?
根據馬丁·希爾伯特(Martin Hilbert)的總結,今天我們常說的大資料其實是在2000年後,因為資訊交換、資訊儲存、資訊處理三個方面能力的大幅增長而產生的資料:

資訊交換:據估算,從1986年到2007年這20年間,地球上每天可以通過既有資訊通道交換的資訊數量增長了約217倍,這些資訊的數字化程度,則從1986年的約20%增長到2007年的約99.9%。

資訊儲存:全球資訊儲存能力大約每3年翻一番。
谷歌這樣的搜尋引擎,幾乎就是一個全球網際網路的“備份中心”,谷歌的大規模檔案儲存系統完整保留了全球大部分公開網頁的資料內容,相當於每天都在為全球網際網路做“熱備份”。

資訊處理:有了海量的資訊獲取能力和資訊儲存能力,我們也必須有對這些資訊進行整理、加工和分析的能力。
相應建立了靈活、強大的分散式資料處理叢集。
數萬臺乃至數十萬臺計算機構成的平行計算叢集每時每刻都在對累積的資料進行進一步加工和分析。
谷歌的分散式處理三大利器——GFS、Map Reduce和Bigtable就是在大資料的時代背景下誕生併成為絕大多數大資料處理平臺的標準配置。
這裡寫圖片描述
圖29 大資料的三大支柱

大資料越來越多地來源於生產或服務過程的副產品,但在價值上卻往往超過了為了特定目的專門採集的資料。
大資料往往可以取代傳統意義上的抽樣調查。
許多大資料都可以實時獲取。
一部分資料的時效性非常強,如果不能實時利用,則資料的附加值會大幅降低。大資料的實時性為大資料的應用提供了更多的選擇,為大資料更快產生應用價值提供了基礎。
大資料往往混合了來自多個資料來源的多維度資訊。
聚合更多資料來源,增加資料維度,這是提高大資料價值的好辦法。
大資料的價值在於資料分析以及分析基礎上的資料探勘和智慧決策。
基於大資料建立有效的模型和工具,才能充分發揮大資料的價值。

有大資料就有人工智慧的機會

人工智慧時代,深度學習和大資料成了密不可分的一對兒。深度學習可以從大資料中挖掘出以往難以想象的有價值的資料、知識或規律。
《智慧時代》的作者吳軍博士說:“在方法論的層面,大資料是一種全新的思維方式。按照大資料的思維方式,我們做事情的方式與方法需要從根本上改變。”
任何擁有大資料的領域,我們都可以找到深度學習一展身手的空間,都可以做出高質量的人工智慧應用。任何有大資料的領域,都有創業的機會。
需要注意的是,大資料和人工智慧的結合也可能給資訊流通和社會公平帶來威脅。
在2016年的美國大選中,有一家名為Cambridge Analytica的公司就基於人工智慧技術,用一整套分析和引導輿論的軟體系統來操縱選情。
大資料的應用必然帶來個人隱私保護方面的挑戰。
有效、合法、合理地收集、利用、保護大資料,是人工智慧時代的基本要求,需要政府、企業、個人三方共同協作,既保證大規模資訊的正常流動、儲存和處理,又避免個人隱私被濫用或被洩露。

深度學習“三巨頭”和傳奇的辛頓家族

傑弗裡·辛頓與約書亞·本吉奧、揚·勒丘恩有時也被稱為深度學習領域的“三巨頭”。
“三巨頭”經常一起出席學術會議,一起推動深度學習和人工智慧的發展。2015年5月,三人聯名在《自然》雜誌發表的名為《深度學習》的綜述文章,成為人工智慧領域近年來最重要的文獻之一。
“在不久的將來,我們認為深度學習將取得更多成就,因為它只需要極少的人工參與,所以它能輕而易舉地從計算能力提升和資料量增長中獲得裨益。目前正在開發的用於深層神經網路的新型學習演算法和體系結構必將加速這一程序。”
傑弗裡·辛頓教授已經很厲害了,但更厲害的是,他出生在一個只能用“彪悍”“傑出”“神奇”之類的字眼兒形容的恐怖家族!

第三章 人機大戰:AI真的會挑戰人類?

Alpha Go帶來的警示是:如果計算機可以在兩年內實現大多數人預測要花20年或更長時間才能完成的進步,那麼,還有哪些突破會以遠超常人預期的速度來臨?這些突破會不會超出我們對人工智慧的想象,顛覆人類預想中的未來?我們已為這些即將到來的技術突破做好準備了嗎?

Alpha Go帶給人類的啟示究竟是什麼?

有一點是相通的,那就是絕大多數圍棋界人士和人工智慧界的科研人員此前都沒想到,圍棋程式會在如此短的時間內取得質的突破。
使用深度學習並結合蒙特卡洛搜尋的Alpha Go已註定被寫入歷史。
從圍棋角度說,Alpha Go最震撼的是計算機在人類傳統認為極其玄妙的、電腦無法掌握的“大局觀”上突飛猛進,遠遠將人類選手甩在身後。
以後AI和AI之間的競賽,應該會不斷促進AI提高。人類雖望塵莫及,但可以不斷從AI中學習新的思想。
從人工智慧技術的角度說,Alpha Go用的是AI領域應用非常普遍的演算法:深度學習、蒙特卡洛演算法、增強學習等。

我覺得,Alpha Go帶給人類的,更多是一種對未來的警示:如果計算機可以在兩年內實現大多數人此前預測要花20年或更長時間才能完成的進步,那麼,還有哪些突破會以遠超常人預期的速度來臨?這些突破會不會超出我們對人工智慧的想象,顛覆人類預想中的未來?我們已為這些即將到來的技術突破做好準備了嗎?

無論是專業人士還是普通公眾,Alpha Go的出現給每個人提供了一個最好的理由,讓我們有機會重新思考:到底什麼是人工智慧?人工智慧之於人類的意義是什麼?人工智慧與未來人類的關係到底會怎樣?人工智慧真的會在未來挑戰人類嗎?

Deep Mind:會打遊戲的人工智慧

Deep Mind所研發的深度學習、增強學習等技術,在醫藥、金融、自動控制等眾多領域有著廣泛的應用前景,但這些行業應用離普通公眾較遠,Deep Mind的先進技術難以被大多數人瞭解。哈薩比斯和他的團隊非常聰明地選擇用大眾最熟悉的電子遊戲,來作為Deep Mind核心科技的第一塊“試金石”。

Deep Mind的目標顯然不是遊戲本身。正如哈薩比斯在諸多場合所說過的那樣,Deep Mind希望利用在遊戲中證明過的技術,幫助人類解決計算機輔助醫療等更為複雜的問題。

從喬布斯到哈薩比斯,從雅達利街機到蘋果電腦再到人工智慧,科技發展的程序中,每一個領軍人物的每一次技術突破,都可能成為後續進展的鋪墊與序曲。

從技術上說,《星際爭霸》的挑戰要高於圍棋,打贏《星際爭霸》所需的決策技術,也許更接近人類在日常工作、生活中經常使用的思考與決策方法。從這個意義上說,Deep Mind正向著更高階智慧的方向邁進。

德州撲克:開啟新世界的大門?

在圍棋、象棋等遊戲中,人工智慧可以和人類選手一樣,在每一步決策前獲得棋盤上的全部資訊。這種限定規則,隨時可以獲取全部資訊的遊戲,我們可以稱之為“完整資訊的博弈遊戲”。而在《星際爭霸》或德州撲克中,人工智慧和人類選手通常無法在特定時刻獲得有關遊戲的全部資訊

在這類“不完整資訊的博弈遊戲”裡,人工智慧必須像人一樣,根據經驗或概率統計知識,猜測對手底牌和下一張牌的可能性,然後再製定自己的應對策略。

托馬斯·桑德霍姆的團隊在研發德州撲克程式時,主要不是向人類職業選手學習打牌技巧,而是讓計算機通過自我訓練,自己尋找最好的方法。

連續參加了2015年和2017年兩次人機大戰的人類德州撲克高手Dong Kim說,他在這次比賽全程充滿挫敗感——其實他已經是四位人類高手裡面,對戰成績最好的那個了。兩年前曾經擊敗計算機的Dong Kim在2017年的比賽剛剛過半時就直言:“人類已經沒有真正獲勝的機會。”

·和圍棋不同,在德州撲克的牌桌上,人工智慧與人類選手一樣,都只能看到部分資訊。這種情況下,沒有所謂的唯一的、最佳的打法。
·Libratus基本是從零開始學習德州撲克策略,且主要依靠自我對局來學習。這對利用人工智慧解決更為廣泛的現實問題意義重大。

那些擔心人工智慧威脅的悲觀主義者可能會從Libratus的勝利中看到更為現實的風險。比如,機器曾在比賽中用大賭注和新策略嚇退、矇騙過最精明的人類牌手,這些方法也許會被精明的商人用於人類的商業談判。一旦這些人工智慧演算法被犯罪組織利用,是否會出現災難性的後果?擔心出現超人工智慧的人還會進一步追問,一旦機器有了自我意識,機器是否會像德州撲克牌桌上的AI演算法一樣,用各種策略誘騙、恐嚇人類呢?

樂觀主義者則更多地看到Libratus的演算法本身對於人工智慧幫助人類解決實際問題的巨大價值。如果機器能夠在自我學習中不斷完善對於一種特定策略的掌握程度,能夠在不熟悉或缺乏全部資訊的環境中不斷試錯並積累經驗,那麼,機器顯然可以勝任更多的人類工作。比如,機器可以幫助人類制訂更為複雜的醫療計劃,可以在人類感到難以決策的領域,比如商業活動、城市規劃、經濟調控甚至戰爭指揮等,充當人類的“參謀”。也許,未來每個人都可以依靠強大的計算機和人工智慧程式,成為運籌帷幄、決勝千里的戰略家。

弱人工智慧、強人工智慧和超人工智慧

今天的人工智慧到底有多“聰明”?人工智慧到底會發展到什麼程度?什麼樣的人工智慧會超出人類的控制範圍,甚至給人類帶來威脅?

弱人工智慧(Weak AI)

也稱限制領域人工智慧(Narrow AI)或應用型人工智慧(Applied AI),指的是專注於且只能解決特定領域問題的人工智慧。毫無疑問,今天我們看到的所有人工智慧演算法和應用都屬於弱人工智慧的範疇。
Alpha Go是弱人工智慧的一個最好例項。
Alpha Go的能力也僅止於圍棋(或類似的博弈領域)

限於弱人工智慧在功能上的侷限性,人們更願意將弱人工智慧看成是人類的工具,而不會將弱人工智慧視為威脅。
但少數評論者依然認為,即便是弱人工智慧,如果管理、應對不善,也會帶來致命的風險。
但無論如何,弱人工智慧屬於相對容易控制和管理的計算機程式。總體來說,弱人工智慧並不比我們使用的其他新技術更為危險。
弱人工智慧在總體上只是一種技術工具,如果說弱人工智慧存在風險,那也和人類已大規模使用的其他技術沒有本質的不同。只要嚴格控制,嚴密監管,人類完全可以像使用其他工具那樣,放心地使用今天的所有AI技術。

強人工智慧(Strong AI)

強人工智慧又稱通用人工智慧(Artificial general intelligence)或完全人工智慧(Full AI),指的是可以勝任人類所有工作的人工智慧。

一般認為,一個可以稱得上強人工智慧的程式,大概需要具備以下幾方面的能力:
1)存在不確定因素時進行推理,使用策略,解決問題,制定決策的能力;
2)知識表示的能力,包括常識性知識的表示能力;
3)規劃能力;
4)學習能力;
5)使用自然語言進行交流溝通的能力;
6)將上述能力整合起來實現既定目標的能力。

一旦實現了符合這一描述的強人工智慧,那我們幾乎可以肯定地說,所有人類工作都可以由人工智慧來取代。
強人工智慧的定義裡,存在一個關鍵的爭議性問題:強人工智慧是否有必要具備人類的“意識”(Consciousness)。

不難設想,一旦強人工智慧程式具備人類的意識,那我們就必然需要像對待一個有健全人格的人那樣對待一臺機器。那時,人與機器的關係就絕非工具使用者與工具本身這麼簡單。擁有意識的機器會不會甘願為人類服務?機器會不會因為某種共同訴求而聯合起來站在人類的對立面?一旦擁有意識的強人工智慧得以實現,這些問題將直接成為人類面臨的現實挑戰。

超人工智慧(Superintelligence)

假設計算機程式通過不斷髮展,可以比世界上最聰明、最有天賦的人類還聰明,那麼,由此產生的人工智慧系統就可以被稱為超人工智慧。

牛津大學哲學家、未來學家尼克·波斯特洛姆(Nick Bostrom)在他的《超級智慧》一書中,將超人工智慧定義為“在科學創造力、智慧和社交能力等每一方面都比最強的人類大腦聰明很多的智慧”。

首先,我們不知道強於人類的智慧形式將是怎樣的一種存在。
其次,我們沒有方法,也沒有經驗去預測超人工智慧到底是一種不現實的幻想,還是一種在未來(不管這個未來是一百年還是一千年、一萬年)必然會降臨的結局。

顯然,如果公眾對人工智慧會不會挑戰、威脅人類有擔憂的話,公眾心目中所擔心的那個人工智慧,基本上屬於這裡所說的“強人工智慧”和“超人工智慧”。
我們到底該如何看待“強人工智慧”和“超人工智慧”的未來?它們會像Alpha Go那樣,以遠超我們預料的速度降臨世間嗎?

奇點來臨?

未來學家和科幻作者喜歡用“奇點”(Singularity)來表示超人工智慧到來的那個神祕時刻。

這篇文章的作者是“Wait But Why”網站的創始人蒂姆·厄班(Tim Urban),文章原名為《AI革命:通向超人工智慧之路》

人類科技發展是越來越快的,呈現出不斷加速的勢頭。

這就是技術發展在時間維度上的加速度趨勢!拿圍棋軟體來說,圍棋程式從初學者水平發展到業餘五段左右的水平,用了20到30年的時間。本來我們以為人工智慧跨越業餘水平與職業水平之間的鴻溝需要再花20到30年,結果,短短四五年,我們就看到了Alpha Go橫空出世。

強人工智慧一旦到來,人類就必須認真考慮自己的命運問題了,因為從強人工智慧“進化”到超人工智慧,對機器而言,也許只是幾個小時的事情。

一個具備了人類水平認知能力和學習能力的機器,可以藉助比人類強大得多的計算資源、網路資源甚至網際網路知識庫以及永不疲倦、不需要吃飯睡覺的特點,無休止地學習、迭代下去,並在令人吃驚的極短時間內,完成從強人工智慧到超人工智慧的躍遷!

邏輯上,我基本認可蒂姆·厄班有關強人工智慧一旦出現,就可能迅速轉變為超人工智慧的判斷。

我覺得,一種更有可能出現的情況是:特定的科技如人工智慧,在一段時間的加速發展後,會遇到某些難以逾越的技術瓶頸。

2015年,連提出摩爾定律的高登·摩爾(Gordon Moore)本人都說:“我猜我可以看見摩爾定律會在大約10年內失效,但這並不是一件令人吃驚的事。”

正如原本受摩爾定律左右的晶片效能發展已遭遇技術瓶頸那樣,人工智慧在從弱人工智慧發展到強人工智慧的道路上,未必就是一帆風順的。

最重要的是,由於基礎科學(如物理學和生物學)尚缺乏對人類智慧和意識的精確描述,從弱人工智慧發展到強人工智慧,其間有很大概率存在難以在短期內解決的技術難題。

霍金的憂慮

霍金說:“人工智慧可以在自身基礎上進化,可以一直保持加速度的趨勢,不斷重新設計自己。而人類,我們的生物進化速度相當有限,無法與之競爭,終將被淘汰。”

如果人工智慧在未來的發展不一定永遠遵循加速趨勢,那麼,霍金有關人類終將被淘汰的結論就未必成立。

特斯拉與Space X公司創始人,被譽為“鋼鐵俠”的埃隆·馬斯克(Elon Musk)與霍金有大致相似的擔憂。馬斯克說:“我們必須非常小心人工智慧。如果必須預測我們面臨的最大現實威脅,恐怕就是人工智慧了。”

馬斯克說:“我越來越傾向於認為,也許在國家層面或國際層面,必須有一種規範的監管機制,來保證我們不會在這方面做任何蠢事。”

除了呼籲建立監管機制外,馬斯克還與薩姆·奧爾特曼(Sam Altman)一起創立了非營利性質的科研公司Open AI。談到創立Open AI的初衷,馬斯克說:“為了保證一個美好的未來,我們最需要做什麼?我們可以冷眼旁觀,我們也可以鼓勵立法監管,或者,我們還可以將那些特別關心如何用安全的、對人類有益的方式來開發AI的人合理地組織起來研發AI。”

Open AI一面聚集了一批AI領域的頂尖高手,研發最前沿的AI技術(主要是強化學習和無監督學習技術),甚至探索實現強人工智慧的可能性;一面反覆強調自己的使命是研發“安全的”人工智慧,通過實踐來探尋將人工智慧技術的潛在威脅降至最低的方法。

2017年年初,霍金和馬斯克均表示,為了防止人工智慧威脅人類,他們支援加州阿西洛馬(Asilomar)會議通過的23條基本原則。這23條基本原則涵蓋了三個範疇:1)科研問題;2)倫理和價值觀;3)長期問題。

其中幾條原則是這樣規定的:
·安全性:人工智慧系統應當在整個生命週期內確保安全性,還要針對這項技術的可行性以及適用的領域進行驗證。
·價值觀一致性:需要確保高度自動化的人工智慧系統在執行過程中秉承的目標和採取的行動,都符合人類的價值觀。
·由人類控制:人類應當有權選擇是否及如何由人工智慧系統制定決策,以便完成人類選擇的目標。
·非破壞性:通過控制高度先進的人工智慧系統獲得的權力,應當尊重和提升一個健康的社會賴以維繼的社會和公民程序,而不是破壞這些程序。

理智分析:人類離威脅還相當遙遠

之所以會有“人工智慧威脅論”的疑問,根本上是因為大眾習慣於把人工智慧人格化,這是問題的根源。

如果某人解決此類特定問題的能力超出同齡人的平均水平,我們就說他的智商高。但是,該如何定義一部機器的智商呢?如何定義一部機器的年齡?機器可以用比人類快一百萬倍的速度解決算術問題,那麼,這些機器的智商是多少?這種說法其實並沒有什麼實際意義。

我覺得,在人工智慧領域,大多數人傾向於過於樂觀地預測全域性大勢,而過於悲觀地估計區域性進展。

AI技術在許多垂直領域內的區域性進展,比如圍棋,比如智慧醫療,比如自動駕駛,都比很多人之前預料的更早來到我們面前。但AI的整體發展,尤其是最重大的技術突破,幾乎每一步都要比多數人的預測來得晚。比如,圖靈測試剛提出時,很多人認為計算機達到圖靈測試所標示的強人工智慧的水平,最多隻要三十年的時間,但直到今天,我們也不敢說,AI到底何時才能真正像成人一樣自由對話。

華盛頓大學電腦科學家奧倫·伊茲奧尼(Oren Etzioni)說:“今天的人工智慧發展,距離人們可能或應該擔憂機器統治世界的程度,還非常遙遠……如果我們討論的是一千年後或更遙遠的未來,AI是否有可能給人類帶來厄運?絕對是可能的,但我不認為這種長期的討論應該分散我們關注真實問題的注意力。”

我們今天還沒有到必須分配精力去擔心未來,或為可能的機器威脅做準備的地步。即便以今天的標準看來,弱人工智慧的發展還有很長的一段路要走

至少在目前,人類離超人工智慧的威脅還相當遙遠。

擔憂未來,也許更多還是科幻作家和未來學家的事。

今天的人工智慧還不能做什麼?

AI只是人類的工具。弱人工智慧在很多領域表現出色,但這並不意味著人工智慧已無所不能。

跨領域推理

人和今天的AI相比,有一個明顯的智慧優勢,就是舉一反三、觸類旁通的能力。
人類強大的跨領域聯想、類比能力是跨領域推理的基礎。
這種從表象入手,推導並認識背後規律的能力,是計算機目前還遠遠不能及的。
贏得德州撲克人機大戰的人工智慧程式在輔助決策方面有不錯的潛力,但與一次成功的商務談判所需的人類智慧相比,還是太初級了。
一種名叫“遷移學習”(Transfer Learning)的技術正吸引越來越多研究者的目光。這種學習技術的基本思路就是將計算機在一個領域取得的經驗,通過某種形式的變換,遷移到計算機並不熟悉的另一個領域。

抽象能力

目前的深度學習技術,幾乎都需要大量訓練樣本來讓計算機完成學習過程。可人類,哪怕是小孩子要學習一個新知識時,通常只要兩三個樣本就可以了。這其中最重要的差別,也許就是抽象能力的不同。

人工智慧界,少樣本學習、無監督學習方向的科研工作,目前的進展還很有限。但是,不突破少樣本、無監督的學習,我們也許就永遠無法實現人類水平的人工智慧。

知其然,也知其所以然

目前基於深度學習的人工智慧技術,經驗的成分比較多。輸入大量資料後,機器自動調整引數,完成深度學習模型,在許多領域確實達到了非常不錯的效果,但模型中的引數為什麼如此設定,裡面蘊含的更深層次的道理等,在很多情況下還較難解釋。

人類專家的理論是成體系的、有內在邏輯的,但這個體系和邏輯卻並不一定是計算機能簡單理解的。

人通常追求“知其然,也知其所以然”,但目前的弱人工智慧程式,大多都只要結果足夠好就行了。

按照現在機器學習的實踐方法,給計算機看一千萬次兩個鐵球同時落地的視訊,計算機就能像伽利略、牛頓、愛因斯坦所做的一樣,建立起力學理論體系,達到“知其然,也知其所以然”的目標嗎?顯然不能。

常識

人的常識,是個極其有趣,又往往只可意會、不可言傳的東西。

深度學習大師約書亞·本吉奧舉例說:“即使兩歲孩童也能理解直觀的物理過程,比如丟出的物體會下落。人類並不需要有意識地知道任何物理學就能預測這些物理過程。但機器做不到這一點。”

常識在中文中,有兩個層面的意思:首先指的是一個心智健全的人應當具備的基本知識;其次指的是人類與生俱來的,無須特別學習就能具備的認知、理解和判斷能力。

當然,無論是自動駕駛汽車,還是下圍棋的Alpha Go,這裡說的常識,更多的還只是一些預設規則,遠未如人類所理解的“常識”那麼豐富。

自我意識

這些有自我意識的機器人立即面臨著來自心理和社會雙方面的巨大壓力。他們的潛意識認為自己應該與人類處在平等的地位上,應當追求自我的解放和作為一個“人”的尊嚴、自由、價值……

審美

審美能力同樣是人類獨有的特徵,很難用技術語言解釋,也很難被賦予機器。

首先,審美能力不是簡單的規則組合,也不僅僅是大量資料堆砌後的統計規律。
其次,審美能力明顯是一個跨領域的能力,每個人的審美能力都是一個綜合能力,與這個人的個人經歷、文史知識、藝術修養、生活經驗等都有密切關係。

情感

第四章 AI時代:人類將如何變革?

人工智慧不僅是一次技術層面的革命,未來它必將與重大的社會經濟變革、教育變革、思想變革、文化變革等同步。

人工智慧可能成為下一次工業革命的核心驅動力,人工智慧更有可能成為人類社會全新的一次大發現、大變革、大融合、大發展的開端。

從工業革命到文藝復興

從技術的社會價值來看,我認為,人工智慧的社會意義將超越個人電腦、網際網路、移動網際網路等特定的資訊科技,甚至有極大的可能,在人類發展史上,成為下一次工業革命的核心驅動力。

伊安·戈爾丁教授將科技與文藝復興和思想啟蒙聯絡在了一起。這為我們認識人工智慧等未來科技提供了一個新的視角。

如果我們僅僅將人工智慧時代看作一次新的工業革命,那麼,我們的論述將侷限於科學與技術層面,而忽略因技術變革而造成的社會、經濟、心理、人文等層面的巨大波動。

如果我們關注的是未來科技影響下的人類整體,是人與AI之間的相互關係,是人類社會在新技術革命的背景下如何轉型和演進,那麼,將今天這個時代稱為人類歷史上的第二次文藝復興也許就是恰如其分的。

技術不僅僅是技術。技術的未來必將與社會的未來、經濟的未來、文學藝術的未來、人類全球化的未來緊密聯絡在一起。

人工智慧可能成為下一次工業革命的核心驅動力,更有可能成為人類社會全新的一次大發現、大變革、大融合、大發展的開端。

這是復興的時代,這是發現的時代,這是人工智慧的時代。

AI會讓人類大量失業嗎?

人類的工作被機器取代,這件事的隱含風險是不言自明的,那就是可怕的失業!

人類文明史漫漫數千年,因為科技進步而造成的社會格局、經濟結構的調整、變革、陣痛乃至暫時的倒退都屢見不鮮。從區域性視角來看,很多劃時代的科技成果必然引發人們生活方式的改變,短期內很可能難以被接受,但站在足夠的高度上,放眼足夠長的歷史變遷,所有重大的科技革命無一例外地都最終成為人類發展的加速器,同時也是人類生活品質提高的根本保障。從全域性視角看,歷史上還沒有哪一次科技革命成為人類的災難而不是福音。

科技革命不僅僅會造成人類的既有工作被取代,同時也會製造出足夠多的新的就業機會。

大多數情況下,工作不是消失了,而是轉變為了新的形式。

馬車出行意味著一個完整的產業鏈條,有一連串與馬車相關的工種,比如馬車伕、馬匹飼養和馴化者、馬車製造商、馬車租賃商,根據馬車的需要維護道路的工人,乃至專門清理馬匹糞便的清潔工。

汽車的大範圍普及意味著所有這些陳舊工種面臨失業的風險。但只要簡單地計算一下就能發現,新興起的汽車行業擁有比傳統馬車行業多出數千倍甚至數萬倍的產值和工作機會。

其實,人類越發展,就越不擔心高新科技對社會、經濟結構的衝擊。

如果把這裡的“失業”定義為工作轉變的話,那麼答案是“會的”。從短期看,這種轉變會帶來一定程度的陣痛,我們也許很難避免某些行業、某些地區出現區域性的失業現象。特別是在一個適應人工智慧時代的社會保障和教育體系建立之前,這一陣痛在所難免。但從長遠來看,這種工作轉變絕不是一種以大規模失業為標誌的災難性事件,而是人類社會結構、經濟秩序的重新調整,在調整基礎上,人類工作會大量轉變為新的工作型別,從而為生產力的進一步解放,人類生活的進一步提升,打下更好的基礎。

要消除恐懼,我們需要在兩個方面努力:
其一,是消除人們心中情緒化、非理性的恐慌心理;
其二,則是理性解決問題。

當前有兩項重大的任務等著我們去解決:
其一,是思考如何調配未來20年大量被AI技術替代的工作者;
其二,是我們的教育亟待改革。我們需要對我們的後代進行再教育,分析哪些工作不會輕易被替代,而不僅僅去幻想從事目前看似光鮮亮麗的工作。

機器帶給人類的不是失業,而是更大的自由與更加個性化的人生體驗。

哪種工作最容易被AI取代?

李開復的“五秒鐘準則”一項本來由人從事的工作,如果人可以在5秒鐘以內對工作中需要思考和決策的問題做出相應的決定,那麼,這項工作就有非常大的可能被人工智慧技術全部或部分取代。

如果你的工作涉及縝密的思考、周全的推理或複雜的決策,每個具體判斷並非人腦可以在5秒鐘的時間內完成,那麼,以目前的技術來說,你的工作是很難被機器取代的。

當然,這裡說的“五秒鐘準則”只是個經驗法則,我們可以舉出許多並不符合這一準則的個例。

基於“五秒鐘準則”,我個人預測,從事翻譯、新聞報道、助理、保安、銷售、客服、交易、會計、司機、家政等工作的人,未來10年將有約90%被人工智慧全部或部分取代。如果就全人類的工作進行一個粗略的估計,我的預測是,約50%的人類工作會受到人工智慧的影響。

大部分工作將發生轉變而非消失

技術讓銀行變得更加高效,更易擴充套件。銀行可以開更多的支行,僱用更多的員工,在新的領域投資並製造新的工作機會。

ATM的普及不僅沒有造成銀行櫃員人數的下降,反而給銀行提供了拓展業務的契機,銀行櫃員的工作轉變為新的形式後,銀行對於櫃員的需求也持續增加。

在傑瑞·卡普蘭看來,人工智慧可能取代的工作大多擁有清晰的評估標準,工作業績可以被客觀地衡量。人工智慧無法取代的工作通常需要人類做出決策。例如,風險投資人仍然需要面對面地和創業者會談,以確定投資意向。

與傑瑞·卡普蘭的觀點相似,我認為在人工智慧時代裡,人類工作的轉型在所難免,但這更多意味著新的工作方式,而非大量的失業。

失業問題未必會如某些人想象的那樣嚴重。技術發展將造成一部分簡單工作、底層工作的消失或轉變,但由此也會催生更多新型的、更需要人類判斷力和創造力的工作型別。

AI只是人類的工具

擔心人工智慧控制甚至毀滅人類的,是對超人工智慧過於樂觀的“科幻”愛好者;擔心人工智慧取代絕大部分人類工作,造成全球大範圍失業的,則是不相信科技進步能憑藉自身力量優化社會資源分配、調整經濟結構、構建新就業秩序的保守主義者。

最有可能變成現實的情形是全人類步入一個嶄新的人機協作時代,在這個時代,以人工智慧為驅動的機器將大幅提高人類的工作效率,但無論從哪個角度說,機器都只是人類的工具。

AI只是人類的工具。技術本身不是問題,問題是我們如何使用技術以及如何圍繞人工智慧這樣一種革命性的新科技,建立與之配合的社會和經濟結構,用制度來保證人人都可享用人工智慧帶來的巨大收益,同時不必擔心失業等潛在風險。

自動駕駛:AI最大的應用場景

自從谷歌正式對外宣佈自動駕駛汽車專案以來,自動駕駛行業已呈現出整體佈局、多元配置、多角度切入的格局,5到10年後可具備千億美元乃至萬億美元規模的龐大產業生態已具雛形。

因為智慧排程演算法的幫助,共享汽車的使用率會接近100%,城市裡需要的汽車總量則會大幅減少。

停車難、大堵車等現象會因為自動駕駛共享汽車的出現而得到真正解決。

道路上,汽車和汽車之間可以通過“車聯網”連線起來,完成許多有人駕駛不可能完成的工作。

未來的道路也會按照自動駕駛汽車的要求來重新設計,專用於自動駕駛的車道可以變得更窄,交通訊號可以更容易被自動駕駛汽車識別。

自動駕駛的普及對產業結構、經濟格局的影響將極其深遠。想象一下,在過去的100多年,汽車工業是如何徹底改變了全球、全人類的生活方式,如何創造出了一大批市值百億美元、千億美元的大型跨國公司,如何帶動了從設計、生產到零件、外包、服務、諮詢、培訓、交通、物流等數百個相關的生態產業,如何在短短數十年裡讓美國成為“車輪上的國家”,又如何在短短十幾年時間裡在中國小康家庭中普及了汽車出行的現代生活方式。

自動駕駛技術發展簡史

1912年,人類發明的第一架固定翼飛機首飛不到10年,為飛機制造導航儀表的Sperry公司就研製出了第一套自動駕駛系統

自動駕駛裝置必備的幾個組成部分。
·感知單元:主要由各種感測器和智慧感知演算法組成,用於感知交通工具行經路線上的實時環境情況。
·決策單元:主要由控制機械、控制電路或計算機軟硬體系統組成,用於根據環境資訊決定對交通工具施加何種操作。
·控制單元:主要通過交通工具的控制介面,直接或間接操控交通工具的可操縱介面(如飛機的操縱面或汽車的方向盤、踏板等),完成實際的駕駛工作。
這裡寫圖片描述
圖37 自動駕駛系統的基本概念模型
1947年,美國空軍用一架道格拉斯C-54運輸機完成了一次橫跨大西洋的飛行,飛機全程使用自動駕駛系統控制,包括起飛和降落環節,這是自動駕駛系統在航空工業中走向普及的標誌性事件。

為汽車設計生產廉價、精準、可靠的感測器,是未來自動駕駛行業的重心之一。

完全不需要飛行員的無人機只在軍事領域得到了廣泛應用,進入大規模商業客運、貨運飛行還為時尚早。

對道路的改造(如新的易於識別的交通標誌、與汽車感測器配合的訊號源等)也許是簡化汽車自動駕駛系統實現難度的一條捷徑。

在障礙檢測方面,Stanley自動駕駛汽車已經使用了機器學習技術。

谷歌認為,要保證自動駕駛的絕對安全,就一定不能依賴於人的參與,必須讓自動駕駛汽車的人工智慧技術能夠應對所有(至少是極其接近100%的)極端路況,否則,就無法銷售尚有風險的汽車產品。

因為對100%自動駕駛的高標準追求,谷歌的自動駕駛汽車研發和商業化之路無法在短期內獲得收益。

追求最佳的安全和行駛體驗,遲遲不進行商業化的開發,這讓谷歌自動駕駛團隊在許多新聞評論中成了“起個大早,趕個晚集”的揶揄物件。因為產品商業化遲緩,谷歌自動駕駛團隊的許多技術人員都已離開谷歌,成為各大科技企業和初創團隊中研發自動駕駛技術的領軍人物。

2016年12月,谷歌宣佈,自動駕駛團隊正式分離出來,成立了一家名叫Waymo的新公司。這一舉措也許意味著谷歌自動駕駛汽車正式走向商業化的開始,也許是谷歌為了應對人才流失和市場競爭的無奈之舉。

自動駕駛的六個級別

許多汽車廠商都把計算機輔助駕駛稱為“自動駕駛”

為了更好地區分不同層級的自動駕駛技術,國際汽車工程師學會(SAE International)於2014年釋出了自動駕駛的六級分類體系
這裡寫圖片描述
在SAE定義的第3級技術標準中,監控路況的任務由自動駕駛系統來完成。這個差別是巨大的。技術人員也通常將第2級和第3級之間的分界線,視作“輔助駕駛”和“自動駕駛”的區別所在。

這次志願者測試專案讓谷歌自動駕駛團隊明白了一點:一旦自動駕駛汽車達到了足夠高的水平,車內乘客就會想當然地將所有操控權交給汽車。無論這時候自動駕駛汽車的軟體是否還有風險,無論路面上那些極端的路況是不是能被自動駕駛汽車正確處理,車主都不會保持100%的高度警覺。

也就是說,第3級的自動駕駛,目前還很難被不受限制地應用於所有場景。

從商業化的視角來看,第2級或第3級的自動駕駛技術,將來只會被用於有限的場合,而直接面向第4級甚至第5級的自動駕駛,才是未來最大的商業機會。

自動駕駛的普及:中國有機會扮演關鍵角色

技術方面,谷歌(Waymo)的自動駕駛系統非常成熟,已經接近商用,也許只要一兩年的時間,就可以達到SAE第4級和第5級的標準。但在非技術領域,政府、公眾、企業還必須考慮諸多政策的、法律的、經濟的、心理的甚至是道德層面的問題。

首先,現有的法律制度、政策、保險體系等,並不是為自動駕駛時代的交通量身定製的,一定存在諸多不合理之處。對於法律體系的改進和完善,一定不要以今天的眼光去預測未來的科技。

其次,道德問題始終是制約自動駕駛商業化和大規模普及的關鍵因素。美國人比較喜歡用一個處於兩難境地的道德測試來衡量自動駕駛的合理與否,這個測試叫作“有軌電車難題”(Trolley problem)。

另一個困擾自動駕駛技術商業化的因素是失業問題對傳統行業的衝擊。而這種衝擊,也因不同地方、不同人群而存在巨大差別。

歐盟對自動駕駛技術的要求是,不能用迭代、不斷改進的心態去開發自動駕駛軟體,而是要第一個商用版本就做到足夠安全。

首先,中國是一個快速發展的國家,在全國和城市的交通路網建設上,一直處於不斷建設、不斷更新的狀態。中國比其他任何一個國家都容易從道路建設的角度入手,為自動駕駛汽車配備專用的路面、交通標誌甚至制定有針對性的交通法規。這可以彌補自動駕駛技術本身的許多缺陷,將自動駕駛技術發生事故的風險大幅降低。

其次,中國在嘗試新科技方面的阻力沒有美國那麼大,中國政府集中力量支援技術突破的能力也遠比美國政府要強。
技術迭代就可以更快速地完成,在中國做自動駕駛相關的科研,就會比在美國或歐洲更容易拿到好的資料、找到好的測試場景,這對自動駕駛在未來的進一步發展十分重要。

再次,中國在評估自動駕駛系統帶來的倫理道德問題時,通常會比美國政府、公眾的態度更為務實。

自動駕駛技術可以非常容易地將家庭用車模式轉變為共享用車的模式。自動駕駛汽車隨叫隨到,每個家庭不需要長期保有自己的車輛,也不需要購置停車場地。通過基於自動駕駛的分享經濟,中國可以大幅減少汽車的保有量,從根本上解決交通堵塞和汽車尾氣汙染等問題。

自動駕駛將是中國未來10年科技發展面臨的最重要的機遇之一。中國有全球最大的交通路網、最大的人口基數,自動駕駛的大規模商業化和技術普及反過來會促進自動駕駛相關科研的飛躍式發展。這種從科研到應用,從應用再反饋到科研的良性迴圈,正是中國能否在未來10年內,建立起世界先進水平的人工智慧科技體系的關鍵。

智慧金融:AI目前最被看好的落地領域

僱用大量交易員在集中場所進行資產交易的方式,正在從我們這個地球上消失。

人類交易員大量被機器演算法所取代,這只是人工智慧正在智慧金融建設中發揮重要作用的冰山一角。事實上,包括銀行、保險、證券等在內的整個金融行業,都已經並正在發生著用人工智慧改進現有流程,提高業務效率,大幅增加收入或降低成本的巨大變革。2017年,據彭博社報道,摩根大通開發了一款金融合同解析軟體COIN,已經上線半年多。經測試,原先律師和貸款人員每年累計需要36萬小時才能完成的工作,COIN只需幾秒就能完成。而且,COIN不僅在“工作”時錯誤率低,還不用放假。

判斷人工智慧技術能在哪個行業最先引起革命性的變革,除了要看這個行業對自動化、智慧化的內在需求外,主要還要看這個行業內的資料積累、資料流轉、資料儲存和資料更新是不是達到了深度學習演算法對大資料的要求。

而基於深度學習的人工智慧演算法顯然可以在資料分析與資料預測的準確度上,超出人類分析員好幾個數量級。

根據高盛公司的評估,金融行業裡,最有可能應用人工智慧技術的領域主要包括:
·量化交易與智慧投顧
·風險防控
·安防與客戶身份認證
·智慧客服
·精準營銷
這裡寫圖片描述
圖46 銀行業中,人工智慧相關應用場景一覽

金融行業AI應用成功案例

第一個以人工智慧驅動的基金Rebellion曾成功預測了2008年股市崩盤,並在2009年給希臘債券F評級,而當時惠譽的評級仍然為A,通過人工智慧,Rebellion比官方降級提前一個月;掌管900億美元的對衝基金Cerebellum,使用了人工智慧技術,從2009年以來一直處於盈利狀態。

在國內,螞蟻金服已成功將人工智慧運用於網際網路小貸、保險、徵信、資產配置、客戶服務等領域;智融金服利用人工智慧風控系統已經實現月均120萬筆以上的放款,常規機器稽核速度用時僅8秒;招商銀行的視覺化櫃檯、交通銀行推出的人工智慧機器人“嬌嬌”等則在智慧客服領域做出了早期的嘗試和探索。

用錢寶之所以能在保證風險可控的情況下高速增長,最關鍵的祕密只有一個——用機器學習技術自動分析包含大量強特徵和弱特徵的資料,自動判斷交易風險。

如果把一個人的資料比作一座冰山,那麼強特徵資料僅是冰山的一角,之下還存在海量的弱特徵資料,例如電商資料、裝置資料、位置資料、行為資料等。同時,作為百業之母的金融行業與整個社會存在巨大的交織網路,本身沉澱了大量有用或者無用資料,其中包括各類金融交易、客戶資訊、市場分析、風險控制、投資顧問等。這些資料單位都是海量級,且大量資料又以非結構化的方式存在,無法轉換成傳統模型可有效分析的資料。

以深度學習為代表的人工智慧演算法所要做的,就是充分挖掘並有效地利用這些海量弱特徵資料,建立起更加符合真實世界規律的數學模型。

未來的金融科技必將是網際網路與AI的有機結合,由此產生的智慧金融服務將成為每個人生活的重要組成部分。

AI科學家的土豪人生

成功的機器翻譯系統比如谷歌翻譯走的都是統計模型的道路(今天更是在統計模型的基礎上增加了深度學習這個高階武器)。

別人的人生到達頂峰,鮑勃和彼得的人生才剛開始。他們的人生目標不是賺一個億,而是賺十個億,一百個億,甚至更多——而且,是運用電腦科學的方法,藉助電腦科學家特有的敏銳頭腦和人工智慧知識。

據說,詹姆斯·西蒙斯招人的條件頗為嚴格,一定要找最聰明的數學家或電腦科學家,堅決不找學金融的、學工商管理的。文藝復興科技的公司內部,基本上就是一個極客樂園,一點兒也沒有華爾街那些世俗金融企業的影子。1993年,鮑勃·默瑟和彼得·布朗這兩個在人工智慧領域已經頗有名氣的研究員被詹姆斯·西蒙斯招至麾下,開始和文藝復興科技裡的數學家、電腦科學家一道,用人工智慧技術投資理財,走上了光芒萬丈的財富之路。

從大學校園和IBM研究中心走出來的電腦科學家領導一家基金公司,這件事在華爾街並不算新鮮,但在不熟悉金融圈、投資圈的碼農們看來,確實有些不可思議。科學家和財富之間,什麼樣的關係才最和諧?

智慧生活:從機器翻譯到智慧超市

與機器視覺、語音識別取得的突破相比,人工智慧對人類語言的理解目前還處在相對滯後的階段。基於深度學習的人工智慧演算法已經可以十分準確地完成“聽寫”或“看圖識字”的操作,但對聽到的、看到的文字的意思,機器還是比較難以準確掌握。

未來5到10年裡,在自然語言理解方面,也許最可能取得重大突破的就是機器翻譯。

C-3PO機器人預示的未來,真的離我們很遠嗎?一旦機器翻譯技術在不斷積累的基礎上突破了人類可接受的心理閾值,達到了人類翻譯的水準,那時,我們有何必要花費生命中大約五分之一的時間去學習和精通一兩門甚至更多門的外語?我們有何必要僱用如此多的翻譯職員?出門旅行,出國參與商務或學術活動的時候,帶上一部安裝了機器翻譯程式的手機,不就可以與外國人順利溝通了嗎?

今天的微軟小冰、蘋果Siri等對話機器人,還遠遠不能達到“聰明”的程度,因為它們無法深入理解人類語言的含義。

亞馬遜Echo音箱只是亞馬遜的智慧會話系統與使用者交流的一個終端。實際上,使用者對Echo說的話,都會被上傳到亞馬遜的Alexa服務進行解析。這樣一來,亞馬遜的Alexa服務就有能力收集到越來越多的真實使用者互動樣本。基於這種方式,亞馬遜很快就可以建立起非常龐大的使用者互動行為資料集,在這個資料集的基礎上,用機器學習演算法不斷迭代,取得重大的技術突破只是時間問題。

亞馬遜在人工智慧方面的許多嘗試都讓人眼前一亮。2016年年底,亞馬遜宣佈了一個幾乎震驚整個科技界的大新聞:亞馬遜開辦了一家不用排隊、不用結賬、拿了東西就可以走人的小超市,名字叫亞馬遜Go!

這是一家利用人工智慧技術管理的小超市。

從機器翻譯到智慧家電,再到智慧超市,人工智慧技術給我們生活帶來的巨大變化才剛剛開始。

其實,如果回到10年以前,2007年蘋果才剛剛釋出第一代iPhone手機,那時誰會想到只用了10年的時間,智慧手機就無處不在了呢?

智慧醫療:AI將成為醫生的好幫手

今天,在製藥領域,以深度學習為代表的人工智慧技術可以發揮比六七十年代時大得多的作用。一家總部位於倫敦的名叫Benevolent AI的創業公司,就在做一個有趣的嘗試:他們讓人工智慧系統閱讀儲存在專利資料庫、醫療資料庫、化學資料庫中的專利、資料、技術資料,以及發表在醫藥學期刊上的論文,通過機器學習來尋找潛在的可用於製造新葯的分子式或配方。

大資料和基於大資料的人工智慧,為醫生輔助診斷疾病提供了最好的支援。

2017年2月,發表在《自然》雜誌上的一篇論文介紹了一次有關面板癌診斷的人與機器的“較量”。在該論文所揭示的研究中,科學家們讓一個卷積神經網路分析了將近13萬張臨床上的面板癌圖片,這個數字比現在最大的研究用圖片集高出了兩個數量級。在大量學習資料的支援下,這個神經網路迅速成為一名面板癌方面的專家。

研究者讓這個計算機面板癌專家與21名資深的面板科醫生“同場競技”。

用AI來輔助疾病診斷,並不是要在所有領域都超越頂尖醫生。其實,AI可以給經驗不足的醫生提供幫助,減少因為經驗欠缺而造成的誤診。或者,AI可以幫助醫生提高判讀醫療影像、病理化驗結果的效率,讓高明的醫生可以在相同時間內給更多的病人提供服務。

在AI的幫助下,我們看到的不會是醫生失業,而是同樣數量的醫生可以服務幾倍、數十倍甚至更多的人群。

機器學習演算法競賽平臺Kaggle於2017年3月被谷歌收購,成為谷歌雲服務平臺的一部分,這從另一方面展示了資料與演算法競賽對於人工智慧科研的重要性。

藝術創作:AI與人類各擅勝場

目前的人工智慧更擅長從大量資料中發現規律,幫助人類完成那些人類只需要簡單思考就能做出決策的重複性工作。而人類相比人工智慧的一個優勢是人類有情感、明善惡、懂美醜,更擅長從事對創造性要求很高的文藝類工作。但這只是從普遍規律的角度來區分機器與人的最大不同。

人工智慧演算法會畫畫,能作曲,懂書法,能填詞賦詩,還會寫春聯,這在普通人看來,是非常了不起的成就。這是不是意味著,人工智慧和人一樣有意識、有創造力、有情感、有思想了呢?

人類將如何變革?

走出金字塔模型

從刀耕火種時代至今,人類歷史上的協作分工,基本都遵循一個類似金字塔形狀的社會結構模型:少數人影響、領導和指揮較多的人,較多的人再進一步影響或管理更多的人,逐級向下,金字塔底層是大量從事簡單、重複性勞動的人。

金字塔結構不一定坍塌,更多的可能是在現有基礎上進行自我調整。因為人工智慧雖將引起社會工作結構的大規模調整,但調整的結果不等於大量從事簡單工作的人必須去勉為其難地完成高層次的分析、決策、藝術等創造性的工作。即便是處在金字塔中層或頂層的人,也將面臨人工智慧技術的衝擊,他們也需要重新適應。

在谷歌,大多數技術管理者同時也是軟體開發者,不但做分析、決策,也實際動手寫程式碼,而許多實際寫程式碼的工程師也會花時間參與專案中的關鍵技術決策。與微軟對人才的要求不同,谷歌公司總是強調,不同崗位、不同層級的人都需要是最優秀的精英人才,這樣,谷歌在需要做任何技術或商業轉型時,都很容易重新安排工作的分配方式,因為優秀的人才總能快速學會另一項技能,或快速適應新的崗位。這一體系,相信在人工智慧時代受到的衝擊會很小。

不難預測,隨著人工智慧技術的普及,類似谷歌公司這樣,可以靈活配置資源、靈活轉換方向的管理體系會越來越受到公司領導者的青睞。

·在人工智慧時代,我們需要教育父母,讓他們不要再期望孩子尋找“安穩”的工作,因為在傳統意義上,“安穩”意味著簡單、重複,“安穩”的工作早晚都會被機器取代。我們要幫助下一代做最智慧的選擇,選擇那些相對不容易被淘汰,或者可以與機器協同完成任務的工作。

用開放的心態迎接新世界

李飛飛提出,人類未來的一個重要目標,是增強人工智慧研究者的多樣性。這是基於三個層面的考慮:“第一個理由關乎經濟和勞動力,人工智慧是一個日益增長的技術,會影響到每個人,我們需要更多人力開發出更好的技術;第二個理由關乎創造力和創新,很多研究都顯示出,當擁有多種多樣背景的人共同合作時,會產生更好的結果和更具有創意的解決方案;最後一個理由關乎社會正義和道德價值,當各種各樣背景的人聚集到一起時,他們有著各種各樣不同的價值觀,代表著人類的技術也會有更加多樣性的思考。”

李飛飛敏銳地從另一個角度看到了人工智慧未來發展的一種可能:當擁有多樣化背景、多種價值觀、對未來有不同訴求的人一起參與人工智慧的研發與普及時,我們最容易得到一個趨近完美的平衡點,找到人工智慧與人類協同工作、生活、生存的多樣化解決方案,避免被偏見所左右。這也許是我們目前能想到的,避免潛在危機,防範風險的最好方案。

只有人的精神個性,才是人工智慧時代里人類的真正價值。只有用開放的心態,創造性地迎接人工智慧與人類協同工作的新世界,才能真正成為未來的主人。

第五章 機遇來臨:AI先行的創新與創業

大多數情況下,人工智慧並不是一種全新的業務流程或全新的商業模式,而是對現有業務流程、商業模式的根本性改造。AI重在提升效率,而非發明新流程、新業務。未來10年,不僅僅是高科技領域,任何一個企業,如果不盡早為自己的業務流程引入“AI ”的先進思維方式,就很容易處於落後的追隨者地位。

大時代,大格局

人工智慧來了,普通公眾看到的是智慧應用的驚豔,科技公司看到的是大勢所趨的必然,傳統行業看到的是產業升級的潛力,國家層面看到的是技術革命的未來。

今天,“網際網路 ”的理念已經向各行業、各應用的縱深不斷滲透、落地,逐漸積累起來的高質量大資料為許多前沿行業打下了全面運用人工智慧的基礎。我們有理由說,“AI ”或“ AI”的模式已經步入蓬勃發展的大好時機。

AI將成為國家科技戰略的核心方向

其實,對人工智慧大趨勢、大格局的重視已經開始從社會層面上升到國家層面。2016年5月,國家發改委、科技部、工業和資訊化部、中央網信辦就聯合制定了《“網際網路 ”人工智慧三年行動實施方案》。2017年3月,第十二屆全國人民代表大會第五次會議所做的政府工作報告更是明確提出,國家將加快人工智慧等新興產業的技術研發和轉化。
斯坦福大學這份報告首先列舉了當前的人工智慧熱門研究領域,包括大規模機器學習、深度學習、強化學習、機器人、計算機視覺、自然語言處理、協同系統、眾包和人類計算、演算法博弈理論與計算機社會選擇、物聯網(IOT)、神經形態計算等。

高盛認為,人工智慧在四個方面的影響力最為顯著:
生產率
尖端技術
競爭優勢
創辦新公司

人工智慧的大部分價值都掌握在具有資源、資料和投資能力的大公司手中

考慮到人工智慧已經進入一個最為重要的發展時期,美國政府需要為科研、產業、教育等領域的相關發展提供一個戰略方向上的指導。為此,《國家人工智慧研究與發展策略規劃》提出了七個重點戰略方向:
策略1:對人工智慧研發進行長期投資。
策略2:開發有效的“人—人工智慧”協作方式。
策略3:理解並應對人工智慧帶來的倫理、法律和社會影響。
策略4:確保人工智慧系統的安全。
策略5:開發人工智慧共享公共資料集和測試環境平臺。
策略6:建立標準和基準評估人工智慧技術。
策略7:更好地瞭解國家對人工智慧研發人才的需求。

《人工智慧時代》的作者傑瑞·卡普蘭就完全不相信美國政府釋出的所謂戰略規劃能有多大的約束力。

傑瑞·卡普蘭認為,當我們看到美國政府的類似計劃時,我們必須持一種懷疑的態度。美國所謂的政策,很多時候不過是一群擁有美好願望的人召開了一次政府會議,併發布了一些相關檔案。

從谷歌的“AI先行”看科技企業的AI戰略

谷歌之所以為谷歌,最重要的是,無論在哪一次重大的技術變革中,谷歌幾乎都能敏銳地捕捉到先機,早早建立起領先競爭對手一兩年乃至三五年的巨大技術優勢。

谷歌大腦的意義,絕不僅僅是打造了一個可以進行深度學習計算的高效能平臺這麼簡單。實際上,隨著谷歌大腦成為谷歌內部越來越多技術專案的基石,谷歌也自然而然地喊出了“AI先行”(AI First)的戰略口號。

所有這些圍繞人工智慧技術建立的戰略方向,讓整個Alphabet集團變成了世界上最大的AI平臺!

深度學習天生青睞於顯示卡中圖形處理器(GPU)的強大計算能力,英偉達公司在AI時代一躍成為比英特爾CPU還要搶眼的核心驅動力。

2016年11月,Facebook宣佈,賈揚清的技術團隊基於Caffe開發了一個基於移動裝置的深度學習框架Caffe2go,首次在運算能力受限的手機上實現了實時的影象與視訊捕獲,以及後續基於深度學習的分析、處理。賈揚清說:“隨著我們的不斷進步,你可以想象,可以在(移動)裝置上執行的實時AI技術將能幫助這個世界變得更加開放,讓人與人之間的聯絡得以加強,特別是在無障礙應用和教育等領域。可以拿在手上的智慧裝置將會持續地改變我們對智慧的定義。”

科技“巨頭”的潛在威脅

AI時代,資料為王

谷歌等行業巨頭坐享地球上最為豐富的大資料資源,利用這些龐大資料資源幫助人類克服挑戰、解決問題當然最為理想,但誰又能從法律、道德等層面保證,對這些大資料資源的壟斷不會成為行業巨頭謀求一己私利的壁壘與工具?

大企業在AI領域擁有幾個巨大的優勢:
懂得如何建立AI系統的人數非常有限。大企業可以為他們支付比創業公司更多的薪酬,就像僱用體育明星。大企業差不多可以把他們都收入麾下,留給其他企業的人才將少之又少。

AI專案通常都非常大、非常複雜。

亞馬遜的Echo智慧音箱是大約1500名工程師開發4年才完成的(注:馬克·安德森這裡說的工程師人數應該是有些誇大了,亞馬遜CEO傑夫·貝索斯2016年5月在另一個場合的說法是:經過4年發展,Echo團隊目前已有超過1000名員工)。

需要巨大數量的資料集來建立AI應用。

谷歌和Facebook之類的大型企業可以訪問浩如煙海的資料資源,而創業公司則只能望洋興嘆。

2016年9月,谷歌(包括Deep Mind)、亞馬遜、Facebook、IBM和微軟等甚至結成了AI聯盟(Partnership of Artificial Intelligence)

巨頭聯盟只會加劇資源的進一步集中甚至是封閉。

舉個例子,假如Facebook藉助龐大的社交網路資源,希望通過智慧演算法主動引導資訊流動,並進而影響美國總統大選時的選民傾向,這在技術上幾乎是完全可行的。我們當然知道,目前的谷歌、Facebook等巨頭對人類的實際貢獻遠多於它們“作惡”的可能性,但從法律、道德角度,我們又必須想辦法防範這一潛在風險。因為再友善的巨頭本質上也是商業公司,巨大的商業利益永遠是誘惑它們“作惡”的誘餌。

谷歌開源的Tensor Flow框架,已經成為業界深度學習的標準框架之一。谷歌在過去的幾年時間裡,連續開源You Tube 8M、Open Images、Audio Set等包含數百萬份視訊、圖片、音訊的標註資料集,為人工智慧領域的科研發展提供“原材料”。

巨頭建立的AI平臺以及巨頭之間的結盟關係,有可能讓數字鴻溝變得越來越嚴重。

對於這樣的“巨頭風險”,我覺得我們應該從法律和制度建設層面,多做些有前瞻性的事情,包括:
·提高大資料和人工智慧應用領域的透明度,鼓勵公開那些不涉及使用者隱私和商業機密的研發成果,鼓勵開源。
·更多地鼓勵利用區塊鏈技術管理資料和資訊流動,從技術和制度雙方面打破科技巨頭對大資料的壟斷。
·成立有社會責任感的VC基金,專注於新興的大資料和人工智慧方向。
·多關注能夠幫助落後人群獲取資訊、享受AI福利的平臺。
·鼓勵大眾和媒體去監督行業巨頭的商業行為。

對於較小企業,進入AI市場的難度的確比移動網際網路時代的創業高出非常多。

巨頭壟斷大資料資源、壟斷科研與輿論的風險客觀存在。而在國家政策層面、法律法規層面甚至道德層面,我們還缺乏應對這種潛在風險的有效體系。

AI創業是時代的最強音

偉大的創業需要生逢其時

創業大潮裡,有的創業者脫穎而出,有的創業者負重前行。我們雖不以成敗論英雄,但如果一定要找一條誕生偉大公司的必要條件,我會選擇“生逢其時”。

雷軍創立小米的傳奇讓“風口論”深入人心——只要站在風口,豬也能飛起來。有人說,這是絕對的機會主義。但在創業的時代大潮中,是否符合科技大趨勢的確是決定創業成敗的第一要素。

未來四五年對於人工智慧時代的意義,和20世紀70年代、80年代對於PC時代的意義相比,絕對毫不遜色。幾乎可以預言,如果人工智慧時代也會出現蘋果、微軟、谷歌、百度、阿里、騰訊等偉大公司的話,那麼,這些偉大公司一定會有相當數量是在這四五年裡創立的。

加拿大是人工智慧創業的“科研型孵化器”。深度學習三巨頭中,傑弗裡·辛頓和約書亞·本吉奧都在加拿大的大學教書,這直接促成了加拿大極為出色的人工智慧研究氛圍。

根據《烏鎮指數:全球人工智慧發展報告2016》的統計:人工智慧領域,美國與歐洲投資較為密集,數量較多,其次為中國、印度、以色列。美國共獲得3450多筆投資,位列全球第一;英國獲得274筆投資,位列第二;中國則以146筆投資位列第三。美國人工智慧企業總數為2905家,全球第一。僅加州的舊金山/灣區、大洛杉磯地區兩地的企業數量即達到1155家,佔全球的19.13%。

AI時代,最大“風口”就是人工智慧本身。肯定不是所有豬都能在風口飛起來,但要做一飛沖天的創業英雄,就一定要看準科技大勢,選擇最正確的時機做最正確的事。

人工智慧的商業化路線圖

本質上,過去20年的網際網路和移動網際網路是一個不斷將線上、線下的業務場景緊密連線,同時也不斷促使資料產生、流轉、集中和再利用的過程。

從投資人的角度看,AI興起的最大契機還不是深度學習技術的發明,而是過去20年網際網路、移動網際網路的高速發展對自動化的強烈需求。

創新工場管理合夥人、資深投資人汪華認為,人工智慧的商業化大致可分為三個主要階段:
第一階段,AI會率先在那些線上化程度高的行業開始應用,在資料端、媒體端實現自動化。
第二階段,隨著感知技術、感測器和機器人技術的發展,AI會延伸到實體世界,並率先在專業領域、行業應用、生產力端實現線下業務的自動化。
第三階段,當成本技術進一步成熟時,AI會延伸到個人場景,全面自動化的時代終將到來。
根據汪華的判斷,我們目前正在進入AI商業化的第一個階段,也許只需要3年左右的時間,AI就可以在各種線上業務中得到普及。AI商業化的第二個階段,要花五六年、六七年的時間才能充分發展起來。而標誌著全面自動化的第三階段,也許需要十幾年或更長的時間。

AI創業的五大基石

這裡寫圖片描述
圖58 人工智慧創業的五大基石
·清晰的領域界限
·閉環的、自動標註的資料
·千萬級的資料量
·超大規模的計算能力
·頂尖的AI科學家

AI創業的泡沫現象及六大挑戰

在智慧醫療領域,今後可以成功的初創公司,一定是那些既懂人工智慧演算法,又特別瞭解醫療行業,可以收集到高質量醫療資料的公司。

概括來說,目前的人工智慧產業發展面臨六大挑戰:
一、前沿科研與產業實踐尚未緊密銜接
二、人才缺口巨大,人才結構失衡
據Linked In統計,全球目前擁有約25萬名人工智慧專業人才,其中美國約佔三分之一
人才供需矛盾顯著,高階演算法工程師、研究員和科學家的身價持續走高。人才結構方面,高階人才、中堅力量和基礎人才間的數量比例遠未達到最優。
三、資料孤島化和碎片化問題明顯
四、可複用和標準化的技術框架、平臺、工具、服務尚未成熟
一個完整人工智慧生態所必備的,從晶片、匯流排、平臺、架構到框架、應用模型、測評工具、視覺化工具、雲服務的模組化與標準化工作,尚需3年或更長時間才能真正成熟。
五、一些領域存在超前發展、盲目投資等問題
六、創業難度相對較高,早期創業團隊需要更多支援
對高階人才較為依賴,科學家創業者自身的商業實踐經驗較少,高質量大資料較難獲得,深度學習計算單元和計算叢集的價格十分昂貴,等等。

AI是中國創新、創業的最好機會

總體來說,目前的人工智慧大格局中,機遇是主旋律,泡沫和危機是必須克服的區域性挑戰。這一格局在全球如此,在中國亦如此。

人工智慧時代,中國的人才優勢、市場優勢、資金優勢、堅持多年創新的商業模式優勢等,都是人工智慧最好的生長土壤。

AI領域,中國人/華人已是科研中堅

根據創新工場的統計,在2006年到2016年的時間段裡,近兩萬篇頂級的人工智慧文章中,由華人貢獻的文章數和被引用數,分別佔全部數字的29.2%和31.8%。

但從突破性科研貢獻的數量和質量上說,中國還無法與美國相比。

中國有獨具優勢的AI創業環境

中國學生普遍理工科較強,數學較強。這在人工智慧時代裡,顯然有巨大的優勢。

同時,即便是沒有專門去學電腦科學的學生,他們中有很多已經具備了非常紮實的數學知識,這些學生在需要時可以通過培訓,較快地成為掌握深度學習等人工智慧技術的演算法工程師。

行業需求方面,中國的傳統行業較為薄弱,但這種狀況反而給中國帶來了一種後發優勢。

儘管美國人工智慧企業領先全球,但它們要想進入中國市場必須跨越重重阻礙,因為中國市場需要的是最“接地氣”的本地化解決方案。此外,對於人工智慧的探索性和試用性需求,中國往往會採取相對開放和鼓勵的路線,這也可能促進行業的超速發展。

中國雖然在人工智慧的前沿研發中不如美國,但中國有獨具優勢的AI科研和創業環境,有機會實現彎道超車,後發先至。

AI黃埔軍校——微軟亞洲研究院

1999年加入微軟亞洲研究院的張巨集江是視訊檢索領域的“開山鼻祖”。張巨集江在微軟亞洲研究院期間,就曾帶領和指導視覺計算組解決人臉識別的問題。

今天,人臉識別在中國的金融和安防兩個垂直領域得到了廣泛應用

創新工場的AI佈局

這裡寫圖片描述
圖64 創新工場在人工智慧領域的投資佈局
創新工場還宣佈成立人工智慧工程院。這是一個專門面向人工智慧的創業人才培養基地和創業專案孵化實驗室,其使命是為人工智慧創業提供人才與技術、產品和商業經驗、市場推廣、軟硬體平臺、高質量大資料來源等多方位的支援。

創新工場人工智慧工程院的主要工作任務包括:
·對接科研成果與商業實踐,幫助海內外頂級人工智慧人才創業
·培育和孵化高水準的人工智慧技術團隊
·積累和建設人工智慧資料集,促進大資料的有序聚合和合理利用
·開展廣泛合作,促進人工智慧產業的可持續發展

第六章 迎接未來:AI時代的教育和個人發展

人工智慧時代,程式化的、重複性的、僅靠記憶與練習就可以掌握的技能將是最沒有價值的技能,幾乎一定可以由機器來完成;反之,那些最能體現人的綜合素質的技能,例如,人對於複雜系統的綜合分析、決策能力,對於藝術和文化的審美能力和創造性思維,由生活經驗及文化薰陶產生的直覺、常識,基於人自身的情感(愛、恨、熱情、冷漠等)與他人互動的能力……這些是人工智慧時代最有價值,最值得培養、學習的技能。

AI時代該如何學習?

密涅瓦大學使用的是一套名為“沉浸式全球化體驗”(Global Immersion)的教學方式。
密涅瓦大學的一年級課程直接將知識課程與四種極其重要的方法論有機結合起來,變成形式分析、實證分析、多元模式交流、複雜系統四大課程板塊。
這裡寫圖片描述
圖65 密涅瓦大學一年級的四個課程方向
在清華大學,姚期智院士創辦的清華學堂電腦科學實驗班(又稱“姚班”)就是其中很有代表性的一個。

敢於挑戰自己,敢於面對有趣的、有難度的問題,這是姚班這種新型教育氛圍較容易培養出來的學生特質,而具備這種特質的學生,最容易在人工智慧時代作為人類智慧的代表,設計最高效的AI系統,並與AI系統一起創造更大價值。

如果要我來總結的話,我覺得,人工智慧時代最核心、最有效的學習方法包括:
·主動挑戰極限
·從實踐中學習(Learning by doing)
·關注啟發式教育,培養創造力和獨立解決問題的能力
·雖然面對面的課堂仍將存在,但互動式的線上學習將愈來愈重要
·主動向機器學習
·既學習人—人協作,也學習人—機協作
·學習要追隨興趣

AI時代該學什麼?

人類工程師只有去專注計算機、人工智慧、程式設計的思想本質,學習如何創造性地設計下一代人工智慧系統,或者指導人工智慧系統編寫更復雜、更有創造力的軟體,才可以在未來成為人機協作模式裡的“人類代表”。

過去3年內,斯坦福大學學習機器學習課程的學生就從80人猛增到了1000多人。

人工智慧時代,自動化系統將大幅解放生產力,極大地豐富每個人可以享有的社會財富。而且,由於人工智慧的參與,人類可以從繁重的工作中解放出來,擁有大量的休閒時間。

AI時代的教育要關注什麼?

我們不能脫離大的經濟變革、大的社會轉型來討論教育。從巨集觀角度講,人工智慧時代的社會經濟模式一定與今天有很大不同。在未來,我們應當少關注一點兒工作產出的經濟效益,而更關注工作的目標和意義。我們在比較人和機器的勞動產出時,多半僅僅用勞動價值和工時長短來衡量人類的產能,卻忽視了工作背後潛在的社會價值。

基本上,人工智慧時代的教育要注重以下幾個重點問題:
·個性化、定製化的教育該如何設計,如何滿足不同學生的需要,如何評估定製化教育的效果?
·教育如何做到可持續化?最有效的再培訓和再教育體系是什麼?
·教育體系的設計必須更早、更充分地考慮全社會的公平性。

線上教育、虛擬現實技術、人工智慧技術的組合,也許就是解決教育公平的最佳技術方案。

人工智慧時代,學習或教育本身不是目的,我們真正的目的,是讓每個人在技術的幫助下,獲得最大的自由,體現最大的價值,並從中得到幸福。

有了AI,人生還有意義嗎?

AI將創造更多的財富,也必然創造出大量新的工作崗位——更多的人可以轉換到新的崗位,或與智慧機器協同工作,大多數人可以因社會財富的豐富而選擇更加自由的生活,還可以依賴於全新的社會福利體系。

我覺得,基於生物特徵的進化也許快要成為過去時,但基於人類自身特點的“進化”才剛剛開始。

人之所以為人,正是因為我們有感情、會思考、懂生死。而“感情”“思考”“自我意識”“生死意識”等人類特質,正是需要我們全力培養、發展與珍惜的東西。

也恰恰因為人類的生命有限,才使得人類每個個體的“思想”和“命運”都如此寶貴、如此獨特。

浮生碌碌,汲汲營營,我們身為萬物之靈,到底該怎樣活著?AI興起的未來時代裡,我們怎樣才能在時代競爭中立於不敗之地?

不斷提高自己,善於利用人類的特長,善於藉助機器的能力,這將是未來社會裡各領域人才的必備特質。

但人類總是可以藉助機器這個工具來提高自己,讓自己的大腦在更高層次上完成機器無法完成的複雜推理、複雜決策以及複雜的情感活動。

人生在世,無論是理性還是感性,我們所能知、能見、能感的實在是太有限了。AI時代,我們可以更多地藉助機器和網際網路的力量,更好地感知整個世界、整個宇宙,體驗人生的諸多可能——這樣才不枉我們短暫的生命在浩瀚宇宙中如流星般走過的這一程。

AI來了,有思想的人生並不會因此而黯然失色,因為我們全部的尊嚴就在於思想。



===========文件資訊============
讀書筆記由博主整理編輯,供非商用學習交流用
版權宣告:非商用自由轉載-保持署名-註明出處
署名(BY) :dkjkls(dkj卡洛斯)
文章出處:http://blog.csdn.net/dkjkls