怎能停止学习
每天进步多一点

谁将成为AI领域下个BAT?科技巨头、创企“现身说法”,比比谁机会更大

人工智能,可以说是近年来最热门词。无论大、小公司,都摩拳擦掌准备在新世界大门真正打开前抢占先机布局,赢得巨头愈强,创企有成为下个BAT的门票。

今日(11月16日),在凤凰科技峰会上,一场有意思的对话在巨头与创企中开展,主题是有关谁将成为AI领域的下个BAT?大公司代表有英特尔中国研究院院长宋继强、高德汽车事业部总裁韦东和 vivo软件研发总经理周围,创企代表包括三角兽创始人兼CEO王卓然、商汤科技联合创始人杨帆、地平线联合创始人黄畅,三家都算是目前人工智能领域的明星企业,比如商汤昨天(15日)刚获高通战略投资,地平线10月拿到英特尔近亿美元A+轮融资。

谁将成长为BAT级别的公司?

“现阶段,技术突破并非核心,落地场景,找到真正接触最终用户的你的点,再围绕这点去打造技术。”黄畅如是说,他认为当前更看好vivo这样的公司。

虽说vivo是手机厂商,难说专门把人工智能技术的进展单独拿出来说,但实际在手机的背后,确实有些利用新科技达成的优化。据周围介绍,vivo在AI方面的布局有三方面,首先是智能判断消费者使用场景,借助各种接口等,把手机系统的能力快速提供给消费者;其次,把消费者痛点和需求排序,拍照位居首位,加入人工智能算法,把逆光拍摄的照片做得非常清晰;再者,有关手机省电和续航方面,比如利用人工智能技术能达到省电20%以上。他表示,今年vivo软件工程师团队超15%都从事人工智能相关开发。

如此看来,黄畅所看好的方向是AI这门技术能落实到具体应用场景里去,vivo就是实际的案例。

杨帆所持的观点与黄畅类似。他认为空有技术并没用,需要把技术、行业、场景结合,创造价值,拥有客户和场景很重要。

综合两位创企代表的观点,他们好像更倾向大公司着力AI赢得概率更高,大公司已具备用户基础,实际场景或更丰富,或有深厚积累。

在宋继强眼里,能否成长为像BAT级别的公司,与公司业务、行业属性相关。他表示看好高德(不过高德已被阿里全资收购)。他提到三项判断条件,首先公司做得是平台,而非具体应用,如具体技术提供商;第二点,是能接触到最终的消费者;第三是所面对的未来市场成长性很高,如无人驾驶,当数据源源不断进来,公司还得有能力去处理和增值。

大公司 VS 小公司,谁在AI领域的机会更大?

既然当前,无论大小公司代表似乎都更倾向大企业去拓展AI取得成功的结局,那么小公司就没机会了吗?

其实不然。

宋继强觉得大小公司机会都多。他提到,大公司固然率先占平台优势、渠道优势及资金优势,能出手收购许多资产、整合资源,这点小公司没法匹敌。但同时大公司也存在问题,比如对具体行业的需求无法快速适应,没那么灵活。这恰好是小公司优势所在,尽可能面面俱到支持客户。

尽管创企最初无法像大公司一样设定大目标和平台型方案,宋继强认为小企业还是有突破口能突出重围。他指出,创企应该瞄准AI领域一些具体应用痛点,做一些垂直整合,服务好客户。慢慢站稳脚跟,把企业做大。

韦东的观点稍类似宋继强,但他给小公司破局添加了限定条件,即颠覆现有领域及产业。他认为,目前已在路上或行进方向很明确的领域,大公司机会更多。小公司需要找到局部或者更细分的领域颠覆,才有机会。

周围则把AI划分为四个相关因素:计算、人才、算法和数据。他觉得大公司和小公司各自有不同的机会,在计算、算法、数据方面大公司机会可能更多;小公司也能带来计算领域的变革。人力资源领域,大小公司都有机会。

作为创企的代表黄畅和杨帆赞成大公司代表者的观点,他们所持有的观点自然是小公司是有机会的。他们两位的发言谈到了两点,其一是罗马非一日建成。20年前,现在的大公司那时很多是小公司,而如今人工智能技术能与所有领域结合,这里存在很多机会;其二,技术求突破,落地找场景。黄畅讲到地平线选择的两个重点:芯片,嵌入式人工智能芯片——包括大公司在内没有公司做得足够好;智能驾驶,他认为这是未来获取重大变革很有前途的场景,且基于此场景,有做通用人工智能机器人的机会。

都用AI来讲故事,可实际它是泡沫吗?

无论是各巨头喊出各种All in AI、AI first的口号,还是众多新创企业轮番获资本青睐融得巨资,资本和公司们的热闹与人工智能实际应用有限,甚至智商还未及6岁小孩的骨感现实,让人疑思,人工智能是否又重演当年几次泡沫兴起到破碎的过程。

对此,杨帆直言,人工智能泡沫很大,但这正说明其背后有真金。他以20年前互联网类比,泡沫后的互联网彻底变更了每个人的生活。未来十年,人工智能的背后具有很多产业机会,无论大小公司都要考虑到自己的定位,去寻找最优价值。

韦东也提到20年的互联网泡沫。在他看来,那时候并不是说不需要互联网,而是条件不具备,当时处理器很差,网络普及率很低。现在所有人都有手机,终端、处理能力还很好。目前,人工智能在大数据、算法和计算能力方面已有基础,未来还得突破物理能力和硬件方面的门槛,包括处理器、传输带宽、云计算、存储能力各方面,人工智能便能逐渐普及和发展。

深度学习之父阐述研究了40年的“旧想法”,或重塑AI技术

11月2日消息,据连线杂志报道,现在围绕人工智能(AI)的炒作越来越多,如果你想因此指责某个人,69岁的Google研究员杰夫·辛顿(Geoff Hinton)可能是个很好的候选人。因为就是这个人,一步步把“深度学习”从边缘课题变成Google等网络巨头仰赖的核心技术!

深度学习之父阐述研究了40年的“旧想法”,或重塑AI技术作为多伦多大学教授,Geoffrey Hinton于2012年10月将AI领域的发展推向了新的轨道。在两名研究生的帮助下,Hinton展示了一种不太流行的技术——人工神经网络。Hinton已经在这个领域研究积累了数十年,人工神经网络使得机器能够理解图像的能力有了巨大飞跃。

如今,人工神经网络已经可以转录我们的演讲、识别我们的宠物,并帮助我们与“网络巨魔”作斗争。但Hinton现在却对这种他帮助推出的技术发起挑战,他说:“我认为我们研究计算机视觉的方式是错误的。虽然它现在比其他任何东西都管用,但这并不意味着它是正确的。”

Hinton现在分享了他的另一个“旧想法”,这可能会改变电脑“观看”的方式,并重塑AI。计算机视觉非常重要,对于无人驾驶汽车或充当医生的软件来说更是如此。上周,Hinton发表了两篇研究论文,阐述了他已经研究了近40年的一个想法。他说:“在很长一段时间里,这对我来说都是一种直觉感觉,只是效果不太好。现在,我们终于取得了进展。”

Hinton的新方法被称为“胶囊网络”(capsule networks),它是神经网络的变体,目的是让机器更好地通过图像或视频来了解世界。Hinton在第一篇论文中称,Capsule网络的准确性可与此前标准测试中的最好成绩相媲美,即软件学会如何识别手写数字。在第二种情况下,Capsule网络几乎将之前最好测试的错误率降低了一半,这种测试挑战软件从不同角度识别卡车和汽车等玩具的难度。Hinton始终在与谷歌派驻在多伦多的两名同事共同研究他的新技术。

Capsule网络旨在弥补当今机器学习系统的缺陷,这些缺陷限制了它们的有效性。谷歌和其他公司今天使用的图像识别软件需要大量的示例照片来学习,包括如何在各种情况下可靠地识别对象。这是因为该软件并不擅长将其对新场景知识进行泛化,例如从新的视角观看相同的对象时,准确地将其识别出来。举例来说,教电脑从多个角度识别一只猫,可能需要成千上万张不同角度的照片。而人类孩童不需要如此明确和广泛的训练,就可以学会识别一只家养宠物。

Hinton的想法是缩小最好AI系统和普通幼儿之间的认知鸿沟,以便在计算机视觉软件中建立更多的知识。Capsule(少量粗糙的虚拟神经元)被设计用来追踪物体的不同部位,比如猫的鼻子和耳朵,以及它们在空间中的相对位置。由许多Capsule组成的网络可以利用这种方式来加强理解,明白从不同视角看到的物品依然是此前相同的对象。

Hinton已经形成了他的“直觉”,他在1979年认为视觉系统需要这样一种内在的几何意义,当时他试图弄清楚人类是如何使用心理意象的。Hinton在2011年首次提出了Capsule网络的初步设计,并于上周公布了更全面的设计,这是该领域研究人员长期以来所期待的。纽约大学图像识别教授Kyunghyun Cho表示:“每个人都在等待它,并期待着杰夫的下一个伟大飞跃。”

现在就说Hinton取得了“大跃进”还为时过早,他自己也知道这一点。这位经验丰富的AI专家的直觉已经得到了证据支持,他解释说Capsule网络仍然需要大量图像支持,并且当前的系统与现有图像识别软件相比速度更慢。但Hinton非常乐观,他自信可以解决这些缺点。该领域的其他人也对他的长期成熟想法抱有很大希望。

图像识别初创公司Twenty Billion Neurons联合创始人、蒙特利尔大学教授罗兰·梅尼塞维奇(Roland Memisevic)说,与当前系统相比,Hinton的基本设计应该能够从数据中提取出更多信息。如果能够在更大范围证明这一点,那将会对医疗保健等领域有所帮助。在这些领域,用于培训AI系统的图像数据远比互联网上的自拍照更少。

从某些方面来说,Capsule网络与AI研究最近的趋势有所不同。最近对神经网络成功的一种解释是,人类应该把尽可能少的知识编码到AI软件中,然后让它们自己从头开始计算。纽约大学心理学教授加里·马库斯(Gary Marcus)去年曾向叫车服务公司Uber出售了一家AI初创公司,他说,Hinton的最新研究代表了一种新的可能。马库斯认为,AI研究人员应该做更多的事情来模拟大脑的内在机制,来学习像视觉和语言这样的关键技能。他说:“现在还不知道这个特定的架构会走多远,但看着Hinton打破这个领域的惯例,感觉非常棒!”

人工智能就是高阶版的自动化?这篇文章告诉你二者的本质区别

在现实生活中,自动化和人工智能经常被人们不加区别的混用。我们想到这两个词,往往会形容能帮助我们提高效率的机器人和其他工具:无论是制造汽车的工业机器人,还是室内的烟雾传感器,都在帮助我们生活更便捷。但事实上,人工智能和自动化之间还是有非常大区别的。

就像苹果和橘子、DVD和录像机以及电影2001中的HAL和星球大战中主人公用的电脑一样,很多时候我们都会混淆人工智能和自动化的关系。虽然自动化设备也是可以基于人工智能而建立的,但并不代表着它们是相同的概念。

为了言简意赅,我们将很多复杂地解释二者的概念和关系浓缩为:

自动化是遵循着预先设置好的编程规则的软件;而人工智能则是设计用来模拟人类的思考和行为。

听起来远不于此?的确,大多数人都不太了解其中的具体含义。研究发现,大约1/4的Siri用户都不知道自己的语音助手是基于AI研发的,而对于其他app来说知道这些应用后面是AI驱动的用户比例就更少了。这一现象说明公众对于AI 的理解以及应用还亟待加强。

自动化

今天的社会中,自动化系统无处不在。他们帮助人们处理数以亿万计的电子邮件收发、帮助你通过手机app打开家中的电视、空调和暖气、并帮助你管理日程协调并安排工作。

所有这些自动化都有一个明确的特征:让机器代替人类重复单调的重复性劳动,解放人类的时间用于更重要的事情上去。使得社会变得更有效率、降低商业成本同时提高工作的生产力。

听起来和AI很像啊?不是吗?

其实自动化机器和人工智能间最关键最大的不同在于:自动化机器是由人类预先设置好的手工配置来驱动和行动的。很多时候只是为了说出来比较好听而已,其实你做的只是把自动化流程嵌入到了你的工作流程中。在自动化的范畴下,如果达到了X条件,执行Y。我们预先在系统中定义了在X条件下Y的执行方式。

如果老板能雇佣一位绝对服从、从不生病请假、每一次都会完美完成工作的员工会怎么样呢?这是几乎所有的行业都像自动化张开怀抱的原因!如今的世界上,各行各业都离不开自动化的身影。

说到底,自动化本质上是一些足够聪明可以准确高效执行命令的机器和系统(软硬件)。

人工智能

你是否想过机器人终有一天将会摧毁人类(至少电影里是这么讲的)。这是人们眼中AI的一种存在,很显然,他们会为自己考虑。AI其实可以用下面的定义来描述:一种可以模仿人类思考、语言、行为的技术!

如果将AI 理解成仅仅只会执行任务的程序那就太狭隘了,这并不是AI的任务。AI真正需要做的是像人类一样去探寻事物背后的模式,像人类一样从经验中学习,并像人类一样根据情况选择合适的响应来做出反应。

德勤的报告指出,AI从机器学习开始,给了计算机一种不需要精密的程序就可以高效学习的能力,并将智能自动化引入了商业世界的各个方面:

只需要将信用卡的交易记录例如时间、商户、地点、价格以及交易的合法性呈现给机器,机器学习系统就能发掘其中的模式并预测出其中的欺诈交易。随着交易数据的增加,系统的预测性能就越好,帮助系统防范于未然!

我们需要做的不是简单的复制出一个和你我一样的系统,而是需要创造出一个强大的超出你想象的智能系统。

但在我们对AI系统妄加想像之前你需要明白AI虽然强大但是也有一系列缺点。它不仅仅受到学习率的影响,同时也没有特殊的程序来为它的学习负责(check)。让我们回想一下微软的AI聊天机器在24小时内被Twitter的内容教坏,变成了一个种族主义者的故事吧!

自动化和AI之间的真正区别

让我们思考一下是什么同时在驱动着自动化系统和AI,同时也驱动着商业活动呢?数据!对,最重要的是数据。自动化系统负责收集数据,同时AI系统负责理解数据!

ServiceNow的一项研究表明利润增长超过20%的公司中平均有61%都实现了自动化,而盈亏平衡或者亏损的公司中只有35%装配了自动化。虽然影响公司运营的情况很多,但与自动化的结合能带来生产力的提升、商业效应的提升,并使得员工更加专注的集中在公司扩展的业务上。但一切归根到底还是数据,自动化机器对于数据的重要性不言而喻。

通过数据的收集和理解,公司可以做出更好的商业决策。如今,数据的收集和处理方式已经从本质上改变了我们商业经营的模式,麦肯锡的报告做出了更加强有力的说明:

喷涌而出的数据驱动模型、数据处理和理解能力正在重塑着很多行业并将继续变革更多的行业。数据驱动的手段将会为市场提供全新的机会,具有以下这些特点的市场将能在数据驱动的帮助下实现爆发性增长:

  • 供需之间的匹配低效;
  • 普遍的利用不充分;
  • 依赖于大量人口统计数据的行业,但如今用户行为以及触手可及;
  • 存在人类偏见和误差的丰富数据环境。

这是我们看待自动化和人工智能的核心区别:自动化收集数据;而人工智能系统则负责理解数据。我们所面临的是两个完全不同但是完美互补的系统。

想象一下未来的我们将会变得多么强大,无论是作为个体、行业还是整个人类,都可以通过自动化机器来收集巨量的数据并通过智能系统感知信息和模式。在他们的帮助下,我们的未来将会远远超出我们的想象!

而这一切,才刚刚开始。

人工智能商业化还要多久?

一直以来,人工智能都是人们关注的焦点。伴随AlphaGo先后两次战胜围棋界冠军李世石、柯洁二人,人工智能便进入到“暖春”阶段。现阶段,在人工智能领域,百度、谷歌、苹果、微软、Facebook、IBM、英特尔等国内外互联网巨头纷纷加注资金,对应用更为广泛的人工智能产品进行开发。

伴随数据的增多以及硬件算力(大量高性能硬件组成的计算能力,如GPU)的提升,语音识别、自动驾驶、深度学习等人工智能技术正逐步从实验室走向应用化和产业化。然而,技术壁垒逐渐消除之后,人工智能再次面临着另外一个难题——商业模式的探索。

近日,国务院印发了我国第一份人工智能发展规划——《新一代人工智能发展规划》。《规划》对人工智能的发展进行了战略性部署,确立了“三步走”的目标。《规划》指出,到2030年,我国人工智能理论、技术与应用总体达到世界领先水平,成为世界主要人工智能创新中心。

此前,在第十六届中国互联网大会上,工业和信息化部部长苗圩曾表示,新兴科技产业应加强关键核心技术的攻关突破,加快人工智能、虚拟现实等技术的研发和商用。

由此可见,以人工智能为首的新兴科技,正在逐渐成为国家发展扶持的对象。而对于人工智能如何实现商业场景的应用?如何使人工智能成为我国经济发展的又一驱动力?日益成为越来越多工商企业界甚至是政府所关注的焦点。

  一、人工智能的近忧——商业价值没有得到充分的验证

日前,麦肯锡发布的一份报告显示,2016全年,全球企业在人工智能领域投资约300亿美元,与2013年相比,多出3倍。然而,投资的90%用于研发,10%用于收购,大部分人工智能投资者尚未拿到投资回报。足以见得,人工智能的商业价值并未充分体现。

  1、技术驱动人工智能热潮再袭

无论是语音识别还是图像识别,亦或是AlphaGo的出现,现阶段的人工智能确实取得了飞速发展,实质上这是技术驱动的结果,并不是商业驱动,甚至谈不上人工智能商业化。为什么说是技术驱动?

首先是大数据时代的到来。数据极大的增多,是人工智能再一次赚足人眼球的重要原因。究其根本,数据的增多得益于互联网的发展;再者就是整个硬件算力(大量高性能硬件组成的计算能力,如GPU)层面的提升。伴随GPU、TPU等硬件的不断更新,计算能力得到了大大地提升;最后就是深度学习广泛运用于人工智能。在80年代,人们就开始提及深度学习。然而,在当时的条件,没有充足的数据以及高效的算力支撑,深度学习根本无法开展,因此,深度学习并不能完全作用于人工智能。从目前来看,人工智能只是单纯地实现了技术的驱动。

  2、人工智能尚未充分满足客户需求

从客户需求角度来讲,实际上,人工智能并没有完全的、充分的满足客户需求。现阶段,用户在感知和交互方面的需求极为强烈,但是目前人工智能在这两方面的发展并不能满足用户需求。例如:在语音交互方面,用户要想实现语音唤醒,操作起来还是比较困难的。而且,人工智能并没有解决在远距离上实现语音识别功能的问题。

而且,从目前的几个典型应用场景来看,诸如:机器翻译、语音助手以及身份识别,并没有满足用户需求。实际的客户需求并没有得到完全的、充分的满足,这也就意味着人工智能技术本身没有得到商业认可。

  3、新的商业模式没有出现

实际上,人工智能并没有带来新的商业模式,主要体现在两个方面:

一方面是指现有的人工智能技术是一种优化,主要是在业务层面的优化。换句话讲,一旦失去人工智能这种技术,公司不会受到任何影响,公司的业务还能继续进行运作,企业的商业模式也不会遭受威胁。从目前整个商业层面来看,至今没有出现因为离开了人工智能,企业的商业模式受到极大挑战的案例。

另外一个层面是说,人工智能团队在企业里面仅仅是起到技术支撑的作用,算得上是技术部门,而不是独立的业务部门。这一点也就说明了由于人工智能而单独存在的商业模式并没有出现。

  4、人工智能技术应用领域狭窄

据统计,目前覆盖全球的62个国家的近千家人工智能公司,人工智能应用场景仅仅包含语音识别、手势控制、虚拟私人助手、语音翻译、智能机器人和智能汽车等十余个产业。由此可见,整个人工智能的应用领域还是比较狭窄、狭隘的。

就目前应用领域来讲,人工智能广泛应用于机器翻译、智能控制、专家系统、机器人学、语言和图像理解、遗传编程机器人工厂、自动程序设计、航天应用、庞大的信息处理、储存与管理、执行化合生命体无法执行的或复杂或规模庞大的任务等方面。比如,人脸识别技术现在开始逐步应用,并且主要运用在安防领域。当然,我们也看到了人工智能在医疗、教育、娱乐等方面的做了一些尝试,但其开发的广度和深度还是有待拓展的。

而在大量的线下实体行业中,人工智能技术并没有得到充分的应用。因为在这些行业里面,数据往往都是很少量的,没有大量的用户行为数据。没有大量数据的支撑,就很难实现人工智能技术层面的应用。然而,没有应用场景支持的人工智能终究还是空中楼阁。

三角兽科技创始人兼COO马宇驰表示,人工智能技术只有真正落地,有商业场景应用才具有生命力。

当然,人工智能的商业化不是一蹴而就的,它的实现是需要一个过程的,需要企业把人工智能真正地应用到商业环境里面去。人工智能可以通过技术支撑不断发展,拓展更多的应用场景,应用到更多的产业领域,而多样化的应用场景、广大的市场需求又反过来驱动支撑技术,从而带动整个人工智能行业的可持续发展。

  二、人工智能怎样才能真正落地?

百分点集团董事长苏萌认为,目前人工智能领域的火爆,与3年前大数据火爆场景似乎同出一辙。他表示,尽管现在在人工智能领域的创业团队越来越多,但真正能找到并实现商业模式的团队并不多。目前应该深刻思考的一个问题是:人工智能如何能真正的落地。在苏萌看来,能真正实现人工智能落地的领域只有行业人工智能和商业人工智能。

百分点集团技术副总裁兼首席架构师刘译璟认为,人工智能本身是一个非常综合的领域,它与哲学、数学、物理学、信息学、心理学和生命科学等学科都存在着密切关系。如果人工智能要实现自身发展,支撑其发展的底层理论同样也要得到更新。除了在理论层面进行更新外,刘译璟强调在技术层面要建立集中式建模+微建模的建模模型,实现云计算与边缘计算的紧密结合。

在刘译璟看来,目前在计算能力方面,量子计算将给人工智能带来新的飞跃。一方面,量子算法可以极大的提高机器学习的效率,另一方面,量子物理理论阐述:人的意识与量子计算之间有很大的关联的。正是基于量子理论与意识之间微妙的关系,量子计算有可能会为人工智能带来“意识”。现阶段,像IBM、Google、微软这样的巨头公司早已经开始布局量子计算领域。

针对大量的线下实体行业往往不具备海量数据,刘译璟给出自己的看法,通过建立实用的知识图谱解决机器学习面临的冷启动问题。解决冷启动这一问题是利用人们在该领域中已有的经验和知识,将这些知识“告知”计算机,并让它利用这些知识解决问题。刘译璟认为,建设一个实用的知识图谱,首先需要清晰准确地梳理已有的知识,然后用实体、属性、关系等方式对知识进行描述。一旦将知识图谱建立起来,将不仅为单个企业,还将为整个行业、乃至整个世界带来极大的价值。目前,像Google、微软这样的巨头已经在纷纷建设自己的知识图谱。

可以预料到,人工智能的进一步发展一定会依赖于各行各业知识图谱的建设,否则人工智能终将停留在实验室而无法深入到真实业务中。

然而,IBM大中华区副总裁郭继军曾经表示,并不是每个领域都要实现人工智能商业化,首先要找到适合运用人工智能的领域。人工智能的商业应用势必会在传统的线下行业得到运用,甚至是更加聚焦的垂直行业里面。但是,在这些行业里面,数据往往都是很少量的,没有大量的LG数据以及用户行为数据。通过人工智能,在行业领域内,形成一套新的、完整的知识体系,从而帮助这些企业进行决策。

在郭继军看来,找到合适的领域之后,最为重要一点便是解决如何提高数据挖掘能力的难题。大数据是企业能否实现人工智能的关键性因素。在深度学习之前,可能因为算力的原因,没有办法理解和洞察企业的非结构化数据,但是基于深度学习的人工智能现在具备这样的能力。所以对于现阶段的人工智能来讲,不是惧怕数据太多,而是怕没有数据可进行分析。

  三、究竟我国的人工智能商业化还要多久?

在此前发布的《中美两国人工智能产业发展全面解读》报告中似乎能找到答案,报告指出,虽然目前中国AI企业增势并不明朗,但根据行业发展周期来计算,中国人工智能产业将会在2018年回暖,新增公司数量会上扬到30家以上,预期融资累计量将会达到900-1000亿人民币。

日前,《新一代人工智能发展规划的通知》的颁发,确立了“三步走”目标:到2020年人工智能总体技术和应用与世界先进水平同步;到2025年人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平;到2030年人工智能理论、技术与应用总体达到世界领先水平,成为世界主要人工智能创新中心。《规划》从国家层面对人工智能进行系统布局,部署构筑我国人工智能发展的先发优势。

这样看来,到2025年,人工智能的部分应用领域将实现商业化运作,到2030年,人工智能的总体应用将实现更为广泛的商用。由此看来,人工智能商业化已经处于阵痛期,人工智能的商业化运作,产业化运营已经离我们不远了。

关于人工智能的真相

1. 人工智能,就是用机器去完成人类智慧才能完成的任务。它有三个基础支撑:算法、计算能力和数据。算法和计算能力都越来越通用,数据是唯一的门槛。因为机器像孩子学习一样,需要海量数据的训练,才能具备智能。

2. 巨大的用户数据,正是中国的优势。未来中国在人工智能领域大有可为。

3. 这一轮“人工智能”的爆发,得益于“深度学习”算法的突破。所谓深度学习,就是用数学方法模拟人脑神经网络。机器会在海量训练后,具备自主判断的能力。

4. 人工智能有很多条路,“深度学习”只是其中一条。它是已知算法里表现最好的,所以在当下最火。

5. 人工智能有两种应用形态:一种是弱人工智能,即只擅长单个领域,比如只会下围棋的AlphaGo;另一种是强人工智能,即各方面都很强。现阶段,弱人工智能比人强,强人工智能比人弱,且非常不成熟。

6. 虽然“人工智能”话题很热,但全球基础设施已经搭建完毕。投资的风口,已经结束。即将到来的,是各个领域应用爆发的时代。

7. 无人驾驶,将会是人工智能领域第一个大规模应用。从今年开始,越来越多的汽车将会具备人工智能的辅助驾驶能力。

8. 在不久的将来,智能家居将成为现实——你可以通过语音对话,操控互联的所有设备。行业+人工智能,会成为一大趋势。

9. 凡是说人工智能马上要超越人类的,都是不懂认知科学。当前人工智能只是在某些方面比人强,想要全面超越人脑,还差得远。

10. 人工智能会对现有秩序带来巨大冲击。但面对它的威胁,最好的方式不是排斥,而是培养“机器智商”,同机器协作。

11. 在可见的未来,有三种能力人工智能并不具备:创新能力、连接能力和领导能力。应对正在到来的“智能时代”,你可以从这篇清单和培养这三种能力做起。

冰川智能 更专业 更方便

在路上资源分享