開篇

即將過去的2016,，可能是過去幾十年里邊，人工智能這個詞炒的最熱的一年,。最近幾年在技術(shù)上的各種進展,，都沒有一場圍棋比賽讓普通人對人工智能的影響如此的深刻。

下圖為deep learning這個關(guān)鍵詞在Google中的搜索熱度趨勢,，一年多時間的增長趨勢一定程度反映了公眾的關(guān)注度,。

在技術(shù)圈之外,，全球的的各種機構(gòu)紛紛開始關(guān)注技術(shù)本身的發(fā)展,，技術(shù)對商業(yè)和社會領(lǐng)域產(chǎn)生的影響。例如白宮在今年6月發(fā)出了一個針對人工智能的“征求意見稿”,，并且在匯集了大量反饋之后在10月發(fā)表了一份白皮書：Preparing for the Future of Artificial Intelligence ,。

高盛(Goldman Sachs)，作為金融行業(yè)的巨無霸,，也在11月發(fā)表了題為“AI, Machine Learning and Data Fuel the Future of Productivity”的一期行業(yè)研究報告,，這份報告近期開始在朋友圈里流傳。

我其實一直希望把我所理解的人工智能給大家介紹,，但是一來文筆生疏,，二來擔心功力視野不夠，這么一個龐大的話題怕是把握不住,。

這次讀到高盛的報告,，覺得是一個好的契機，在督促自己閱讀和思考的同時，把這些年的經(jīng)驗和體會一并記錄下來,，供大家參考,。而且更加促使我做這件事情的原因是，我發(fā)現(xiàn)不少公眾號搶先翻譯了這份報告的目錄和小部分章節(jié)并發(fā)表出來,，然后斷章取義的拋出了一些抓眼球的觀點,。一份長達99頁的報告，其中的信息量是遠遠大于那些一分鐘快餐式的公眾號文章的,。我們應(yīng)該以一種更嚴肅和認真的態(tài)度,，來理解和認識這場正在進行中的技術(shù)浪潮。

今天這一篇,，作為開篇,，我想先講一講這份報告的封面：

“科學(xué)技術(shù)是第一生產(chǎn)力”

我在朋友圈分享過這個封面,，其中的摘要文字,，是經(jīng)典、精煉和異常準確的,。核心就三句話：

1) 'we examine how advances in machine learning and deep learning have combined with more powerful computing and an ever-expanding pool of data to bring AI within reach for companies across industries.'

這里邊點出了讓AI變得不那么遙不可及的幾個要素,，1)算法：machine learning & deep learning;2)計算能力;3)龐大且同時在增長的數(shù)據(jù)。

我曾經(jīng)也在不同場合特別強調(diào)了促進AI進步的就是這三大要素,。而且我個人看法,，一個AI的從業(yè)人員，必須要同時具備這三方面的能力,，一個AI公司也是有同樣的標準,。所以對于隨便一家什么公司都聲稱自己是AI公司，我始終持保留意見,。大部分這樣的公司,，僅僅是觸及了其中一個方面，頂多應(yīng)該自稱“AI相關(guān)公司”,。

從投資者的視角來看,，哪怕投資“AI相關(guān)公司”，其實是一個不錯的選擇,，但是要非常清楚的認識到它在領(lǐng)域內(nèi)的定位和長短,。比如過去幾年內(nèi)股價成倍增長的NVIDIA，是提供計算能力的公司,。在算法上,，他可以通過智力儲備來提升，但是不會成為突出的競爭力,，數(shù)據(jù)方面亦然,。

2) '...AI-as-a-service has the potential to open new markets and disrupt the playing field in cloud computing...'

最近我跟人開玩笑說,，云計算喊了很多年，結(jié)果大數(shù)據(jù)火了;大數(shù)據(jù)喊了這幾年,，結(jié)果AI火了,。從需求總量上講：云計算>大數(shù)據(jù)>AI。從關(guān)鍵核心業(yè)務(wù)帶來價值的可能貢獻上講：AI>大數(shù)據(jù)>云計算,。從解決問題的難度上講也是后后面這個順序,。

云計算這個基礎(chǔ)架構(gòu)的用法在不斷的發(fā)生變化，例如AWS推出的大量GPU服務(wù)器,，以及集成深度學(xué)習(xí)框架MxNet的流程,，例如微軟開放的Machine Learning Studio，例如阿里在人工智能上的大力投入,，哦,，對了，Salesforce今年收購了一家提供在線機器學(xué)習(xí)API的公司,。這些,，都反映了巨頭們對未來用戶需求的預(yù)判。

3) '...ability to leverage AI will become a defining attribute of competitive advantage for companies in coming years and will usher in a resurgence in productivity'

剛才提到的客戶需求,，其本質(zhì)是AI可能對用戶核心業(yè)務(wù)產(chǎn)生的貢獻,，我這句話講的很空。但是高盛用一個詞形象的表達了這一點,，這也是出現(xiàn)在標題中的詞：productivity。

AI技術(shù)并不是魔術(shù),，它只是一個工具或者一種技術(shù)手段,，它可能幫助提升生產(chǎn)力/生產(chǎn)效率。在這個數(shù)字化和數(shù)據(jù)化的時代,，各行各業(yè)的生產(chǎn)力都有可能被AI技術(shù)所提升,。是否具備這樣的工具，可能類似于一列火車是燒煤還是用電,，一名會計用算盤還是用計算器... 因此不論哪個行業(yè)都如此關(guān)心AI技術(shù)也就不難理解了,。

究竟什么是人工智能

進入高盛這份研報的正題之前，我們先看一條很有意思的twitter：

這條twitter非常到位的反應(yīng)了企業(yè)級用戶對于人工智能技術(shù)的期望,、實際的應(yīng)用問題、技術(shù)能力三者之間的矛盾,。甚至有多篇文章引用了這個說法,，來印證人工智能的泡沫。

人工智能到底對企業(yè)有哪些作用,，到底有沒有泡沫,，并不是一個很容易回答的問題,，我們需要先從人工智能是什么開始說起，高盛的報告中有兩處解釋：

1) AI is the science and engineering of making intelligent machines and computer programs capable of learning and problem solving in ways that normally require human intelligence.

2) Artificial intelligence describes a science of simulating intelligent behavior in computers. It entails enabling computers to exhibit human-like behavioral traits including knowledge, reasoning, common sense,learning, and decision making

我個人更喜歡第二種說法：人工智能是一種用計算機來模擬/模仿智能行為的技術(shù),。

參考Wikipedia的解釋,，人工智能涵蓋的內(nèi)容非常的廣泛，包括邏輯推理,、問題分析解答,、知識和常識的構(gòu)建、語言能力,、規(guī)劃控制,、學(xué)習(xí)能力、感知社交,、運動,、創(chuàng)造力、認知和情緒等等,。

普通大眾心目中的人工智能是“強人工智能”,，也就是近乎復(fù)現(xiàn)人的智慧，而事實上技術(shù)能夠達到的,，暫時還是其中一小部分,。

我特別喜歡用機器智能這個詞，來形容目前人工智能的水平,。

插播一段回憶：N年前某研究院的實習(xí)生筆試題目,，某師兄出題問對人工智能的看法，我當時寫了,，不用非要去逼近人的智能,，要讓機器做機器擅長的事情...

我最近幾個月反復(fù)對外講的一頁PPT忠實的繼承了當年的思路：

機器最擅長的事情是什么呢?一是存儲,，二是計算,。所以但凡要死記硬背的東西，機器可以比人強,。

死記硬背不是不好,，人的學(xué)習(xí)也是從死記硬背開始的，以我養(yǎng)了兩個孩子的經(jīng)驗,，非常確信這件事情,。可是光拼記憶力是不行的,，成績好的小孩,，除了必須要記性好，還要“聰明”,。

從下面這幅圖,，你看到的是什么,，是一堆毫無關(guān)系的點，還是一條直線?這里的點,，就是數(shù)據(jù),，而直線，則是模型,。一個模型可以簡化數(shù)據(jù)的存儲和計算,。

給定數(shù)據(jù)，推算出模型,，并且把模型應(yīng)用到實際的問題中,，bingo，線性回歸就是一個最簡單的“人工智能”應(yīng)用了(回應(yīng)篇頭的那條twitter),。

數(shù)據(jù)是客觀問題的量化表示，很明顯,，上圖中這么簡單清晰的數(shù)據(jù)排列,，是極少出現(xiàn)的，通常遇到的問題是這樣：

或者這樣：

遇到這些復(fù)雜情況的時候，就需要用到更為復(fù)雜的模型來刻畫數(shù)據(jù),、刻畫問題,，而這已經(jīng)是機器學(xué)習(xí)技術(shù)的雛形了。

Machine learning is a branch of artificial intelligence and entails enabling computers to learn from data without

being explicitly programmed.

Deep learning is a type of machine learning which entails

training a hierarchy of “deep layers” of large neural

networks, with each layer solving different aspects of a

problem, allowing the system to solve more complex

problems.

之所以我極力推薦高盛這篇報道作為科普材料,，是因為他把很多概念解釋的很清楚,，不像如今相當多的人把稍微相關(guān)的技術(shù)都忽悠成人工智能。比較準確的說,，機器學(xué)習(xí)是人工智能的一個子領(lǐng)域，而深度學(xué)習(xí)是機器學(xué)習(xí)的一種實現(xiàn)方式,。

看到這里，你會不會有一點失望,，技術(shù)上可實現(xiàn)的人工智能并不如想象那般激動人心?事實上,，恰恰因為最近十幾年間工業(yè)界和學(xué)術(shù)界把更多的精力集中在數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域，做了大量務(wù)實甚至工程化的工作,，才帶來了多個領(lǐng)域的應(yīng)用突破,。而大家越來越相信，深度學(xué)習(xí)是讓機器最有可能接近甚至超過人的某些方面智能的路徑,。

決勝人工智能的三大要素

人工智能的軍備競賽已經(jīng)如火如荼的展開了,，各大巨頭到底在爭搶什么,，先來者如何保持優(yōu)勢，后來者如何追趕?

高盛報告中強調(diào)了人工智能在近年得到飛速發(fā)展的幾個原因是：數(shù)據(jù),、計算力和算法。翻譯過來,，如果要在人工智能領(lǐng)域獲取一席之地,，需要具備如下的條件：

已經(jīng)擁有數(shù)據(jù)或者具備獲取數(shù)據(jù)的能力;

持有/使用計算資源;

善于設(shè)計和優(yōu)化算法的人才;

人才

21世紀最貴的是什么?是人才。

毫無疑問,，人才的重要性是第一位的,。

人工智能技術(shù)門檻不低，真正理解核掌握AI技術(shù)的人,，無不是經(jīng)歷了長時間的學(xué)習(xí)和磨練,。和計算機領(lǐng)域其他方向的博士專業(yè)類似，人才培養(yǎng)需要一個周期,，并不是簡單的上兩門在線課程做一些習(xí)題就能出師,。在突然變旺的需求下，人才變得異常緊缺,。這個方向上無論是剛畢業(yè)的博士,，或是有資歷的專家，獲得的薪酬都遠遠大于他們的同學(xué)或者同事,。

最近聽到一些信息和八卦之后,，我產(chǎn)生了這樣的自相矛盾的疑慮：

這些大公司給AI資深專家的薪酬水平與AI創(chuàng)業(yè)公司首輪融資額度相當了，那么AI的泡沫到底是存在還是不存在呢?

關(guān)于人才荒,，高盛的報告中這樣講道：

AI talent is in high enough demand that “acquihires” are still a common means to acquire necessary talent.

報告中整理了近年來的人工智能相關(guān)收購,，其中不少的收購都是為了人才。

數(shù)據(jù)

數(shù)據(jù),，在AI時代為什么這么重要，是因為大量的數(shù)據(jù)才能防止過模型的過學(xué)習(xí)(此處術(shù)語比較專業(yè)),，才能獲得好的效果,。

Data is the key input for AI. Deep learning effectiveness in particular is linked to larger datasets, as larger data sets prevent models from becoming over-fitted.

其實數(shù)據(jù)一直都非常重要，但是過去能被研究者利用的數(shù)據(jù)實在太少了,。

在近十年傳感器技術(shù)普及加上互聯(lián)網(wǎng)盛行的環(huán)境下，數(shù)據(jù)的產(chǎn)生和流通的速度都大大加快了,。以人臉檢測為例：

Tomas Poggio在1995年發(fā)表的文章Finding Human Faces with a Gaussian Distribution based Face Model,，用到了4150張人臉數(shù)據(jù)，Paul Viola 在2001年的經(jīng)典論文Rapid Object Detection using a Boosted Cascade of Simple Features 也僅僅用到4916張人臉,。

而Facebook在2014年發(fā)表的DeepFace用到了幾百萬量級的人臉做訓(xùn)練,，Google在2015年發(fā)表的FaceNet,，據(jù)稱用到了上億的人臉樣本。

充足的數(shù)據(jù)配合了大容量(capacity,，之后找機會詳解)的模型的模型,，在語音識別、圖像識別,、文本理解,、翻譯等各個領(lǐng)域都產(chǎn)生了突破性的進展。

而近年來也涌現(xiàn)了各類專業(yè)的數(shù)據(jù)抓取公司,，數(shù)據(jù)交易公司,，這就是淘金潮里邊，賣水的一批人了,。

關(guān)于數(shù)據(jù),，還有一個有意思的話題，仿佛機器學(xué)習(xí)需要大量的數(shù)據(jù),，而人的學(xué)習(xí)似乎只用少量的數(shù)據(jù)?我會在晚些時候準備一篇文章,，探討這個問題。

計算資源

關(guān)于計算資源這個話題,，貼一個NVIDIA的股價走勢圖吧,。雖說最近有機構(gòu)分析認為股價有20%的泡沫，但是相比漲幅而言,，算不了什么,。BTW，NV最新的顯卡TITAN X依舊在限購中,。

所有提供云服務(wù)的公司，Google,，Amazon,，Microsoft，甚至阿里巴巴,，在努力的通過提供軟件框架,、產(chǎn)品來讓自己的計算資源變的AI friendly。

另外一些廠商,，例如比特大陸、深鑒科技,，以及地平線,，在做深度學(xué)習(xí)相關(guān)的芯片。這些廠商的努力重點在于降低計算的成本,。

無論是產(chǎn)生更高性價比的計算資源,，還是更好的利用現(xiàn)有的資源,，都是非常有價值的事情。

作者簡介：

陳嘉,，現(xiàn)為聯(lián)想創(chuàng)投集團香港大數(shù)據(jù)研發(fā)中心負責人,。具有十多年機器學(xué)習(xí)、模式識別的研究和工程經(jīng)驗,。

本科畢業(yè)于清華大學(xué)自動化系,，在香港科技大學(xué)計算機系獲得博士學(xué)位。

曾聯(lián)合創(chuàng)立一家模式識別技術(shù)公司,，后在百度移動廣告部門擔任資深算法工程師,，在華為諾亞方舟實驗室擔任研究員。

發(fā)表多篇學(xué)術(shù)論文,，持有多項美國專利,。