人工智能將重塑億萬級別的領域

　　人工智能會重塑很多億萬級別的領域。當然這個不是明天就會發(fā)生，因為今天我們在很多相關方面仍存在相當大的欠缺。

　　比如，在我們的計算架構上面，現(xiàn)在還是需要時間去做算法的改進提升，需要去研究如何部署云端架構，另外深度學習用時仍太長，這些還都是需要探索的內容，而且并沒有一個標準化的答案。

　　另外，算法框架也非常重要。我們可以看到有一些重要技術的推進，實際上是因為有了開源或者API或者標準的出現(xiàn)，但現(xiàn)在仍有很多方面還沒有出現(xiàn)相關標準。當然我們知道Google的TensorFlow等提供了一些開源的方法，但是其實他們還沒有真正的平臺化，比如你把TensorFlow丟給一個沒學過機器學習的人，哪怕是清華大學頂尖的計算機系學生，他也很難用其創(chuàng)造價值。如果清華的學生都不能，那它的普及性就有問題了。

　　為什么iOS、安卓能夠做的很好，就是因為它產生了平臺化效應，使得很多人能夠比較容易的介入。然后我們可以看到像Hadoop這樣七八年前很多人覺得很高深的東西現(xiàn)在也慢慢變得平臺化了。今天，如何使得整個機器學習的體系平臺化，以便于讓更多的非專業(yè)人士能夠使用，這個是目前面臨的一個很大的瓶頸，需要一定的發(fā)展時間才能得以突破。

　　在一些領域中，很多技術性問題可以在兩三年內得到解決，但是還有很多問題并非如此簡單，比如說語義。我們說語音識別是相對簡單的：音進來，字出去，這個非常明確，一個API就可以調動。但是音進來，確定是何種情境的語義出去就很難。這些我覺得兩三年遠遠還不夠，還需要更多的時間去理解。

　　傳感器一定程度來說是價格的問題、如何普及的問題?，F(xiàn)在我們看到Google Car雖然做的很牛，但是正如馭勢科技的吳甘沙說的，Google Car實際商業(yè)化的一個巨大瓶頸就是價位的問題：傳感器實在太貴了。因此要把這件事做下來就是一個雞和蛋的問題——降低價格就需要量，但量怎么起來？價格不下去量也起不來。要解決這個問題也需要一定的時間。

　　最后還有很多機械方面的問題。控制機械運動的算法，硬件運動后給出的回饋等等在機械部門也還需要一些開發(fā)。

　　整體來說，雖然我認為機器學習、深度學習在突破人類的精確度方面已經做的非常好，但是以上幾個領域還是需要一些時間才能取得突破。但是這一天肯定是會來臨的，我們怎么知道會來臨呢？

　　Google的野心

　　我們知道，不久前Google重新組織了公司架構，將搜索業(yè)務和其他前沿項目子公司都放進了控股公司Alphabet公司。很多分析師說，Google把搜索和其他的業(yè)務分開來做Alphabet，是為了優(yōu)化它的股價，其實這種說法太表面了，他們沒有了解一個真正有野心的公司在做什么。

　　一定程度上，Google之所以成立了Alphabet，是因為Google經過搜索和廣告業(yè)務的積累，逐步發(fā)展了一套我們可以簡稱為GoogleBrain的模式。Google Brain其實就是機器學習的大腦，這個機器包括了平臺也包括了專家，如果它用在搜索領域就是一個搜索引擎，如果它能夠用在醫(yī)學領域，那它可能就是一個癌癥診斷系統(tǒng)，它也可以用于人類壽命的延續(xù)以及智能家電等各種不同領域。所以Google的野心就是把機器學習作為一個核心，然后用它去解決非計算機非互聯(lián)網領域的各種問題。

　　當然它現(xiàn)在還不是一個整體平臺，但Google 就會找一些極聰明的人來進軍這些領域，有平臺的用平臺，平臺未成形的就用聰明才智來想辦法?，F(xiàn)在看來，Google這種模式也做成了很多有意義的事情。所以，對于Google，我們千萬不要低估了它的能力，因為這家公司可能是未來推動人工智能平臺化的最大力量。

　　怎么證明這是真的呢？從最近Jeff Dean演講的一張圖我們就可以看到Google內部有多少項目在用深度學習。

Google內部對深度學習的大量應用

　　我們可以看到，從2012年到今天，Google對深度學習的利用在快速增長，應用領域也極為廣泛。從這張圖我們就可以看到Google，也就是現(xiàn)在的 Alphabet在人工智能方面是多么的有野心。

　　再回到我原來的問題，我們現(xiàn)在是不是生逢其時，可以在正確的時候選擇進入人工智能這個領域呢？如果我們相信Google這幫人很聰明，如果我們相信Google對深度學習的使用邏輯，我們也要相信人工智能的應用期即將來臨。

　　深度學習的挑戰(zhàn)

　　深度學習也面臨挑戰(zhàn)

　　但是深度學習以及機器學習還面臨很多挑戰(zhàn)。這里有幾個問題。

　　第一個問題，就是我剛剛提到的：目前仍然沒有一個統(tǒng)一的平臺。在深度學習方面，現(xiàn)在的人懂就是懂，不懂就是不懂。這就是為什么Google最近花了重金不斷在挖業(yè)界頂尖的人才，給年輕人開出的年薪甚至超過200萬美元。這些人也就是二十來歲，博士剛畢業(yè)不久，怎么會這么值錢呢？

　　其實就是因為兩個理由，第一，這些人進入了公司之后，會被投入到健康、醫(yī)療、預防等等各個領域的研究。他們雖然每年拿走公司的兩百萬美金年薪，但是也許兩年后他們就能在相關領域創(chuàng)造出兩億美金的價值，所以對Google公司而言，這些人才實際上不貴，是非常劃算的。

　　第二個理由就是Google多雇一個，F(xiàn)acebook就得少雇一個。這不是開玩笑。因為在美國有三個大公司在瘋狂挖人工智能的人才——Google、Facebook和Microsoft，他們之間競爭激烈，對人才的吸引力也不相上下。

　　第二就是深度學習的網絡太大，需要海量的數(shù)據。

　　第三，因為數(shù)據太多，所以計算特別的慢，所以需要非常大的計算量。

　　第四點有點奇怪但也合理：機器無法用人的語言告知做事的動機和理由。即便機器訓練做了很棒的深度學習，人臉識別、語音識別做的非常棒，但它不能和人一樣，它講不出來這是怎么做到的。雖然有人也在做這方面的研究，但是在今天，如果一個領域是不斷需要告訴別人該怎么做，需要向別人去解釋為什么的，那這個領域對于深度學習來講還是比較困難的。比如Alpha Go打敗李世石，你要問Alpha Go是為什么走這步棋，它是答不上來的。

　　即便有如此多的局限，我們還是認為人工智能在很多領域可以迅速應用，并且可以幫助企業(yè)打造競爭壁壘。

　　人工智能如何幫企業(yè)打造競爭壁壘？可以從如下四個方面思考：

　　第一，如果你有壟斷性的大數(shù)據，你就會有很大的優(yōu)勢。關于數(shù)據需要注意的幾點是，首先壟斷性大數(shù)據不是公開的數(shù)據，不是剽來的數(shù)據，也不是買來的數(shù)據，因為這樣的事情你能做競爭對手也能做。其次，無標簽的數(shù)據也不會給你帶來優(yōu)勢。再次，如果是人工標簽的數(shù)據也不行，因為人工標簽太慢了。最好的數(shù)據是閉環(huán)的數(shù)據，所謂閉環(huán)的數(shù)據就是在你應用的時候可以捕捉到數(shù)據并且知道最終你根據數(shù)據做出的抉擇對或不對。我們投資的face++，它有和美圖、阿里的合作，就一定程度形成了特別大的數(shù)據的優(yōu)勢。

　　第二，擁有龐大的機群。機群是很重要的，包括需要什么處理系統(tǒng)的支持，怎么去部署，用什么樣的計算架構等等。

　　第三，你要有一批特別懂的人。沒有平臺的時候，你就只能把一批人丟進去，讓他們去解決特別大的問題。

　　第四，當你沒有平臺的時候怎么辦？我們就可以找一批特別聰明的人，讓他們不斷的調節(jié)算法——當然這構成一個短期的競爭優(yōu)勢，從長期看，一旦大的人工智能平臺出來，這種優(yōu)勢就不存在了。所以現(xiàn)在來做人工智能，抓到這個先機是特別特別重要的。