天星資本施立成：人工智慧將成為下一代技術變革的核心

我們正站在變革的邊緣，而這次變革將和人類的出現一般意義重大–Vernor Vinge

（圖片來源《The AI Revolution:The Road to Superintelligence》）

未來學家Ray Kurzweil把人類社會不斷加速發展的過程稱作「加速回報定律（Law ofAccelerating Returns）」。之所以會發生這種規律，是因為一個更加發達的社會，能夠繼發展的能力也更強，發展的速度也更快——這本就是更加發達的一個標準。19世紀的人們比15世紀的人們懂得多得多，所以19世紀的人發展起來的速度自然比15世紀的人更快。

未來學家Kurzweil認為整個20世紀100年的進步，按照2000年的速度只要20年就能達成—2000年的發展速度是20世紀平均發展速度的5倍。他認為2000年開始只要花14年就能達成整個20世紀一百年的進步，而之後2014年開始只要花7年（2021年），就能達到又一個20世紀一百年的進步。幾十年之後，我們每年都能達成好幾次相當於整個20世紀的發展，再往後，說不定每個月都能達成一次。按照加速回報定，Kurzweil認為人類在21世紀的進步將是20世紀的1000倍。

通往超級智能之路——人工智慧。

一、人工智慧發展歷史

隨著Alphago近兩年橫掃圍棋界，人工智慧受到大眾前所未有的關注，在產業界、學術界以及資本市場掀起了一股人工智慧的熱潮，其實在此之前人工智慧已經經歷過兩波熱潮。

在1956年達特茅斯舉辦的一次學術會議上，人工智慧這個詞被一些計算機專家第一次提出，這也被看作是人工智慧誕生的標誌，在這次會議後的很長一段時間裡，計算機被廣泛應用於解決一些數學、自然語言處理方面的問題，這也是人工智慧的第一次熱潮。

受限於當時計算機水平的不足，早期的很多人工智慧演算法無法實現；另外早期人工智慧主要是解決一些簡單的問題，當問題複雜度上升後，計算機就變得無能為力，也因為如此，人工智慧進入了長達十年之久的低谷。

到1980年，一款名為「專家系統」的人工智慧系統被開發出來，專家系統是一種模擬人類專家解決特定領域問題的計算機程序系統，其內部存儲了大量某個領域專家水平的知識與經驗，專家系統會根據提問者的問題給出答案，這類系統被世界各地的公司廣泛應用，人工智慧也因此迎來了第二次熱潮，包括日本、美國的一些機構投入大量資金研發和應用專家系統，希望研發出能夠像人類一樣學習、交流的人工智慧系統。

到了80年代末，由於受到蘋果和IBM生產的通用計算機的衝擊，專家系統的市場需求不斷下跌；同時由於專家系統存在維護費用高、應用領域局限等方面的問題，包括美國國防先進研究項目局（DARPA）政府機構大幅削減了對專家系統的投入，至此，人工智慧又一次墜入低谷。

人類對於科技的探索總是經歷失敗與掙扎、繁榮與低谷。隨著摩爾定律的延伸，計算機水平的不斷提升，移動互聯網的興起，積累了海量的數據，以及2006年深度學習模型的提出，近幾年在人工智慧領域可以說取得了突破性的進展，人工智慧迎來了第三次熱潮，與前兩次人工智慧熱潮不同的是，在本次熱潮中，通過深度學習模型使得機器具備了一定的自我學習的能力，AlphaGo就是一個很典型的例子。

二、人工智慧發展的必要因素

本次人工智慧熱潮之所以被看好，也是因為具備了發展的基礎，如圖1所示，現階段人工智慧的發展包含四個方面的必要因素，分別是模型、大數據、計算能力和應用場景。

圖1 人工智慧發展必要因素

1、模型

目前被廣泛採用的模型是深度學習模型，深度學習模型是模擬人類大腦信息處理的機制，人類大腦是採用神經元系統進行信息的處理，對於一個概念的認知，是通過神經元分布式的表達，即：概念與神經元不是一對一的對應關係，而是多對多的對應關係，一個神經元可以參與多個概念的表達，一個概念由多個神經元同時參與表達。

深度學習模型通過數學建模方式模擬神經元網路，通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。圖2是深度學習模型示意圖，其是由輸入層、多個隱層以及輸出層構成的多層神經網路。

圖2深度學習模型示意圖

據悉，去年戰勝李世石的第一代AlphaGo用到了12層神經網路，今年戰勝柯潔的第二代AlphaGo用到了40層神經網路。

目前深度學習模型分為有監督學習和無監督學習，有監督學習需要用大量有標籤的數據對模型進行訓練，即需要指導機器學習；而無監督學習不用給數據打標籤即可訓練模型，更接近人類自主學習的方式；現階段基本都以有監督學習為主，無監督學習還處於早期階段，也是未來深度學習發展的方向。

另外，包括遷移學習、貝葉斯學習、強化學習等機器學習演算法也在探索研究中，未來的人工智慧模型需要多種演算法融合去解決更為複雜的問題。

2、大數據

深度學習模型需要大量的數據對其訓練才能達到良好的效果，AlphaGo用了3萬多幅專業棋手對局的棋譜來進行訓練，數據對於現階段人工智慧具有重要的作用，可以說沒有大數據就沒有人工智慧，大數據是人工智慧的「燃料」。隨著互聯網和移動互聯網的發展，我們近些年積累的數據量可能超過人類過去幾千年所積累的數據量，這為人工智慧的發展提供了源源不斷發展的動力。

3、計算能力

前兩次人工智慧熱潮沒有持續下去很重要一個方面的原因是計算機水平的限制，隨著摩爾定律的延伸，現階段的計算能力達到前所未有的高度，計算能力最直接的體現就是晶元，具有強大並行計算能力的GPU（Graphics Processing Unit）被廣泛應用於目前的人工智慧領域。

由於市場對於GPU的大量需求，全球最大的GPU供應商英偉達，其市值在不到兩年時間從100億美元左右上漲到現在的900多億美元。英偉達最新一款GPU--Tesla V100，其性能更是達到了單精度浮點15 TFLOPS（萬億次浮點運算每秒），雙精度浮點7.5TFLOPS，當然在通往強人工智慧的道路上，這還遠遠不夠，還需要性能更為強大的計算晶元。

另外，包括FPGA（Field－Programmable Gate Array）、ASIC（Application Specific Integrated Circuit）未來也將會成為重要的人工智慧計算平台，像IBM的TrueNorth、中科院的寒武紀、谷歌的TPU等這類專用神經網路處理晶元未來大有可為。

4、應用場景

應用場景即商業解決方案，人工智慧本身沒有商業模式，需要與具體的商業場景結合，不然就會成為空中樓閣。人工智慧未來會遍及我們生活的方方面面，就目前看，人工智慧可能最先在安防、醫療、金融、自動駕駛以及機器人等領域最先應用。

圖3 人工智慧應用場景

在安防領域，通過應用人臉識別、行為特徵識別、語音識別等人工智慧演算法，可以保障社會公共安全、預防群體性事件的發生、追捕潛逃的犯罪嫌疑人，例如曠世科技的人臉識別系統幫助公安部門多次成功追捕了潛逃的罪犯。

在醫療領域，人工智慧可以應用於醫療影像處理、藥物挖掘、新葯安全有效性預測、精準醫療、健康管理等方面，大大提高診治效率、新葯研發效率。例如美國的Enlitic公司，利用人工智慧輔助影像診斷，藉助深度學習，從海量數據中獲取診斷特徵點，在公共數據集上運用圖像識別演算法對肺部CT結果進行測試的結果表明，該項技術對肺癌的識別準確率比放射科專家高50%。

在金融領域，運用深度學習等人工智慧技術，可以量化高頻交易實現智能投資，搭建更高效的風控系統，建立更完善的徵信體系，還可以提供智能投顧、智能保險等服務。

在機器人領域，隨著人臉識別、語音語意識別等技術的成熟與完善，將會出現類似於電影《超能陸戰隊》中的大白的陪伴機器人。

另外，人工智慧還將在自動駕駛、教育、電商零售等領域產生深遠的影響。未來10~20年，大量的重複性工作比如客服、司機、助理、交易等將會被人工智慧所替代，我們將有幸見證這個最好的時代，抑或是最壞的時代。

三、人工智慧產業鏈

2016年是人工智慧行業發展突飛猛進的一年，這一年大量資本追逐人工智慧創業公司，據統計，2016年全球人工智慧相關融資金額達到89億美元。從投資的角度，如圖4所示，梳理人工智慧產業鏈，可以將人工智慧分為基礎層、技術層和應用層。

圖4人工智慧產業鏈

基礎層如同大樹的根基，提供基礎的計算資源和數據資源，保障人工智慧所需要的計算能力，目前處於該層的企業基本都是IT巨頭，像英偉達提供GPU，Intel提供CPU，谷歌、百度、騰訊以及阿里巴巴等提供海量數據。

對於初創公司，進入該層的壁壘相對較高，在國內的公司中可以關注中科院寒武紀、深鑒科技等神經網路加速晶元設計的企業；另外可以重點關注各細分行業具有一手數據的企業。

技術層如同大樹的枝幹，連接基礎層和應用層，其包括了各種模型演算法，比如深度學習、遷移學習、貝葉斯學習、強化學習等模型；以及人工智慧框架開發平台，比如谷歌的人工智慧開源平台TensorFlow，微軟的人工智慧開源平台CNTK等等；另外像一些人臉識別、語音語意識別等通用演算法也屬於技術層。在國內，百度、曠世科技、商湯科技在人臉識別方面全球領先，科大訊飛、思必馳、雲知聲在語音識別方面都做的不錯。在該層，重點關注具有核心演算法的企業。

應用層相當於大樹結出的果實，為用戶提供人工智慧的產品和服務，應用層未來會有大量的初創公司，可以重點關注一些在垂直領域深耕細作的企業。例如，在醫療健康領域的碳雲智能、專註於新一代人機交互的出門問問等。

目前來看，人工智慧主要還停留在技術層，隨著技術層的不斷成熟，應用層未來將會有大量的機會可以挖掘。

四、人工智慧發展方向

人工智慧經過60多年的發展，經歷過兩次熱潮，前兩次熱潮中，基本都是人為設定機器運行的程序或規則，機器按照預先設定好的程序執行特定的任務，這一階段的人工智慧可以定義為「偽人工智慧」。

隨著近些年深度學習出現，使得機器具備了一定的「自主學習」能力，通過某一領域的大量數據的訓練，機器能夠自我掌握該領域的特徵，自主處理該領域的數據，這一階段我們可以將其定義為「弱人工智慧」，也可稱之為專用人工智慧；該階段，機器可以在專用領域幫人類解決一些問題，大大提升行業的效率。

未來，將向通用人工智慧發展，這一階段也可以稱作是「強人工智慧」，強人工智慧時代，機器可以如同我們人類一樣，自主學習、融會貫通各個領域的知識，處理各個領域的問題，甚至超越我們人類。

圖5人工智慧發展方向

五、結語

1950年，被稱為「計算機之父」的阿蘭·圖靈提出了一個舉世矚目的想法——圖靈測試。按照圖靈的設想：如果機器能夠與人類開展對話而不能被辨別出機器身份，那麼這台機器就具有智能。這麼多年以來，我們不斷探索，希望能夠製造出可以媲美人類智能的機器，經歷了反覆的挫折與失敗、掙扎與低谷，人類依舊沒有放棄對人工智慧的探索與研究；以目前的發展情況看，人工智慧或將成為下一代技術變革的核心，在移動互聯網時代後，我們將進入泛智能時代，相信未來強人工智慧時代一定會到來。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！