大陸AI產業吸金旺 9成虧損是隱憂；中國AI晶元初創公司被美國巨頭收購 政府該不該管

GIF

1.大陸AI產業吸金旺 9成虧損是隱憂；

2.為什麼中國AI晶元產業難改依附式生存？；

3.中國AI晶元初創公司被美國巨頭收購 政府該不該管；

4.人工智慧的商業應用將主要集中在兩個領域；

5.專家稱：AI不僅搶人們飯碗還能創造更多的新飯碗；

6.為什麼大多數人都錯估了計算機與AI的發展？

1.大陸AI產業吸金旺 9成虧損是隱憂；

自大陸2017年將發展人工智慧（AI）定為國家戰略目標後，相關產業迎來飛速發展機遇，更成為全球吸金能力最強的產業之一。 2017全年，大陸AI企業的融資總額已佔到全球的7成，但其背後的隱憂也跟著浮現。 據億歐智庫最新發布的研究報告顯示，2017年大陸仍有9成的AI企業處於虧損階段，顯示其繁榮背後，避免泡沫化風險將是陸企未來最嚴峻的挑戰之一。

事實上，近兩年可說是大陸AI產業發展的關鍵兩年。 2017年被視為大陸的「AI元年」，不僅百度、阿里巴巴、騰訊等巨頭爭相布局AI市場，大陸國務院更發表《新一代人工智慧發展規畫》，宣示要在2030年將AI產業鏈產值衝上10兆人民幣的目標；而隨著專精人臉辨識的商湯科技、 曠視科技，以及發展語音智能助理、智能機器人的科大訊飛等新一波獨角獸崛起，2018年則被視為「AI商業化元年」。

融資總額佔全球70%

在此情況下，全球資金無不全力搶進大陸AI市場。 根據北京清華大學發布的《中國人工智慧發展報告2018》顯示， 2017年年全球人工智慧投融資總規模達395億美元，融資事件1208筆，其中大陸的投融資總額達到277.1億美元，融資事件369筆，分別佔全球的70%和31%。

但蓬勃發展的背後，卻也存在泡沫化隱憂，億歐智庫《2018中國人工智慧商業落地研究報告》顯示，2017年大陸AI創業公司累計獲得超過500億元人民幣融資，但其中的前100強，累計產生收入卻不足100億元人民幣，同時， 整個產業鏈中，估計有多達90%以上AI企業呈現虧損。

對此，北京文投集團總經理戴自更坦言，目前跟人工智慧有關的大陸公司有四千多家，但是能夠得到投資人青睞，並且願意投資的大概僅三分之一不到。 如果沒有後續的資金投進入，這意味著可能接下來就難以生存下去。

業內人士稱，儘管大陸因為人口優勢，有利於AI企業搜集大數據，但AI項目商業化成敗與否的關鍵，必須是找准應用場景，迎合市場真正的需求才能產生現金流，就這點來說，目前大陸多數的AI企業離商用階段還有不小的距離。

沒找到商業變現途徑

瀾亭資本董事長劉炯也說，這兩年大陸AI領域湧現了大量的創業公司，有一批在人臉識別、自動駕駛，以及自然語言交互領域，達到世界領先水平，但同時仍有大量企業，還沒有找到明確的商業變現途徑，成為大陸AI企業未來要永續發展時， 必須面對的主要困難。

(旺報)

GIF

2.為什麼中國AI晶元產業難改依附式生存？；

日前，全球最大的可編程晶元(FPGA)廠商賽靈思宣布收購中國 AI 晶元領域的明星創業公司—深鑒科技。此消息一出立即在業內引起了強烈反響。儘管雙方認為這是雙贏的結局，但我們還是從中看到了當下如日中天的中國AI晶元產業的依附式生存。原因何在？

眾所周知，晶元定義了產業鏈和生態圈的基礎計算架構，正如CPU是IT產業的核心一樣，晶元也是人工智慧產業的核心。截止到目前，業界公認的AI主流晶元，除了CPU以外，還有GPU、FPGA和ASIC。而熟悉晶元產業的業內人士看到這些，就知道，所謂現在五花八門的AI晶元最終的基礎架構(或者是流派)無非如此，當在上述這些基礎架構上，格局已定。

CPU自不用說，英特爾佔據著絕對領先的優勢，基本在此架構之上突圍的可能性微乎其微。

至於GPU，目前全球GPU行業的市場份額有超過70%被英偉達公司佔據。而應用在人工智慧領域的可進行通用計算的GPU市場則基本被英偉達公司壟斷。據悉，世界上目前約有3000多家AI初創公司，大部分都採用了英偉達提供的硬體平台。

再看FPGA，雖然其市場前景誘人，但是門檻之高在晶元行業里無出其右。全球有60多家公司先後斥資數十億美元，前赴後繼地嘗試登頂FPGA高地，其中不乏英特爾、IBM、德州儀器、摩托羅拉、飛利浦、東芝、三星這樣的行業巨鱷，但是最終登頂成功的只有位於美國矽谷的四家公司：Xilinx(賽靈思)、Altera(阿爾特拉)、Lattice(萊迪思)、Microsemi(美高森美)，其中，賽靈思與Altera這兩家公司共佔有近90%的市場份額，專利達到6000餘項之多，如此之多的技術專利構成的技術壁壘當然高不可攀。而賽靈思始終保持著全球FPGA的霸主地位。

正是由於晶元基礎架構格局已定，所謂國內的AI晶元企業(包括初創企業)實際上做得只是基於上述基本架構的二次開發或者優化。

以此次被賽靈思併購的深鑒科技為例，自 2016 年成立以來，深鑒科技就一直基於賽靈思的技術平台開發機器學習解決方案，兩家公司合作密切。深鑒科技推出的兩個用於深度學習處理器的底層架構—亞里士多德架構和笛卡爾架構的 DPU 產品，都是基於賽靈思 FPGA 平台。

另外，由於賽靈思此前是深鑒科技的投資方之一，我們認為深鑒科技更像是為賽靈思FPGA做優化的廠商或者或合作夥伴的角色。原因很簡單，一旦脫離了賽靈思 FPGA 平台，深鑒科技將是無本之木，無水之源。

當然，除了深鑒科技，據稱中國另外一家知名AI晶元初創企業地平線的所謂AI晶元BPU也是基於FPGA上的二次開發。既然是基於FPGA，那麼最核心的底層架構就離不開我們上述的賽靈思、阿爾特拉、萊迪思和美高森美FPGA平台的借鑒和支持。即便是真的具有核心架構顛覆性的創新，由於FPGA已經被這四家企業瓜分，也難有可以維持生存的立足之地。

最會再看ASIC。在國外大廠幾近壟斷CPU、GPU和FPGA市場的情況下，再加上技術壁壘很高，中國AI晶元廠商在晶元領域一直缺乏關鍵核心自主技術，僅憑市場、企業單方面的力量難以在CPU、GPU和FPGA方面有所突破，只能另闢蹊徑。從目前來看，中國AI晶元廠商更多的是以中小公司為主，與實際應用需求結合，集中於設備端的AI ASIC開發，就某一垂直領域進行優化，以低功耗低成本取勝。例如中國知名的AI晶元初創企業寒武紀就是此類。

這裡我們並非說ASIC在AI晶元領域沒有前景，恰恰相反，此前名揚業內的谷歌TPU就是基於ASIC。不過需要說明的是，谷歌之所以開發TPU，是基於其自身數據中心的應用規模，而規模是決定採用ASIC效益的關鍵。

儘管自身龐大應用規模的TPU在業內引起了好評，但谷歌首席科學家Greg Corrado在此前召開的谷歌AI技術分享會上還是提出了不同的觀點，他說，「至少迄今為止，我也沒有看到完全不同於傳統計算晶元的成功案例。相反，我們認為應對現有的晶元做AI方面專門的優化，使現在的晶元完成AI任務時速度更快，功耗更低，整體的效益更高。」這也是為何谷歌有了TPU，但依然會在其數據中心採用CPU和GPU的原因。言外之意，TPU只是針對數據中心某些應用相對於CPU和GPU的補充和優化，並不能成為主流。

具體到中國，為了規避ASIC開發周期長和投入大的風險，基於ASIC開發的所謂AI晶元基本是採取SoC+IP的模式，即相比ASIC，SoC+IP模式的上市時間短，成本較低，並且IP可以更靈活地滿足用戶需求。IP公司專註於IP模塊的設計，SoC公司則專註於晶元集成，分工合作，提高效率。此前華為麒麟晶元與寒武紀IP結合在智能手機上的應用就屬此種模式。但前提是規模(華為手機巨大的出貨量)及SoC的支持。那麼對於中國市場而言，能有多少像華為這樣的規模用戶。ASIC獨木難成林。

更讓ASIC前景難料的是，業內有一種分析和觀點認為，FPGA受益於晶元NRE費用指數級上升帶來的規模效應。隨著製程工藝不斷提高，晶元NRE費用指數級上升，越來越多的ASIC晶元將由於達不到規模經濟而被迫放棄，從而轉向直接基於FPGA開發設計。

據Tractica估計顯示，到去年為止，深度學習應用中還幾乎找不到FPGA的身影，但是，到2025年，它的部署會和CPU的部署量相當(如果不能超過CPU的話)。其結果就是，到2025年，FPGA將會在總規模達122億美金的深度學習晶元組市場獲得顯著的市場份額。

所謂萬變不離其宗。雖然目前AI晶元的叫法五花八門，但依然沒有脫離CPU、GPU、FPGA和ASIC這些核心，而在這些核心中，顯然仍是那些傳統晶元廠商，例如英特爾、英偉達、賽靈思等國外廠商的天下。

而通過此次賽靈思併購深鑒科技，我們看到那些所謂中國的AI晶元企業有相當數量僅是在人家的架構之上再做些二次開發，優化和應用層面的事情，只是換了個新奇的名稱和叫法而已，與傳統的晶元產業競爭一樣，表面鑼鼓喧天的中國AI晶元依然是依附性的生存模式。虎嗅網

GIF

3.中國AI晶元初創公司被美國巨頭收購 政府該不該管；

日前，深鑒科技被美國FPGA龍頭老大賽靈思收購。據業界人士評估，收購金額可能在3億美金左右。在這則消息傳出後，不少網友顯得義憤填膺，還有網友表示中國AI晶元三駕馬車：寒武紀、地平線、深鑒科技就這樣被美國廢掉了一個，並認為政府不作為。

也許是人工智慧正處於風口浪尖，人工智慧晶元的重要性其實是被網友高估的。深鑒科技對於中國而言屬於多一個不多，少一個不少的狀態，而且無論是對深鑒科技，還是對賽靈思來說，完成這筆收購是兩家企業雙贏之舉。

深鑒科技被賽靈思收購對兩家公司是雙贏

深鑒科技和寒武紀有一些相似的地方，創始人都是出身中科院的技術大牛，其科研成果都在國外屢有斬獲，屬於「學而優則商」。不過，兩者也有差別，那就是寒武紀選擇了走專用晶元的道路，而深鑒科技選擇了基於賽靈思的FPGA做自己的人工智慧晶元。

具體來說，寒武紀是把設計好的電路圖拿到台積電去流片，而深鑒科技則是把自己優化的神經網路剪枝技術運行在賽靈思的FPGA上，然後用這些FPGA來跑人工智慧應用。

換言之，那就是深鑒科技對賽靈思的FPGA具有很強的依賴性，另一方面，賽靈思也需要深鑒科技去幫助它開拓人工智慧應用市場。因此，兩家企業是「合則共贏，分則俱損」，誰都離不開誰。在這種情況下，由賽靈思完成對深鑒科技的收購，從商業的角度看，實屬正常。

目前，中國AI晶元公司如雨後春筍般冒出，完成各種融資的已經超過了40多家。其中絕大部分往往是宣布自己的晶元如何吊打英偉達，但具體應用壓根很難看見，造血能力並不穩定。既然賽靈思為了使FPGA能夠更好的開拓人工智慧市場，願意投資深鑒科技繼續燒錢，那也挺好的。畢竟深鑒科技對於中國而言屬於多一個不多，少一個不少的狀態，既不會威脅國家安全，也不會影響產業被外資壟斷。在這種情況下，還是商業的歸商業，畢竟這點小事情，政府沒必要出手進行干涉。

深鑒科技的技術路線使其很難成為行業巨頭

文章上段提到，深鑒科技對於中國而言屬於多一個不多，少一個不少的狀態，原因就在於深鑒科技選擇了基於賽靈思的FPGA做AI晶元，這條技術路線使深鑒科技很難成為行業巨頭。

近年來，隨著人工智慧的興起，全球集成電路設計公司都推出了各自的方案，Intel力推眾核CPU，英偉達推GPU，賽靈思和阿爾特拉力推FPGA。

FPGA的優勢在於性能功耗比，就以賽靈思最大的競爭對手阿爾特拉的產品為例。早些時候，阿爾特拉推出的用於人工智慧的FPGA，性能功耗比卻高達50GFlops/W，如果人工智慧硬體選擇FPGA，那麼不僅對Intel眾核晶元在性能功耗比上有明顯優勢，對英偉達的GPGPU也佔據優勢地位。而更高的性能功耗比就意味著在運營和維護中能夠節省電費。

如果說性能功耗比是FPGA的優勢，那麼性價比不足就是FPGA的劣勢——FPGA可以通過編程靈活改變自己的內部邏輯的同時，也必然意味著計算資源的大量浪費。如果專門開發一款和寫入FPGA的電路相同的晶元，同產量理論成本只有FPGA的幾分之一。

FPGA還有個問題就是主頻比較低，這個毛病是娘胎裡帶出來的，無藥可救。隨著競爭對手的進步，繼續做基於FPGA的智能晶元可能以後連性能功耗比的優勢都未必能保持。

FPGA是一種相當特殊的晶元，在寫入軟體前它有勝於CPU的通用性，寫入軟體後它有類似於ASIC的表現。這讓FPGA在宣傳中佔盡優勢，在比較功能時，用未寫入軟體時的高通用性進行比較，在比較性能時，用寫入軟體後的突出專用性壓倒對手。但是實際應用中專用性和通用性是無法同時表現出來的，正如童年的純真，成熟的世故，可以在同一個人身上不同時期體現，卻無法在同一時刻表現出來。

雖然FPGA在一些新興的應用領域取得了一定成績，但隨著新興領域的崛起，其市場規模和重要性不斷提升，由於缺乏性價比，以及主頻太低的原因，FPGA最終會被專用晶元所替代。

換言之，深鑒科技的FPGA方案只適合於一些新興市場，或者一些市場容量很小的細分市場，對於那些規模足夠大的主流市場，FPGA是很難與競爭對手匹敵的。

正是因此，深鑒科技對中國來說意義有限。然而，對於賽靈思來說，深鑒科技卻意義不俗，因為這關係到賽靈思開拓人工智慧市場。即便將來市場表現一般，只要保留住人工智慧這塊招牌，對於提升股價也是極好的。

中國人工智慧晶元不是太少，而是太多

目前，國內一大批初創公司趕人工智慧的風口，甚至連阿里、百度等互聯網巨頭也來參一腳。這些人工智慧晶元企業獲得了資本的青睞，獲得了高額的估值，整個行業呈現出一副欣欣向榮的景象。

雖然看起來中國人工智慧晶元行業百花齊放，但是在具體應用上，國內人工智慧晶元卻很少能夠被消費者接觸到。除了寒武紀通過把IP授權給華為，實現了千萬級的應用量之外，國內其他人工智慧晶元公司在市場推廣和應用上表現是很一般的。

人工智慧晶元公司數量過多，有一個問題就是重複建設和力量分散，首先是把全社會對人工智慧晶元的投資分散了；其次是把建設產業生態鏈的力量分散了；最後是把規模化推廣應用的潛力削弱了，很容易變成每一家都吃一點，但誰都吃不飽。

鐵流認為，國內人工智慧晶元企業，真正要做的，不是在發布會的PPT上如何吊打英偉達，而是要和具體應用相結合，把晶元用起來，賣出去。國內缺的不是設計人工智慧晶元的公司，缺的是應用這些國產人工智慧晶元的企業。只有大家都把國產AI晶元用起來，才有機會侵蝕英偉達的市場份額，不被國外巨頭各個擊破。觀察者網

GIF

4.人工智慧的商業應用將主要集中在兩個領域；

網易科技訊7月21日消息，《哈佛商業評論》（HBR）發布文章稱，人工智慧的商業應用將主要集中在兩個領域：供應鏈管理/製造以及營銷與銷售。

以下是文章主要內容：

雖然人工智慧在企業中的總體普及度仍然偏低(在我們上次研究中大約是20%)，但高管們知道人工智慧並不只是炒作。各個行業的組織都在密切關注這項技術，看看它對他們的業務能起到什麼作用。它們也應該這麼做，據我們估計，今天分析技術所創造的潛在價值有40%來自於被稱作「深度學習」(利用多層人工神經網路)的人工智慧技術。總的來說，我們估計深度學習一年可產生的價值在3.5萬億到5.8萬億美元之間。

然而，許多商業領袖仍然不確定他們應該在哪裡應用人工智慧才能獲得最大的回報。畢竟，將人工智慧嵌入整個業務需要在人才招募和技術堆棧的升級上進行巨額的投資，也需要採取徹底的變革舉措，以確保人工智慧能夠帶來實質性的價值，無論是幫助作出更好的決策，還是改善面向消費者的應用程序。

通過對橫跨19個行業和9個業務職能的400多個人工智慧實際用例的深入研究，我們發現用一句古老的格言來回答該在哪裡部署人工智慧的問題最合適不過，它就是：「跟著錢走」。

傳統上給公司帶來最大價值的業務領域，往往是人工智慧能夠產生最大影響的領域。例如，在零售組織中，營銷和銷售往往會帶來巨大的價值。我們的研究表明，僅在客戶數據上利用人工智慧來進行個性化促銷，實體零售商的增量銷售額就會增加1-2%。相比之下，在高端製造業中，運營往往能帶來最大的價值。在這裡，人工智慧可以根據需求的潛在因果驅動因素而不是先前的結果進行預測，從而將預測精度提高10-20%。這意味著庫存成本可能減少5%，收入可能增加2-3%。

雖然人工智慧的應用涵蓋了各種各樣的職能領域，但實際上，在這兩個交叉領域——供應鏈管理/製造以及營銷與銷售——我們認為人工智慧能夠在幾個行業發揮出最大的威力，至少目前來看是這樣。綜合起來，我們估計這些用例占整個人工智慧機會的三分之二以上。

人工智慧可以在全球企業的營銷和銷售中創造1.4- 2.6萬億美元的價值，可以在供應鏈管理和製造中創造1.2- 2萬億美元的價值(部分價值歸企業所有，部分價值歸客戶所有)。在製造業中，來自人工智慧的最大價值源自於使用它來進行預測性維護(在全球的企業中創造大約0.5- 0.7萬億美元)。人工智慧能夠處理包括音頻和視頻在內的大量數據，意味著它可以快速識別異常狀況來防止出現故障，無論是飛機發動機發出的奇怪聲音，還是感測器檢測到的裝配線故障。

企業領導者判斷該在哪裡部署人工智慧的另一種途徑是，看看那些已經在利用傳統分析技術的職能部門。我們發現，在讓人工智慧能夠創造出最大潛在價值的用例中，神經網路技術可以比現有的分析技術表現得更好，或者產生額外的洞見和應用。在我們的研究中，69%的人工智慧用例都是如此。

在只有16%的用例中，我們發現了適用於其他分析技術沒有效果的地方的「greenfield」人工智慧解決方案。(隨著演算法變得更加通用，它們變得可行所需的各種數據變得更容易獲得，深度學慣用例的數量可能會增加快速，而「greenfield」深度學慣用例的佔比則可能不會顯著提升，因為更加成熟的機器學習技術也有潛力變得更好，更普遍。)

即便我們看到人工智慧技術的使用具有經濟潛力，我們也認識到人工智慧實施的切實障礙和局限性。獲取足夠大和足夠全面的數據集，以滿足深度學習對訓練數據的巨大胃口，是一個重大挑戰。人們對此類數據的使用方式也日益感到擔憂，因此這同樣是企業需要應對的挑戰，安全性、隱私以及將人類的偏見傳遞給人工智慧演算法的可能性等問題都需要得到解決。在醫療和保險等一些行業，企業還必須設法用簡單的語言給監管結構解釋清楚人工智慧得出的分析結果：為什麼這台機器會得出這個答案?好消息是，這些技術本身正在進步，並開始解決其中的一些局限性。

除了這些局限性之外，企業在採用人工智慧時還可能在組織機構上面臨更為棘手的挑戰。掌握技術需要新的專業知識水平，而流程則可能會成為技術被成功採用的主要障礙。企業將不得不開發出穩健的數據維護和治理流程，並專註於「第一公里」——如何獲取和組織數據和努力——以及更困難的「最後一公里」，即如何將人工智慧模型的輸出集成到整個工作流程，從臨床試驗經理和銷售經理到採購人員。

儘管企業在部署人工智慧時必須保持警惕和負責，但鑒於該技術的規模以及其對企業、消費者和社會的有益影響，它非常值得去深入研究。這種追求並不簡單，但可以先從遵循一個簡單的概念做起：跟著錢走。（樂邦）

GIF

5.專家稱：AI不僅搶人們飯碗還能創造更多的新飯碗；

網易科技訊7月21日消息，絕大多數人認為人工智慧將從人類工作者的手中偷走工作。他們的想法沒有錯，但是他們考慮的並不完整。在Quartz網站最近進行的一項調查中，來自84個國家的超過1600名受訪者稱，未來5年內半數工作崗位將由於自動化而變得多餘。

美國蓋洛普公司進行的另外一項調查發現，75%的成年人認為人工智慧淘汰的工作崗位數量超過它所創造的工作崗位數量。Sinovation Ventures風險投資公司的創建者Kai-Fu Lee去年4月在接受一次採訪時稱：「人工智慧就像超人，而且我們認為人工智慧將融入到每個產業中，並且取代50%的人類工作。」

然而數據並不能完全代表結果。普華永道會計師事務所（PwC）本周發表的一項研究提出，到2037年之前，在英國得到廣泛採用的人工智慧所創造崗位的數量很可能超過其淘汰的工作崗位數量。據這項研究稱，單獨醫療保健市場將增加1百萬工作崗位（大約為目前工作崗位的五分之一），而會計、法律和廣告有可能增加50萬工作崗位。

PwC的發現與Gartner網站的調查相一致。Gartner網站在去年12月份預言，人工智慧將在2020年凈增加50萬工作崗位，到2025年這一數字將增加到200萬。以此同時，麥肯錫全球研究所的研究人員推斷，雖然到2030年有多達7300萬崗位處於自動化的風險中，但是隨後也會帶來新的工作崗位。

但是這並未打消製造業、運輸業和倉儲業從業者的擔憂，這些行業遭受的衝擊最強烈。正如麻省理工學院和波士頓大學的經濟學家在2017年3月份的一項研究所提出的，自動化並不僅僅給它直接取代的從業者帶來影響，而且經濟創傷的反彈也會引發進一步的失業。

幸運的是，我們或許還有解決辦法。紐約時報暢銷書《機器人崛起》的作者，未來主義者Martin Ford提出了一種通用基本收入的概念，政府定期為市民提供固定的收入，無視他們的就業狀態和財富。Ford也並非唯一提出這種概念的人。基本收入理念的擁護者還包含了斯坦福大學的Andrew Ng、Y Combinator公司董事長Sam Altman、SpaceX和特斯拉公司CEO伊隆-馬斯克以及Facebook合創者克里斯-休頓等。

此外，比爾-蓋茨和馬克-扎克伯格等一部分人提出，再培訓可以作為應對人工智慧崛起的一種潛在解決方案。還有一部分科技巨頭已經開始為這種趨勢做好了準備。微軟已經承諾向Skillful投資數百萬美元，這家非營利性組織將對人們進行IT和醫療保健等行業的崗位培訓。亞馬遜公司將為公司以外的倉儲工作人員承擔90%的培訓費用。

還有人建議對人工智慧的使用收稅或者進行處罰。去年1月份，歐盟立法者考慮了向機器人使用者收取稅費，用於培訓那些因此失去工作的工人。歐盟也並非唯一產生這種想法的立法組織，9月份舊金山城市管理者Jane Kim發起了一項運動對那些選擇使用人工智慧取代人類的企業主收取一項機器人稅。

我們現在可以確定的是，人工智慧的過渡並不容易。在美國等發達國家，自動化很可能帶來更大的收入不均。英國慈善機構——薩頓基金會的一份報告預測，越富有的工作者越容易接受教育，交流等軟技能重要性的提升以及過渡性工作和實習工作的減少有可能確立貧富之間的差距。

但是Vmware物聯網副主席Mimi Spier等高管們則對此持有樂觀態度。Spier在寫給VentureBeat網站的一封郵件中寫道：「我們一直都認為人們對於人工智慧的恐懼有一點誇張，人與機械共存是一種真正的機遇，而不是對目前勞動力的一種威脅。傳統工作和機器協助的工作之間有著越來越寬的技能缺口，但是這也增加了我們對新培訓和新型專家的需求，最終我們所了解的勞動力將向一種有著無儘可能性的勞動力形式轉變，直到我們的新技能、生產力和貢獻都能夠與機器完美的銜接起來。」（過客）

GIF

6.為什麼大多數人都錯估了計算機與AI的發展？

【網易智能訊 7月21日消息】據SingularytyHub報道，到目前為止，我們大多數人都已經熟悉摩爾定律(Moore "s Law)，這條著名的定律認為，計算能力的發展遵循指數曲線，每18個月左右性價比就會翻一番。然而，當涉及到將摩爾定律被應用到不同的商業策略中時，即使是遠見卓識的思想家也經常受到被稱為「人工智慧盲點」（AI blind spot）的困擾。許多成功的、有戰略頭腦的商人能在自己的行業中找到捷徑，但他們很難理解指數增長的真正含義，更不用說從曲線增長中獲益匪淺的AI技術。

人們不理解AI發展有多快的一個原因很簡單，甚至可以說是可笑的：當我們試圖在紙上捕捉它們時，指數曲線表現得並不好。出於實際原因考慮，幾乎不可能在狹小空間(如圖表或幻燈片)中完全描述指數曲線的陡峭軌跡。直觀地描繪指數曲線的早期階段是很容易的。然而，隨著曲線的陡峭部分開始顯現，以及數字迅速增大，事情變得更加具有挑戰性。

捕捉指數曲線

為了解決這個視覺空間不足的問題，我們使用了一個簡單的數學技巧，叫做對數（logarithm）。使用所謂的「對數標度」（logarithmic scale），我們學會了將指數曲線進行壓縮。不幸的是，「對數標度」的廣泛使用也會導致短視的結果。對數標度的工作原理是，垂直y軸上的每一個刻度並非對應一個常數增量(如典型的線性標度)，而是一個倍數，例如100倍。下面的經典摩爾定律圖表使用「對數標度」來描述過去120年里計算能力的成本指數增長趨勢，從1900年的機械設備到今天強大的硅基GPU。

圖1：對數標度中顯示過去120年間計算成本的指數變化情況

如今，對於那些意識到視覺失真的人來說，對數圖已經成為非常有價值的速記形式。事實上，「對數標度」是一種簡便而緊湊的方法，可以用來描述隨著時間的推移以急速方式上升的任何曲線。然而，對數圖卻隱藏著巨大的代價：它們愚弄了人類的眼睛。通過數學上的大數字坍縮，對數圖使得指數增長看起來是呈線性的。由於它們將不規則的指數增長曲線壓縮成線性形狀，對數圖使人們很容易對未來計算能力的指數增長速度和規模感到滿意，甚至產生自滿。

我們的邏輯大腦理解對數圖。但是，我們的潛意識卻看到了一條線性曲線，並選擇對其缺陷視而不見。那麼，如何有效地消除由對數圖引起的戰略短視呢？部分解決方法是回到原來的線性尺度。在下面的圖2中，我們使用數據來擬合指數曲線，然後用垂直軸上的線性刻度繪製它。同樣，縱軸表示一美元可以購買的處理速度(單位為gigaflops)，橫軸表示時間。

然而在圖2中，縱軸上的每個刻度都對應於一個簡單的線性增加趨勢(相當於1gigaflops，而不是像圖表1那樣增加100倍)。「FLOP」這個詞是測量計算速度的標準方法，代表著每秒進行的浮點操作，其他單位還包括megaFLOPS、 gigaFLOPS以及teraFLOPS等。

圖2：以線性標度描述的摩爾定律

圖2顯示了描述摩爾定律的真實指數曲線。這張圖表的繪製方式，讓我們的人眼很容易理解：在過去的十年里，計算性價比發生了多麼快的變化。然而，圖2中同樣存在嚴重的錯誤。對於這張圖表的天真讀者來說，似乎在20世紀的整個過程中，計算機的性價比根本沒有提高。很明顯，這是錯誤的。

圖2顯示，使用線性標度來證明摩爾定律隨時間變化而變化時，也存在相當大的盲目性。它可以讓過去顯得平淡無奇，就好像直到最近才取得進展一樣。此外，同樣的線性標度圖也會導致人們錯誤地認為，他們目前的優勢點代表了獨特的、「幾乎垂直」的技術進步時期。這一點讓我想到了導致AI盲點的圖表出現的下一個主要原因：線性標度圖表可以欺騙人們，讓他們相信自己的生活正處於變化高峰期。

活在當下的短視

讓我們再看下錶2：從2018年的情況來看，20世紀大部分時間裡每十年就會出現的性價比翻倍似乎已經平淡無奇，甚至顯得無關緊要。看了表2的人可能會對自己說:「孩子，我今天活得很幸運嗎？我記得2009年，當時我認為自己的新iPhone很快！但實際上我不知道它有多慢，現在我終於到達了令人興奮的垂直部分！」

我聽人說過，我們剛剛通過了「曲棍球棒的肘部」。但還沒有這樣的過渡點。任何指數曲線自身都是相似的，也就是說，未來曲線的形狀和過去的曲線幾乎沒有太大變化。下面的圖3再次顯示了摩爾定律在線性標度圖表上的指數曲線，但這次是從2028年的角度來看。這條曲線假設，我們在過去100年里經歷的增長至少還將持續10年。這張圖表顯示，在2028年，一美元將購買大約200gigaflop的計算能力。

圖3：線性標度圖上的摩爾定律

然而，圖3也代表了一個潛在的分析困境。仔細看看圖3所示曲線位置，它代表了今天的計算能力(2018年)。以生活和工作在2028年的人來看，即使在21世紀初，計算能力幾乎沒有任何實質性改善。看起來，2018年使用的計算設備只是比1950年使用的計算機稍強。觀察人士還可以得出結論，2028年是摩爾定律的頂點，那一年計算能力的進步終於開始了。

每年，我都可以重新創建圖表3，只改變時間範疇的描述。曲線的形狀十分相似，只有垂直刻度上的刻度會改變。請注意，除了垂直標度之外，圖2和圖3的形狀看起來是一樣的。在每個這樣的圖表上，從未來的角度來看，過去的每個點都是扁平的，而未來的每個點看起來都是與過去截然不同的。這種錯誤的看法正被引入有缺陷的商業戰略中，至少在AI方面是如此。

這代表著什麼？

指數式的變化速度對人類的頭腦和眼睛來說都是難以理解的。指數曲線是唯一的，因為從數學角度來看，它們在每個點上都是相似的。這就意味著，曾經不斷加倍的曲線沒有平坦部分可言，也沒有上升的部分；同樣沒有許多商業人士習慣於談論的「肘」和「曲棍球棒」彎曲。即使你放大過去或未來的任何部分，它的形狀看起來都是一樣的。

隨著摩爾定律繼續發揮作用，我們不禁會想，就在此刻，我們正處於AI(或任何其他依賴摩爾定律的技術)發展的獨特時期。然而，只要處理能力繼續遵循指數級的性價比曲線，未來的每一代人都可能會回顧過去，認為這是個進步相對較小的時代。反過來，情況也將是這樣：每一代人都將展望未來10年，卻無法預測到AI還有多少進步空間。

因此，對於任何計劃由計算機指數增長驅動未來的人來說，挑戰在於與他們大腦中的錯誤解釋作鬥爭。雖然這聽起來很難，但你需要同時記住這三張圖——對數圖的視覺一致性、戲劇性和線性圖的欺騙性尺度，這樣你才能真正領會指數增長的力量。因為過去總是顯得平淡無奇，而未來將永遠充滿了巨變。（小小）

END

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！