在講人工智能之前涯冠，我想向大家介紹一下我的一些可能不太為人熟知的背景：其實在進入幾個國際大公司任職之前，也就是在30多年前逼庞，我就進入了人工智能領域蛇更。我是在1980年首先做的自然語言處理，1982年做的計算機視覺，1983做的語音識別派任，1985年做的人機對弈砸逊，1996年做的VR/AR……但我們現(xiàn)在知道，那時候我的這些選擇基本上都是非痴乒洌“糟糕錯誤”的職業(yè)選擇师逸，因為每一件事情，我都是在它的黃金時代之前颤诀、白銀時代之前字旭，甚至破銅爛鐵都不是的時代就涉足了。從這個事情上崖叫，其實我也想說遗淳，做計算機研究這個領域，本身的素質能力當然都非常重要心傀，但是還要在正確的時候選擇正確的事情屈暗。我在錯誤的時候太過狂熱的跳進了人工智能領域，與此同時脂男，過去的三四十年人工智能也是起起伏伏养叛，一下很火，一下又跌入谷底宰翅。

但現(xiàn)在是人工智能的黃金時代弃甥。可能各位也會問汁讼，憑什么這次說是人工智能的黃金時代淆攻？為了說明這個問題，這次我肯定不只用一些理論來說服大家嘿架，畢竟我過去也做了這么多“錯誤的選擇”——我今天還帶一些實際的數(shù)據(jù)來跟大家分享為什么我對今天的人工智能充滿信心瓶珊。人工智能有很多分支，其中之一是機器學習耸彪，機器學習里面還有一個分支是深度學習伞芹，今天我更多的會用深度學習作為案例。

人工智能是一種工具

最近人工智能成為全球熱門新聞話題蝉娜，很多是因為大家看到AlphaGo在幾個月前擊敗了李世石唱较，最近在網(wǎng)上還傳出年底之前它要挑戰(zhàn)柯杰的消息。但在這個新聞的熱度之下召川，有一點讓我覺得很可惜：大家對這個話題討論的重心都放在了人工智能是不是在模仿人腦绊汹，“奇點”是否即將來臨這樣的問題上，卻沒有真正關注人工智能對我們的現(xiàn)實影響扮宠。

“奇點”認為未來機器將有各種的智能西乖、人類必須做一些事情來保護自己狐榔。我們在座的沒有任何一個人能夠證明或否定“奇點”，但就我個人而言获雕，我認為人工智能要取代人還是一個非常遙遠的事情薄腻。我覺得我們需要更關注的事情是人工智能是今天能夠拿來用的工具，它能幫助人類解決問題届案，能取代重復性的工作庵楷，能創(chuàng)造商業(yè)價值。正因為這個理由楣颠，我認為我們今天進入了人工智能的黃金時代尽纽。

隨便舉幾個例子：今天很多的工作以后大部分都會消失启盛，比如說翻譯擂送，雖然現(xiàn)在還不是做的那么完美，但是每年進步的都很快湿诊，再過幾年人工的翻譯可能就會非常難找到工作了矫膨。記者也同樣如此差凹，如今90%美聯(lián)社的文章都是用機器來寫的。幾乎所有思考模式可以被理性推算的工作崗位侧馅，在有足夠數(shù)據(jù)支撐的時候危尿，都會被取代。有人說十年之內一半的工作會消失馁痴，有人說十五年之內一半的工作會消失谊娇，我覺得這些都是合理的揣測。

我想在座大部分都會相信這個理論罗晕，而如果你對此還有懷疑济欢，你可以想想，為什么AlphaGo這么厲害攀例？就是因為它可以動用到幾千臺機器每天和自己對弈上萬盤的圍棋船逮，而這人是做不到的顾腊；以后為什么自動駕駛會這么厲害呢粤铭？因為它可以用它的各種的sensor在路上搜集數(shù)據(jù)，這不是任何一個司機可以匹敵的杂靶。所以這些都是一些必然的過程梆惯。

何為人工智能

到底什么是人工智能呢？我覺得大概來說可能是有幾個部分吗垮。

首先是感知垛吗，感知就是包括視覺、語音烁登、語言怯屉；然后是決策，剛剛講的做一些預測，做一些判斷锨络，這些是決策層面的赌躺；那當然如果你要做一套完整的系統(tǒng)，就像機器人或是自動駕駛羡儿，它會需要一個反饋礼患。

什么是人工智能？

在這些例子上可以看到掠归，感知可能更多的是幫助識別圖里面一個嬰兒在沙發(fā)上抱著泰迪熊這種缅叠。在推薦上面，我舉的例子是一個用Google now通過你過去做的一些事情推測你下面要做什么虏冻，在最下面的例子你會看到有一個無人駕駛的汽車肤粱，它有各種的sensor，它捕捉的信息可以用來做最后的決策兄旬，比如怎么去操作方向盤狼犯、油門、剎車等等的领铐。其實這三件事情的總和就是今天所被歸納為的人工智能悯森。

再從博弈、感知決策以及反饋四個方面回顧一下人工智能的發(fā)展歷程绪撵。博弈今天就不講太多了瓢姻，但是基本上我可以看到從我在大學做的Othello到Checkers再到DeepBlue chess，經(jīng)過很長的一段時間音诈，終于有了今天AlphaGo打敗了圍棋世界冠軍幻碱。我們從中可以看到，這是一條長達三十多年的路程细溅。

人工智能的各階段發(fā)展里程碑事件

在感知方面褥傍，從我的博士論文發(fā)表到Nuance成為一個頂尖的公司，從中國誕生了科大訊飛到美國的Deep Face喇聊、中國的Face++等等做得越來越好的企業(yè)恍风，這些年也有很多的進步。還有一些很特殊的例子誓篱，比如最近看到一些搞笑的比較Microsoft Tay在Twitter上開始跟人家交流一下子就講了一堆不堪的話朋贬，就被Microsoft撤回了，所以這里有很多的成功例子窜骄，也有很多有趣的事件锦募。

決策方面，從早期Microsoft Office里的工具到Google廣告的推薦邻遏，然后到金融行業(yè)的很多智能決策公司的出現(xiàn)糠亩，進步迅速虐骑。Google auto mail可能大家還沒有看過，但是如果你現(xiàn)在還在用Gmail的話赎线，會發(fā)現(xiàn)你有時候收到email富弦，Google會跳出來問要不要發(fā)回復，有時候它連回復都幫你寫好了氛驮，而且寫的很精確腕柜。這也是人工智能的體現(xiàn)〗梅希可能以后我們講話都不用盏缤，助理能幫我們搞定，人工智能的助理肯定也是一個方向蓖扑。

最后是反饋唉铜，從CMU Boss早期的無人駕駛到Amazon用Kiva推動物流，再到最近的Pepper律杠、Google car潭流，我們可以看到這個領域過去三四年特別的熱，有很多看起來商業(yè)化已經(jīng)做的非常好柜去。

科普深度學習

在這里灰嫉，我要稍微深度講一下深度學習。

深度學習是一種神經(jīng)網(wǎng)絡嗓奢，與但與之前的相比讼撒，它的特點是使用了多層網(wǎng)絡，能夠學習抽象概念股耽，同時融入自我學習根盒，而且收斂相對快速。收斂快速可能是一種技巧物蝙，不見得是一個理論炎滞，但是有一批人通過它解決了很多重要的問題。

簡單的來說诬乞，如果我們有很多笑臉册赛，然后我們把笑臉的像素輸入到一個神經(jīng)網(wǎng)絡里面去，最后你那兒希望讓機器能識別這是姚明丽惭，那是馬云击奶，但是因為你這個深度學習的網(wǎng)絡很深辈双，要一次性學會這么多也會比較困難责掏，所以就需要用到一個比較快速收斂的技巧——自我學習。通過自我學習湃望，機器會逐步從大量的樣本中逐層抽象出相關的概念换衬，然后做出理解痰驱，最終做出判斷和決策。

比如它可以有好幾層的nodes和connection瞳浦，經(jīng)過這些nodes和connection担映，它在每一個層次會感知到不同的抽象特征，且一層比一層更為高級叫潦。這些都是通過自我學習實現(xiàn)的蝇完，而不是人教的。經(jīng)過自我學習矗蕊，從一個臉輸進去再從同樣的一個臉輸出來短蜕，它就從里面抽象的學習到了一個人的臉重要特征。

深度學習的分層無監(jiān)督訓練

經(jīng)過這個學習之后傻咖，我再去做監(jiān)督訓練朋魔，看機器是否能夠識別他們，如果不能卿操，就在訓練之后做微調警检。例如，如果我輸入了馬云的臉害淤，出來的卻是王寶強扇雕，那訓練系統(tǒng)就會告訴你的網(wǎng)絡說這個是錯誤的：這不是王寶強，這是馬云窥摄。那接下來就是要進行微調洼裤，以便于下一次機器看到這個臉時，能識別出是馬云的概率高一些溪王，出來王寶強的概率低一些腮鞍。

分層無監(jiān)督訓練

但是這么一調也不能調的太過火了，要不然就會有overtraining的問題莹菱，我們就對整個數(shù)學公式做一點微調移国，用大量的數(shù)據(jù)，不斷重復的去教它道伟，經(jīng)過不斷微調迹缀，那么它就很可能在多次之后降低識別錯誤。

其實這一整套理論在二三十年前就已經(jīng)有了蜜徽，我在做我博士論文的時候祝懂，很多我的同事就在做訓練神經(jīng)網(wǎng)絡的工作。

深度學習在最初的時候訓練速度特別特別慢拘鞋，所以比較難進入工業(yè)級別或者是應用級別砚蓬，比如，你的手機是做不來這個的盆色，因為它的速度實在太慢了灰蛙。但經(jīng)過這么多年祟剔，我們的計算機變的越來越快，另外也有了更多取巧的訓練和識別做法摩梧，深度學習的應用可能性也發(fā)生了變化物延，它能被應用的領域越來越寬。多年前仅父，我過早的進入了這一領域叛薯，但是現(xiàn)在，人工智能大規(guī)模應用的時機已經(jīng)到了笙纤。

憑什么這么說案训？一個很簡單的評估標準就是，我們的深度學習或者是任何的機器學習粪糙，它是不是超越人類的能力表現(xiàn)强霎，如果超越的話，可能很多應用就會產生蓉冈。比如在機場城舞，如果機器識別人臉的準確度超過人，那么我們那些邊防的人就可能不需要那么多寞酿。這并不是說機器不會犯錯家夺，而是說既然人不能比機器做的更好，那我不妨就用機器取代伐弹。

深度學習的應用領域

在過去的五年拉馋，深度學習的準確度從75%多提升到了97%左右，而人的表現(xiàn)準確率大概是95%惨好。從95%到97%聽起來只進步了2%煌茴，但實際上是把錯誤率降低了40%，這是很大的進步日川。如果這種進步持續(xù)蔓腐，未來人工智能必然會超過人類的表現(xiàn)，同時也將可以進入一些可應用的領域龄句。這就是今天我講人工智能進入黃金時代的證據(jù)：在很多領域回论，也包括我們在face++做的人臉識別，包括了Apple分歇、Google傀蓉，科大訊飛的語音識別，它們的認知水平將在未來幾年的時間內超過人類职抡，而一旦超過人類葬燎，應用就會快速的增加。

深度學習的應用領域舉例

深度學習首先可以應用于識別，包括人臉識別和語音識別等萨蚕，這些可以用于安防，安檢等蹄胰。

人臉語音的數(shù)據(jù)來之不易岳遥，但是BI，商業(yè)的流程裕寨、互聯(lián)網(wǎng)的數(shù)據(jù)卻非常豐富浩蓉。Google、百度很早就已經(jīng)在搜索宾袜，在廣告以及推薦系統(tǒng)里面充分使用了類機器學習技術捻艳，解決該推薦什么商品，一個商品怎么定價庆猫，在什么位置會賣的最多认轨，應該把這樣的產品賣給誰等問題。這一類的推銷可以直接產生經(jīng)濟價值月培，而社交媒體營銷嘁字，整個互聯(lián)網(wǎng)廣告，這每一個領域都是幾十億杉畜，幾百億甚至更大的市場纪蜒。

將智能用于炒股其實也是一個不錯的選擇。在國內在國外此叠，很多人都在做這方面創(chuàng)業(yè)的工作纯续。利用智能，我可以隨時來算一籃子股票和期貨應該如何對沖灭袁，以尋求最大的利潤猬错。頂尖金融分析師也會做這個，但是他不可能把所有的股票的排列組合都考慮一遍茸歧，但是機器可以二十四小時不睡覺兔魂，每天都在算怎么能賺最多的錢。除此之外举娩，deep learning深度學習的技術可以把各種的因素都融合進來析校，比如這個公司的高管有沒有變動，今天出了什么新聞铜涉，行業(yè)里還有沒有什么變動……甚至你可以對一個智能系統(tǒng)說如果明天巴西發(fā)生了地震智玻，什么股票該被購買，甚至你可以說發(fā)生了地震不要問我芙代，你直接去買它就可以了吊奢。

銀行保險方面，比如說貸款該不該審批，則無論是銀行的貸款页滚，還是P2P的貸款召边，都可以通過機器來判斷，而且數(shù)據(jù)未必要來自銀行內部裹驰。

醫(yī)學方面隧熙，因為我自己生過病，也深深的受過這方面的痛苦幻林，我也感覺到在今天的醫(yī)生的判斷真的不是最完善的贞盯。一方面醫(yī)生有好有壞，頂尖的醫(yī)生是非常少的沪饺；第二方面比如在癌癥方面躏敢，它每一年都有新的藥出來，那每個醫(yī)生每天忙著看病人整葡，就不見得有時間去研究這些藥物件余，那些藥物也不是每個國家都可以使用的。還有就是每一個人遭居，他的各種特質蛾扇，不見得就適合用這個藥。這些其實都是可以用機器學習來做出來的魏滚。

前一陣我在美國碰到了一些科學家镀首，他們正在用機器學習的方法來發(fā)明新藥。我們的科學研究方面當然要有聰明的頭腦和很好的實驗鼠次，但是其中有一個很關鍵的部分更哄，就要是一定的程度去排列組合：試很多東西，對小白鼠先試試這個有沒有用腥寇，再試試看那個有沒有用成翩，然后再在猿猴身上實驗，再進行人體實驗赦役。在以前麻敌，這整個過程都是由人腦完成，但是這個交給機器來做也許會更精準掂摔。甚至有一家公司它養(yǎng)了非常多的白老鼠术羔，他里面所有的實驗都是通過機器學習精準進行：每天白老鼠活了幾只，死了幾只乙漓，什么藥可以進到下一步……這些都是靠機器學習加上非常精密的系統(tǒng)來做级历。

我們發(fā)明的很多新的材料，都不是靠純粹的科學方法推出來的叭披，也是去試一試寥殖，把這個碰到那個，就產生了有很特殊效應的材料。這些知識都可以輸入我們的信息學習系統(tǒng)嚼贡，通過它我們可以幫助發(fā)明新的事物熏纯。

在教育方面也有應用。在學習的過程中粤策，如果基礎沒有打好樟澜，下一個層次根本學不下去。智能化的教育系統(tǒng)會識別你的學習水平掐场，然后根據(jù)你的水平確定學習內容往扔。比如贩猎，你的乘法沒有學好熊户，機器就不可能讓你去學除法。

當然學習外語也是很好的例子吭服，我們今天的語音識別做的這么好嚷堡，為什么我們學外語還是一定要找外教，為什么語音識別不能再上一層樓呢艇棕？所以蝌戒，當你的技術一提高了，語音識別應用就不會只是我的講話進去然后文字出來沼琉，它還有可能用在教育領域北苟。

在這么多機會之下，這個人工智能會重塑億萬級別的領域打瘪。當然這個不是明天就會發(fā)生友鼻，因為我覺得人工智能在很多方面還是相當大的欠缺……

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)生闺骚，因為今天我們在很多相關方面仍存在相當大的欠缺彩扔。

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

另外碰镜，算法框架也非常重要绞惦。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)洋措，但現(xiàn)在仍有很多方面還沒有出現(xiàn)相關標準济蝉。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王滤，哪怕是清華大學頂尖的計算機系學生贺嫂，他也很難用其創(chuàng)造價值。如果清華的學生都不能雁乡，那它的普及性就有問題了第喳。

為什么iOS、安卓能夠做的很好踱稍，就是因為它產生了平臺化效應曲饱，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珠月。今天扩淀，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)人士能夠使用啤挎，這個是目前面臨的一個很大的瓶頸驻谆，需要一定的發(fā)展時間才能得以突破。

在一些領域中庆聘，很多技術性問題可以在兩三年內得到解決胜臊，但是還有很多問題并非如此簡單，比如說語義伙判。我們說語音識別是相對簡單的：音進來象对，字出去，這個非常明確宴抚，一個API就可以調動勒魔。但是音進來，確定是何種情境的語義出去就很難酱塔。這些我覺得兩三年遠遠還不夠沥邻，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羊娃、如何普及的問題√迫現(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蕊玷，Google Car實際商業(yè)化的一個巨大瓶頸就是價位的問題：傳感器實在太貴了邮利。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，但量怎么起來垃帅？價格不下去量也起不來延届。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贸诚》酵ィ控制機械運動的算法厕吉，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)。

整體來說械念，雖然我認為機器學習头朱、深度學習在突破人類的精確度方面已經(jīng)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龄减。但是這一天肯定是會來臨的项钮，我們怎么知道會來臨呢？

Google的野心

我們知道希停，不久前Google重新組織了公司架構烁巫，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。很多分析師說宠能，Google把搜索和其他的業(yè)務分開來做Alphabet亚隙，是為了優(yōu)化它的股價，其實這種說法太表面了棍潘，他們沒有了解一個真正有野心的公司在做什么恃鞋。

一定程度上崖媚，Google之所以成立了Alphabet亦歉，是因為Google經(jīng)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的模式畅哑。Google Brain其實就是機器學習的大腦肴楷，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荠呐，如果它能夠用在醫(yī)學領域赛蔫，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泥张。所以Google的野心就是把機器學習作為一個核心呵恢，然后用它去解決非計算機非互聯(lián)網(wǎng)領域的各種問題。

當然它現(xiàn)在還不是一個整體平臺媚创，但Google 就會找一些極聰明的人來進軍這些領域渗钉，有平臺的用平臺，平臺未成形的就用聰明才智來想辦法〕疲現(xiàn)在看來鳄橘，Google這種模式也做成了很多有意義的事情。所以芒炼，對于Google瘫怜，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本刽。

怎么證明這是真的呢鲸湃？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赠涮。

Google內部對深度學習的大量應用

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

再回到我原來的問題，我們現(xiàn)在是不是生逢其時晒衩，可以在正確的時候選擇進入人工智能這個領域呢嗤瞎？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听系，我們也要相信人工智能的應用期即將來臨贝奇。

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)。這里有幾個問題靠胜。

第一個問題掉瞳，就是我剛剛提到的：目前仍然沒有一個統(tǒng)一的平臺。在深度學習方面浪漠，現(xiàn)在的人懂就是懂陕习，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)界頂尖的人才址愿，給年輕人開出的年薪甚至超過200萬美元该镣。這些人也就是二十來歲，博士剛畢業(yè)不久响谓，怎么會這么值錢呢损合？

其實就是因為兩個理由，第一娘纷，這些人進入了公司之后嫁审，會被投入到健康、醫(yī)療赖晶、預防等等各個領域的研究律适。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嬉探，所以對Google公司而言擦耀，這些人才實際上不貴，是非常劃算的涩堤。

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

第二就是深度學習的網(wǎng)絡太大员魏，需要海量的數(shù)據(jù)揣苏。

第三，因為數(shù)據(jù)太多，所以計算特別的慢照藻，所以需要非常大的計算量杰标。

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膘格。即便機器訓練做了很棒的深度學習谷婆，人臉識別、語音識別做的非常棒径玖，但它不能和人一樣痴脾，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梳星，但是在今天赞赖，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冤灾，那這個領域對于深度學習來講還是比較困難的前域。比如AlphaGo打敗李世石，你要問AlphaGo是為什么走這步棋瞳购，它是答不上來的话侄。

即便有如此多的局限亏推，我們還是認為人工智能在很多領域可以迅速應用学赛，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)打造競爭壁壘吞杭？可以從如下四個方面思考：

第一盏浇，如果你有壟斷性的大數(shù)據(jù)，你就會有很大的優(yōu)勢芽狗。關于數(shù)據(jù)需要注意的幾點是绢掰，首先壟斷性大數(shù)據(jù)不是公開的數(shù)據(jù)，不是剽來的數(shù)據(jù)童擎，也不是買來的數(shù)據(jù)滴劲，因為這樣的事情你能做競爭對手也能做。其次顾复，無標簽的數(shù)據(jù)也不會給你帶來優(yōu)勢班挖。再次，如果是人工標簽的數(shù)據(jù)也不行芯砸，因為人工標簽太慢了萧芙。最好的數(shù)據(jù)是閉環(huán)的數(shù)據(jù)给梅，所謂閉環(huán)的數(shù)據(jù)就是在你應用的時候可以捕捉到數(shù)據(jù)并且知道最終你根據(jù)數(shù)據(jù)做出的抉擇對或不對。我們投資的face++双揪，它有和美圖动羽、阿里的合作，就一定程度形成了特別大的數(shù)據(jù)的優(yōu)勢渔期。

第二运吓，擁有龐大的機群。機群是很重要的疯趟，包括需要什么處理系統(tǒng)的支持羽德，怎么去部署，用什么樣的計算架構等等迅办。

第三宅静，你要有一批特別懂的人。沒有平臺的時候站欺，你就只能把一批人丟進去姨夹，讓他們去解決特別大的問題。

第四矾策，當你沒有平臺的時候怎么辦磷账？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)勢贾虽，從長期看逃糟，一旦大的人工智能平臺出來，這種優(yōu)勢就不存在了蓬豁。所以現(xiàn)在來做人工智能绰咽，抓到這個先機是特別特別重要的。

人工智能如何快速商業(yè)化地粪？

人工智能如何快速商業(yè)化

第一取募，不要用人工智能去取代人。

機器不一定要取代人蟆技，很多情況之下他只要能輔助人就可以了玩敏。我談到了很多工作會消失，但醫(yī)生會全部失業(yè)嗎质礼？一定不會旺聚，應該是最高明的醫(yī)生創(chuàng)造很多機器人給他人使用。記者就不再需要了嗎眶蕉？寫深度文章還是需要的砰粹，但簡單拼拼湊湊的文字就不需要了。所以這些工具一定程度上是在輔助人而不是取代人妻坝。

第二伸眶，要聰明的找到容錯的用戶界面惊窖。

想想搜索引擎，搜索引擎的精確度其實是很低的厘贼，你想一想界酒，當你去百度，Google搜索的時候嘴秸，它們給出的第一條就是你要的答案的情況有多少毁欣？我估計不會超過50%，但是為什么我們都說搜索引擎聰明岳掐，不說他笨呢凭疮？第一個理由當然是因為它博學，第二個則是因為它的界面做的非常的聰明：它給用戶提供很多結果串述，而用戶只要能找到他滿意的那個执解，就會認為搜索引擎很棒，因為沒有它的話纲酗，用戶可能什么也找不到衰腌。這一類的容錯的界面，即便它的識別率很低觅赊，給你很多結果右蕊，讓你在一定時間里得到滿足，其實還是達到了一定的可用度吮螺。

第三饶囚，讓用戶提供自然的大數(shù)據(jù)。

當Siri推出的時候很多人都說“這就是個玩具而已”鸠补，認為它沒有真實的用處萝风，但是蘋果靠Siri收集了很多人的真實語音，收集了大量數(shù)據(jù)莫鸭。

很多人把Siri當成一個搞笑工具闹丐，會問它諸如“你是男是女”這種無聊問題，蘋果就把這些無聊的問題深度分析了一下被因，去了解人們最常問的都是什么問題，然后他們就考慮能不能優(yōu)化Siri衫仑，讓它對正常問題的解答能讓人們在一定程度上得到滿足梨与。人們滿足了以后，就會繼續(xù)的問文狱，如此問題越問越多粥鞋，蘋果也就可以得到更多的數(shù)據(jù)。

蘋果的這種數(shù)據(jù)收集方法非常聰明瞄崇，值得借鑒呻粹。我們以前在學語音對話的時候壕曼，問的都是非常正經(jīng)的問題，到最后分析來分析去等浊，不過是那固定的幾萬句腮郊，一直沒有跳出這個框框，得到的結果也就不會讓人滿意筹燕。但用一種有趣的方式轧飞，你就可以像草船借箭一樣，去“借”到幾億個數(shù)據(jù)撒踪。這些數(shù)據(jù)哪怕不精確也無妨过咬，因為整體來說深度學習非常聰明，能把那些不精確不精準的東西忽略掉制妄。

第四掸绞，關注局限領域。

Google很偉大耕捞，它要做全天候全路況的無人駕駛集漾，它想把全部競爭對手都擊敗，最后就剩一個Google砸脊。這個計劃很宏偉具篇，但是是不是一定要這么做呢？我覺得不見得凌埂。其實我們完全可以先做一個用于局限領域的無人車驱显，把這樣的一個產品先做起來，然后我們通過它獲取數(shù)據(jù)瞳抓，學習教訓埃疫，不斷改進。

想想無人駕駛叉車孩哑。這個叉車是產生價值的栓霜，因為它取代了一個叉車工人去開叉車；它技術難度相對低横蜒，因為它只要知道從A走到B胳蛮；它不上路，不用擔心政府的法律法規(guī)丛晌，不需要考慮撞到人怎么辦仅炊，是不是要停下。

Google Car能在高速公路上比99%以上的人都開的更好澎蛛，但是它碰到一些極端的情況抚垄，比如大風大雨的漆黑天，它就沒轍了，因為它不知道該怎么辦呆馁，從來沒看到過這種情況桐经。這種情況下只有把車子停下來，但那一停會發(fā)生什么呢浙滤？當然就追尾了阴挣。

既然這種情況連Google也避免不了，為什么我們不先考慮做一些可控環(huán)境下的商業(yè)駕駛項目瓷叫？這也是一個值得思考的問題屯吊，不是說Google的路線不對，而是說有兩種路線可以走摹菠。

總結：人工智能的未來藍圖

李開復：人工智能的未來藍圖

上圖是我認為的人工智能的未來藍圖盒卸，這是我們創(chuàng)新工場現(xiàn)在對這一領域的理解，以及可能會發(fā)生的順序次氨。

大數(shù)據(jù)應用方面蔽介，現(xiàn)階段我們已經(jīng)看到很多互聯(lián)網(wǎng)應用，BI煮寡、商業(yè)自動化馬上也會使用相關的技術虹蓄，未來幾年，離錢最近幸撕、產生用戶最多薇组、產生價值最大的領域可能就是金融、醫(yī)療坐儿、教育律胀，當然也包括任何有大數(shù)據(jù)的行業(yè)。

在感知方面貌矿，今天的人臉識別炭菌、語音識別已經(jīng)做的蠻好。對于VR/AR逛漫，我們在短期還不是太樂觀黑低，但是隨著它三五年以后慢慢得到普及，一定需要非常多的新的自然語言的界面酌毡。此外克握，我們大膽預測三到五年之內會有一個人工智能平臺出現(xiàn)。

我們并不認可家庭機器人會很快出現(xiàn)阔馋，理由是消費者的期望值是最高的玛荞，今天機器人的技術還不行，犯錯也太多呕寝，而且有時候會看起來太傻，另外價格也太貴，感應器不夠靈敏下梢】吞＃基于這些理由，我們對家用機器人的投資還只限于一些給小朋友的玩具孽江，或者小魚在家這種用于溝通的工具讶坯，這一類的家庭應用我覺得還是合理的，但要一個能夠在家里幫你掃地做菜的機器人出現(xiàn)岗屏，恐怕還是一個非常長期的事情辆琅。任何行業(yè)都要有經(jīng)濟理由來投資這個領域，不斷迭代優(yōu)化它的技術这刷，再進入下一個階段婉烟，所以機器人簡單來說應該是工業(yè)、商業(yè)暇屋，最后普及到家庭似袁，所以今天很多對家庭機器人過火的觀點和做法我們是不認可的。

關于無人駕駛咐刨，我們的觀點是雖然Google Car很偉大昙衅，但是因為它要去適應各種路況，所以要到應用階段也還需要很長的時間定鸟。我們認為可以先在局限環(huán)境中慢慢推進無人駕駛而涉。

從長期看，未來人工智能會在所有的領域徹底改變人類联予，產生更多的價值啼县，取代更多人的工作，也會讓很多現(xiàn)在重復性的工作被取代躯泰，然后讓人去做人真正應該去做的事情谭羔。短期來說，人工智能商業(yè)價值也很大麦向，短期在很多領域都能產生價值瘟裸。

李開復和清華大學姚期智院士

演講后問答實錄：

問題一：剛才聽到了人工智能的介紹，真的認為人工智能給我們帶來了很多的便捷诵竭，的確是快要步入到一個黃金時代话告，很多人可以從勞動密集型的工作中解放出來。我的問題是卵慰，如果很多事兒都可以交給機器來完成沙郭，那么剩余的勞動力是否會催生另一個黃金產業(yè)，比如服務業(yè)等等裳朋？

李開復：這個問題很好病线，我曾經(jīng)寫過一篇文章《如果十年之后有一半的人失業(yè)了，下面該發(fā)生什么》，講過這個問題送挑。悲觀的預測是绑莺，因為現(xiàn)在的95后，00后大部分成長在虛擬世界里惕耕，現(xiàn)實世界只是他們一個小小的補充纺裁，所以他們可能深陷其中而不能自拔了。反正人工智能讓他們失業(yè)司澎，也找不到工作欺缘，同時政府也可以養(yǎng)著他們，他們不需要工作挤安，那么干脆每天帶著虛擬眼鏡起來就玩游戲谚殊，不思進取就好了。這個是我特別擔心的漱受，也是可能發(fā)生的络凿。

樂觀的是上天讓我們來到這個世界，本來就不是讓我們來做中介昂羡、助理這類勞力的工作絮记，我們被生為有感知，有大腦虐先，應該是有更高的目標怨愤。那么，是不是上天讓人工智能來到我們面前蛹批，就是讓一批有思考能力的人幫人類找到一條新的出路撰洗，讓我們每個人能夠找到自己的更高目標，讓一半失業(yè)的人找到他們的歸宿腐芍，有自我實現(xiàn)的機會呢差导？

我對年輕人的建議是做最有熱情的事情，要不然機器肯定取代你猪勇，要做就要做頂尖最棒最有創(chuàng)意的事情设褐，要不然你肯定會被取代。

問題二：您講了很多前景中的事情泣刹，我們都覺得美好助析，但是在實現(xiàn)前景的道路上，最大的幾個技術瓶頸在哪里椅您？在解決瓶頸的過程中外冀，您看到的大公司解決這些瓶頸的方案是什么？

李開復：最大的瓶頸就是人工智能的平臺掀泳。平臺化會帶來井噴的效應雪隧，但這個平臺是什么我今天也無法描述西轩。你可以看到iOS的平臺，安卓的平臺等等膀跌，每一次都造成了井噴式的效應遭商，所以平臺化是必然的也是必須的固灵。對于無人駕駛和機器人方面捅伤，主要是感應器的價格等問題，一旦問題解決巫玻，這些領域也會發(fā)生井噴效應丛忆。這些都需要聰明的大腦試著去解決。

問題三：第一個問題仍秤，您剛才提到人工智能的黃金時代到來了熄诡，那么您能舉一個到三個導致這種黃金時代到來的創(chuàng)新明星嗎？第二個問題诗力，當人工智能呼嘯而來的時候凰浮，大家很快意識到人工智能第一個急需解決的問題是人，如果人類把持不住苇本，可能人的時代就過去了袜茧。

李開復：今天有四位CEO，分別代表了芯片領域瓣窄、金融領域笛厦、視覺識別領域和無人駕駛領域，這四個公司雖然目前領域不同俺夕，但在到達下一個階段后裳凸，一定會做平臺，一定要擴張劝贸。任何一個領域都是先做一個切入的應用姨谷，做好了之后再擴大，變成一個平臺映九，最終獲利最多的就是那些有上下平臺連接的公司梦湘。

關于你的第二個問題，即人類將面臨的下一個挑戰(zhàn)問題氯迂，不是機器人占領了世界践叠，我們被機器統(tǒng)治這樣的問題。雖然我不排除這些事情發(fā)生的可能性嚼蚀，但是我呼吁大家先要應對一個現(xiàn)實問題——下一階段50%的人可能失業(yè)的問題禁灼。這可能是一個最大的問題，畢竟在過去的工業(yè)時代也好轿曙，信息時代也好弄捕，失業(yè)率從來沒有這么高過僻孝，今天的政治經(jīng)濟體系也不能承擔這么高的失業(yè)率。所以我覺得聰明的人應該趕快解決這個問題守谓，這個問題可能十年后就要到來了穿铆，當這個問題解決完了之后，我們再去想下一個問題斋荞。

問題四：您講到的人工智能在各個領域都會以極快的速度超過人的領域荞雏，但是它是不是只在某些領域做的更好，在某些人類沒有開拓的領域平酿，它有沒有自我開拓的能力凤优，根據(jù)已有的領域和問題，開拓新的領域蜈彼？“奇點”真的出現(xiàn)筑辨，是不是就說明人工智能有跨領域思考學習的能力？

李開復：從過去已經(jīng)發(fā)生的事情來看幸逆，還不存在人工智能的自我開創(chuàng)棍辕，未來有沒有可能，這其實是一個蠻有意思的話題还绘。我想即便是一些人類未曾進入的領域楚昭，只要你能把它量化，變成一個input/output蚕甥，我覺得機器還是可以學成的哪替。但是我也相信大部分人類的偉大創(chuàng)意都不是那么容易量化的。

第二個關于奇點的問題菇怀，回到剛才講的凭舶，機器學習并不知道它自己在干什么，它只是一個非常聰明的input/output而已爱沟。另外它沒有自我意識帅霜。科幻小說和現(xiàn)實生活很大的差別是因為科幻小說里面的機器都有自我意識呼伸，所以我覺得身冀，由于機器的自我意識和自我創(chuàng)造力，還有自我解釋的行動能力括享，這三者都不存在搂根，奇點來臨也就不是那么容易的事情。我相信在未來的一百年铃辖，這三點都有可能被克服剩愧，也會給人類帶來機會和災難，但是我們現(xiàn)在真正面臨的問題還是50%的人可能失業(yè)的問題娇斩。

著作權歸作者所有仁卷。商業(yè)轉載請聯(lián)系作者獲得授權穴翩，非商業(yè)轉載請注明出處。