18 views

 編輯導讀:近幾年人工智慧大熱,幾乎所有人都在討論關於人工智慧相關的話題,同時各個領域的突破也不少。本文作者對當前人工智慧的目前發展情況進行了梳理,並分享了自己對人工智慧未來的一些猜測與看法,與大家分享。

01 現階段人工智慧的瓶頸

現在人工智慧有很多突破,尤其在應用上有大量突破,但是實際上人工智慧底層的技術研究的進展其實並不多。最近值得說的進展就一項,就是曾經研製出了AlphaGo,戰勝了李世石的公司DeepMind。DeepMind在前段時間研究了一個系統,戰勝了人類的德州撲克選手。

玩過德州撲克的朋友是可以感受到的,德州撲克要比玩圍棋複雜得多。因為圍棋所有的信息都是充分信息,是已知的;而德州撲克,你對面的玩家肯定不會讓你知道他手裡的牌,所以是不充分信息。在不充分信息的情況下能戰勝人類選手,某種程度上說明人工智慧又進了一步。

不過這種進步只是弱人工智慧。正如《前哨》中所說:弱人工智慧比人強,強人工智慧比人弱。迄今為止在強人工智慧方面還沒有任何進展。

美國著名的計算機專家、圖靈獎的獲得者Judea Pearl的在去年的新書《為什麼》中,就提到了一個很有趣的,甚至讓人工智慧專家都有點尷尬的事實:「人工智慧評價這個系統的好壞,並不能從結構上或者理論上來評價,比如你的結構更優或者理論更好,只能從結果來評價。」人工智慧算是一門科學嗎?答案成疑。所以Pearl就很毒舌地說:「人工智慧現在已經變成了鍊金術。」

所以人工智慧在現階段最大的瓶頸,就是理論上和實際底層技術的發展。

下面是筆者在讀《為什麼》時的筆記導圖,強烈建議對人工智慧感興趣的朋友讀下原書。

02 人工智慧的三大發展方向

雖然面臨著理論和底層發展的瓶頸,人工智慧終究還是有進展的,根據王煜全老師在2019年的報告中的闡述,結合筆者對人工智慧領域的理解,可以總結為以下三個發展方向。

1. 大數據向小數據過渡

過去機器學習要用海量數據做訓練,現在希望用儘可能少的數據做訓練。

小數據不等於沒數據,因為人工智慧迄今還是基於歸納總結原理做出來的,也就是說在人工智慧系統裡面其實統計學更有意義。

但人工智慧絕不能滿足於此,人類是會推理的,可以在沒有數據的情況之下判斷事情該怎麼做,小數據也不能真實模擬人類的這種判斷。

我們可以想象這樣一個場景:在一個雨夜裡,你在一個崎嶇的山路上開車,前面路中間有一堆土,土堆邊上有一個看似穿著警服的人在揮手,搖著一個旗子讓你下來,你下還是不下?如果你不下,勉強可以沖得過去,但如果你下來才是遵守指令。這種時候,我們普通人會有很複雜的推導,比如這附近治安好不好?晚上天很黑的時候附近治安會不會有問題?另外我們人會看這個警察,他身上的裝扮是不是真正的警察制服?周圍的交通疏導裝置是不是都安上了?如果只有一個人站在那,而沒有相應的交通疏導裝置,很多人會認為這是假的,就會想辦法衝過去。

這些所有背後的複雜判斷,不只是一個路面的問題,而且涉及到了社會安全,以及很多其它和交通無關的問題。這些問題是迄今為止自動駕駛都無法判斷的。

這也就是五級自動駕駛幾乎接近於永遠無法推向市場實現商業化的原因。除非下一次人工智慧的突破到來,使得人工智慧真正具備智力分析能力。雖然現在人工智慧的一個方向是小數據,但依然不是沒數據,依然是基於統計,而不是基於推理和因果關係,這也是《為什麼》這本書質疑人工智慧的地方。

2. 邊緣計算

筆者不是技術出身,對計算能力上的概念理解也是有限,簡單描述下該方面的發展方向。

從計算能力上來說,一方面,我們要有充分的計算能力;另一方面,5G的來臨使得我們的雲端計算能力也可以得到極大的加強。而且因為響應速度提升了,所以雲端計算能力可以對局端、對邊緣的計算能力實現更好的補充,使得雲端和終端形成一體化的人工智慧計算能力。

這其實對整體來講是錦上添花,而並不是一個革命性的變化。

3. 終身學習

現在機器也可以終身學習了。

機器一旦有了終身學習能力,就會使得我們整個人類或者說企業,尤其是行業裡面採用人工智慧的策略產生本質性變化。如果機器不能終身學習,我們在引入人工智慧的時候就不用太著急,等到人工智慧系統足夠好的時候再引入即可。但是如果機器能夠終身學習,最好的策略是第一時間引入人工智慧,因為雖然引入的時候它可能還不那麼智能,但是它不斷學習、不斷完善自己,就會比引入晚的競爭對手領先一大截,這個時候甚至和硬體都沒有那麼大的關聯。

所以,各個行業都需要去看人工智慧能否更快、更好地引入到自己的行業領域裡面來。因為人工智慧確實是像互聯網一樣,所以很多人都說人工智慧是互聯網的下一代,就是因為它有廣泛的適用性,所有的行業都有可能因為人工智慧而獲益。

03 人工智慧技術在哪些應用上有優勢?

現在採用人工智慧還是有一些障礙的,尤其是對於不是這個行業領域的公司。一些傳統領域的公司通常認為,建立了人工智慧部門,也招了很多做人工智慧的人,就是在做人工智慧了。但實際上迄今為止,人工智慧專家依然是稀缺的,人工智慧專家在未來五年之後可能就不再稀缺了,但是現在依然是稀缺的。

稀缺的一個主要的特徵,就是很多大IT公司都在喊:現在和我們搶奪人工智慧人才的,主要的競爭對手是華爾街。為什麼呢?因為人工智慧技術基本上到頂了以後,你就可以判斷它在單項上有很強的優勢。這種單項優勢就會被各個行業領域採用,最早採用的一定是利用這個優勢獲得大量收入利潤的行業,金融無疑是最理想的行業,所以用人工智慧炒股已經幾乎變成華爾街的標配了。

雖然獨立的人工智慧炒股的基金公司並不多,但實際上,大多數的基金公司都儲備了人工智慧的人才。判斷短時的漲跌,用人工智慧做短期操作一定比人強,這已經是事實了。當然,這並不代表人沒有機會,因為現在單項上人工智慧比人強,但是多項綜合人就顯著地佔有優勢。

如果你判斷短期的股票交易,基本上就根據以前的交易行為來判斷,那一定是機器比人強;但是如果判斷一個企業的長期發展,尤其是判斷一個企業未來的科技產品有沒有可能在未來的科技市場當中佔優,機器就不一定比人強。

因為這些判斷是非常綜合的事情,涉及到了科研發展的趨勢,包括研發的進展、技術能力的變化,包括產業格局的變化,甚至包括企業經營特點的變化,還包括市場的接受程度、用戶的變化。

從這個意義上講,人工智慧相對來說是判斷不清晰的。也就是說,你問人工智慧明天可不可以買一個股票,它的回答一定比問一個人要好,但是你問一個公司五年之後發展得好不好,你最好去問人類的專家。這說明人還是有機會的,不要和人工智慧去爭奪單項的長短,而要在綜合上面取得優勢,甚至每個單項上都用人工智慧輔助我們,但是在整體上我們可以超越人工智慧。

這是一個相對來說比較特例的地方,因為人工智慧能為企業帶來大量的錢,所以整個華爾街現在非常歡迎人工智慧專家,以至於現在很多IT公司都把華爾街當成競爭對手,這個競爭指的不是市場的競爭,而是指人才的競爭。而隨之而來的,大多數情況之下,人工智慧專家不太願意去傳統行業的企業,因為傳統行業往往有很長的研發周期,它不像短線炒股,研發周期很短,迅速就有結果。

04 人工智慧獨角獸著臨著巨大的壓力

現在中國的人工智慧有一個很大的問題,就是過熱了以後產生了一批人工智慧獨角獸。

獨角獸就是還沒有上市,但是估值已經超過了10億美金的公司。我們都知道很多公司其實估值不到10億美金就可以上市了。但是這些獨角獸之所以沒有上市,是因為收入利潤並沒有清晰地顯示出來,也就是說其實它還不符合上市指標。但是因為市場熱捧,所以它的估值非常高,這樣的話這些企業就會有特彆強大的壓力。

壓力體現在兩方面:

一方面,它必須要持續不斷地從市場網羅人才。因為它是獨角獸,它給期權的時候會顯示期權的價值特別高。雖然這個期權顯示很高,不代表員工真正獲取了這個價值。但是市場承認這個價值,所以它就會對人才形成很強的吸引,造成現在很多的人工智慧人才願意去獨角獸,因為有高薪又有高期權,而不願意去傳統行業。傳統行業的薪水沒那麼高,而研發又需要一個周期,不能立竿見影看到效果,回報產生了落差,因此大多數人會選擇去獨角獸企業。

獨角獸企業有另一個致命的問題,因為它估值過高了以後,就要儘快地在收入利潤上兌現它的承諾。這就意味著這些獨角獸企業在長期研發上投入不足,同樣是盯著那些眼前最能賺錢的業務,人工智慧現在最能賺錢的業務是什麼呢?這其實也是大家普遍關注的一個話題。

因為人工智慧在去年、前年就在喊這樣一個話題了,今年甚至還會再繼續喊,就是所謂人工智慧叫好不叫座。雖然人工智慧非常熱,各種新的應用層出不窮,但是你去看人工智慧企業,似乎它們收入利潤的增長沒有那麼令人滿意。

05 在人工智慧細分領域的機會

1. 硬體層

該層級主要是涉及人工智慧相關的硬體企業。這些企業坦白講其實未來還很難預測,做這種專業領域的研發(FPGA)的公司機會相對還大一些,現在做類腦計算晶元、人工智慧計算晶元,通用性相對強一點,壓力會比較大。因為實際上這種晶元是需要構築生態的,這種晶元的一個領軍企業就是NVIDIA(英偉達)。

英偉達有幾千個工程師,去幫它的晶元做各種應用的場景開發,或者是應用的支持,加強了英偉達的生態的健全。例如,同樣做自動駕駛解決方案,英偉達更看重的是,我如何能讓客戶得到全面的服務。基於此,英偉達做了一套虛擬的試車系統。這套虛擬系統,讓自動駕駛系統在虛擬路面去跑,可以把速度倍速。另外,可以同時在多個虛擬環境跑,顯示好像是有100輛車、1000輛車同時跑,很快地積累到了足夠的里程,由此人工智慧系統就足夠地強壯、足夠地智能了。

這就是它對環境的構建,這是非常重要的。而國內大多數晶元企業,只是盲目地強調自己計算能力的優越,沒有這種生態構建的能力,其實是很難跟英偉達競爭的。當然英偉達也有一個緩慢的苦盡甘來的過程,其實在兩三年以前黃仁勛在演講時,他還在暢想人工智慧在各個行業領域的突破,非常地發散,但是到去年的時候業務已經非常地聚焦,一定能實現足夠大的收入利潤。

2. 基礎服務層

這個層級主要聚集著在基礎平台和基礎應用上發力的企業,比如雲計算提供者。

在美國幾乎所有的IT巨頭都花巨資去建立大的雲計算平台,而且都要有強大的人工智慧的支撐能力,其中最領先的就是亞馬遜的AWS和谷歌這兩家公司。所以這幾乎變成了一個業內共識,未來雲計算+人工智慧,甚至到了5G以後,使得雲計算+人工智慧無所不在,成為標配,很快就會發現人工智慧會像自來水一樣,隨處都可以獲得。

中國也是一樣,現在比較領先的就是阿里雲,騰訊、百度也在發力,但是現在看起來阿里還是比較領先的。當然華為也在做自己的雲。中國也會誕生幾朵大雲,也有很大的市場空間,因為中國的IT市場不比海外小多少。

所以這一層會發展起來。而這一層的核心就是除了提供基礎的雲計算能力以外,一定要提供一些附加的人工智慧能力。而這種人工智慧能力就會使得人工智慧的基礎應用,不是由人工智慧提供商來提供,而是由雲平台直接提供。

什麼是基礎應用呢?現在其實沒有明確的定義,在此筆者舉出幾個例子,供大家了解與討論。

視覺識別,包括面部識別會變成基礎應用。因為在更多公共場所的監控加上視覺識別之後,可以快速抓捕逃犯,有助於社會治安。這就形成了一個巨大的市場,現在大量獨角獸都在追逐該市場。

但從長期來看,這個市場對於獨角獸們恐怕不是很友好:一方面,政府會形成統一的大市場,未來應該是打通的,就從全國到處都是客戶變成一個客戶,這個市場也就某種程度上不存在了;另一方面,不管是幾個客戶,提供者很可能都不是今天的這些獨角獸們,而是由基礎雲平台直接提供,比如阿里、騰訊或者是華為這個量級的企業。

主要原因就是這個能力並不複雜,尤其有了雲以後,從雲上直接提供是最簡單的,未來各地只要有攝像頭,就可以利用雲端的能力實現智能的面部識別或者是圖像識別的功能。

除了面部識別以外,現在一個大熱點就是動作的識別,甚至把它叫做動作指紋。我們每個人的步態、動作、姿態都有自己的特定規律,經過人工智慧的分析,可以只通過我們的動作就知道這個人是誰。現在還有一個特點,就是跨攝像頭、跨領域的連續分析。也就是說通過動作捕捉,你可以跨多個攝像頭,這就可以了解一個人的行為軌跡。雖然這個人的臉並沒有被識別,但是通過動作就可以識別出來。雖然今天人工智慧還是作為科研任務在搞,但是很快就會變成一種基礎能力,通過雲計算提供出來。

除此以外,還有一些基本的圖形識別能力,包括另一個熱門的市場,就是醫學的圖像識別。醫學裡面X光或者B超這樣的圖像識別,未來很有可能也會被整合到雲端,提供者可能是第三方公司,也可能是雲端的大IT服務商,但是未來都會由雲端來提供,這也變成基礎服務了。

最後,語音語義識別和翻譯未來很有可能也變成雲端的基礎服務。今天如果你要翻譯的話,還需要隨身帶翻譯機,但是其為什麼不是整合到手機里呢?據搜狗的CEO王小川介紹,搜狗的翻譯機里有6個GPU,這樣使得它翻譯的時候計算能力能夠跟得上。但是未來如果雲端的處理能力加強了,所有這些語音全部送到雲端去處理,然後把結果返送回來,這種時候我們每個人的手機就可以是翻譯機了,而不需要一個單獨的設備。

3. 行業結合層

根據上文,很多基礎能力未來很可能都會變成一個雲端提供能力,而真正的應用能力應該是不那麼基礎、不那麼通用,而且和行業要有充分結合。雖然它也會用到很多基礎能力,甚至是雲端的基礎能力,但是因為它有行業特異性,所以不是雲端這個雲提供者能夠提供的。

比如,因為語音語義識別的成熟,包括翻譯能力的成熟,結合行業所組成了一個已經啟動的市場,那就是智能客服。呼叫中心小企業雖然不像大企業一樣有呼叫中心,但是其實有呼叫中心的需求。現在如果用人工智慧來做呼叫中心,回答用戶問題的並不是一個人,而是一個人工智慧系統,小企業也可以通過租借或者購買這個SaaS系統來滿足自身需求。所以這個市場會迅速地崛起,甚至呼叫中心市場會繁榮,但是呼叫中心那些接電話的人會失業,這是冷冰冰的事實。

其實很多人工智慧系統都是這樣的,自動駕駛會繁榮,意味著車可能會更多,而不是更少,但是司機可能會失業。

這個層次會有大量的人工智慧相關的應用公司繁榮起來。這些應用公司很明確,一定要有自己本行業的特色,因為、人工智慧這個技術本身沒有辦法形成壁壘,真正能夠形成壁壘的地方一定是行業,也就是說行業數據、行業經驗和行業准入會是你的壁壘。這需要我們去找到這個壁壘,從而把業務做起來。

所以任何先進領域不代表只要領先就好,還必須找到自己的壁壘和競爭優勢,才能夠做得好。

 

Go Top