人工智能是泡沫 还是场史无前例的变革？

　　文/陆奇、梅姗姗

　　来源：YCombinator创业孵化器（ID：YCCN-startups）

　　这是陆奇博士关于《技术驱动带来的创业机会》演讲的第七篇。

　　今天的内容里，博士分享了自己对未来人工智能时代的预测，并深度分析了这个时代存在的各种创业机会。

　　在这个系列的第一篇文章里，我提到了Alvin Toffler的第三次浪潮理论。

　　简单的来说，未来是知识驱动的时代。这是过去60年才开始的，却是速度、规模和效应最快的。通过知识的重组，人类可以用更少的资源，更快速创造可以满足需求和欲望的东西。所以能否最快速的获取知识，是接下来这个时代，决定企业生死存亡的重要指标。

　　今天我就来讲一下这个未来时代，也可以叫它人工智能时代。要讲的比较多，但主要是对未来的预测，毕竟我们还在这个时代的非常早期，

　　先来说一下前端输入输出领域有哪些存在大量机会的领域。

　　输入来讲，触摸已经有了，上次（????戳）讲到乔布斯首先看到了这个技术的价值，并且用iPhone推动了这个技术的发展，做的非常好。这里还要提的是听和看，就是听觉和视觉技术。

　　输出的话，主要是自然语言对话和机器的自主运作体系，这里可以是人在帮助的输出，可以是机器的自主输出，比如机器人，自动驾驶车辆等等，也可以是各种形态输出的混合。

　　我展开来说一下。

　　听觉的定义性能力起点是2006年，是多伦多大学的教授Geoffrey Hinton和我在微软的前同事邓力的合作，内容是通过机器的深度学习提高语音识别的正确率。深度学习，过去我们叫它“神经元处理”，80年代曾经火过一次。

邓力和Geoffrey Hinton

　　06年Geoffrey Hinton发了一篇论文，讲的是自己研究出的一个可以让神经元快速学习的公式，邓力看到以后，联系到Geoffrey，跟他一起把这个公式用在了语音识别技术上。从06年到09年，语音识别的字差率，句差率从27%，28%左右不断下跌，跌倒接近于人的水平，甚至超过了人的水平。

　　视觉的定义性能力起点是12年，斯坦福的视觉实验室的Alex Berg和李飞飞的ImageNet一起，然后视觉的识别率开始往下掉。李飞飞训练出的视觉网络基本上现在已经跟人的能力一样，也有的已经超过了人的能力。 

李飞飞

　　自然语言处理跟通用人工智能有紧密的联系，这个能力我个人认为还需要很多年，因为这个技术非常难，目前还没有比较好的定义性能力，但每年都进步很多。

　　以上是一些基于输入和输出的思考。总结一下，接下来的时代，是知识驱动的时代。人工智能技术的发展，尤其是目前深度学习技术的发展，给了我们一个前所未有的能力，就是机器开始可以自动学习特征表达的能力。

　　这个能力的出现，将极大的加快我们获取知识，建立模型的速度。因为这次不光是人在获取知识，我们还可以通过建立人工高智能机器，让机器也同时高效的获取知识，从而创造和累计之前时代不可比拟的巨大财富。所以这是一个跨时代的变革。

机器学习 VS 深度学习

　　这样的技术发展方向，基本上是打开了一切机会窗口，任何交互形态都可能实现，所以我建议创业者可以在了解这些技术核心的基础上，挖掘这些技术可以带来的，更多的定义性体验。

　　接下来我说一下人工智能时代的核心技术。

　　传感器将是非常重要的领域，比如声音的麦克风阵列，摄像头，激光雷达，各种光学传感器，各种低功耗的传感器，还有对隐私保护有帮助的传感器，这些都将成为投资的前沿领域。

　　芯片几乎要重做。简单的说，传统的X86也好，ARM也好，都是基于冯·诺依曼结构（Von Neumann architecture），就是一种将程序指令存储器和数据存储器合并在一起的计算机结构。它在今天有很大的局限，包括数据的维度不能太高，计算的效益也有局限。

冯·诺依曼

　　在未来的时代，计算机结构到底会变成什么样，还需要一定时间来演变。指令级可能还会使用X86或者ARM，因为指令还是需要一个中央处理器来调动资源的，但主要的计算，推理，或训练，我觉得都会用其他的结构来做。所以整个芯片的体系会被改变。但我个人认为，这个领域定义性的体验还没找到，至少目前还没看到。

　　再简单说一下后端。

　　今天的人工智能，离真正工程化还有一定的距离。在第五篇文章里（????戳），我提过互联网时代，软件的工程化发展过程。人工智能还没有达到像当时软件工程一样可以系统的训练模型，或者系统的通过模型帮助我们处理数据，这里面还有很多工作需要做。

　　比如5G。5G的技术非常复杂，现在才刚刚开始，但这个技术可以带来的商业机会也非常多，因为它的应用范围非常宽泛。

*eetop

　　芯片也一样，像因特尔或高通（Qualcomm ）这种横向的芯片时代，将一去不复返。基本上未来的芯片工业，都将跟大的垂直领域有关，就是针对某个领域（domain），专门研发最适合其迭代发展的芯片。

　　框架和工具已经有一些不错的体系，但要达到可以大规模的做深度学习训练，建立大规模的推理系统，数据系统，还需要一定的时间。

　　后端杀手级的应用，我觉得目前主要会出现在感知和认知领域，感知的技术发展目前是领先的。从我的观察和YC的投资角度来说，计算机视觉一定会大有前景，将有很多企业会进入这个领域。这里面后起之秀的机会也会非常多。

　　基于所有这些，我总结了下面这张图。如果你是人工智能创业，或人工智能创新，如果你想通过人工智能技术来创造商业价值，创造财富，这张图可以告诉你，你的企业最核心的模式是什么，然后你可以根据这张图，延展出属于自己的实践方法。 

　　人工智能的核心是数据。数据从来不是无中生有得来的，任何数据都是观察自然现象，物理环境，人类现象后的一个数字化表达。数据是知识的载体，它的内涵是知识，所以我们首先要找到渠道获取数据。获取数据离不开传感器，这也是为什么我前面说传感器领域将大有可为。

　　第二我们要从数据中获取知识，然后运用这些知识来达到我们的目的。这里面的运作逻辑一般是：软件+硬件+算法，在早期甚至必须要软硬件结合才行。

　　然后，在达到我们创造社会价值的目的后，不可避免的会有新的数据产生。所以这个流程是一个闭环。做人工智能创新创业，必须要建成这样一个闭环，一定要找一个比较全的应用才能达到闭环。

　　最后我强调一点，数据必须是活的，是不断迭代的，而不是一次性的。一次性的数据是没有用的，因为人类社会在变，物理环境在变，知识因此也在不断的变。只有数据是活的，这个闭环才成立，才能真正打造一个健康的人工智能的业务和生态。