为什么说中国在人工领域方面有机会？

2017-07-27 09:58:00

为什么我们说中国的公司和投资机构在人工领域方面有机会？因为人工智能是极少数中国有希望领先于世界的黑科技领域。在广义人工智能领域，现在公认中美双寡头，世界上其他国家处于遥遥落后的状态。

自从人工智能的概念1956年被提出以来，人们的期望和热情处于起伏之中。2016年以前，人类两次表现出对人工智能的乐观，也经历过两次低谷。乐观的时候认为“人类就要毁灭了”，低谷时又认为“上当受骗了”。

而2012年至今，尤其在2015年和2016年，AlphaGo持续战胜人类棋手，激起了从业人员、投资者和媒体的情绪表达。这次我比较坚定地认为，人工智能确实已经发展到一个新的历史阶段。探索人类如何与人工智能共存，就是探索人类未来生存的可能性、必要性所在。

一、为什么坚定地说狼真的来了？

1、范式革命

这次人工智能的发展，带来的是改造世界的范式革命。范式革命指两方面：

过去人类改造世界，为了解决问题所采取的方法是指令性的方法；而现在人类改造世界时，采取的是描述性方法，不再需要给出具体的指令。
过去人类需要了解和改造这个世界所依赖的，把人类区别于其他物种的，是获取知识、掌握知识、运用知识的能力，也就是说人类有世界观；而随着人工智能的发展，比知识、世界观更重要的是，人类需要掌握一套新的方法论。

从指令到描述、从世界观到方法论的变化，可以用一句话来概括：“世界上的大部分知识将由机器提取出来，并且将长驻于机器中。”这是Facebook人工智能实验室负责人Yann LeCun的一段话，他也被称为“当代人工智能之父”。

2、过去人类如何改造世界？

首先人类对世界进行观察，然后实验；从观察和实验中总结规律，这些规律其实就是对世界的认识，是各种各样的理论；根据理论，人类制定规则，在现在的世界中就是编程；人类按照规则制造并且驱动工具，工具在现在的世界就是由电脑驱动的各种程序，这样我们就通过工具改造了物理世界。

3、现在人类如何改造世界？

随着人工智能的发展，我们在解决许多问题的时候，已经不再对世界进行观察和试验，而是提出需求，并且收集和提供海量的训练数据；当我们把训练数据输入到一些模型中，这些由机器运行的模型能自动通过海量数据，总结出关于某个特定领域的事物运行规律；其中有些规律是人类科学家和工程师可以理解的，但更多规律超出了其理解范畴。

以AlphaGo跟人类围棋手下棋为例，AlphaGo下出来的一些棋并不符合人类之前的理解，而AlphaGo不断获取的辉煌战果，也让人类重新认识到一些围棋规律。

一些金融领域的人工智能创业项目，是利用人工智能进行二级市场投资。在交流过程中这些团队表示，人工智能总结出的二级市场投资规律，一些是比较明显符合二级市场投资人认知的，比如一支股票长期横盘后会有突破，这支股票大概率会上涨；但某些时候人工智能挑选出来推荐的股票，二级市场投资人不能看出明显的规律。而实践中，人工智能推荐的股票大概率都是上涨的。

利用人工智能进行医疗诊断也是如此。在需要医生根据某种医疗图像，如x光、超声波、CT等对病变进行诊断的领域，我们发现，只要收集到足够多病例，目前人工智能就能在几乎所有科目里根据医疗影像进行诊断，而且其诊断率能比最优秀的人类医生更好。

由此看出，机器对规律的总结超过了人类，甚至是最优秀的人类。在机器总结规律的这一步完成后，现阶段更多是由人类来制定规则，根据机器总结的规律进行编程，人类和机器会按照规则制造并驱动工具，工具则会改变周围的物理世界。

4、未来人类如何改造世界？

现阶段的需求是人类提出的，而未来机器可以自动由已知的需求分解出需求，即“需求驱动需求”，比如要解决问题A，机器可以把需求分解解决BCD，当BCD解决后，A就解决了，需求的分解也是由机器来完成的。而目前，人工智能的发展还依赖于人类提供的海量训练数据。现在一个非常热门的研究领域是，由机器自动获取甚至生产海量的数据。

机器总结规律则是比较成熟的阶段，在此之后几乎一定会发生的是，由机器根据总结出的规律制定规则、编写程序。当机器能够总结规律、制定规则后，由机器制造和驱动规则也会变成顺理成章的事。

在这个闭环中，未来机器可以自动提炼出其改变世界的需求，自动获取和生产训练所需要的数据，总结出事物运行的规律，根据规律制定规则，按照规则制造和驱动工具。这样的闭环中已经不太有人类的位置了。

总结来说，随着人工智能的发展，人类社会所面临的巨大变革，即K2MK（Knowledge to Meta-Knowledge）：

人类不再需要或者不再有能力去理解事物运行的内在规律；
人类只需要掌握新的获取事物运行规律的方法论。

二、硅基文明史——人工智能发展的历史回顾

人类基于碳水化合物，是碳基生物；而人工智能基于计算机，是基于二氧化硅的硅化合物，因此称为“硅基”。

1、从符号智能到计算智能

目前人工智能的发展方向，是从符号智能到计算智能。最初人工智能出现时的逻辑是符号智能，以知识为基础，通过推理求解。这个过程所要达到的作用是机器能做推理，符号智能的逻辑是非常简洁的，要求机器能做各种逻辑运算。

分水岭大概是在20世纪90年代，随着更多数据的引入，逐渐有了计算智能这样的新方法论，以数据为基础，通过训练求解。机器不仅有推理能力，还有归纳能力；不仅能解决很多简洁的数理问题，还能解决相对模糊的问题；不仅有逻辑推理能力，还有直觉判断能力。

更细化来说，在人工智能早期，最先解决的问题是赋机器以逻辑，让机器有进行逻辑推理的能力；现在则是赋机器以知识，让机器不仅有逻辑推理能力，也有关于世界是如何运行的知识，这些知识在早期是非常专门的、某些特殊领域的知识；现在随着神经网络和深度学习的发展，有了更通用的方法，让机器获取知识的能力不再依赖于人类的提供。

接下来的自然发展是，从现在开始，我们的更多研究变成赋机器以行动，不仅希望机器能进行逻辑推理、总结世界的运行规律，还能根据他们对这个世界运行规律的理解，采取相对应的合适行动。就这一步而言，目前的人工智能研究做得还不是特别完美。但这是目前非常重要的研究领域，并且一旦这个领域有突破，机器对这个世界改造的闭环会彻底形成。

2、智能背后的技术演变

获取这么多智能的背后，是相应的技术演变。从它们所依赖的思想领域，到与之对应的理论框架、相应的计算资源和能解决的典型问题，都不太一样。可以看到目前现阶段，最主流的思想是深度增强学习，依赖的理论框架是生物科学和控制论，与之对应的主流计算框架是AI芯片、云计算，未来很快雾计算也会来临。现在还没有做到通用智能，但大家普遍认为通用人工智能是在有生之年可以期待的成果。

总结一下智能背后的技术演变，为什么这次我们比较乐观地认为狼真的来了？因为首先，现在的人工智能打破了之前遇到的莫拉维克悖论。

早期研究发现，人工智能可以解决很多人类看起来非常困难的问题，但很多对人类来说非常容易、直观的问题，比如识别猫和狗，识别一个人是A还是B，对机器来说却非常困难。这波深度学习人工智能的发展，在很多领域打破了莫拉维克悖论，表现出了远超人类的能力。

其次，在这波人工智能的发展中，我们所使用的很多框架表现了超常的完全不依赖专有领域知识的超强通用性。

再次，以深度学习为主的人工智能表现出了高度类似人脑的工作机制，让我们认为这次应该是走在了一条正确的道路上。

至于为什么是在这个历史时间点人工智能取得了突破性进展？背后实际上有三大推手：

以卷积神经网络（CNN）为核心的深度学习框架；
随着移动互联网普及而产生的数据爆炸；
摩尔定律和云计算发展到现在这个阶段，让海量计算能力变得足够便宜并且可得。

3、人工智能与人类的不平等竞争

2016年世界围棋冠军李世石与AlphaGo对战，李世石先输三盘，然后艰苦地赢了第四盘。当天晚上，AlphaGo跟自己又下了100万盘。这说明，一台机器获取知识的速度大概等于一个人类获取知识的速度的100万倍。

除了获取知识的速度，传播知识的速度也一样。你我之间使用中文沟通，中文是公认的高效编码，在人类个体之间传播的速度500bps，而4G网络的传播速度是500Mbps，大约也是100万倍。而且电脑网络之间通讯速度的增加也是符合摩尔定律的，大约每18个月翻一倍；而人类的信息传播速度在有生之年，可能不会发生变化。

机器一旦获得了知识，其传播是完全不走样的。当一台机器学会了如何从一个超声波图像中判断肿瘤是良性的还是恶性的，那么全世界机器只要付费就能获得同样的知识，传播是不走样的。且机器运用知识不会受到任何情绪波动影响，但人类几乎是一定会受到情绪波动影响。

围棋第一人柯洁与AlphaGo对战的第二局，前100步都被公认下得很好，几乎与AlphaGo预想的最优前100步完全吻合，柯洁本人也意识到了这一点，所以当时心情很激动，心脏跳动很不规律，以至于他在现场不得不用手捂住胸口，因为觉得自己有可能战胜围棋之神。但就因为这样，一百零几步时下得很糟糕，全盘皆输。这种情况在机器上完全不可能发生。

三、投资人对于人工智能领域的思考

做一级市场的投资人在面对人工智能这个热门领域时，首先考虑的是如何评估项目。在现阶段我们已经认识到，人工智能发展的三大推手是：机器学习框架、数据和算力。

1、筛选项目最需要关注的要素

（1）人才

尤其对早期项目来说，不仅要求人才有能力把已经成熟的框架拿过来用，因为现在很多计算框架都是开源的，而且要求人才有能力发明新的机器学习框架，或者有能力把不同框架以有机的方式结合起来，或者把原有框架用在崭新的领域中。

（2）数据

这一轮人工智能的发展是数据智能，数据是这次人工智能的最大推手，所以在评估新项目时希望有非常强的数据获取能力，尤其是获取海量数据的能力。这波以深度学习为代表的人工智能对数据的消耗量很大，所以项目获取的数据最好是专有的。如果一个团队能拿到竞争对手拿不到的数据，那它就会有很深的护城河。如果这个团队有能力创造出专属于自己的数据，护城河就更深了。

（3）算力

团队要有最基本的获得和实施计算能力的水平，算力是一整条产业链，在这条产业链上有很多机会。

提到产业链，目前人工智能分成基础架构层、技术提供层和应用层。现在公认的观点是，不同的层有不同的投资逻辑。而基础架构被认为巨头的天下，因为它涉及到大量人力、物力的投资。但如果我们能找到足够优秀的团队，投得足够早，且团队未来愿意并购退出，那么在基础架构层上也不是没有投资机会。

在技术提供层领域，现在的创业团队大多是为其他公司提供技术服务，所以更多是To B的业务，评估这类项目时更多把它们当做传统的To B业务来考察，尤其在中国，技术领先可能不一定是这类项目成功的决定性因素可能是销售能力而非技术领先。在应用层面，要进行行业优选，不同行业的成熟度是完全不同的。

2、人工智能对行业的影响

提及应用层面，我们目前能够想到的所有行业，最终都会受到人工智能的极大影响，比如金融、安防、电商零售、自驾领域、教育、医疗健康、个人助理等，实际上没有任何一个行业是安全的，说人工智能跟我没关系，这不可能。因此有两个结论：

（1）AI是革命各行各业的屠龙宝刀，没有任何一个行业是安全的；

（2）不同行业受人工智能影响和改造的速度和程度会有所不同，列举几个因素：数据完备，结果反馈迅速；付费意愿强烈，民众心理接受门槛低，监管和社会容错意愿强。

根据这些标准来预测行业，我们判断会受到影响的行业依次是：

互联网、零售、广告，这些行业的数据非常完备，结果反馈非常迅速，付费意愿超强，民众接受起来没有什么门槛，也谈不上监管和社会容错，因此是最早会接受人工智能的。
金融、安防，这些行业的数据也非常完备，结果反馈足够迅速，付费意愿超强，民众的心理接受门槛挺低的，虽然金融、安防看似是监管强度比较高的行业，但实际上跟医疗、交通比起来，门槛不算高。
医疗，虽然目前基于图像的医疗诊断已经相对比较完善了，但实际上医疗行业的数据完备程度远不及之前所说的行业；付费意愿虽然很强，但民众的心理接受门槛不见得低，结果反馈也不那么迅速。智能医疗的监管和法律法规方面也不会很快完善。
制造、交通，这些领域要么会有数据完备上的一些问题，要么会有监管、社会容错意愿方面的问题，所以会更加靠后。尤其智能交通现在是AI创业最热门的领域之一，但要真正取得突破性进展是会非常靠后的。比如无人驾驶现在的社会立法就非常落后，最近百度无人车上五环，其实是一种违法行为。如果无人驾驶汽车为了保护乘客或者完成乘客的指令，强行加速撞了行人，法律责任如何界定？是制造商、算法供应商还是乘客来承担责任？

现阶段机器总结规律、获取知识的这一步，人工智能已经发展得非常成熟。但人工智能制定规则、驱动工具的这一步，其理论框架还没有深度学习那么成熟有效。这类不仅仅是总结事物规律，还需要根据规律采取跟某种物理世界高度实时交互的部分，比如智能制造、智能交通等领域，不管是从技术储备上，还是从社会接受度上，相对而言都是更靠后的。

四、人工智能的中国机会

为什么我们说中国的公司和投资机构在人工领域方面有机会？因为人工智能是极少数中国有希望领先于世界的黑科技领域。在广义人工智能领域，现在公认中美双寡头，世界上其他国家处于遥遥落后的状态。而中国的优势主要体现在以下几个方面：

1、人才

中国有超一流的华人、华裔科学家，而且中国人的数学好是公认的，中国的学生偏好学习编程。根据高盛报告，过去5年，华人科学家发表的人工智能领域的论文和引用数都超过了美国，是全球第一。

2、数据

中国关于隐私的相关法律和社会风俗有利于数据获取。我们曾经关注过一个在美国起步的医疗诊断公司，由于美国《隐私法》保护，完全获取不到数据。后来该公司希望与一家荷兰意愿合作（荷兰是隐私相对自由的欧美国家），获取500例完整的乳腺癌诊断数据，荷兰医院表示大概10年时间能拿到。如果在中国来对接一家三甲医院，可能一个月就能收集完成。BAT能做到在全球领先，跟中国庞大的人口基数和移动互联网的数据爆炸有关。