作者：張浩瀚

人工智能產(chǎn)業(yè)鏈，可以說自上世紀60年代以來是經(jīng)歷著“10年繁榮，20年蕭條”（語出現(xiàn)任微軟亞洲研究院院長洪小文）的艱難循環(huán)。從一開始的邏輯推理到專家系統(tǒng)，再到80年代后期醞釀轉(zhuǎn)型的統(tǒng)計方法論，再到當下大紅大紫的深度學習，人工智能仿佛一個任人打扮的小姑娘，每隔十年就會變一個樣子，有了新突破后就站在臺前一邊接受金主們的瘋狂追求，又一邊被媒體妖魔化為搶奪人類工作飯碗甚至毀滅人類的末日技術(shù)。

但是在學界和科技界眼里的AI，卻一直都是一個不溫不火的甚至還有點讓人卻步的領(lǐng)域，原因無他，正是在這個領(lǐng)域的龐雜、跨界和主流技術(shù)的不斷演變。準確來說，如今讓我們戰(zhàn)戰(zhàn)兢兢準備交出飯碗的人工智能，或者用專業(yè)的術(shù)語說，深度學習，只是龐大的人工智能科學版圖里的一個細分理論方向（星星之火起于1980年代，當時的領(lǐng)頭學術(shù)大佬Geoffrey Hinton在學界被嘲笑簡直家常便飯）。而之所以這么一個細分領(lǐng)域在近年大紅大紫，在于梯度優(yōu)化算法（如BP算法）的突破以及硬件性能的躍進式提升（CPU, GPU及內(nèi)存）支撐。

人工智能學術(shù)界的帶頭大佬，多倫多大學教授Geoffrey Hinton，最新成果Capsule Networks的相關(guān)論文即將重磅發(fā)表，是一項可以大幅提升現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)（CNN）各向指標的全新革命性研究（圖片來源：搜狐科技）

生活化的類比：教育機器不比養(yǎng)娃省心

用人話說，DNN和機器學習的長足進步是怎么來的呢？如今的投資界，都喜歡開口大數(shù)據(jù)，閉口云計算。我們把計算機比作一個孩子的話，那么科學家（或工程師）就像這機器的爹媽，他們通過努力的尋求最好的教育方法（算法模型）來讓孩子盡可能快的掌握知識。

教育方法來說，DNN如今運用的主要就是簡單粗暴的BP算法。如何簡單粗暴呢？只需要海量數(shù)據(jù)的輸入即可，數(shù)據(jù)量越龐大模型的精準度和魯棒性都會越高，就像我們的填鴨式應試教育，死記硬背能力超強也可以上北大清華。那知識怎么來的呢？知識就來自于大數(shù)據(jù)的深度分析和處理，用于訓練的數(shù)據(jù)可達billion級別甚至更高。所以你看現(xiàn)在最頂尖的人工智能應用，就像一個班里成績最拔尖的那幾個孩子，背后都是和爹媽們付出的努力（或者血汗？）成正比的。

騰訊AI的研究與應用領(lǐng)域示意圖（圖片來源：騰訊AI Lab官網(wǎng)）

那爹媽們到底要多努力呢？筆者在騰訊AI部門的小伙伴說，100G左右的數(shù)據(jù)集，各種優(yōu)化和訓練下來也需要超過半個月時間。BAT的AI是引領(lǐng)中國的第一梯隊，但是100G的數(shù)據(jù)集一個人要半個月時間才能優(yōu)化好。100G相當于什么，相當于你家電腦1T硬盤容量十分之一的數(shù)據(jù)量。半個月一個孩子能學兩三個章節(jié)的語數(shù)外已經(jīng)是很不錯了，100G基本上也就是這種分量。商湯科技和FACE++這種人臉識別領(lǐng)域的獨角獸企業(yè)，要做到極高準確率的臉部識別，這個訓練和數(shù)據(jù)的投入是什么量級，各位看官可以自行想象。

現(xiàn)在我們來拋開爹媽帶娃這個比喻，來看看現(xiàn)實中的DNN跟人類的區(qū)別。DNN的最大優(yōu)點就是簡單粗暴，只要數(shù)據(jù)龐大算力強大，它就可以通過不斷的優(yōu)化訓練做到某個細分框架內(nèi)的應用做到極致，比如我們國內(nèi)的人臉識別和語音識別，比如美國可以打遍天下無敵手的阿法狗和陪你扯淡的Siri（當然我相信也沒人想到找Siri扯淡）。當然如果瓶頸出現(xiàn)的BP算法理論得到了優(yōu)化甚至乎革命性的顛覆（這個應該可以拿下菲爾茲獎或者圖靈獎？），深度學習的應用前景會更加樂觀。不過當然，作為一項1960年代就開始了的理論研究，AI可遠遠不止DNN，AI的未來也必定不只有DNN，這個是每一個學科大神都會告訴你的一句話。

AI產(chǎn)業(yè)漫談

好，扯了這么多的基本知識，現(xiàn)在就我的理解來聊聊AI這個產(chǎn)業(yè)。如今所謂的AI產(chǎn)業(yè)，應該僅被視為DNN這個方向發(fā)展所延伸出來的產(chǎn)業(yè)。未來如果其他方向的AI理論獲得突破（如邏輯推理這個“老古董”）并進入應用場景甚至商業(yè)化階段，則AI產(chǎn)業(yè)的內(nèi)涵也應該相應的升華。

在DNN得到飛躍性發(fā)展的這些年之前，AI產(chǎn)業(yè)基本上就是個可有可無的名詞，按照微軟亞洲研究院院長洪小文說的，一開始的AI產(chǎn)品只能解決“toy domain”（玩具級）的問題，玩具級的技術(shù)應用只能停于學術(shù)層面及小規(guī)模商業(yè)應用，自然談不上產(chǎn)業(yè)。深度神經(jīng)網(wǎng)絡(luò)發(fā)展起來之后，目前的AI產(chǎn)業(yè)鏈也開始初步成型，分為基礎(chǔ)層、技術(shù)層以及應用層。

AI產(chǎn)業(yè)鏈分層圖（圖片來源：WPR世博資訊公眾號）

基礎(chǔ)層方面包括基礎(chǔ)硬件，主要為傳感器、處理器或芯片。全球視角來看這方面主要玩家為英偉達和谷歌，分別擁有自主的GPU芯片和ASIC全定制化芯片。這一方面為中國的弱項，據(jù)騰訊研究員2017年的人工智能報告，中國人工智能基礎(chǔ)層企業(yè)數(shù)量僅為14家。目前有關(guān)注A股人工智能的投資者也知道，國家在半導體產(chǎn)業(yè)方面擬定了頂層戰(zhàn)略并投入了大量的資源和資金對半導體企業(yè)的研發(fā)進行直接的支持，如今在存儲器領(lǐng)域我們已經(jīng)獲得了大量實質(zhì)性進展，AI領(lǐng)域芯片的突破也將可期。目前在終端芯片方面，最大的突破來自于華為最新推出的麒麟970芯片。

第二層是技術(shù)層，中國在這一層部分有一定的優(yōu)勢，當中有計算機視覺、語音識別、圖像處理及計算機視覺等。

最后一層是應用層，這一塊也是我國AI產(chǎn)業(yè)中相較美國而言特色較大的部分。應用層除了上述提到的企業(yè)根據(jù)自身技術(shù)形成多品類的終端產(chǎn)品解決方案之外，還可以集成到多項AI產(chǎn)品中，例如工業(yè)機器人、家用機器人、智能無人機、自動駕駛輔助系統(tǒng)ADAS、金融系統(tǒng)的風控模型和安全認證、以及多語種語音翻譯機等等。

神化or妖魔化？

控制好技術(shù)不被濫用才是王道！

說到公眾認知甚至投資界對AI的認知，就不能不提一下媒體層面對AI設(shè)想的各種狂歡。這種狂歡里面，聲音最大的有兩種，一種是神化AI（嗯，電影科幻小說看多了），一種是妖魔化。神化抑或是妖魔化，無非是受數(shù)不清的好萊塢科幻電影或者傳媒作品的影響，見慣不怪。

科技界方面，則有所謂的支持AI及反對AI的兩大陣營，所謂的支持方包括扎克伯格、李開復等，而所謂的反對方包括大名鼎鼎的科學家史蒂芬·霍金和馬斯克，但是如果細看他們公開發(fā)表的文章或者發(fā)言之中細看，你就會發(fā)現(xiàn)用簡單的“支持”或“反對”去把他們劃歸兩個陣營的方式很有問題。