高峰對話：人工智慧將把人類帶向何方？

2017年2月16日，由數據猿、中歐商學院、騰訊直播共同舉辦的《中歐微論壇|數據猿·超聲波》活動在中歐商學院北京校區圓滿落幕。此次活動大咖雲集，共吸引了600+人報名，並最終篩選出300+觀眾蒞臨現場，更有超過20000名觀眾收看了在線直播，開啟了一場大數據、人工智慧領域的頭腦風暴，台上台下、線上線下共同暢想科技引領下的商業未來！

作為數據猿推出的主題為《大數據的2016，我的2016》2016—2017年度大型策劃活動的一部分，在2016年底徵稿期，活動就受到了100+大數據領域內知名企業的高度關注，收到了36位業內領袖的投稿，併入駐成為數據猿專欄專家。

以下是「高峰對話」環節的精彩文字版內容：

主持人牟蕾：本次活動上的六位嘉賓所演講的內容在人工智慧和大數據產業里都是非常小的一個部分，只是想提供給大家一些新的思路。在過去的10個年頭裡，我們經歷了一波又一波的科技熱潮，從移動互聯網、雲計算、大數據、物聯網到2016年非常火的人工智慧。我不知道大家坐在下面是什麼感受？反正我本人心裡一直十分忐忑，一會兒覺得未來很美好，一會兒又在思考我們人類該怎麼辦？所以接下來我們再把方躍教授請到台上來，同時也有請我們的互動嘉賓杜宇甫、鮑忠鐵、徐冰重新回到舞台，探討一下到底人工智慧將把人類帶向何方？

方躍：在這裡我準備了幾個問題。首先，我想替中歐的學生來問第一個問題，在座的嘉賓都是搞技術的，那麼對於我們企業來講，不可能馬上花費很大的精力全身心地投入到人工智慧中，但會不會有這麼一天，我們能夠像微軟一樣，有屬於自己的Office出現，使得我作為一個用戶，會主動去買這個產品，或者按年來付費，並把這些技術應用到我的需求之中。我想聽聽幾位嘉賓在這方面是怎麼看的？這個年代是否離我們還很遙遠？或是還會有另外一種新的商業模式出現，給我們企業帶來真正的價值，使得我們每一個普通用戶能夠從中獲益。

徐冰：這是一個非常好的問題，很多人都問我為什麼去做2C，我們看到如果你真的做出量來，是一件非常「性感」的事。包括像人工智慧也是一樣，想要做出東西，需要非常非常大的投入。

作為一個技術的研究者，我們發現其實現階段AI的最大效益在於效率的提升，而不是用戶體驗上的改善。目前在這個環節上，也有很多這樣的技術，當我們把它做成模塊化，做成比較穩定的雲服務的時候，你就可以批量化地服務到各個領域了。一定程度上你可以直接獲取到這項技術，第一你節省了成本，第二你節省了時間。而這種模式在現階段已經出現了。

事實上，2C發展到一定程度同樣也有機會，但是由於2C涉及到龐大的人口，在很多技術點上會非常多地依賴於這些環節。舉個例子，比如說像無人駕駛，你這輛車在路上跑的時候，你永遠預料不到有沒有一些技能是這輛車原來沒學過的？比如說特斯拉去年為什麼出那個事故？原因是它撞了一輛白色的大卡車，它本身機器學習庫裡面就沒有預料到會出現一輛白色大卡車，因為車體是白色的，且兩個車輪非常高，就像一片雲彩一樣。這個演算法就真的把它識別成了一個雲彩。在做2C的時候，這樣的案例非常多，因此就會導致現實中的用戶體驗與你當初設想的並不一致，而你測試的這個數據級也不能涵蓋到所有的人口。

對於2B而言，在現階段當它提出來一項相對來說比較通用化，不是特別定製化的需求的時候，你往往可以在市場上買到已經成熟的演算法，至少可以直接用到你的產品裡面去做實驗，測試一下，感覺是不是已經做的比較好了？

杜宇甫：我非常贊同徐總的觀點，從歷史的車輪往下看，任何一件事情都是。我了解這個事件是從《三國演義》這本書開始的，打開第一頁就是天下之事，合久必分，分久必合。

今天討論人工智慧能不能快速服務化？其實要看它不同的階段，比如初期階段、中期階段和未來的高級階段。初期階段的時候，大家可能大部分在試水，某些服務有很多人是做不了的，但有些人可能能做，其中，以一種服務化的形式來做是比較好的。

等到後期經過不斷的發展和演變，最終它的發展速度還是取決於其中能賺取的價值。就像雲服務一樣，雲服務最開始並不是很普及，到最後企業更關注自己關注的事情，使其變成一種服務的形式，按需付費，就目前來看這種形式還是比較合理的。

鮑忠鐵：傳統企業怎麼樣去看人工智慧？簡單一點說，就是新興科技的一些技術，比如大數據，它能夠在三方面幫助傳統企業：第一個它會提高你的收入；第二會降低你的運營成本；第三會提高你的效率。並且這些事情在過去幾年已經發生了。傳統企業擁抱人工智慧，我認為可以用一個詞概括，也是最近投資界比較熱的一個詞，人工智慧就是個「服務」。基於你的商業模式、商業本質和商業前景去調用它的服務就可以了。或者你不需要自己花很多的精力，花很多人去開發它，因為有專業的公司去做這件事情，除非你是像BAT這樣具有足夠實力的大公司，或者你是大的銀行，你有一萬多的人員可以去做，普通企業擁抱它就可以了。

再比如智能客服。我舉個例子，信用卡中心原來有五千萬的信用卡用戶，按正常的商業配比應該是五千個人，但它只配了兩千五，另外兩千五就完全用智能客服解決了。這兩千五算他十萬塊錢一個人，這個價格也不算太高，但是兩千五百個人能幫企業提升多少成本呢？

至於機器人跟人的區別，機器人可以72小時工作，節假日加班的時候，它也不要你加班費，這樣就導致了很多製造業工廠，它一旦接收大量訂單的時候，想要短時間內生產出所有產品，就需要72小時加班工作，這時候它只能依賴智能機器人了。這也是現在所謂工業4.0也好，或者西方的生產製造廠正在做的事情。

另外像徐總說的利用人臉識別技術，幫你去確定這個人的身份。這個時候如果人去看的話，假設每天有十萬個人來申請你的信用卡，十萬個人來升級產品服務的話，你需要配多少工作人員呢？但如果你用機器識別的話，它可能看得更準確，效率也更快，像人臉識別這種問題就不用人去看了，完全用機器就可以。

再回到話題本身，傳統的企業在看人工智慧領域發展的時候，認為它是個新興技術，無論是互聯網出現也好，大數據出現也好，智能生產線出現也好，都積極地去擁抱它，去關注它。你不關注也不行，因為你在這個領域中一定有競爭對手，如果你的競爭對手去關注它了，還引進了新的智能機器人、新的模型、新的技術，從而降低了成本、提高了收入和效率，那你的競爭優勢就沒有了。

所以未來企業的發展，有一部分來源於科技驅動，這個比例會越來越高，人工智慧是其中一個重要的組成部分。所以我的建議是所有企業去關注這個趨勢，然後找到自己可以要的服務和產品去做，不要懼怕它。

方躍：就目前而言，有一點我感觸比較深，就是這幾年技術發展的非常快。幾年前技術還不是很成熟，對企業來講，可能從投入產出等方面都不能達到一個好的效果。

但是這一年兩年就不一樣了，我們今天的嘉賓里沒有做投資的，但是有幾位已經談到這個問題，很多傳統企業所謂的「擁抱參與」事實上就是以投資的形式來參與的。比如高盛，大家知道它是一家投資銀行，在這些年無論智能也好，大數據也好，一直很關注這方面的發展。所以它在幾年前就以十幾億美元，投資了一家非常小的公司，那家公司就是做智能機器人的。機器人在處理數據的過程中，就是一個知識的積累，那麼如果你用自然語言問它一個問題，比如美聯儲升息對我會造成什麼影響等等，它會給你打份報告，這個報告當然是從全民性和時間上來講的，比你帶三個研究員去調研的效率要高的多。

再有一個問題，也是我的問題，我們以往包括互聯網、計算機等，這些基本都是來自西方的技術。那麼在人工智慧和大數據領域上，我們國內和國外相比，優勢在哪？我們還依然是一個跟隨者么？還是說我們有可能在某種程度上已經成為了一個領導者？這也是一個很現實的問題，對於企業家來講，我必須要了解這個領域到底發展到了什麼程度，不能單一地只關注國內或國外的發展就夠了，這樣才能得到最先進最前沿的東西。對此我想聽聽幾位嘉賓是怎麼看的，大家都做技術，從你們的角度來看肯定和我們的想法不一樣。

鮑忠鐵：談到人工智慧領域，會不會走到世界的前列？是否會成為一個競爭者呢？我的觀點是，它現在仍是一個有利的競爭者，但要說領導者的話，從我的經驗和現在得到的信息來講，還太遠。因為一個行業或者一個企業能在世界上做到領導的位置，領先其他企業的發展，它需要一個綜合的因素，比如市場的因素、技術的因素、人員的因素，還有各方面的因素等等，在這些因素上其實在某些領域還是有些欠缺的。

說回到人工智慧，去年很多外界的媒體和產業人士說在人工智慧領域，可以實現彎道超車。但是對於我這樣一個從傳統的銀行業出來，到大數據公司，現在轉向人工智慧領域的創業者來說，我們最大的感觸是，在技術領域，特別是在創新型技術領域，的公司發展比國外要艱難。

為什麼呢？在矽谷，很多企業的創辦初衷很簡單，就是幾個技術能人在大公司有某個技術路線沒有被公司採納，他們就出來了，然後繼續用他們原來的技術路線去發展，創辦了新的公司，最後他們會面臨兩種命運，一個就是被收購，他做的非常好，比大公司做的好，於是就被Google、Facebook收購了。第二個，就是他自己變成了獨角獸，並且成功上市了。

但的創業企業都面臨一個問題，什麼問題呢？你被收購的可能性很低，你只能靠自己的IPO上市。這樣的話，在創業的過程中，也許你已經完成了A輪、B輪、C輪……但是三年之後呢，你就會被壓上一個特別大的緊箍咒，要談收入。所有創業企業都要關注我怎麼樣才能提高自己的收入，怎麼實現盈利，怎麼讓我的財務報表做的好看，最後我再上市。這是所有創業企業都面臨的一個特別大的問題。

而在美國，納斯達克也好，或者美國的股票市場也好，你不需要盈利，你只需要把你的故事講好了，你只要把你的發展前景講好了，照樣可以上市，照樣可以得到資本的注入。所以這兩個資本市場是不一樣的。

美國有一個特別牛的公司，3000多億美金的市值，叫亞馬遜，它上市17年都沒有盈利。你想想在一個上市公司它如果連續3年都沒盈利的話，就基本上被摘牌了。而亞馬遜在美國上市之後，連續17年都不盈利，它照樣可以發展得很大，照樣可以吸收更多的資本。

所以人工智慧也好，或者大數據產業也好，我認為是一個有利的競爭者，因為的應用場景特別豐富。但是談到領導者，至少在我的觀點中，我覺得還太遠，還需要以後靠一些事件，靠一些企業去驗證。

方躍：技術是一方面，那麼我們產生的數據，相對歐美來說是不是也存在一定的優勢呢？

杜宇甫：本土的數據在社會上還是比較多的，但是的人力成本整體上來看還是稍低一些。今天我們談到了一個話題，就是互聯網其實是產於國外，產於西方的，然後在這片土地上發展的比較迅猛。我比較贊同鮑總的觀點，就是我們並不是領導者，但我們是一個強有力的競爭者，未來也有可能在這個彎道進行超車。

可以看到，今天從技術的角度來說，我們還有很多的地方沒有去突破，沒有太多的創新，目前大部分所謂的領先技術或是大數據，提出方都在國外，但是我們也看到很多華人在裡面起到了很重要的作用。

然而事實上，也有很多東西在的確是綻放出了它的光彩，比如電商。國外也有電商，但電商發展得非常迅速，以至於超過了國外，這跟整體環境與西方環境的差異也有關。對於接下來的人工智慧這盤棋，是否能超車也好，還是說能夠有自己的一些東西也好，我個人還是比較看好的，因為在的整個經濟環境和它的社會機會，以及基礎設施上還是有可能成為領導者的。

徐冰：現階段我也同意剛剛鮑總說的觀點，其實是有機會去一搏的，也就是有機會實現彎道超車，因為它有幾個現存的前提，或者說現階段的優勢：

第一是人才。我們現在看到的一些比較著名的深度學習模型都是人做的。目前國外很多大公司例如微軟、Facebook等，他們的很多技術人才都是人。

包括在讀的博士，或者已經陸續畢業的博士里，不管是在還是國外，其實相當一個比例全部都是的學生。因此從人才角度上來說，我們並不缺少能夠做人工智慧演算法的人。

第二是數據。我剛剛也講了14億人口，每個人都是數據的生產器。在移動互聯網時代，其實發展的非常好，甚至像微信等這些產品做得比國外還要好，並且在一定程度上彙集了大量的數據。此外，這些企業之間的合作以及跟政府之間的合作，說明大家對數據都抱有一個比較好的心態。另外在隱私問題上，國內比國外要開放很多。在美國，甚至在香港，我們僅僅去採集人臉照片都是違法的。因此在基本的數據源這個環節上，就有很大的優勢。

第三就是基礎環境。的發展非常快，大家想嘗試新東西的意願非常強，很多產業本身也有這樣的需求。以金融為例，為什麼國內互聯網金融發展得這麼瘋狂？但是在香港卻沒有多少互聯網金融的業務呢？香港本身銀行的網點就非常多，基礎的服務已經很完善了，因此人的需求沒有到那個點。在國內我們說普惠金融，但是對於農村這些偏遠地方來說，去銀行辦業務需要兩、三個小時的路程，所以本身有這樣的場景和需求。

有這三個環境擺在這裡，不管是政府層還是企業層，只要找對投資方向，完全是有機會的。

但是我也看到一些現象，比如現在做深度學習研究的，一個典型的需求就是你要有基礎設施。第一個建成深度學習訓練基礎設施的是百度，反而不是Google，Google是在百度之後才建的。可惜的是後來百度建深度學習的負責人去美國自己創業了，這是后話。

其實，在基礎設施層有一個不好的現象，現在國內的企業很多開始依賴於國外發出的開源的這些演算法框架，這就相當於在大家造基礎設施的階段，你偷了懶。

國內的操作系統專家是教你怎麼用操作系統，但是國外的操作系統專家是教你會手寫操作系統，這兩個完全不一樣。就現階段而言，我們應該在基礎設施層加大重視和投入，但是這些投入早期都是燒錢的，僅能看到短期的效益和回報。但是經過五年或者四年左右的時間，你往後的發力就會非常快。因此就要看你有沒有這個強烈的意願能夠靜下心來投入到基礎設施層。

坦白講，很多國外開源發出來的東西都是過時的版本，都是有了新版本之後，再把低配版本發出來。如果的人工智慧一直依賴於國外開源出來的低配產品來做，我們將沒有機會實現彎道超車。

方躍：剛剛我們前面講到了IBM、貝爾實驗室，當然他們現在也是因為成本的壓力，業務的壓力，完全放棄了基礎的研究，不養數學家，不養物理學家了。我記得當年我到美國的第一個暑假的假期工作，去的就是GE。在那個年代， GE就已經開始做這種轉折了，就是放棄養純數學家、純科學家。當時我去的時候，他們給這幾百個科學家兩個選擇，要麼你留下轉型成為應用科學家，就是跟GE的直接業務相關的，否則就請你離開。因此很多科學家幹了一輩子，卻突然失業了。

所以大家看到很多新的項目都是從公司層面發起的，而不是完全從國家或者是大學來的。大家談到這就是燒錢。你要想做這個，你就得真有錢，要不然你是沒法做的。

最後一個問題，大家比較感興趣，人工智慧走到今天是不是會威脅人類？會不會像電影里的恐龍一樣，它雖然是人類的基因培養出來的，但籠子沒關住跑出來了，最後人也控制不住了。這一天會不會發生？這種趨勢會不會存在？我們做人工智慧，對這方面是怎麼看的？

徐冰：人工智慧恐慌論，其實是在前兩年由包括霍金在內的一些非常著名的學者提出的。這裡面本身蘊含的一個底層原因，是我們在做深度學習演算法的時候發現的，我們發現人工智慧學出來的一些東西，有時候我們理解不了，甚至超出了我們原來對它的預期，比如說下圍棋，AlphaGo走某幾步圍棋的時候，這些圍棋的選手是不理解它為什麼會下這步棋的，以為是錯棋，或者是Bug。

評論人認為AlphaGo在比賽的時候有幾步實際上是處於劣勢的，但是AlphaGo內部表示，它在所有下棋的環節中，下的任何一步棋都不影響我要贏的概率。所以這裡面有很多已經超出了人的理解，我不知道你為什麼會做這件事情？所以這裡面反映出來的是一些演算法層面的東西，我們人有時候控制不了這件事情的發生。

坦白講，在短期來說，我們看不到任何一家公司有能力造出那樣一個大而全的人工智慧。我以前看過一個例子，就是一個機器人保姆，在看護嬰兒的同時，還在煮飯，做烤火雞，因為那天是復活節。再切換畫面，這個機器人保姆把烤火雞放到了嬰兒床上，這裡機器人就犯了一個錯誤，它把烤火雞識別成了嬰兒。之後嬰兒會發生什麼事情就不講了。

這裡面也存在一個安全問題，但是這個安全問題往往並不是因為機器導致的，有的時候有可能是因為人導致的。比如講現在機器人為什麼進不了家庭？為什麼不能看護老人？現在從安全形度，有人如果操控了你的機器人，他可以操縱它做任何事，甚至把你的生命維持器都拔掉。

所以單純從演算法角度，從現在我們在做研究的這些人的角度上來看，我們沒有任何理由去把機器人的演算法往壞里做，往不可控的方向去做。但是坦白講，這件事情也不是所有企業都可控的，總是有一些人有不一樣的想法，這就是為什麼美國成立了一個AI聯盟，讓 Google、微軟這些巨頭企業聚集在一起探討，從安全形度，從倫理角度上，我如何控制現在領先的技術發展？這裡面其實人為因素還是扮演著比較重要的角色。

杜宇甫：剛才也聊過這個話題，AlphaGo去下棋，後來它贏了，但是它有很多局限的部分。比如說如何羞辱一個機器人？你可以拿一隻既像貓又像狗的狗，來問這個機器人，你說這是貓還是狗？對於一個兩歲小孩子而言，他一下就能看出來，但對這個機器來說，它要調用好多之前學習過的圖片，它要用很漫長很深度的演算法，才能給出結論。

因此對機器人來說，對我們來說，它的發展需要一個階段，但我不認為機器可以毀滅人類。因為在人類發展的歷史過程當中，我們可以普世地去看，各種技術都是輔助人類做一些新的事情，從最開始的鑽木取火，到今天的互聯網基因革命，以及AI都是幫助人類來前進的。

但是我們反過來看到另外一個話題，它在無痛地截肢人類，我覺得這是一個很麻煩的事情。比如說在一百年前人類發明了馬車，使得雙腿開始變得無力。自從有了電腦之後，人類的記憶開始逐漸地下降。對我來說，我的手機現在可以記錄電話號碼，我基本上不會去記任何人的電話號碼了。

我曾經看過一個調研報告，將這幾年的計程車司機大腦和以前的計程車司機大腦對比來看，現在的計程車司機的大腦在逐漸的退化，他不會去記錄現在的路況和路境，全部都交給了手機去做。人工智慧未來代替的是人類的智能，我們的身體在不斷地退化。現在來說，AI是提供了種種的判斷資源，讓你來進行判斷。

下一步，AI將幫你對小事情進行判斷，然後大的事情由你來決策。等到最後可能是由AI來幫你做出一些大的決策，這時候你可能會變得更加無力。那麼我們應該怎麼去應對這個問題呢？我覺得這是一件很重要的事情。可能你作為一個企業的老闆，你說下面我要這麼做，但是機器人告訴你要那麼做，然後還舉出了一大堆的例子告訴你，你是錯的。在這種狀態下，我們該怎麼跟機器相處？我覺得是一個更值得思考的話題。

鮑忠鐵：所有的新鮮事物剛出現在這個世界的時候，都會存在爭議，它到底是利還是弊？十多年前的幹細胞研究就是用於人體器官的培養，後來發展到克隆人，最後各個政府統一口徑，克隆人是違法的，不允許任何研究的機構公開或者私下做克隆人的研究。這個人體幹細胞在克隆人上就截止了。

AI也是一樣。整個矽谷目前AI具有三大趨勢，第一是深度學習，第二是聊天機器人，第三是無人駕駛。但是目前美國的監管機構和司法機構已經瞄準了無人駕駛，他們要去監管。為什麼呢？這裡有這樣一個場景，當一個無人駕駛的汽車行駛在道路上，碰到一個闖紅燈的老人，只有兩種選擇，第一選擇是撞了這個人，因為他違反交通規則了。第二是它要保護行人，然後旁邊就是懸崖，他只能開到懸崖里，但這樣的話又傷害到了它的駕駛員。

AI在做這種判斷的時候，與常人的判斷標準是不一樣的，有的人犧牲自己去救這個老人，對面如果又開來一輛大客車呢？大客車上面有50多位學生，他會犧牲這個老人還是犧牲這些學生？人會做這個判斷，但是AI不會。在這種情況下，AI到底怎麼抉擇？是否違反道德違反法律？這是大家討論的問題。

回到這個問題，AI到底對人類有害還是無害？在政府監督的情況下，或者在統一管理的情況下，包括這個AI聯盟，它未來是無害的。但是如果這個聯盟不奏效，任由AI自由發展，然後某些黑客自己做一些演算法，專門搶別人的賬戶密碼等等，這種情況下對人類就是有害的。

至於到底有沒有害？坦白說，從西方的觀點看，有害是大於無害的。我們可以看到10多年前的電影，20多年前的電影，斯皮爾·伯格導演的《人工智慧》，包括後來的《機械姬》，還有《未來戰警》，這些電影都告訴大家一個客觀事實，就是AI的發展，或者智能的發展，或者智能機器人的發展對人類社會的影響，都是弊大於利。

方躍：謝謝三位。下面我們把剩下的時間留給聽眾，大家看看有什麼問題可以提一下。

提問：我以前也是做機器學習的，我比較同意鮑總的意見。人工智慧的利或者弊都是取決於我們人類的人性。我們人性有光明的地方，也有黑暗的地方，如果光從技術來看的話，很可能它就是脫離了我們人類道德社會的範疇，從哲學上就犯了形而上學的錯誤。所以我們也應該在道德的背景下去考慮AI的問題。把這個問題歸結為一點，就是AI的發展，是不是可以在某種階段上進行立法化，這種立法是不是應該基於我們道德的認識？

鮑忠鐵：簡單說，無論是火藥的發明也好，還是演化到後面的原子彈、中子彈、氫彈等等。還要從歷史來看，過去人類每兩三百年發生一次戰爭，第一次世界大戰到第二次世界之間僅相隔了四五十年。但從第二次世界大戰到現在，已經將近60多年相安無事了，因為大家都有核武器了，你也打不了我，我也打不了你，互相制衡，從武裝的角度來說，因為火藥引進成武器，國家之間才得以制衡。

從AI角度來說，同樣也需要這種制衡，沒有任何一個勢力，或者任何一個神人，可以決定AI的動向，順帶決定人類的命運。機器人的三個法則圍繞著一個前提，機器人永遠不能傷害人的生命。所以三大法則告訴我們，必須在人類監管的情況下，AI才能走向人類希望走的那個道路。所以說AI立法是必須的，只不過到現在為止我們還沒有達到那個條件，因為想要立法的話，需要很多很多的條件，很多很多的場景，所以現在還沒有達到那個條件。包括我剛才提的幹細胞、克隆人的例子，只要到了道德和法律的爭議點的時候，自然而然就會立法了。

提問：您好，方教授我想問一個問題，我們公司是專註於做薪酬決策的，一種是給企業做內部的薪酬績效，另一種是開放給C端。我看到你前面PPT里有講到智能同步，它是用在財務方面的。

而我們的人力資源應用，它開放給用戶，用戶的參與越多，我的數據模型增長的量就越快，一年的決策量大約是在2800億次的規模。目前我們自己已經投入了6年兩萬多個小時，我就想了解一下美國有沒有類似的或者相關的案例？或者您聽完我的描述，你腦子裡面的第一印象是什麼？

前面用戶都在講，以後人工智慧的發展是否會影響我們的飯碗？到底是好事還是壞事？我們不這麼看，我們就看宏觀和微觀，如果我是一個雙教育背景，三個專業的人，能夠引領人工智慧普及到大眾的話，它是非常有利的，對教育、人力資源和企業服務，剛好是三個圈圈的焦點，非常獨到。

我就想問一下，國外有沒有類似的行業應用？因為人工智慧應用在一個有邊界,且範圍非常明確的情況下，比如說金融領域，它是沒有門檻的，但是如果應用在有摩擦的情況下，它會考慮到人和社會的變化，心理的素質等等，這個時候有很多不可控的因素在裡面，對我們來說相當於是一個門檻，能夠把我們的競爭對手給屏蔽掉嗎？謝謝！

方躍：現在的應用場景還是很多的，如果從概念上講，你需要數據。客觀來說這裡面還有一定的規律。如果有這兩條的話，你通過數據分析，實際上還不需要走到智能那一步，採取傳統的數據分析就能夠挖掘出來很多的規律，這些規律往往是單純靠我們的經驗和傳統判斷無法實現的。

大數據分析就是一個所謂的個性化產品，這個個性化現在在各個領域都有很廣泛的應用。比如教育行業，現在從國小到大學，包括我們中歐的教育，基本上是很難個性到每一個人的，我們的同學，他們每個人以前學習的專業不一樣，有的學管理，有的學計算機，差距很大。工作十年，行業也完全不一樣，可能我就是搞財務的，有的是搞技術的。

當落到中歐以後，第一年大家基本上都是被迫去修相同的課程，所以這裡頭差距非常大。我曾經搞了十幾年的財務，你非要讓我讀基本財務，那是讓搞計算機的那些技術人員學的。要解決這個問題，當然要了解每個人的需求，從現實中怎麼來實現？這種時候就需要智能機器人了。

美國大概是去年還是前年夏天有一所大學就做了這個嘗試，在選修課的時候，暑假不需要去學校，每天你做作業，老師會給你一些問題，你看你的書，到時候去考試就行了。當然只要你發了郵件，老師也會回答你的問題，但是你看不到這個老師，也不需要視頻。一個暑假過完以後，這些學生會收到學校發來的郵件，郵件中是這麼說的：我現在告訴大家，我們整個暑假的課程，200多個學生，沒有一個老師，給你們解答問題的都是一個機器人。

它整個過程就是一個完全個性化的過程，換句話說每次留的作業之所以不一樣，都是依據你的進展和你上次的理解程度，你上次做作業或者考試錯的程度，然後把它個性化的。這個機器人也回答問題，當你給它發一個郵件問它問題的時候，它如果有95%的把握，認為能回答這個問題的時候就會回答，否則的話它會繼續問你問題，一直到他弄懂了你的問題為止。如果問3次回答不上來的話，他就說對不起，你這個問題我回答不上來。所以一個暑期下來，沒有一個學生知道是怎麼回事。這個就是智能機器人現在能做到的。

具體到你那個行業，我不了解哪個產品會到這個程度，所以我沒法直接回答。但是從概念上來講，像我剛才說的只要你有數據，有規律，當你想做這種非常個性化的產品的時候，就會涉及到智能，這些在理論上都是能實現的。

提問：你好，我們是製藥公司，也做公司內部知識產權。但是我想問的是，有了機槍以後，大家都在打塹壕戰，之後有了坦克，塹壕戰就不存在了。那麼人工智慧如果再往下發展的話，以後企業形態會怎麼變化？或者說未來還存不存在企業呢？這將是一種什麼樣的趨勢？請各位嘉賓給我一點提示。

鮑忠鐵：不管有沒有人工智慧，過去幾十年的企業發展印證了一件事情，就是產業度越來越集中。過去這個產業裡面可能有上萬家企業，經過一段時間發展之後只剩下幾千家，再經過一段時間發展只剩下幾百家，或者只剩下幾十家。所以說人工智慧只是強大科技力量中的一部分，未來世界產業的發展，包括也一樣，的產業集中度其實是落後於美國的。對企業來說，未來所有產業都會面臨一個問題，那就是集中化。如果你的企業在這個產業當中沒有領先的優勢，不利用科技，不重視人才，不重視數據，那麼你的競爭力就會下降。

杜宇甫：我簡單地從兩個方面回答你：

第一是關於企業，我很贊同鮑總剛才說的，因為自從有了大數據，有了互聯網，才讓企業的所有東西都縮短了。比如有了互聯網的購物，有了電商之後，它把貨架變的無窮大，人們如今購物已經沒有障礙了。未來在不同的行業當中，將會僅剩下一兩家巨頭，我覺得這是一個發展的趨勢。

第二，剛才鮑總在演講中也提到了，神人演算法和普通人，我之前看過那本書，叫《未來簡史》。工業革命創造出了有產階級和無產階級，對於個人來說，未來可能就是人工智慧會把人分為有用階級和無用階級。

我看到這個觀點之後，也對這方面進行了反思，我覺得說的還是很有道理的，一些低級的工作將會被機器所替代。

方躍：當無用階級也挺好，有用階級養無用階級。

鮑忠鐵：你要在10%的裡面是OK的，但是你如果是那50%的人中的一個，共同擁有4%的財產的話，就會過的越來越貧窮，政府會保障你生存下來，但是你基本上就類似於一個圈養的生物了。

方躍：最起碼沒有發言權。隨著時代的發展，效率的提高，一個人能養那99%的人，那就養著吧，只不過那99個人就真的沒有發言權了。

杜宇甫：對，我就是這個觀點。

提問：我是來自中歐EMBA2016級北京三班的同學，也是周末剛剛上完方教授決策理論的課。我想代表我們班很多同學問一個問題，因為在我們的班級里，有兩個比較大的學生群體，一個來自於互聯網創業公司，另一個都是搞投資的。

按照方教授給我們上課時講的，包括今天論壇上也談到了，近幾十年間我們經歷了幾個比較重要的階段，無論是從傳統階段、計算機發展、互聯網時代的發展、移動互聯網時代的發展，還是今天最主要的大數據的發展，我們都有幸參與其中。但是無論是計算機發展的時代，還是互聯網發展的時代，還是移動互聯網發展的時代，最初的時候大家都愛談到泡沫，因為都看不懂。當所有人都看懂的時候，巨頭已經形成，你可能會迷茫，會去想下一個時代到底是什麼？

此外還有資金的問題，剛才一位嘉賓講到，三年不盈利的話，資本很難去青睞你，無論從創業者來說，還是投資者來說，如果只講一個偏好的話，你們會給創業者或者投資人哪些建議呢？謝謝！

徐冰：剛剛這位所提到的事情，其實我也有點感觸，一個行業剛出現的時候，大家可能看不懂，當然有很多人趁著大家看不懂就吹一些泡沫出來。其實我們看到的確實是這樣，因為現在有很多的演算法，你可以以很低的價格買到，這些演算法很多都是開源的初級演算法，經過包裝，然後就拿去做融資了。

這些都會涉及到一個環節，你到時候怎麼掙錢？你賺錢的時候是持續保持賺錢？繼續吹這個泡沫，還是真真正正找到一個模式再去賺？在，你很難憑藉這麼一個AI的故事就能拿到融資，包括我們最早開始做的，也都是演算法為主，都是一幫博士在做這個技術，那個階段真的沒有人看得懂。

我們在2014年的時候跟大家講深度學習，沒有任何人能聽懂深度學習是啥？甚至2015年都沒有人聽得懂。大家貌似感覺這是一個很厲害的東西，但是沒有人會對這個東西有任何的感知，沒有人感知這個東西的價值。

那麼在這樣一個階段，企業應該怎麼去策劃呢？現在的機器人、虛擬現實、增強現實都很火爆，但是你找不到任何一家企業說，我已經有了過億的訂單，幾千萬的盈利，也不是說超出特別多，但是你至少到達這樣的成績，有嗎？其實並沒有。

但是一旦這樣的企業出現了，你就已經追不上了。實際上在早期這個技術出現的時候，它很容易形成一個效應，所有最頂尖的科學家都集中在一家企業。第二就是所有的資本都容易集中在一兩家企業。

坦白講，這件事情的發生也會比我們想象的要快，當然不是吹噓，我們去年12月份就公布了，已經獲得了由萬達投資的1.2億美金。沒有任何人預料到這個行業已經出現了獨角獸企業。但我們從真正去做這個技術，這個產業應用，到產生收入，實際上也就是一年的時間，2015年跟大家講技術，2016年跟大家講商業。在這個速度之下，已經有非常非常多的人都錯過了。

所以這其實還是一個蠻複雜的問題，有的時候我們在這個過程中也是在碰運氣。我們恰好是在正確的時間點提出了一個正確的技術方向，深度學習恰好在這個時間點成熟，我們在第一時間沒有做任何猶豫轉向了這個方向。因為學術界也是有派系的，我在自己的研究方向做了十年，你讓我轉向一個嶄新的技術方向，我相當於要推翻以前的研究方向，很多人是不願意的。

2012年有一家公司出現了，叫DeepMind。DeepMind最開始是用深度學習去做遊戲，Google在2014年用6.6億美金買了它，這件事情沒有人會意料到，2014年沒有人看得懂的時候，你花這個價錢買了一個12人的公司，很多人說這個價錢出貴了。

但是Google分析說，全球範圍內它發現能做深度學習的人不超過50個人，也就是說可以稱得上深度學習專家的不超過50個人，能培養深度學習的人也非常有限。而現在這個階段，做演算法的人水漲船高，剛畢業的博士就能拿到百萬年薪，在BAT，大家都在搶這樣的人才。

當前這個環節沒有足夠的人去做這件事情，所以很快也會形成一個效應，一家公司集中了所有的人，而且可能很難出現第二個這樣的公司。不要說百人的博士教授團隊，就連20、30人可能都很難。但是你要說這個現象會不會持續很久？我相信在今年或是明年，大學裡面如果設立了深度學習的專業，那麼在4年後、5年後就會有所好轉。因為市場有需求，學校開始培養這部分人，就像當時計算機一樣，有一段時間計算機系畢業的人就是最火的。可能到後面一段時間就是做深度學習，做人工智慧演算法的人，比如做機器人的這部分人最火。

大家問現在做這個產業還有沒有機會呢，我們發現實際上是有非常多非常多的機會的，因為這個產業非常巨大，它影響到的行業覆蓋面很廣，機會在哪？其實不是在演算法上，演算法上的機會非常有限，基本上核心演算法的人才都被壟斷掉了。機會是在應用端的。

未來不管是國內還是國外，都會有那麼一兩家公司專門提供演算法，我完全可以不做演算法了，買來之後直接做應用。在這些應用環節上，其實還有大量的機會，但我不敢說是創業的機會，還是投資的機會，現階段，甚至2017年都會出現。因為已經有人持續比較穩定地輸出好的演算法了。

方躍：投資本身有風險，這是毫無疑問的。等你看到什麼風險都沒有的時候，這個機會肯定就喪失了。

所以又回到這個問題上了。你這個技術是不是只是一個臨時的泡沫？還是真有可能帶來價值和一個應用場景？最後它是不是真能為經濟產生某種價值？最早的計算機就是為了科學計算，當時一個大的問題就是，有多少進行科學計算的人需要把一台機器擺在家裡？你有那麼大的運算量嗎？而且這個非常專業，因為當時要寫代碼，所以就非常之難。如果計算機當時只停留在這個位置上，我想也確實沒有太多的發展前景。

蘋果剛出來的時候，他都搞不清楚這個計算機有什麼用？但是他提到了一點，我的計算機設計一定要漂亮，要時尚，所以這個東西擺在桌子上最起碼是個藝術品，有沒有用以後咱們再說。所以說，一開始我們都會遇到這麼一個問題。但是像人工智慧，如果大家看到它具有很強的應用場景，那麼自然它會有非常廣闊的天地。確實最開始的那幾個基礎研究，是需要大量投入的，這個並不是誰都做的來的，但是把這些已經成熟到一定程度的技術深入到應用中，去搭建的這個過程，應該說風險會相對小一些，而且效率可能回報得更快一些。

鮑忠鐵：我簡單回答一下，投資人也好，創業者也好，其實最主要是看人。我也認識很多投資界的朋友，也看了一些文章，包括我們自己的團隊，我們會遇到這樣的一個問題。具有很高能力的團隊，它會把很差的商業模式做到很好。但如果這個團隊不行，或者人不行的話，也會把很好的商業模式做得很糟，於是就丟掉了那個風口。

所以投資人也好，創業者也好，其實最終都是在看人看團隊。

杜宇甫：年前的時候，摩拜腳踏車老大說了一句話：「如果我很賺錢的話，還要投資人幹嗎？我傻嗎？」所以說在任何一個行業和任何一個公司最先起步的時候，總是存在那麼多看不清楚的東西，但是有些東西是可以看清楚的。比如說這種技術是不是一個正在發展的朝陽性的技術？第二它是不是一個真正為社會解決問題的行業？第三今天80、90后佔據著整個市面，是團體當中真正蓬勃發展的一代，這些人他們具備的知識體系和他們的狀態是不一樣的。

團隊剛才也說了，我比較贊同的一點是，人真的非常非常重要，人很重要，機器次之。組織結構也非常重要，他是不是一個自下向上管理的，每個團隊每個人都能發揮自己價值最大化的一個團隊。此外，組織的結構形式也是非常重要的。

提問：我想問徐冰老師一個問題，在應用領域上，我們都知道金融和醫療的摩擦係數比較小，但是我們實際在操作這個醫療項目的時候，會發現醫療方面的數據壁壘比較多。所以您覺得摩擦係數小，小在哪？怎麼樣去解決醫療方面的這些問題？謝謝！

徐冰：謝謝，那我就根據我們目前在做的醫療這一塊的一些階段性的研究成果來跟大家做一個分享。大家都知道醫療產業的前景很大，但是現在我們遇到了一個比較大的問題，就是沒有非常非常專業的人來給你標註這些數據。在和大型醫院合作的時候，其實對方可以為我們提供很多的數據，但是這些數據沒有足夠有經驗的醫生給你標註出來，這個區域有病，那個區域沒有病，而這恰恰就是做深度學習的基礎環節，你要先教給這個機器這是正確的樣本，那是錯誤的樣本，它其實就是一個分類問題。

目前這個環節需要人先做一些工作。就相當於教你走路一樣，要把這個東西標完。我們現在做一些簡單的演算法時候，比如人臉識別，也需要標註人臉數據，但是你隨便找一個大學生都可以標，不依賴於特殊支持。而醫療數據不一樣，因此這也是我們目前遇到最難的數據的結構化標準。同時，中外還存在比較大的差異，國外西醫相對來說體系比較完整，所以它的結構化數據要多一些，包括病歷在內也相對比較標準。但是在國內，我們能夠找到的已經結構化好的，可以直接經過一些初步處理之後就拿來做學習的數據還非常非常少。

對於一些疑難雜症，可能全國的專家也就是那麼十來號人，你讓這些專家利用日常的時間幫你標註這個數據，讓他標註這個區域是什麼樣的病，具體的指標給你標出來，這是不現實的。我們現在只能做到，一張照片是有病，一張照片是沒病的，相當於只有一個標籤，然後拿著這個標籤去訓練。機器也能夠達到相對80、90%的準確率。

也就是說你給我一張你拍好的CT片，你問我你有沒有肺癌？我可以告訴你有百分之多少的機率有，這個正確率當然有待改進，但想要改進，就需要你標註更多的信息，然而這些信息如果沒有醫療方面的常識，是沒有辦法做到的。

目前想要在做智慧醫療，從數據層面上來講，不光是醫院可以幫你提供，現在很多做遠程醫療的企業也都可以提供。因為所謂的遠程醫療就是二三線城市沒有這些專家，我把二三線城市的人拍的CT片，傳到一線城市專家的電腦里，讓他去診斷，然後把這個信息反饋回來，這是最簡單的模式。我們可以接觸到很多二三線城市拍的數據，然後也能拿到一些一線城市專家的數據。

所以說在智慧醫療的初級階段，我們還是比較有優勢的。而當真正落地下來，比如像SaaS服務一樣，皮膚癌只要拿手機拍一下，就可以做一個基礎診斷。

另外一個建議，大家可以看看國外的案例，國外本身在數據上就有一些比較明顯的優勢。現在很多的智慧醫療已經公布出了研究成果，比如哈佛、斯坦福等等。因為本身他相較國內而言已經提早打通了在數據端的閉環，所以他在做演算法的時候，都是同樣的演算法，就是深度學習。網路結構上稍微做一些創新，能夠更好地適配這個數據就可以了，性能上很快就可以做到一個相對來說比較合理的指標。

本次活動其他演講嘉賓：

中歐國際工商學院經濟學與決策科學教授 方躍

360大數據中心副總經理 傅志華

京東萬象總經理 杜宇甫

TalkingData首席佈道師 鮑忠鐵

天雲大數據CEO 雷濤

商湯科技聯合創始人 徐冰

註：以上所有內容由數據猿編輯整理併發布，更多內容請關注數據猿獲取實時動態。

後續數據猿將推出《中歐微論壇|數據猿·超聲波》精剪版視頻演講，敬請各位期待！