為什麼說中國在人工領域方面有機會？

為什麼我們說的公司和投資機構在人工領域方面有機會？因為人工智慧是極少數有希望領先於世界的黑科技領域。在廣義人工智慧領域，現在公認中美雙寡頭，世界上其他國家處於遙遙落後的狀態。

自從人工智慧的概念1956年被提出以來，人們的期望和熱情處於起伏之中。2016年以前，人類兩次表現出對人工智慧的樂觀，也經歷過兩次低谷。樂觀的時候認為「人類就要毀滅了」，低谷時又認為「上當受騙了」。

而2012年至今，尤其在2015年和2016年，AlphaGo持續戰勝人類棋手，激起了從業人員、投資者和媒體的情緒表達。這次我比較堅定地認為，人工智慧確實已經發展到一個新的歷史階段。探索人類如何與人工智慧共存，就是探索人類未來生存的可能性、必要性所在。

一、為什麼堅定地說狼真的來了？

1、範式革命

這次人工智慧的發展，帶來的是改造世界的範式革命。範式革命指兩方面：

• 過去人類改造世界，為了解決問題所採取的方法是指令性的方法；而現在人類改造世界時，採取的是描述性方法，不再需要給出具體的指令。
• 過去人類需要了解和改造這個世界所依賴的，把人類區別於其他物種的，是獲取知識、掌握知識、運用知識的能力，也就是說人類有世界觀；而隨著人工智慧的發展，比知識、世界觀更重要的是，人類需要掌握一套新的方法論。

從指令到描述、從世界觀到方法論的變化，可以用一句話來概括：「世界上的大部分知識將由機器提取出來，並且將長駐於機器中。」這是Facebook人工智慧實驗室負責人Yann LeCun的一段話，他也被稱為「當代人工智慧之父」。

2、過去人類如何改造世界？

首先人類對世界進行觀察，然後實驗；從觀察和實驗中總結規律，這些規律其實就是對世界的認識，是各種各樣的理論；根據理論，人類制定規則，在現在的世界中就是編程；人類按照規則製造並且驅動工具，工具在現在的世界就是由電腦驅動的各種程序，這樣我們就通過工具改造了物理世界。

3、現在人類如何改造世界？

隨著人工智慧的發展，我們在解決許多問題的時候，已經不再對世界進行觀察和試驗，而是提出需求，並且收集和提供海量的訓練數據；當我們把訓練數據輸入到一些模型中，這些由機器運行的模型能自動通過海量數據，總結出關於某個特定領域的事物運行規律；其中有些規律是人類科學家和工程師可以理解的，但更多規律超出了其理解範疇。

以AlphaGo跟人類圍棋手下棋為例，AlphaGo下出來的一些棋並不符合人類之前的理解，而AlphaGo不斷獲取的輝煌戰果，也讓人類重新認識到一些圍棋規律。

一些金融領域的人工智慧創業項目，是利用人工智慧進行二級市場投資。在交流過程中這些團隊表示，人工智慧總結出的二級市場投資規律，一些是比較明顯符合二級市場投資人認知的，比如一支股票長期橫盤後會有突破，這支股票大概率會上漲；但某些時候人工智慧挑選出來推薦的股票，二級市場投資人不能看出明顯的規律。而實踐中，人工智慧推薦的股票大概率都是上漲的。

利用人工智慧進行醫療診斷也是如此。在需要醫生根據某種醫療圖像，如x光、超聲波、CT等對病變進行診斷的領域，我們發現，只要收集到足夠多病例，目前人工智慧就能在幾乎所有科目里根據醫療影像進行診斷，而且其診斷率能比最優秀的人類醫生更好。

由此看出，機器對規律的總結超過了人類，甚至是最優秀的人類。在機器總結規律的這一步完成後，現階段更多是由人類來制定規則，根據機器總結的規律進行編程，人類和機器會按照規則製造並驅動工具，工具則會改變周圍的物理世界。

4、未來人類如何改造世界？

現階段的需求是人類提出的，而未來機器可以自動由已知的需求分解出需求，即「需求驅動需求」，比如要解決問題A，機器可以把需求分解解決BCD，當BCD解決后，A就解決了，需求的分解也是由機器來完成的。而目前，人工智慧的發展還依賴於人類提供的海量訓練數據。現在一個非常熱門的研究領域是，由機器自動獲取甚至生產海量的數據。

機器總結規律則是比較成熟的階段，在此之後幾乎一定會發生的是，由機器根據總結出的規律制定規則、編寫程序。當機器能夠總結規律、制定規則后，由機器製造和驅動規則也會變成順理成章的事。

在這個閉環中，未來機器可以自動提煉出其改變世界的需求，自動獲取和生產訓練所需要的數據，總結出事物運行的規律，根據規律制定規則，按照規則製造和驅動工具。這樣的閉環中已經不太有人類的位置了。

總結來說，隨著人工智慧的發展，人類社會所面臨的巨大變革，即K2MK（Knowledge to Meta-Knowledge）：

• 人類不再需要或者不再有能力去理解事物運行的內在規律；
• 人類只需要掌握新的獲取事物運行規律的方法論。

二、硅基文明史——人工智慧發展的歷史回顧

人類基於碳水化合物，是碳基生物；而人工智慧基於計算機，是基於二氧化硅的硅化合物，因此稱為「硅基」。

1、從符號智能到計算智能

目前人工智慧的發展方向，是從符號智能到計算智能。最初人工智慧出現時的邏輯是符號智能，以知識為基礎，通過推理求解。這個過程所要達到的作用是機器能做推理，符號智能的邏輯是非常簡潔的，要求機器能做各種邏輯運算。

分水嶺大概是在20世紀90年代，隨著更多數據的引入，逐漸有了計算智能這樣的新方法論，以數據為基礎，通過訓練求解。機器不僅有推理能力，還有歸納能力；不僅能解決很多簡潔的數理問題，還能解決相對模糊的問題；不僅有邏輯推理能力，還有直覺判斷能力。

更細化來說，在人工智慧早期，最先解決的問題是賦機器以邏輯，讓機器有進行邏輯推理的能力；現在則是賦機器以知識，讓機器不僅有邏輯推理能力，也有關於世界是如何運行的知識，這些知識在早期是非常專門的、某些特殊領域的知識；現在隨著神經網路和深度學習的發展，有了更通用的方法，讓機器獲取知識的能力不再依賴於人類的提供。

接下來的自然發展是，從現在開始，我們的更多研究變成賦機器以行動，不僅希望機器能進行邏輯推理、總結世界的運行規律，還能根據他們對這個世界運行規律的理解，採取相對應的合適行動。就這一步而言，目前的人工智慧研究做得還不是特別完美。但這是目前非常重要的研究領域，並且一旦這個領域有突破，機器對這個世界改造的閉環會徹底形成。

2、智能背後的技術演變

獲取這麼多智能的背後，是相應的技術演變。從它們所依賴的思想領域，到與之對應的理論框架、相應的計算資源和能解決的典型問題，都不太一樣。可以看到目前現階段，最主流的思想是深度增強學習，依賴的理論框架是生物科學和控制論，與之對應的主流計算框架是AI晶元、雲計算，未來很快霧計算也會來臨。現在還沒有做到通用智能，但大家普遍認為通用人工智慧是在有生之年可以期待的成果。

總結一下智能背後的技術演變，為什麼這次我們比較樂觀地認為狼真的來了？因為首先，現在的人工智慧打破了之前遇到的莫拉維克悖論。

早期研究發現，人工智慧可以解決很多人類看起來非常困難的問題，但很多對人類來說非常容易、直觀的問題，比如識別貓和狗，識別一個人是A還是B，對機器來說卻非常困難。這波深度學習人工智慧的發展，在很多領域打破了莫拉維克悖論，表現出了遠超人類的能力。

其次，在這波人工智慧的發展中，我們所使用的很多框架表現了超常的完全不依賴專有領域知識的超強通用性。

再次，以深度學習為主的人工智慧表現出了高度類似人腦的工作機制，讓我們認為這次應該是走在了一條正確的道路上。

至於為什麼是在這個歷史時間點人工智慧取得了突破性進展？背後實際上有三大推手：

• 以卷積神經網路（CNN）為核心的深度學習框架；
• 隨著移動互聯網普及而產生的數據爆炸；
• 摩爾定律和雲計算髮展到現在這個階段，讓海量計算能力變得足夠便宜並且可得。

3、人工智慧與人類的不平等競爭

2016年世界圍棋冠軍李世石與AlphaGo對戰，李世石先輸三盤，然後艱苦地贏了第四盤。當天晚上，AlphaGo跟自己又下了100萬盤。這說明，一台機器獲取知識的速度大概等於一個人類獲取知識的速度的100萬倍。

除了獲取知識的速度，傳播知識的速度也一樣。你我之間使用中文溝通，中文是公認的高效編碼，在人類個體之間傳播的速度500bps，而4G網路的傳播速度是500Mbps，大約也是100萬倍。而且電腦網路之間通訊速度的增加也是符合摩爾定律的，大約每18個月翻一倍；而人類的信息傳播速度在有生之年，可能不會發生變化。

機器一旦獲得了知識，其傳播是完全不走樣的。當一台機器學會了如何從一個超聲波圖像中判斷腫瘤是良性的還是惡性的，那麼全世界機器只要付費就能獲得同樣的知識，傳播是不走樣的。且機器運用知識不會受到任何情緒波動影響，但人類幾乎是一定會受到情緒波動影響。

圍棋第一人柯潔與AlphaGo對戰的第二局，前100步都被公認下得很好，幾乎與AlphaGo預想的最優前100步完全吻合，柯潔本人也意識到了這一點，所以當時心情很激動，心臟跳動很不規律，以至於他在現場不得不用手捂住胸口，因為覺得自己有可能戰勝圍棋之神。但就因為這樣，一百零幾步時下得很糟糕，全盤皆輸。這種情況在機器上完全不可能發生。

三、投資人對於人工智慧領域的思考

做一級市場的投資人在面對人工智慧這個熱門領域時，首先考慮的是如何評估項目。在現階段我們已經認識到，人工智慧發展的三大推手是：機器學習框架、數據和算力。

1、篩選項目最需要關注的要素

（1）人才

尤其對早期項目來說，不僅要求人才有能力把已經成熟的框架拿過來用，因為現在很多計算框架都是開源的，而且要求人才有能力發明新的機器學習框架，或者有能力把不同框架以有機的方式結合起來，或者把原有框架用在嶄新的領域中。

（2）數據

這一輪人工智慧的發展是數據智能，數據是這次人工智慧的最大推手，所以在評估新項目時希望有非常強的數據獲取能力，尤其是獲取海量數據的能力。這波以深度學習為代表的人工智慧對數據的消耗量很大，所以項目獲取的數據最好是專有的。如果一個團隊能拿到競爭對手拿不到的數據，那它就會有很深的護城河。如果這個團隊有能力創造出專屬於自己的數據，護城河就更深了。

（3）算力

團隊要有最基本的獲得和實施計算能力的水平，算力是一整條產業鏈，在這條產業鏈上有很多機會。

提到產業鏈，目前人工智慧分成基礎架構層、技術提供層和應用層。現在公認的觀點是，不同的層有不同的投資邏輯。而基礎架構被認為巨頭的天下，因為它涉及到大量人力、物力的投資。但如果我們能找到足夠優秀的團隊，投得足夠早，且團隊未來願意併購退出，那麼在基礎架構層上也不是沒有投資機會。

在技術提供層領域，現在的創業團隊大多是為其他公司提供技術服務，所以更多是To B的業務，評估這類項目時更多把它們當做傳統的To B業務來考察，尤其在，技術領先可能不一定是這類項目成功的決定性因素可能是銷售能力而非技術領先。在應用層面，要進行行業優選，不同行業的成熟度是完全不同的。

2、人工智慧對行業的影響

提及應用層面，我們目前能夠想到的所有行業，最終都會受到人工智慧的極大影響，比如金融、安防、電商零售、自駕領域、教育、醫療健康、個人助理等，實際上沒有任何一個行業是安全的，說人工智慧跟我沒關係，這不可能。因此有兩個結論：

（1）AI是革命各行各業的屠龍寶刀，沒有任何一個行業是安全的；

（2）不同行業受人工智慧影響和改造的速度和程度會有所不同，列舉幾個因素：數據完備，結果反饋迅速；付費意願強烈，民眾心理接受門檻低，監管和社會容錯意願強。

根據這些標準來預測行業，我們判斷會受到影響的行業依次是：

• 互聯網、零售、廣告，這些行業的數據非常完備，結果反饋非常迅速，付費意願超強，民眾接受起來沒有什麼門檻，也談不上監管和社會容錯，因此是最早會接受人工智慧的。
• 金融、安防，這些行業的數據也非常完備，結果反饋足夠迅速，付費意願超強，民眾的心理接受門檻挺低的，雖然金融、安防看似是監管強度比較高的行業，但實際上跟醫療、交通比起來，門檻不算高。
• 醫療，雖然目前基於圖像的醫療診斷已經相對比較完善了，但實際上醫療行業的數據完備程度遠不及之前所說的行業；付費意願雖然很強，但民眾的心理接受門檻不見得低，結果反饋也不那麼迅速。智能醫療的監管和法律法規方面也不會很快完善。
• 製造、交通，這些領域要麼會有數據完備上的一些問題，要麼會有監管、社會容錯意願方面的問題，所以會更加靠後。尤其智能交通現在是AI創業最熱門的領域之一，但要真正取得突破性進展是會非常靠後的。比如無人駕駛現在的社會立法就非常落後，最近百度無人車上五環，其實是一種違法行為。如果無人駕駛汽車為了保護乘客或者完成乘客的指令，強行加速撞了行人，法律責任如何界定？是製造商、演算法供應商還是乘客來承擔責任？

現階段機器總結規律、獲取知識的這一步，人工智慧已經發展得非常成熟。但人工智慧制定規則、驅動工具的這一步，其理論框架還沒有深度學習那麼成熟有效。這類不僅僅是總結事物規律，還需要根據規律採取跟某種物理世界高度實時交互的部分，比如智能製造、智能交通等領域，不管是從技術儲備上，還是從社會接受度上，相對而言都是更靠後的。

四、人工智慧的機會

為什麼我們說的公司和投資機構在人工領域方面有機會？因為人工智慧是極少數有希望領先於世界的黑科技領域。在廣義人工智慧領域，現在公認中美雙寡頭，世界上其他國家處於遙遙落後的狀態。而的優勢主要體現在以下幾個方面：

1、人才

有超一流的華人、華裔科學家，而且人的數學好是公認的，的學生偏好學習編程。根據高盛報告，過去5年，華人科學家發表的人工智慧領域的論文和引用數都超過了美國，是全球第一。

2、數據

關於隱私的相關法律和社會風俗有利於數據獲取。我們曾經關注過一個在美國起步的醫療診斷公司，由於美國《隱私法》保護，完全獲取不到數據。後來該公司希望與一家荷蘭意願合作（荷蘭是隱私相對自由的歐美國家），獲取500例完整的乳腺癌診斷數據，荷蘭醫院表示大概10年時間能拿到。如果在來對接一家三甲醫院，可能一個月就能收集完成。BAT能做到在全球領先，跟龐大的人口基數和移動互聯網的數據爆炸有關。

3、政府支持

有超強的政府支持，總理的《政府工作報告》專門提到了人工智慧；許多地方政府引導基金也非常有意願投資於智能相關和算力相關的基礎設施。

4、算力

有先進的計算基礎框架。以阿里雲為代表的雲計算，已經達到了接近世界最高水平的計算的基礎框架。阿里雲去年市場份額是全球第三，僅次於亞馬遜和微軟，並且業界認為，未來三年半左右，阿里進入世界前二應該是沒什麼問題的。