2016年3月，世界冠军李世石与智能机器间的五盘围棋大战，让“人工智能”从技术概念变为了妇孺皆知的通用词汇。回望过去的一年，AlphaGo所带来影响不只局限在了朋友圈和围棋界，互联网创投圈也追起了“热点”，自VR逐渐转冷后，AI成为了最受关注的创业方向。

“这年头，BP上不写点与人工智能相关的内容都不好意思给人看。”一位创业者曾如此戏言道。而在教育领域，由AI而起的“自适应学习”也成为了热词，企业们也纷纷发布于此相关的产品。

但是，刚刚经历过资本寒冬洗礼的人们，也对这一次“热潮”怀有许多疑问。大批追逐热点却最终倒闭的O2O、VR公司还历历在目，AI本身也是一个有“炒作”前科的技术概念。

从诞生到大规模商用，一项技术所受的关注总要经历一个如Gartner曲线一样的过程，从万众期待到集体幻灭，最终走向真正成熟。而自诞生以来，人工智能已至少被三次高度关注，但人们所期待的智能机器却似乎仍然很遥远。

这一次会是如何呢？在昨日的猎云网2017人工智能峰会上，30位人工智能相关的创业者和投资人分享了自己的观点。他们的看法，或许能在一定程度上代表未来的风向。

我这一生遇到过很多人，他们如同指间的烟火，忽明忽暗，最后只沦为一抹灰烬，而你不同，你如同北斗，闪耀在我的整个人生里。

过去一年，人工智能在创投圈有多火？

几乎所有参会的投资人都在强调AI在一级市场投资方面的火爆。根据CB insights的数据，自2014年起，与人工智能相关的投资在金额和数量上都呈现显著增长的趋势。

而在中国方面，宽带资本合伙人刘唯透露，2015年中国在人工智能方向的投资超过两百家，金额约10亿美金。华创资本合伙人熊伟铭则表示，在2016年，中美两国人工智能创业公司获得的投资总额超过50亿美元，有2300个投资机构参与到了1700家公司的募集工作中，掏出真金白银的不乏行业巨头。

不论AI发展现状如何，专注于“看未来”的投资人们，已经用脚投票，站在了看好的一边。

总喊着“狼来了”的AI，这次会真的来吗？

过去几十年间，人工智能数次在媒体上兴起却每次都“爽约”，表现得宛如《狼来了》故事中的孩子。但在从业者眼中，AI在大众关注度上的起起落落，是期望值管理出了问题。包括三角兽董事长兼COO马宇驰在内的多位投资人及创业者都认为，人们所期望的“强人工智能”还非常遥远。

“《西部世界》等等影视作品，让我们对人工智能的预期非常离谱。”马宇驰说，“终极的人工智能可能需要一整代人的努力，但绝不是说过程性的成果就不能产生价值。”

云知声CEO黄伟表示，数据量、算法和计算能力是制约人工智能发展的主要因素，而这一轮AI浪潮与之前几十年的不同，正是这三方面的突破性进展。大规模真实数据的积累能力、以深度学习为代表的算法进步，以及高性能分布式并行计算的实现，使得人工智能具备了变革产业链的基础。

因此在投资人眼中，人工智能的确蕴含着巨大的机会，但在产生商业价值方面，这个产业还处于非常早期的阶段。蓝驰创投执行董事曹巍认为，目前只有少数行业和少数垂直领域有非常丰富的数据，可能训练出可作参考和辅助决策的人工智能模型。从数据丰富度和基础设施建设角度来讲，其实整个产业还是处于非常早期的阶段。

信天创投合伙人蒋宇捷也表示，人工智能是一个底层的技术，而无论是蒸汽、电力还是计算机，对人类社会的改造都需要一个长达20-30年的周期。从投融资的状况看，目前43%的人工智能创业公司处在天使轮阶段，41%处在A轮的阶段。AI产业的未来潜力仍然非常巨大。

所以，人工智能可能真的“来了”，会渗透进许多产业之中。但其产生影响的方式仍然是渐进的，而要让机器获得与人脑相似的能力，却仍然是“路漫漫其修远兮”。

创业公司估值上天，AI产业是否存在泡沫？

“贵”，是目前创投圈对人工智能项目的普遍共识。数千万、上亿美金的估值，往往只是天使轮的起步价。这在此前几年的移动互联网创业中是很难想象的，泡沫过剩，也是人们对AI产业的质疑之一。

蓝驰创投执行董事曹巍认为，三个主要因素催动了泡沫的产生。AlphaGo的成功和公众的关注，让投资机构存在追逐热点的心态；科学家团队的高薪资，客观上拉高了人工智能的创业门槛；最重要的是，目前的一级市场有着充足的资金供给和良好的流动性，有“能力”推高热门项目的估值。

一般意义上来说，市场的火热是产业发展的利好，能够吸引更多资本与优秀的人才。但在真格基金投资合伙人李剑威看来，市场的过热也会为创业者带来许多负面的影响。同类项目增多带来的竞争加剧，以及人才成本的激增，无不来源与此。最重要的是，这样的大环境让创业企业潜心打磨产品的窗口期急剧缩短，留给创业者的时间并不多。

大部分投资人都认为，泡沫过剩的市场终将回归理性。线性资本创始合伙人王淮推测，泡沫的“破灭”有可能出现在年底。最早一波拿到融资起跑的公司，在经过十二到十八个月后，会有部分遭遇到融资困难的问题。

“疯狂的投技者会退场，拿钱比高估值更重要，打磨场景比打磨技术更重要。”王淮说，“到今年年底，优质的AI公司在实现技术的产品化和产品的商业化方面，会拿出实际的案例。”

巨头齐聚AI赛道，会带来什么？

与其他领域相比，巨头扎堆是AI产业的一大特点。有外媒在报道中称，在2017年这个时间点上，已经几乎找不到在AI上没有动作的互联网巨头了。

收购、投资、自建实验室、与高校合作，海外的互联网、科技巨头们已经在人工智能上洒下了无数真金白银。而在国内，以百度为首的大公司也在几年前就开始了布局。

宽带资本合伙人刘唯表示，巨头正在做几方面的布局，首先是基础底层技术的研究，其次是生态，以及面向C端开放场景的尝试和应用。“开源和开放也是巨头们的战略上的选择，”刘唯说，“它们希望创业者都在它们搭建的生态上玩。创业者可以通过巨头的平台获得商业价值，从而与平台绑定。”

相比于创业者，巨头在用户、数据、资金、生态方面都存在着天然的优势。即使是起步稍晚，它们也有迎头赶上的资本。对此，真格基金李剑威举了一个真实的案例：在AlphaGo战胜李世石之后，腾讯才组建了人工智能实验室AI Lab。仅仅一年之后，研发的围棋人工智能程序“绝艺”（Fine Art）在UEC杯计算机围棋大赛中夺冠，还战胜过柯洁、古力、常昊等多位顶尖人类棋手。

“巨头仍将是人工智能的核心推动力，这毫无疑问。”刘唯说。

巨头之下，创业者的机会在哪里？

尽管如此，被巨头笼罩的人工智能也并非没有给创业者留出空间。华创资本熊伟铭认为，行业应用是中国人工智能发展相比美国硅谷的差距所在。对于创业者来说，解决具体的商业问题才能产生真正的价值。

“我非常害怕看到一个BP，20页中间17页讲自己的算法，自己和谷歌的分数做对比。”熊伟铭说，“如果现在还在验证这个技术是否可行，那你可能到不了A轮，最多是天使轮。”

真格基金李剑威则为创业者指出了三条可行的道路：

①水平应用功能API
做成AI领域中的一个部件，如图像识别、语义分析、自动驾驶等，把一个单一领域突破成全国最好。对于这样的公司来说，被巨头收购将成为非常好的退出渠道。

②垂直应用与行业深度结合
避开红海竞争，扎根到行业里。让AI与行业本身的应用相结合，深度垂直去解决问题。在金融、制造业、电商、教育、安防等行业中，AI有着广阔的市场。

③软件服务的AI化
而对于主业不是人工智能的创业公司，也可以考虑在自己的产品中加入人工智能的元素。李剑威以其所投的“得到”为例解释称，在一开始，知识服务App“得到”只是正常地在首页上罗列各种功能。而在加入带有人工智能的个性化推荐与信息流功能后，App的活跃度与付费都有了明显地提升。

人工智能+教育，如何应用？
几乎所有投资人将教育作为了AI的应用场景之一。而在具体的做法上，乂学教育创始人栗浩洋给出了他们在自适应学习上的经验。在他看来，AI+教育，带来的是两方面的进步：

①精准定位知识点欠缺：人工智能方式可以智能侦测到学生学习的盲点，从而减少重复学习的时间，从而提高效率。AI老师可以穷举所有的知识点形成知识图谱，并对几百万道的题进行涵盖。通过知识空间理论，找到学生的薄弱项，从而精准到学生最需要学习的内容。
②个性化学习路径设计：对于同样一个知识点的学习，每个学生用的时间不一样，效率和学习路径也不一样。根据学生的画像，可以用人机对话的方式代替45分钟线性教育，帮助其设计最快的最适合的学习路径。

除此乂学教育之外，海外的Knewton、Udacity、IBM Watson、McGraw Hill以及国内的百度、科大讯飞、朗播网等，都已开始了在人工智能+教育方面的探索。在未来，AI将为教育带来更快的效率和完全不一样的学习体验。





  查看全部

中国人工智能的未来之路?
【提要】2016年 3月，AlphaGo 计算机程序轻取围棋九段棋手李世石，立刻引发全世 界的讨论。这一里程碑事件向世界证明，机器可以像人类一样思考，甚至比人类做得更好。乐观人士相信人工智能技术的突破将极大推动生产力的提高。但同时也激发了对人工智能或将取代人类工作的焦虑情绪，甚至有人担心人类最终会创造出连自己都无法控制的智能机器。在纷繁的观点背后，有一点毋庸置疑：人工智能有着改变全球社会的巨大潜力。 

随着人口红利的快速消失，中国急需寻找新的增长引擎。基于人工智能的自动化可以提升生产力，帮助中国实现其经济发展目标。 

在这一背景下，理解人工智能的发展及其对中国的影响尤为重要。本文将涵盖以下内容： 

第一部分简要介绍人工智能的发展历程、现有技术水平及未来展望。  第二部分分析中国在人工智能领域的实力并论述相关挑战，以及人工智能在 经济、社会和地缘政治方面的影响。  第三部分对中国在产业、经济、教育、社会及国际政策方面就人工智能发展 提出五大战略建议。  

1. 人工智能：拐点来临

  人工智能是对人的意识、思维过程进行模拟的一门新学科。似乎在一夜之间 人工智能从虚无缥缈的幻想成为了现实。计算机科学家们在机器学习和深度学习 领域已取得重大突破，可以赋予机器认知及预测能力。如今在现实世界中，这些 系统的应用已不鲜见。  

回顾变革前的简史 

人工智能意为机器对人脑思维认知功能的模拟。这一概念长期以来只存在于 人类幻想和科幻小说中，直至 20世纪五六十年代，有关人工智能的理论初步形成 后，才开始引发普遍乐观情绪和第一波热潮。但由于技术未能实现突破性进展，人 工智能无法达成预期效果，因此陷入了一段沉寂期。往后数十年间虽然不乏成功 案例（如 IBM的超级计算机‚深蓝‛击败国际象棋冠军加里·卡斯帕罗夫），但因 为人工智能在现实世界的成功案例太过孤立，所以不足以支撑大规模商业化。 

让我们快进至 21世纪。数据收集及整理、算法（尤其是机器学习）以及高性 能计算等技术的突飞猛进促成了革命性进步。例如，在以往被认为是机器‚无法 取胜‛的围棋比赛中，AlphaGo成功击败人类世界冠军，从而赋予了这场获胜历史 性的意义。 

而变革不仅发生在理论前沿。被视为未来超级智能系统的先锋——各类应用机器学习技术的分析工具已现身市场。金融、医疗、制造等行业应用发展迅速，人工智能领域的全球风投也从 2012年的 5.89亿美元猛增至 2016年的 50多亿美元2。 麦肯锡预计，至 2025年人工智能应用市场总值将达到 1270亿美元。  

了解人工智能及其能力 

以往人们借助计算机的运算能力可以更高效地完成任务（例如，比人类更快 地处理更复杂的计算）。传统的软件程序由人类编写，包含具体的指令要求。 

人工智能的工作模式完全不同。它们依据通用的学习策略，可以读取海量的大数据‛，并从中发现规律、联系和洞见。因此人工智能能够根据新数据自动调整，而无需重设程序。利用机器学习，人工智能系统获得了归纳推理和决策能力；

而深度学习更将这一能力推向了更高的层次。这些计算机系统能够完全自主地学 习、发现并应用规则。 

虽然深度学习领域近来的突破可使人工智能系统在一些关键能力上媲美甚至 赶超人类，但距离实现‚通用人工智能，即机器能够完全模拟人类认知活动，仍需数十年的努力。不过机器学习系统已经有了某些商业化落地，且应用广泛，可以担当客服、管理物流、监控工厂机械、优化能源使用以及分析医学资料。麦肯锡全球研究院最近的研究显示机器学习技术可广泛应用于各行各业5。 

人工智能技术通常由四个部分组成，即认知、预测、决策和集成解决方案。 认知是指通过收集及解释信息来感知并描述世界，包括自然语言处理、计算机视觉和音频处理等技术。预测是指通过推理来预测行为和结果。举例而言，此类技术可用来制作针对特定顾客的定向广告。决策则主要关心如何做才能实现目标。 这一领域的用例十分广泛，如路线规划、新药研发、动态定价等。最后，当人工智能与其他互补性技术（如机器人）结合时，可生成多种集成解决方案，如自动驾 驶、机器人手术，以及能够对刺激做出响应的家用机器人等。目前人工智能各项技术的商业化水平参差不齐。认知和预测领域的许多技术已经逐步商业化，然而决策和集成解决方案技术多处在研发阶段（见图 1）。 

人工智能的未来：挑战与机遇并存 

过去的科技进步主要是指提升执行指定任务的能力。而当今的人工智能则是赋予机器反应和适应能力以优化产出。通过与物联网、机器人等技术的结合，人工智能能够构造出一个整合的信息物理世界。 

当今人工智能发展势头正猛，未来有望在全球多个行业和场景下得到广泛运用，尤其是我们将会看到大量的人类工作被机器取代。麦肯锡全球研究院近期的一份报告对全球800多种职业所涵盖的2000多项工作内容进行分析后发现，全球约50% 的工作内容可以通过改进现有技术实现自动化。 

当然，技术可行性只是影响自动化速度及程度的一个因素，还有其他因素需要考虑，包括研发和应用成本、劳动力市场供需、经济效益，以及社会和政府监管部门的接受度。综合上述因素，麦肯锡全球研究院的这份自动化研究报告指出，在 现今所有工作内容之中，过半会在2055年左右自动化，但这过程存在诸多变量。如果自动化推进速度快，达到该程度可能会提前20年；如果推进缓慢，则可能延后20年。 

展望未来，人工智能可成为应对一些社会核心挑战的强大工具。在医疗领域， 人工智能将极大提升我们分析人类基因组和为患者开发个性化治疗方案的能力，甚 至大大加快治愈癌症、阿茲海默症和其他疾病的进程。在环保领域，人工智能能够分析气候特征并大规模降低能耗，帮助人类更好地监控和应对气候变化问题。人工智能甚至可以在地球以外地区发挥作用，他日或助力人类探索火星及外太空。  
2.人工智能对中国意味着什么？ 

在多家中国科技巨头积极研发的推动下，中国已成为全球人工智能的发展中心之一。众多的人口和完整的产业结构给中国提供了创造海量数据和广阔市场的潜力。随着老龄化的加速，中国提升生产力的要求就愈发迫切，因此人工智能技术的运用对中国未来的经济发展至关重要。一方面，中国还需要做好许多基础性工作，如更为开放的数据环境和训练有素的数据科学人才。另一方面，人工智能或将引发复杂的社会及经济问题，应审慎考量。  

中国在人工智能发展中的地位 

中国与美国是当今世界人工智能研发领域的领头羊。仅在2015年，两国在学术期刊上发表的相关论文合计近1万份，而英国、印度、德国和日本发表的学术研究文章总和也只相当于其一半。 

中国的人工智能发展多由科技企业推动引领。得益于大量的搜索数据和丰富的产品线，一些互联网企业走在了自然语言处理、图像和语音识别等技术前沿。 这些技术被整合应用于新产品中，如自动化私人助理、自动驾驶汽车等。 

中国有充足的理由对其在人工智能领域的潜力感到乐观。庞大的人口基数产 生的海量数据正是‚训练‛人工智能系统的前提条件。‚范围经济‛也是中国的优 势所在，广泛的行业分布为人工智能的应用提供了广阔市场。 

但是，中国需要持续不断的努力，才能保持人工智能的领先地位，并且最大化其经济潜能。发展创新能力是重中之重。虽然中国在人工智能的论文数量方面超过了美国，但中国学者的研究影响力尚不及美国或英国同行（见图 2）。 

此外，美国的人工智能生态系统也更为完善和活跃，创业公司数量远超中国（见图 3）。由研究机构、大学及私营企业共同组成的生态系统庞大、创新且多元。 硅谷在科技领域日积月累的强劲实力形成了强大而难以复制的优势。  

以下，我们从数据、算法和计算能力等三个关键因素出发分析中国面临的挑战。  

数据 

正如人类需要从食物中获得能量，人工智能的“食物”则是稳定的数据流。 人工智能系统必须通过大量的数据来“训练”自己，才能不断提升输出结果的质量。但数据领域的几个因素可能会影响中国人工智能的发展。首先，尽管中国的科技巨头能够通过其专有平台获得海量数据，但在创建一个标准统一、跨平台分享的数据友好型生态系统方面，中国仍落后于美国。其次，全球各国都已意识到开放政府数 据库有助于促进私营领域创新，但中国政府数据的开放度仍极为有限（见图 4）。 最后，对跨境数据流通的限制也使得中国在全球合作中处于不利地位。 

算法 

就应用层面而言，中国的算法发展程度与其他国家并无太大差距。事实上， 中国在语音识别和定向广告的人工智能算法上取得了突破进展。而全球的开源平台也使得中国企业能够快速地复制其他地区开发的先进算法。 

然而，中国的研究人员在基础算法研发领域仍远远落后于英美同行。一个主要原因就是人才短缺。美国半数以上的数据科学家拥有10年以上的工作经验，而在中国，超过 40%的数据科学家工作经验尚不足5年。中国在人才方面的持续努力将至关重要。 

目前，中国只有不到 30所大学的研究实验室专注于人工智能，输出人才的数量远远无法满足人工智能企业的用人需求。此外，中国的人工智能科学家大多集中于计算机视觉和语音识别等领域，造成其他领域的人才相对匮乏。如果中国大学对学生提出更高的数学和统计学要求，并且集中资源发展该领域全球前沿研究，人工智能的发展必将受益匪浅。另一个值得思考的方向是改进现有的科研经费分配模式来推进创新。  

计算能力 

就人工智能的商业应用而言，计算能力并非当前掣肘。由于微处理器在全球市场上是非常普遍的产品，计算能力已经成为一种能够轻松购买得到的商品。 

然而，中国绝不能忽视发展自己的先进半导体、微处理器和高性能计算技术的重要性。高运算速度的计算技术是发展尖端人工智能技术的重中之重，而其耗能水平则决定着人工智能解决方案能否实现大规模商业化。计算能力是人工智能的基 础设施之一，因此具有极高的战略意义。依赖进口意味着这一基础设施的坚固程度 仍不理想。 

长期以来，中国的微晶片严重依赖进口，部分类型的高端半导体则几乎完全依靠进口。2015年，美国政府禁止了英特尔、英伟达和 AMD这三家全球最大的芯片供应商向中国机构出售高端超级电脑芯片。这一禁令显示了中国在半导体方面的自主研发能力对于未来人工智能发展十分重要。 

为应对这一局面，中国政府在 2014年出台了《国家集成电路产业发展推进纲 要》以及中国制造2025行动纲领。中国政府还成立了国家集成电路产业投资基金，目前募资已超过 200亿美元。相关行动已初见成效：2016年 6月神威▪太湖 之光超级计算机问世，成为世界上运算速度最快的超级计算机，使用的是中国自主知识产权的处理器。政府的前期投资可以产生显著的涟漪效应，鼓励私营企业的积极参与。 

特种处理器，如可以处理大量复杂计算的 GPU，对人工智能的发展格外重要。 在中国大力发展其集成电路产业的过程中，也应密切关注此类处理器的发展。 

总而言之，在探索发展人工智能的战略进程中，中国需要清楚地认识到，科技产业正在快速全球化。从基础研究到应用开发，再到硬件生产，人工智能全产业链的各个环节都包含着大量国际合作。在建设自己的数据生态系统、培养数据科学和研发人才，以及打造半导体产业的同时，中国还需要将其人工智能产业建设成为一个与全球市场融合的开放系统。  

人工智能对经济的影响 

随着中国老龄化日益严重，生产力的提升刻不容缓，人工智能正是加快生产 力增长的重要机遇。然而，政策制定者还应考虑到它可能对劳动力市场产生的震 荡。 

在过去数十年，中国因‚人口红利受益良多，劳动力的扩张大大促进了经济增长。但老龄化正使中国逐渐失去这一推动力。中国的劳动年龄人口最早将在 2024年达到峰值，并在之后的50年中减少五分之一。这一人口结构变化趋势意味着在当前生产力水平的基础上，中国将缺乏足够的劳动力以维持其经济增长。拉动经济增长唯一可行的方式就是大幅推动生产力增长。 

人工智能有助于缩小这一差距。通过辅助或替代人类劳动，人工智能系统能够更有效率地完成现有工作，从而提升生产力。以英特尔为例，该公司在芯片生产过程中会收集大量数据。过去，如果生产中出现问题，公司需依靠人工分析数据寻找根本原因。而现在，机器学习以远胜人工的速度完成这项任务，其算法能够筛 选成千上万的数据点以找出残次芯片的共同特征。此外，人工智能还可以使工业 机械制造、供应链、物流以及其他生产流程更为高效。人工智能应用还能通过预 测故障、找出瓶颈，以及自动化流程和决策创造出巨大效益。 

酒店和餐饮服务业、制造业以及农业在中国经济结构中占据了相当大的比重， 其中包含大量重复的、可自动化的工作内容。麦肯锡全球研究院预测，根据应用速度的不同，基于人工智能的自动化为中国带来的生产力提升每年可贡献 0.8 至 1.4个百分点的经济增长。 

除了提升生产力之外，人工智能技术的不断发展也将创造新的产品和服务， 提供新的岗位和业务。就在几十年前，还没有人会想到互联网经济催生的新职业， 而人工智能也将带来相似的变革。 

人工智能有大幅提升生产力增长的潜力，但代价可能是收入差距的进一步拉大。总而言之，人工智能将推动形成所谓的“技能偏好型科技变革”——即数字技能将特别受到重视，而对中低端技能劳动力的需求将缩小。比如，考虑到阿里巴巴已在其移动支付应用中启用了人工智能客服，由此可以设想今后客服等职位的需求将减少。劳动力总需求因而可能下降，尽管平均收入水平有希望上升，财富分配则将进一步向具备合适技能的人才聚拢。“数字鸿沟”有可能扩大社会分化。 

总体而言，中国目前从事可自动化工作的劳动力人口超过其他国家。麦肯锡全球研究院预测中国 51%的工作内容有自动化潜力，这将对相当于 3.94 亿全职人力工时的冲击。  

由重复性工作内容和可预测的程序性任务构成的职位尤其容易被人工智能取代。根据成本效益分析，中等技能工人将首当其冲，而低收入岗位则可能存在更长时间。但这并不意味着如今的高端工种能够完全免受冲击。比如，医生之类专业人士的部分工作也可能被自动化，而医生的工作内容将会更专注于与人的沟通和互动。许多职业并不会消失，但其工作内容将会发生改变，因此教育和培训体系也应与时俱进。一份美国政府报告预测了可能在未来盛行的四大类人工智能相关工作：使用人工智能系统完成复杂任务的协作性工作（如护士使用人工智能应用常规查房）；开发人工智能科技和应用的研发性工作（如数据科学家和软件研发人员）；监测、授权或修理人工智能系统的监测性工作（如人工智能机器人的修理师）；适应人工智能时代的工作（如建立人工智能相关法律框架的律师或设计适合自动汽车行驶环境的城市规划师）。 

对先进数字技能的需求增加和低端劳动力的剩余将可能导致不平等的加剧， 部分人群在这一问题面前尤为弱势。比如，目前女性在中国计算机技术专业毕业生中的占比不到 20%；从事可自动化的、重复性职业的女性过多，而在科技和管理岗位中又不足。在最新的万事达卡女性进步指数中，中国女性在就业方面得分 83.8，但在领导方面仅获 27.8分，说明了高技能职位的两性平权远未实现。 而人工智能因此可能会进一步加剧性别不平等。 

与之相似，人工智能的逐步应用也可能进一步拉大富裕沿海地区与欠发达内陆地区的差距，加剧城乡发展的不平衡。只有认真研究充分评估各种可能性，才能规划好人工智能占据重要一席的未来。  

对社会的影响 

人工智能发展前景广阔，可用于改善医疗、环境、安全和教育，提升民生福祉。与此同时，由于它模糊了物理现实、数字和个人的界限，衍生出了复杂的伦理、 法律及安全问题。随着人工智能的逐渐普及，需要审慎管理来应对这一转变。 

许多现有用例展现出了人工智能解决社会问题的潜力。人工智能系统能够帮助科学家预测环境变化。康奈尔大学利用这一技术预测动物栖息地变化以保护某些鸟类。人工智能在医疗领域也得到广泛应用。荷兰政府使用人工智能技术为特定病患群体寻找最有效的治疗方案，并通过分析数字化的医疗档案来减少医疗失误。 在美国，拉斯维加斯卫生部利用人工智能技术进行公共卫生监测，通过社交媒体的追踪来确定疾病爆发的源头。人工智能系统还能提升公共交通系统的安全性和效率。已有证据表明使用人工智能技术的自动驾驶汽车可以减少交通事故。而阿里巴巴与杭州政府合力推进智能城市交通体系，以人工智能控制交通信号灯，可以有效减少城市特定区域的拥堵并使通行速度提高 11%。另外，人工智能还被用于预测能源需求，管理能源使用。谷歌大数据中心的能耗降低，英国政府对电网系统 中需求高峰的管理都是该技术方向的早期用例。对企业和消费者而言，这意味着高达数十亿美元的能源节约机会。 

然而，除了这些潜力外，管理具备自主学习和决策能力的机器也是一份重艰 巨的责任。许多值得深思的伦理和法律问题因此而生。阿西莫夫的机器人三大定律首次尝试为人机互动设立基本原则。但人工智能技术所带来的伦理问题更为微妙，其潜在影响也更为深远。 

首先，当传感器和人工智能无处不在时，企业得以不断收集个人信息，不仅在人们使用数字设备时，也在人们往返于公共和私人空间时。在某些特定场合，比如医院，采集这些个人信息极为敏感。这就引发了一系列问题：谁拥有个人数据？ 数据应以何种方式共享？面对日趋严峻的网络安全攻击又该如何保护数据？ 

其次，人工智能可能在决策过程中产生无意识的歧视。由于现实世界存在着各种形式的种族歧视、性别歧视和偏见，输入算法中的数据也可能附带这些特征。 而当机器学习算法学习了这些带有偏见的训练数据，也就‚继承了偏见。2016 年，一家顶尖的人工智能企业就发生了此类事故：该公司通过网络论坛训练了一个实验性聊天机器人，不曾想机器人学会了各种种族歧视和性别歧视的语言，惹恼了许多网络用户。可以想见，如果有偏见的人工智能处在了决策地位，那么其决策可能会导致特定人群受到不公正的待遇。 

除伦理问题之外，人工智能在社会的普及更会产生诸多法律层面的影响。如果人工智能的决策导致意外甚至犯罪，谁应当对其负责？人工智能创作的知识产权归谁所有？一旦人工智能拥有超级能力，又该用哪些措施进行监管？人工智能研发 人员有哪些法律权利与义务？要建立一个完善的法律及伦理框架，仍有许多问题尚待充分探讨。  

对地缘政治的影响 

人工智能的发展大多在开源环境下进行，充分体现了国际合作的重要性。进一步的推进人工智能的发展也需要各国合力提供更为广泛的数据、算法、资金和人才交流。然而，虽然全球经济不断数字化，全球监管方面的许多领域仍是一片空白。赶超人类智力的自动系统带来了诸多伦理及安全问题，也需要国内及国际间的共同协作来解决。 

此外，正如基于人工智能技术的自动化将造成劳动力市场分化，技术不发达的发展中国家在这一波发展浪潮中也将落于下风，国家间的‚数字鸿沟‛进一步扩大。一些国家原本期待快速增长的人口能够推动劳动力密集型经济的发展，但如果大量人力工作被机器取代，甚至可能出现新的社会动荡。 

最后，计算机模拟工具已经被广泛运用在战争推演，而人工智能将进一步提升这类模拟的精度和能力。人工智能武器化隐藏着巨大的风险。由美国海军委托撰写的一份报告声称，随着军用机器人的复杂化，人们应更多关注其自主决策能力带来的影响。史蒂芬·霍金、伊隆·马斯克及超过1000名人工智能和机器人研究员共同签署请愿信，要求禁止在战争中使用人工智能，并警告“自动化武器”可能带来可怕灾难。人工智能系统正如此前的核能及核武一样，必须通过强有力的国际公约来确保其和平使用，以保障世界各国的安全。 

3. 中国人工智能的未来之路

中国要将目前的创新转化为长期可持续的增长引擎，就必须制定一套精心策划的战略。政府可以为人工智能的发展打牢根基，并且设定激励人心的目标，以此刺激私营部门的创新和应用。人工智能的发展基石包括完善的产业、经济、社会以及外交政策框架。  

相关产业及经济政策框架 

虽说人工智能尚处于发展早期，但其发展很可能是非线性的。这就意味着完 善的产业政策必须尽快到位，否则可能出现激励不当、投资过度和供应过剩的风险， 破坏人工智能所产生的价值。市场将主导人工智能技术的开发和应用，合适的政策框架可为其构建一个健康的发展环境。  

战略重点之一 ：建立完善的数据生态系统 

海量数据是训练人工智能系统、吸引人才、加速创新的核心要素之一。中国可以通过建立并落实数据规范、向私营领域开放公共数据、鼓励跨国数据交流来构建一个更为完善的数据生态系统。 

首先，建立数据标准是进行广泛数据分享和实现系统间交互操作的重要前提条件，有助于提升物联网及人工智能技术的价值。潜在的庞大数据体量是中国的天然优势，使中国有机会在国际上更好地发挥领头羊的作用。而且，在与中文语言相 关的数据规范制定方面，中国也应起到主导作用。 

对于特定行业数据，政府可要求现有的监管机构制定必要规则。比如美国证券交易委员会在 2009年出台规定，要求所有上市公司使用 XBRL（可扩展商业报告语言）格式发布财报，确保所有公开数据的机器可读性。

其次，为了提升数据的多样性，政府应提高公共数据的开放程度，并带头建设行业数据库。这些举措同时能够提升公共服务质量、提供政策制定洞见，从而带来额外益处。比如纽约市政府就建立了公开数据门户网站，为市民提供经济发展、 医疗、休闲、公共服务等领域的数据。2012 年纽约市还颁布了《开放数据法案》， 要求政府部门使用机器可读取的数据并建立 API（应用程序编程接口），方便软件 研发人员直接连接政府系统并获取数据。 

最后，中国政府还需考虑国际数据流的价值。麦肯锡全球研究院的调查表明， 2014年，跨境数据流为全球经济创造了 2.8万亿美元的价值，对经济增长的贡献已 经超过实体贸易。此外，研究还指出，由于经济体需要接触全球的思想、研究、科 技、人才和最佳实践案例，数据流入和流出都能十分重要。 

数据是未来的货币。例如在医学研究中，如果没有全球海量临床数据的支持， 人工智能的潜力就无法得到充分挖掘。过多的桎梏将会束缚中国的人工智能企业， 导致其丧失开发具有全球竞争力产品的能力。  

战略重点之二 ：拓宽人工智能在传统行业的应用 

只有当人工智能技术在中国真正普遍的应用于传统行业，而不仅仅属于科技巨头时，其经济潜力才会充分彰显。提升各行各业的生产力水平将创造巨大的价值，但中国首先需要克服重重障碍。 

第一重障碍是很多商业领袖还没有意识到改变现有业务运作方式的紧迫性。 麦肯锡调查显示，目前在中国的传统行业中，超过 40%的公司仍未将人工智能列入战略优先项。因此，许多公司仍未开始采集未来人工智能系统所需要的数据。 例如，农业公司鲜少记录如种植时间表或是气候对产出的影响，而这些信息正是人工智能生成洞见及提升效益所需要的。与此形成对比的是，英国、美国和日本都已建立了全国信息系统采集此类数据，将先进的分析技术引入现代农业管理。 

第二重障碍是专业技术知识的缺失。如上文所述，中国需要培养更多的优秀数据科学家，特别是在一些需求紧迫的领域。而能将人工智能知识转化为商业应用创造价值的人才也同样紧缺。为了理解和应用数据，越来越多的企业决策者和中层管理者需要学习新技能。与英特尔类似，一家中国芯片制造商已经意识到，分析在制造和测试过程中的大量数据将有助于改进生产流程并降低残次率。但由于缺乏既懂半导体技术，又懂人工智能的人才，这一想法仍然没能被付诸实施。 

第三重障碍是实施成本较高。对中国企业而言，购买人工智能系统、高价聘用专业人才有时并不合算。当人工成本较低时，引入先进技术、精简人工流程的需求也并不那么迫切。 

人工智能最大的价值在于引导传统产业的彻底变革。如果政府能够帮助克服人工智能发展初期面临的这些障碍，市场将有机会充分驱动人工智能未来的发展。 

减税和补助等传统经济工具可以解决一些问题。同时，政府还应率先垂范应用人工智能系统。这将产生强有力的跟随效应，激活市场，助力服务供应商的发展， 积累技术经验和人才，最终达到降低应用成本的目的。 

此外，鼓励物联网（简称IoT）在传统行业的应用将有助于人工智能产生更多的价值。物联网通过传感器和网络实现各类设备间的联通，为人工智能提供了海量的真实世界数据。结合‚互联网+‛政策，政府可协助打造物联网在关键经济领域应用的成功案例，为其他行业树立典范。  

教育政策框架 

人才对人工智能的发展和应用至关重要。一个健康的人才结构应包括尖端的研究人员来推动人工智能基础技术的发展，开发人员以促进人工智能在现实环境中的应用，以及大量能够与人工智能系统在不同场景共事的劳动力。  

战略重点之三 ：加强人工智能专业人才储备 

中国面临着巨大的人工智能人才缺口。政府需要大力投资人工智能相关教育和研究项目；重新设计教育体系，突出创新和数字技术的重要性；制定吸引全球顶尖人才的移民政策。 

推进人工智能技术的发展，需要建立更大规模的计算机科学精英人才库。政府可出资设立人工智能项目，资助顶尖大学创建人工智能研究实验室和创新中心，以推进大学、科研机构和私营企业间的合作。在这方面，韩国政府已经迈出坚实的 一步，投资 1万亿韩元（约合 8.63亿美元）与韩国商业巨头合资建立国家级的公 私合营人工智能研究中心。加拿大政府也有类似举措：政府向蒙特利尔三所大学 的人工智能研究项目投资超过 2亿美元。

许多受访专家表示，中国必须花大力气培养更为广泛的创新文化，方可实现人工智能领域的突破。途径之一就是引入将人工智能和其他学科相结合的大学课程。 斯坦福和麻省理工等顶尖美国高等院校已经开设了计算机科学与人文学科的联合专业，旨在寻求激发创造力的新方法。此类课程能够激发人工智能在医疗、法律、金融和媒体等各领域的应用。 

投资大学项目可带来长期收益，因为人才是未来吸引国际公司的核心所在，而非传统的税收或其他财务优惠。人工智能的大型研发团队对吸引学术人才愈发重视。谷歌 DeepMind团队中有大约三分之二的成员来自如伦敦大学学院、牛津大学和蒙特利尔大学等学术机构。这一领域顶尖公司自然而然会向拥有大量人工智能人才的城市汇聚。例如，随着蒙特利尔在该领域的声名鹊起，谷歌和微软都宣布了将向当地大学人工智能研究所投资并拓宽公司在当地的业务。 

除了培养国内人才，中国也需要与全球顶尖数据科学家合作，参与到国际协作之中，包括大力引进国际专家来华工作、鼓励中国人工智能研究者出国学习全球最新的创新科技。这些要求政府放松居住和移民政策，并出台奖励和支持措施。  

战略重点之四 ：确保教育和培训体系与时俱进 ， 支持劳动力大军的再培训 

人工智能在经济和社会中的普遍应用还需要数十年，但中国现在就应为一些行业的快速颠覆做好准备。某种关键技术的突破短短几年就可以让一些职业消失。打字员、接线生、胶片洗印师及许多其他职业都随着科技进步基本退出了历史舞台。 

未来的一项长久挑战是帮助受到人工智能冲击的行业劳动力重新适应并获得新技能，这将是保障公共福利和维护社会稳定的关键。政府要及时识别哪些是最可能被自动化取代的工作，并为受到影响的劳动力提供再培训，比如与职业培训学校紧密合作，向工人提供免费教育的机会。

与此同时，政府也应着力加强数据和人工智能在各个阶层的教育。未来的政府领导必须理解人工智能才能制定明智的政策，未来的管理人员必须了解人工智能才能管理企业；未来的工人必须学会与人工智能共事才能避免被淘汰。 

中国应长期关注相关领域的教育，保证未来劳动力具备所需技能。这不仅包括建立未来数据科学家和工程师储备库，还要让多数劳动力懂得如何在各行各业使用科技。学校需要更重视科学、技术、工程和数学教育，即使是基础教育和职业培 训也需要增加数据教育的内容。 

人工智能和很多重复性工作的自动化很可能扩大数字鸿沟，因此政府对不平等问题的应对就显得尤为重要。相关举措包括确保教育机会的平等性，保证女学生、 农村和内陆地区学生在科学、技术、工程、数学和人工智能等各个方面能够获得充 分教育。  

社会及全球政策框架 

战略重点之五 ： 在国内及国际上建立伦理和法律共识 

人工智能的进步将在多个方面为社会带来深远的影响。在最为紧迫的伦理和法律问题上，中国不仅要在本国，更要在国际上促成共识。 

在国内，应形成一套透明和广泛的质询程序来确保公众做好迎接变革的准备。一些法律问题，比如隐私保护和自动驾驶汽车的责任认定等，将对人工智能的发展 及应用有着举足轻重的影响。全国人大需要建立起法律框架，扫清法律上的不确定性。 

待法律框架建立之后，政府就要成立监管机构负责人工智能的监督和管理。考虑到人工智能在各行各业的广泛应用，这就要求政府与各相关机构协商咨询、发挥其专长。比如，医疗领域的应用不当将造成严重后果。因此，国家卫生和计划生 育委员会必须在规则制定过程中拥有强有力的话语权。 

在国际方面，中国可以牵头组建国际性的监管机构以促进人工智能技术的和平、全面和可持续发展。该国际机构的目标应是监管人工智能的发展、制定标准和 确定伦理准则。 

除了监管，中国还可以在全球经济发展中起到模范作用。为保证全球数字鸿沟不会成为经济繁荣的长期阻碍，中国可与其他发展中国家分享和交流人工智能技术及管理经验，从而揭开“人工智能一带一路”新篇章。  

在未来数十年间，人工智能有可能从根本上改变人类社会。中国应充分利用这一极其重大的技术进步提高生产力以保持较快增长。更为重要的是，中国有能力， 也有机会领导人工智能在全球范围的发展和治理，确保人工智能为全人类福祉做出应有的贡献。 查看全部

 “未来5到10年，人工智能将像水和电一样无所不在，可以进入教育、医疗、金融、交通、智慧城市等几乎所有行业。”-----全国人大代表刘庆峰



什么是人工智能？

 

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。无论是从各种智能穿戴设备，还是各种进入家庭的陪护、安防、学习机器人，智能家居、医疗系统，这些其实都是人工智能的研究成果以及带给我们的生活方式的改变。

 

人工智能的工作原理是什么？

 

拿大家都比较熟知的人工智能代表来说，不管是战胜围棋大师李世石的“阿尔法狗”，还是战胜世界冠军棋手朴廷桓等人的“Master”，还是在《最强大脑》上表现惊人的机器人“小度”，其实它们的工作原理都是计算机通过语音识别、图像识别、读取知识库、人机交互、物理传感等方式，获得音视频的感知输入，然后从大数据中进行学习，得到一个有决策和创造能力的大脑。利用大数据+强计算+新算法来对当前面临的一些情况做出反应与处理。

 

人工智能是否真的会取代人力？

 

肯定有人会问“人工智能技术这么厉害，是否能代替人力吗？”李开复老师提出，人工智能技术在未来发展的过程中，可能会成为科幻片中的那种非常灵活的，能代替人类工作的聪明家伙，也有可能会成为跟人类相辅相成，共同发展的好伙伴。但是，取代重复性高、低技能、单一型的工作岗位是必然的。

 

虽然未来很多低技能的工作岗位会被人工智能技术代替，但是也不必过分惶恐人工智能技术的发展。杰瑞•卡普兰提出，在人工智能的发展过程中可以构建一个适用于人机共生的新生态。机器人做机器人该做的，而人的价值有他的去向，可以变为更好的去操作机器人产生社会价值和财富，或者也可以把精力放在更多人类有天赋的地方。

 

人工智能技术会“威胁”人类的生存吗？

 

霍金先生曾经警告过人类，“人工智能可能通过核战争或生物战争摧毁人类”，需要人类组成某种形式的“世界政府”来防范人工智能带来的威胁。所以人工智能技术的发展会威胁到人类的生存吗？
 

有相关人士分析，霍金先生提出的这一警告也许并不是针对人工智能技术本身，而是担心有些国家会利用人工智能技术搞破坏，所以需要组成相应的“世界政府”来规范发展。就跟“世界贸易组织”是一个性质。而且德国政府提出的“工业4.0”还希望利用人工智能技术，提升制造业的智能化水平，建立具有适应性、资源效率及基因工程学的智慧工厂，在商业流程及价值流程中整合客户及商业伙伴，促进社会进步与发展。

 

所以继续发展人工智能是必然的，但是怎么发展，会不会真的有一天会威胁到人类，就需要去制定一些规则了，并遵守这些规则了。 

 

中国人工智能技术行业的情况？

 

1、中国人工智能行业市场情况和前景预测










数据来源：前瞻产业研究院整理


据前瞻产业研究院数据，中国2017年人工智能产业规模大概为135亿元，2018年大概为203亿元，同比增长50%。

 

同时，据《全球人工智能发展报告2016》显示，中国人工智能专利申请数累计达到15745项，列世界第二；人工智能领域投资达146笔，列世界第三。


中国人工智能产业实力不容小觑，前途无量。

 

2、中国人工智能技术应用领域


（1）计算机视觉领域 ：目前国内人工智能应用中，计算机视觉类的应用最多。

 

（2）智能机器人领域：人工智能技术也服务于国内的服务类机器人和无人机，比如目前市场上的无人机拍摄、定位，服务机器人的安防、陪护、教育、聊天、家居等应用功能都是通过人工智能技术实现的。比如小岚家的雷达就能帮助机器人建图、定位与行走。

 

3、中国人工智能行业还需要努力的地方

 

（1）促进技术的不断进步，摆脱低智时代，关注新的算法。对于人工智能技术来说，算法层次是技术关键，只有在核心算法领域有绝对优势的公司，在未来的竞赛长跑中才有可能获胜。马化腾就在今年的两会中提出，只有不断的提升技术，才能在浪潮趋势来的时候把握住机会，做出别人做不出的东西，保持战略的制高点。
 

（2）持续的观念创新、制度创新、数据的开发和专项支持。同时，将数据和场景结合起来，才能推动人工智能技术的成熟。
 

（3）提升数据基础的竞争力。只要后台有充分的数据作为数据分析的基础，将来实现人、机器和各种生物之间的沟通都是可以实现的。

 

人工智能技术发展的前进之路还有很多需要大家共同努力的地方，希望能在未来的人工智能行业中看到更多逆天的应用，改变人类的生活方式和生活态度，人机合一，友好共处，出现现实中的“大白”。
 
 
 
 
 
 
更多内容请关注：www.imefuture.com
 
来源：思岚科技供稿 查看全部

 一、人工智能与深度学习


2016年，AlphaGo与李世石九段的围棋对决无疑掀起了全世界对人工智能领域的新一轮关注。在与李世石对战的5个月之前，AlphaGo因击败欧洲围棋冠军樊麾二段，围棋等级分上升至3168分，而当时排名世界第二的李世石是3532分。按照这个等级分数对弈，AlphaGo每盘的胜算只有约11%，而结果是3个月之后它在与李世石对战中以4比1大胜。AlphaGo的学习能力之快，让人惶恐。








1.人工智能：让机器像人一样思考

自AlphaGo之后，“人工智能”成为2016年的热词，但早在1956年，几个计算机科学家就在达特茅斯会议上首次提出了此概念。他们梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器，也就是我们今日所说的“强人工智能”。这个无所不能的机器，它有着我们所有的感知、所有的理性，甚至可以像我们一样思考。


人们在电影里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智能目前还只存在于电影和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。


我们目前能实现的，一般被称为“弱人工智能”。弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类，或者Facebook的人脸识别。这些人工智能技术实现的方法就是“机器学习”。




2.机器学习：使人工智能真实发生


人工智能的核心就是通过不断地机器学习，而让自己变得更加智能。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。


机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。以识别停止标志牌为例：人们需要手工编写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“S-T-O-P”。使用以上这些手工编写的分类器与边缘检测滤波器，人们总算可以开发算法来识别标志牌从哪里开始、到哪里结束，从而感知图像，判断图像是不是一个停止标志牌。


这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到雾霾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么很长一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。




3.人工神经网络：赋予机器学习以深度


人工神经网络是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层，每一次只连接符合数据传播方向的其它层。


例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。


每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。


我们仍以停止标志牌为例：将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。


这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。


即使是这个例子，也算是比较超前了。直到前不久，神经网络也还是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，即使是最基本的神经网络，也需要大量的运算，而这种运算需求难以得到满足。




4.深度学习：剔除神经网络之误差


深度学习由人工神经网络衍生而来，是一种需要训练的具有大型神经网络的多隐层层次结构，其每层相当于一个可以解决问题不同方面的机器学习。利用这种深层非线性的网络结构，深度学习可以实现复杂函数的逼近，将表征输入数据分布式表示，继而展现强大的从少数样本集中学习数据集本质特征的能力，并使概率向量更加收敛。


简单来说，深度学习神经网络对数据的处理方式和学习方式与人类大脑的神经元更加相似，比传统的神经网络更准确。


我们回过头来看这个停止标志识别的例子：深度学习神经网络从成百上千甚至几百万张停止标志图像中提取表征数据，通过重复训练将神经元输入的权重调制得更加精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子。


Google的AlphaGo也是先学会了如何下围棋，然后通过不断地与自己下棋，训练自己的神经网络，这种训练使得AlphaGo成功在三个月后击败了等级分数更高的李世石。




二、深度学习的实现


深度学习仿若机器学习最顶端的钻石，赋予人工智能更璀璨的未来。其摧枯拉朽般地实现了各种我们曾经想都不敢想的任务，使得几乎所有的机器辅助功能都变为可能。更好的电影推荐、智能穿戴，甚至无人驾驶汽车、预防性医疗保健，都近在眼前，或者即将实现。人工智能就在现在，就在明天。你的C-3PO我拿走了，你有你的终结者就好。


但是正如前面提到的，人工神经网络，即深度学习的前身，已经存在了近三十年，但直到最近的5到10年才再次兴起，这又是因为什么?




1.突破局限的学习算法


20世纪90年代，包括支撑向量机（SVM）与最大熵方法（LR）在内的众多浅层机器学习算法相继提出，使得基于反向传播算法（BP）的人工神经网络因难以弥补的劣势渐渐淡出人们的视线。直到 2006年，加拿大多伦多大学教授、机器学习领域的泰斗 Geoffrey Hinton 和他的学生在《科学》上发表了一篇文章，解决了反向传播算法存在的过拟合与难训练的问题，从而开启了深度学习在学术界和工业界的浪潮。


深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：


强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；


明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。


这种算法的差别提升了对训练数据量和并行计算能力的需求，而在当时，移动设备尚未普及，这使得非结构化数据的采集并不是那么容易。




2.骤然爆发的数据洪流


深度学习模型需要通过大量的数据训练才能获得理想的效果。以语音识别问题为例，仅在其声学建模部分，算法就面临着十亿到千亿级别的训练样本数据。训练样本的稀缺使得人工智能即使在经历了算法的突破后依然没能成为人工智能应用领域的主流算法。直到2012年，分布于世界各地的互相联系的设备、机器和系统促进了非结构化数据数量的巨大增长，并终于在可靠性方面发生了质的飞跃，大数据时代到来。


大数据到底有多大？一天之中，互联网产生的全部内容可以刻满1.68亿张DVD；发出的邮件有2940亿封之多，相当于美国两年的纸质信件数量；发出的社区帖子达200万个，相当于《时代》杂志770年的文字量；卖出的手机为37.8万台，高于全球每天出生的婴儿数量37.1万倍。然而，即使是人们每天创造的全部信息，包括语音通话、电子邮件和信息在内的各种通信，以及上传的全部图片、视频与音乐，其信息量也无法匹及每一天所创造出的关于人们自身活动的数字信息量。


我们现在还处于所谓“物联网”的最初级阶段，随着技术的成熟，我们的通讯设备、交通工具和可穿戴科技将能互相连接与沟通，信息量的增加也将以几何倍数持续下去。




3.难以满足的硬件需求


骤然爆发的数据洪流满足了深度学习算法对于训练数据量的要求，但是算法的实现还需要相应处理器极高的运算速度作为支撑。当前流行的包括X86和ARM在内的传统CPU处理器架构往往需要数百甚至上千条指令才能完成一个神经元的处理，但对于并不需要太多的程序指令，却需要海量数据运算的深度学习的计算需求，这种结构就显得非常笨拙。尤其是在当前功耗限制下无法通过提升CPU主频来加快指令执行速度，这种矛盾愈发不可调和，深度学习研究人员迫切需要一种替代硬件来满足海量数据的运算需求。


或许终有一日将会诞生全新的、为人工智能而专门设计的处理器架构，但在那之前的几十年，人工智能仍然要向前走，便只能改进现有处理器，使之成为能够最大程度适应大吞吐量运算的计算架构。目前来看，围绕现有处理器的主流改进方式有两个：



图形处理器通用化：


将图形处理器GPU用作矢量处理器。在这种架构中，GPU擅长浮点运算的特点将得到充分利用，使其成为可以进行并行处理的通用计算芯片GPGPU。英伟达公司从2006年下半年已经开始陆续推出相关的硬件产品以及软件开发工具，目前是人工智能硬件市场的主导。



多核处理器异构化：


将GPU或FPGA等其他处理器内核集成到CPU上。在这种架构中，CPU内核所不擅长的浮点运算以及信号处理等工作，将由集成在同一块芯片上的其它可编程内核执行，而GPU与FPGA都以擅长浮点运算著称。AMD与Intel公司分别致力于基于GPU与FPGA的异构处理器，希望借此切入人工智能市场。





三、现有市场——通用芯片GPU


在深度学习的领域里，最重要的是数据和运算。谁的数据更多，谁的运算更快，谁就会占据优势。因此，在处理器的选择上，可以用于通用基础计算且运算速率更快的GPU迅速成为人工智能计算的主流芯片。可以说，在过去的几年，尤其是2015年以来，人工智能大爆发就是由于英伟达公司的GPU得到广泛应用，使得并行计算变得更快、更便宜、更有效。



1.GPU是什么？


图形处理器GPU最初是用在个人电脑、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器，可以快速地处理图像上的每一个像素点。后来科学家发现，其海量数据并行运算的能力与深度学习需求不谋而合，因此，被最先引入深度学习。2011年吴恩达教授率先将其应用于谷歌大脑中便取得惊人效果，结果表明，12颗英伟达的GPU可以提供相当于2000颗CPU的深度学习性能，之后纽约大学、多伦多大学以及瑞士人工智能实验室的研究人员纷纷在GPU上加速其深度神经网络。




2.GPU和CPU的设计区别


那么GPU的快速运算能力是如何获得的？这就要追溯到芯片最初的设计目标了。中央处理器CPU需要很强的处理不同类型数据的计算能力以及处理分支与跳转的逻辑判断能力，这些都使得CPU的内部结构异常复杂；而图形处理器GPU最初面对的是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境，所以GPU只需要进行高速运算而不需要逻辑判断。目标运算环境的区别决定了GPU与CPU不同的设计架构：



CPU基于低延时的设计


大量缓存空间Cache，方便快速提取数据。CPU将大量访问过的数据存放在Cache中，当需要再次访问这些数据时，就不用从数据量巨大的内存中提取了，而是直接从缓存中提取。


强大的算术运算单元ALU，可以在很短的时钟周期内完成算数计算。当今的CPU可以达到64bit双精度，执行双精度浮点源计算加法和乘法只需要1～3个时钟周期，时钟周期频率达到1.532～3gigahertz。


复杂的逻辑控制单元，当程序含有多个分支时，它通过提供分支预测来降低延时。


包括对比电路单元与转发电路单元在内的诸多优化电路，当一些指令依赖前面的指令结果时，它决定这些指令在pipeline中的位置并且尽可能快的转发一个指令的结果给后续指令。



GPU基于大吞吐量的设计


压缩缓存空间Cache，从而最大化激发内存吞吐量，可以处理超长的流水线。缓存的目的不是保存之后需要访问的数据，而是担任数据转发的角色，为线程提高服务。如果有很多线程需要访问同一个数据，缓存会合并这些访问，再去DRAM中访问数据，获取的数据将通过缓存转发给对应的线程。这种方法虽然减小了缓存，但由于需要访问内存，因而自然会带来延时效应。


高效的算数运算单元和简化的逻辑控制单元，把串行访问拆分成多个简单的并行访问，并同时运算。例如，在CPU上约有20%的晶体管是用作计算的，而GPU上有80%的晶体管用作计算。








3.GPU和CPU的性能差异


CPU与GPU在各自领域都可以高效地完成任务，但当同样应用于通用基础计算领域时，设计架构的差异直接导致了两种芯片性能的差异。


CPU拥有专为顺序逻辑处理而优化的几个核心组成的串行架构，这决定了其更擅长逻辑控制、串行运算与通用类型数据运算；而GPU拥有一个由数以千计的更小、更高效的核心组成的大规模并行计算架构，大部分晶体管主要用于构建控制电路和Cache，而控制电路也相对简单，且对Cache的需求小，只有小部分晶体管来完成实际的运算工作。所以大部分晶体管可以组成各类专用电路、多条流水线，使得GPU的计算速度有了突破性的飞跃，拥有了更强大的处理浮点运算的能力。这决定了其更擅长处理多重任务，尤其是没有技术含量的重复性工作。


当前最顶级的CPU只有4核或者6核，模拟出8个或者12个处理线程来进行运算，但是普通级别的GPU就包含了成百上千个处理单元，高端的甚至更多，这对于多媒体计算中大量的重复处理过程有着天生的优势。


举个常见的例子，一个向量相加的程序，可以让CPU跑一个循环，每个循环对一个分量做加法，也可以让GPU同时开大量线程，每个并行的线程对应一个分量的相加。CPU跑循环的时候每条指令所需时间一般低于GPU，但GPU因为可以同时开启大量的线程并行地跑，具有SIMD的优势。




4.GPU行业的佼佼者：Nvidia


目前全球GPU行业的市场份额有超过70%被英伟达公司占据，而应用在人工智能领域的可进行通用计算的GPU市场则基本被英伟达公司垄断。


2016年三季度英伟达营收为20.04亿美元，较上年同期的13.05亿美元增长54%；净利润为5.42亿美元，较上年同期的2.46亿美元增长120%，营收的超预期增长推动其盘后股价大幅上涨约16%。以面向的市场平台来划分，游戏业务营收12.4亿美元，同比增长63%，是创造利润的核心部门；数据中心业务营收2.4亿美元，同比增长193%，成为增长最快的部门；自动驾驶业务营收1.27亿美元，同比增长61%，正在逐步打开市场。







这样的业绩创下了英伟达的历史最好季度收入，但这并非是其股票暴涨的理由，事实上，在过去的六年里，英伟达的业绩基本一直呈现上升趋势。从2012年财年至2016财年，英伟达的营业收入实现了从40亿美元到50亿美元的跨越，而其净利润也从2012财年的5.8亿美元逐步上升到了2016财年的6.14亿美元。但在此期间，英伟达的股价并未出现翻番式的增长。


真正促成英伟达股价飙升的是人工智能的新市场。在刚刚过去的2016年，英伟达的股价上涨了228%，过去的5年内累计上涨500%。500亿美元的市值将会持续给英伟达带来40倍的市场收入，这几乎是业内拥有最高收益的公司。




5.Nvidia的市场定位：人工智能计算公司


自1999年发布第一款GPU以来，GPU就成为了英伟达最为核心的产品，占到了英伟达总营业收入的八成，而英伟达也以显卡厂商的身份进入人们的视线。这些芯片最初是以板卡的形式出售给游戏玩家的，游戏玩家需要自己动手将芯片装到PC主板上，从而拥有更快的3D图形处理速度。他们的产品命名也很有讲究，用"GeForce"这样具有超能力的字眼来开辟市场。


今日的英伟达，已经不再是一家单纯的显卡技术厂商，他现在很赶时髦地称自己为“人工智能计算公司”。据英伟达官网数据显示，2016年，有近两万家机构将英伟达产品用于深度学习加速计算，相比2014年翻了13倍。医疗、生命科学、教育、能源、金融、汽车、制造业以及娱乐业等诸多行业均将得益于海量数据的分析。


谷歌、微软、Facebook 和亚马逊等技术巨头大量购买英伟达的芯片来扩充自己数据中心的处理能力；Massachusetts General Hospital等医疗研究机构用英伟达的芯片来标记CT扫描图片上的病变点；特斯拉将在所有的汽车上安装英伟达的芯片来实现无人驾驶； June等家电公司用英伟达的芯片制造人工智能驱动的家用电器。在人工智能到来之前，英伟达从来都没有处于一个如此巨大的市场的中心，这也充分表明了一个事实，那就是英伟达在GPU的计算处理技术上无人能及。


同时，英伟达还在投资不同领域里新兴的、需要借助深度学习来构建业务的公司，使这些公司能够更好地借助其提供的人工智能平台起步，这类似于以前一些初创公司通过微软Windows来构建服务以及最近通过iTunes来发布应用。









6.Nvidia的核心产品：Pascal家族


英伟达的传统强项是桌面和移动终端的GPU，但是坚定地向着人工智能大步迈进的英伟达显然已经不满足于仅仅在单一领域做提高GPU性能的事了。相比于传统的计算密集型GPU产品来说，英伟达努力的方向是使得GPU芯片不仅仅只针对训练算法这一项起到作用，更是能处理人工智能服务的推理工作负载，从而加速整个人工智能的开发流程。目前该公司的核心产品包括基于Pascal架构的TeslaP4与Tesla P40深度学习芯片，这两款芯片均已于2016年第四季度开始投入量产。



Tesla P4为资料中心带来最高的能源效率


其小尺寸及最小50瓦特的低功率设计可安装于任何服务器内，让生产作业负载推论的能源效率达CPU的40倍。在进行视频推论作业负载时，单一服务器裡安装单颗Tesla P4即可取代13台仅采用CPU的服务器，而包含服务器及用电量的总持有成本则能节省达8倍。



Tesla P40为深度学习作业负载带来最大的处理量


一台搭载8颗Tesla P40加速器的服务器拥有每秒47兆次运算的推论性能及INT8指令，可取代140台以上的CPU服务器的性能。若以每台CPU服务器约5,000美元计算，可节省65万美元以上的服务器采购成本。


基于上述两种人工智能芯片，英伟达为资料中心提供唯一的端对端深度学习平台，并能够将训练时间从数天大幅缩短至数小时，从而实现资料的立即解析与服务的及时回应。



7.Nvidia的应用布局：自动驾驶


不仅仅是底层架构，英伟达在应用层面上也有非常明确的布局，其中最看重也最有领先优势的就是自动驾驶。早在2014年1月，英伟达就发布了为移动平台设计的第一代Tegra系列处理器，适用于智能手机、平板电脑和自动驾驶汽车，四个月后，DRIVE PX自动驾驶计算平台发布，可实现包括高速公路自动驾驶与高清制图在内的自动巡航功能。同年10月，搭载了Tegra K1处理器并应用了DRIVEPX计算平台的特斯拉新款Model S开始量产，英伟达成为第一个享受到自动驾驶红利的厂商。


2016年英伟达在自动驾驶领域并没有什么重大突破，基本只是从技术升级及厂商合作两个方面入手，除了特斯拉这个老朋友外，百度、沃尔沃也跟英伟达达成了合作，他们都将生产搭载DRIVE PX 2的智能驾驶汽车。恰逢此时，AI概念变得更加火热，智能驾驶也逐渐成熟，这些客观因素让英伟达收割了更多的红利，也让公司站在了聚光灯之下。


从整个自动驾驶行业来看，Google、苹果、微软等科技公司都在建立自己的汽车生态体系，不过智能汽车对于他们来说都不是核心业务，更为重要的是，他们并没有真正进入汽车供应链体系。与之相反，英伟达的Drive PX系列自动驾驶解决方案，已经进入了汽车的上游供应链中，并创造了利润，这也意味着英伟达将在汽车芯片市场与英特尔、高通、恩智浦、瑞萨电子等做CPU的公司正面碰撞，自动驾驶的风口让英伟达在汽车市场从“边缘人”变成了挑战者。


随着特斯拉Model S等备受瞩目的车型更加智能化与多媒体化，英伟达有了弯道超车的机会，并有望在汽车产业的上游供应链占据更有优势的地位。最新款的Tegra系列处理器功耗只有10瓦，几乎与同等级的FPGA产品功耗持平甚至更低，这对于车载移动芯片来说是巨大的优势。


但同样的，单移动处理器的架构和极低的功耗必然无法支撑起超大规模的运算，目前英伟达计算平台的功能定位仅聚焦于高速公路上的自动巡航，而CPU的应用可以拓展至车机娱乐信息系统层面。未来自动驾驶的发展方向必然是整车的控制中心，从目前英伟达基于Tesla架构的主流芯片来看，低功耗、极速运算与逻辑控制是可以同时实现的，英伟达公司在自动驾驶领域的优势非常明显。




8.Nvidia的产业优势：完善的生态系统


与其它芯片公司相比，带有CUDA的重点软件生态系统是英伟达占领人工智能市场的关键促成因素。从2006年开始，英伟达发布了一个名叫CUDA的编程工具包，该工具包让开发者可以轻松编程屏幕上的每一个像素。在CUDA发布之前，给GPU编程对程序员来说是一件极其痛苦的事，因为这涉及到编写大量低层面的机器码以实现渲染每一个不同像素的目标，而这样的微型计算操作通常有上万个。CUDA在经过了英伟达的多年开发之后，成功将Java或C++这样的高级语言开放给了GPU编程，从而让GPU编程变得更加轻松简单，研究者也可以更快更便宜地开发他们的深度学习模型。




四、未来市场：半定制芯片FPGA


技术世界正在迈向一个全新的轨道，我们对于人工智能的想象已经不再局限于图片识别与声音处理，机器，将在更多领域完成新的探索。不同领域对计算的需求是差异的，这就要求深度学习的训练愈发专业化与区别化。芯片的发展趋势必将是在每一个细分领域都可以更加符合我们的专业需求，但是考虑到硬件产品一旦成型便不可再更改这个特点，我们不禁开始想，是不是可以生产一种芯片，让它硬件可编程。


也就是说，这一刻我们需要一个更适合图像处理的硬件系统，下一刻我们需要一个更适合科学计算的硬件系统，但是我们又不希望焊两块板子，我们希望一块板子便可以实现针对每一个应用领域的不同需求。这块板子便是半定制芯片FPGA，便是未来人工智能硬件市场的发展方向。



1.FPGA是什么？


场效可编程逻辑闸阵列FPGA运用硬件语言描述电路，根据所需要的逻辑功能对电路进行快速烧录。一个出厂后的成品FPGA的逻辑块和连接可以按照设计者的需要而改变，这就好像一个电路试验板被放在了一个芯片里，所以FPGA可以完成所需要的逻辑功能。


FPGA和GPU内都有大量的计算单元，因此它们的计算能力都很强。在进行神经网络运算的时候，两者的速度会比CPU快很多。但是GPU由于架构固定，硬件原生支持的指令也就固定了，而FPGA则是可编程的。其可编程性是关键，因为它让软件与终端应用公司能够提供与其竞争对手不同的解决方案，并且能够灵活地针对自己所用的算法修改电路。




2.FPGA和GPU的性能差异


同样是擅长并行计算的FPGA和GPU，谁能够占领人工智能的高地，并不在于谁的应用更广泛，而是取决于谁的性能更好。在服务器端，有三个指标可供对比：峰值性能、平均性能与功耗能效比。当然，这三个指标是相互影响的，不过还是可以分开说。



峰值性能：GPU远远高于FPGA


GPU上面成千上万个核心同时跑在GHz的频率上是非常壮观的，最新的GPU峰值性能甚至可以达到10TFlops 以上。GPU的架构经过仔细设计，在电路实现上是基于标准单元库而在关键路径上可以用手工定制电路，甚至在必要的情形下可以让半导体fab依据设计需求微调工艺制程，因此可以让许多core同时跑在非常高的频率上。


相对而言，FPGA首先设计资源受到很大的限制，例如GPU如果想多加几个核心只要增加芯片面积就行，但FPGA一旦型号选定了逻辑资源上限就确定了。而且，FPGA里面的逻辑单元是基于SRAM查找表，其性能会比GPU里面的标准逻辑单元差很多。最后，FPGA的布线资源也受限制，因为有些线必须要绕很远，不像GPU这样走ASIC flow可以随意布线，这也会限制性能。




平均性能：GPU逊于FPGA


FPGA可以根据特定的应用去编程硬件，例如如果应用里面的加法运算非常多就可以把大量的逻辑资源去实现加法器，而GPU一旦设计完就不能改动了，所以不能根据应用去调整硬件资源。


目前机器学习大多使用SIMD架构，即只需一条指令可以平行处理大量数据，因此用GPU很适合。但是有些应用是MISD，即单一数据需要用许多条指令平行处理，这种情况下用FPGA做一个MISD的架构就会比GPU有优势。


所以，对于平均性能，看的就是FPGA加速器架构上的优势是否能弥补运行速度上的劣势。如果FPGA上的架构优化可以带来相比GPU架构两到三个数量级的优势，那么FPGA在平均性能上会好于GPU。
 


功耗能效比：


功耗方面，虽然GPU的功耗远大于FPGA的功耗，但是如果要比较功耗应该比较在执行效率相同时需要的功耗。如果FPGA的架构优化能做到很好以致于一块FPGA的平均性能能够接近一块GPU，那么FPGA方案的总功耗远小于GPU，散热问题可以大大减轻。反之，如果需要二十块FPGA才能实现一块GPU的平均性能，那么FPGA在功耗方面并没有优势。


能效比的比较也是类似，能效指的是完成程序执行消耗的能量，而能量消耗等于功耗乘以程序执行的时间。虽然GPU的功耗远大于FPGA的功耗，但是如果FPGA执行相同程序需要的时间比GPU长几十倍，那FPGA在能效比上就没有优势了；反之如果FPGA上实现的硬件架构优化得很适合特定的机器学习应用，执行算法所需的时间仅仅是GPU的几倍或甚至于接近GPU，那么FPGA的能效比就会比GPU强。



3.FPGA市场前景


随着科技的进展，制造业走向更高度的自动化与智能化，对工业控制技术等领域不断产生新的需求，在未来的工业制造领域，FPGA将有更大的发展空间。目前来看，有两个领域的应用前景十分巨大：



工业互联网领域


作为未来制造业发展的方向，工业大数据、云计算平台、MES系统等都是支持工业智能化的重要平台，它们需要完成大数据量的复杂处理，FPGA在其中可以发挥重要作用。



工业机器人设备领域


在多轴向运作的精密控制、实时同步的连接以及设备多功能整合等方面，兼具弹性和整合性的FPGA，更能展现设计优势。如汽车ADAS需要对实时高清图像进行及时的分析识别与处理；在人工智能方面，深度学习神经网络也需要进行大量并行运算。




4.FPGA现有市场


FPGA市场前景诱人，但是门槛之高在芯片行业里无出其右。全球有60多家公司先后斥资数十亿美元，前赴后继地尝试登顶FPGA高地，其中不乏英特尔、IBM、德州仪器、摩托罗拉、飞利浦、东芝、三星这样的行业巨鳄，但是最终登顶成功的只有位于美国硅谷的两家公司：Xilinx与Altera。这两家公司共占有近90%的市场份额，专利达到6000余项之多，如此之多的技术专利构成的技术壁垒当然高不可攀。


2015年6月，英特尔用史无前例的167亿美元巨款收购了Altera，当时业内对于英特尔此举的解读主要集中在服务器市场、物联网市场的布局上，英特尔自己对收购的解释也没有明确提到机器学习。但现在看来，或许这笔收购在人工智能领域同样具有相当大的潜力。



5.FPGA行业的开拓者：


英特尔能不能通过FPGA切入AI硬件市场？要讲清楚这个问题，我们必须要把视角从人工智能身上拉远，看看英特尔的整体战略布局。最近几年，英特尔的核心盈利业务CPU同时遭到了三个因素的狙击：PC市场增长放缓、进军移动市场的尝试失败以及摩尔定律逐渐逼近极限。单纯的卖CPU固然也能赚到钱，但只有研发更高端的芯片，形成自己领导者的形象，才能赚更多的钱，支撑公司的发展。


上述三个因素的同时出现，已经让英特尔发现，如果自己仍然只是安心的守着自己的CPU业务，很快就会面临巨大的危机，事实上在过去的一年里，利润下降、裁员的新闻也一直围绕在英特尔的身边，挥之不去。


因而英特尔十分渴望不要错过下一个深度学习的潮流，不过它缺乏自己最先进的人工智能研究，所以在过去的两年中疯狂地收购。2015年，英特尔用史无前例的167亿美元拍下了FPGA制造商Altera，2016年又相继兼并了人工智能芯片初创公司Nervana与Movidius。目前的英特尔正在试图将他们整合在一起。




6.Intel的产品布局


英特尔斥巨资收购Altera不是来为FPGA技术发展做贡献的，相反，它要让FPGA技术为英特尔的发展做贡献。表现在技术路线图上，那就是从现在分立的CPU芯片+分立的FPGA加速芯片，过渡到同一封装内的CPU晶片+FPGA晶片，到最终的集成CPU+FPGA芯片。预计这几种产品形式将会长期共存，因为分立器件虽然性能稍差，但灵活性更高。


如果简单的将英特尔对于人工智能的产品布局，可以分以下几层：


Xeon Phi+ Nervana：用于云端最顶层的高性能计算。


Xeon+FPGA：用于云端中间层/前端设备的低功耗性能计算。


英特尔下一代的FPGA和SoC FPGA将支持Intel架构集成，大致如下：代号为Harrisville的产品采用Intel 22nm工艺技术，用于工业IoT、汽车和小区射频等领域；代号为Falcon Messa的中端产品采用Intel 10nm工艺技术，用于4G/5G无线通信、UHD/8K广播视频、工业IoT和汽车等领域；代号为Falcon Mesa的高端产品采用Intel 10nm工艺技术，用于云和加速、太比特系统和高速信号处理等领域。


 Core（GT）：用于消费级前端设备的性能计算、图形加速。


 Euclid：提供给开发者/创客的开发板，集成Atom低功耗处理器、RealSense摄像头模块、接口，可用做无人机、小型机器人的核心开发部件。


Curie：提供给开发者/创客的模块，其内置Quark SE系统芯片、蓝牙低功耗无线电、以及加速计、陀螺仪等传感器，可用做低功耗可穿戴设备的核心部件。


从产品线来看，包含了CPU与FPGA的异构计算处理器将是Intel盈利的重点。预计到2020年Intel将有1/3的云数据中心节点采用FPGA技术，CPU+FPGA拥有更高的单位功耗性能、更低时延和更快加速性能，在大数据和云计算领域有望冲击CPU+GPU的主导地位，而Intel的至强处理器Xeon +FPGA也将在2017年下半年量产。




7.Intel的痛点：生态不完善


FPGA对GPU的潜力在于其计算速度与GPU不相上下，却在成本和功耗上对GPU有着显著优势。当然，劣势也有，但是FPGA的潜力是非常明显的。作为一个想要推向市场的商品来说，FPGA最需要克服，也是最容易克服的问题是普及程度。


大部分PC都配有或高端或低端的独立GPU，对于个人进行的中小规模神经网络开发和训练来说，其实它们的性能已经基本足够。而FPGA却不是在电脑里能找得到的东西，而多见于各种冰箱、电视等电器设备及实验室中，因此想要搞到一块能用来开发深度学习的FPGA其实还挺麻烦的。不仅如此，FPGA的不普及还体现在以下三个方面：




OpenCL编程平台应用不广泛


即使GPU有着种种不足，它也不是能够轻易被取代的。从深度学习应用的开发工具角度，具备CUDA支持的GPU为用户学习Caffe、Theano等研究工具提供了很好的入门平台。自2006年推出CUDA以来，已有超过5亿的笔记本电脑、工作站、计算集群和超级计算机安装了支持CUDA的GPU。


如果FPGA想要攻占深度学习的市场，那么产业链下游的编程平台必不可少。目前较为流行的异构硬件编程的替代性工具是OpenCL。不同于CUDA单一供应商的做法，OpenCL对开发者开源、免费，这是一大重要竞争力。但目前来看，其获得的支持相较CUDA还略逊一筹。


实现硬件编程困难


除了软件编程的不普及之外，吸引偏好上层编程语言的研究人员和应用科学家来开发FPGA尤为艰难。虽然能流利使用一种软件语言常常意味着可以轻松地学习另一种软件语言，但对于硬件语言翻译技能来说却非如此。针对FPGA最常用的语言是Verilog和VHDL，两者均为硬件描述语言（HDL）。这些语言和传统的软件语言之间的主要区别是，HDL只是单纯描述硬件，而例如C语言等软件语言则描述顺序指令，并无需了解硬件层面的执行细节。


有效地描述硬件需要对数字化设计和电路的专业知识，尽管一些下层的实现决定可以留给自动合成工具去实现，但往往无法达到高效的设计。因此，研究人员和应用科学家倾向于选择软件设计，因其已经非常成熟，拥有大量抽象和便利的分类来提高程序员的效率。


部署环节需要定制复杂套件


FPGA需要有一个完善的复杂生态系统才能保证其使用，不只体现在软件与硬件编程平台上，更体现在部署环节中。FPGA在安装过程中需要针对不同的IP核定制一系列复杂的工具套件，相比之下，GPU通过PCI-e接口可以直接部署在服务器中，方便而快速。因此，嵌入式FPGA概念虽好，想要发展起来仍将面临十分严峻的挑战。




8.Intel的优势


目前在深度学习市场FPGA尚未成气候，谷歌这样的超级大厂又喜欢自己研发专用芯片，因此可以说对于深度学习芯片来说，个人开发者及中小型企业内还有相当大的市场。这个市场目前几乎只有英伟达一家独大，英特尔想要强势进入未必没有机会。而相比于英伟达来说，英特尔有两个明显的优势：




更熟悉CPU


尽管目前的人工智能市场几乎只有英伟达一家独大，但英伟达的芯片也不是能够自己完成深度学习训练的。或者说，英伟达的GPU芯片还不足以取代那些英特尔的CPU，大多数环境下它们暂时只能加速这些处理器。所以，GPGPU暂时只是概念上的，GPU还不足以在大多数复杂运算环境下代替CPU，而随着人工智能技术的进步，对硬件的逻辑运算能力只会更高不会降低，所以搭载强大CPU核心的多核异构处理器才是更长期的发展方向。而论对CPU的熟悉，没有一家芯片厂商能过胜过英特尔，英特尔是最有可能让搭载了FPGA与CPU的异构处理器真正实现多核心相辅相成的芯片公司。



曾涉足云计算


算法的训练应该是贯穿整个应用过程的，这样可以随时为消费者提供最好体验的服务。但是如果要将所有算法都集中于本地训练，不仅会面临计算瓶颈的问题，也容易面临从单个用户处收集到的数据量太少的尴尬。我们暂时不考虑很久以后可能出现的基于小样本的无监督学习的AI，毕竟那其实已经跟人差不多了，在目前AI的发展状况下，将所有数据集中于云端进行计算显然是更理性且有效的做法。这就对通信提出了极高的要求，而英特尔恰巧在这个领域有着相当多的积累。虽然英特尔的通信部门连年亏损，但在现在的形势下，它却意外地有了新的价值与潜力。



招募人工智能学家科技记者


《人工智能学家》人工智能方向的新媒体和人工智能前沿研究机构，获得两家著名投资机构的第一轮融资，在业内形成了很强的影响力，同时开展的前沿研究工作也获得深度成果，



2016年7月，人工智能学家基于自身的研究成果和所拥有的顶级科学家资源，在科学院相关机构的支持下，筹备建立未来科技学院 将邀请国内和国际著名科学家、科技企业家讲授人工智能、互联网、脑科学、虚拟现实、机器人等领域的基本原理和未来发展趋势。未来科技学院的目标是研究前沿科技未来发展趋势，培养掌握未来科技动向的企业家和具有独立创新精神的未来科学家。

为了加快人工智能学家和未来科技学院的项目建设，人工智能学家现招募科技媒体记者。工作地点为北京海淀中关村，主要从事工作包括：



前沿科技研究、前沿企业和行业观察报道 ，条件：热爱科技前沿发展趋势的学习和研究，具有人工智能，机器人，智能驾驶，虚拟现实，脑科学等领域前沿科技领域基础知识。有较好的文字能力。
 
 
 
 
 
更多内容请关注：www.imefuture.com
 
来源：微信公众号 人工智能学家 查看全部

从 2008 年到 2012 年，周剑用了第一个五年时间，研发出满意的舵机。这成为周剑在 2012 年创立优必选科技（下简称优必选）的底气，也成就了优必选的第一个五年————舵机是优必选的核心技术，覆盖 Alpha1、Alpha2、Jimu 和 Cruzr 等重要产品，由于市场对其产品的看好，公司也在 2016 年完成 B 轮 1 亿美元融资，估值超 10 亿美元，入选 CB Insights 发布的全球独角兽榜单。







在舵机技术上站稳脚跟之后，周剑为优必选下一个五年定调。今年 2 月，优必选创始人兼 CEO 周剑宣布，「2017 年优必选将重点布局人工智能领域，通过产品创新和商业创新实现 15 亿元的销售目标。」

 

今年的两会将人工智能写进政府报告，人工智能在国内的发展达到了前所未有的热度。无论是 BAT 这样的巨头，还是众多创业公司，都试图在人工智能上找到能落地的应用场景。周剑认为，「在人工智能这件事上，优必选有天然的优势。因为从某种意义上来说，机器人是人工智能落地最好的平台。」




寻找人形机器人商业化突破口


「机器人的最终形态应该是能适应人类生活环境的双足人形机器人，比如它能像人类一样，在多种环境中行走，比如上下楼梯，这其中的核心问题就是驱动，只有解决这个问题，机器人才能真正意义上进入家庭环境。」周剑说。目前国际上名气较大的人形机器人产品并不多，比如软银收购的 Aldebaran Robotics 公司研发的人形机器人 NAO、以及本田的 ASIMO 机器人和波士顿动力的轮式、腿式机器人等。

 

在周剑看来，目前市面上很多机器人产品都是过渡型产物，比如现在的一些音箱产品。「如果实现商业化，是没有人愿意跟一个音箱对话的。」因为智能家居最终无法满足人类的情感需求，「它代替不了类似于《太空旅客》真正的人形机器人。」


然而，目前人形机器人在驱动，包括关节驱动、运动技术、控制运动算法上面，还没有实现真正突破，尤其是可商业化的驱动技术。据周剑介绍，在驱动方面，波士顿动力用的是液压技术，本田的阿西莫（ASIMO）机器人用的是电机伺服的控制方式，这两种技术都能实现不错的驱动，但是问题在于成本太高，阿西莫（ASIMO）一台机器人搭出来需要 200 多万美金。







除了高昂的成本外，使用中繁琐的技术方式也让一些机器人很难真正走进市场，比如 ASIMO 机器人的传动中用了 20 多根皮带，在使用过程中，每隔一段时间都需要重新打开机器人内部来调整皮带的松紧度。这种技术方式导致 ASIMO 很难实现商业化量产，而且本田在这条技术道路上耕耘了几十年，某种程度上有些积重难返，即便他们的核心算法和机器人躯干部分都搭建的很好。



因此，用高性价比的技术方式，让人形机器人价格降下来，被一般家庭所接受，是优必选的目标。周剑说，「优必选一直在朝着一个能够真正让驱动关节模块化、商业化的方向去努力，所以我们现在做的伺服舵机，包括在腿部的一些舵机，某种意义上就是在朝着商业化目标努力。」



人形机器人的市场才刚刚开始，优必选需要做一些比较前沿性、引导性的工作。「未来我们希望在某种意义上建立一套全球化的机器人标准，比如人形机器人的标准是什么、规格是什么、它的曲轴运动，包括人工智能的一些基本的需求。」

 
不过，虽然轮式机器人不是人形机器人的最终形式，但周剑也坦言，「目前技术平台下面，轮式机器人还有一些优势，包括在 2B 的一些场所。」因此，优必选在今年年初的 CES 上推出了首款商用服务机器人 Cruzr。Cruzr 是首款提供企业级商用服务的机器人，可为客户提供定制的人工智能商务服务。

 


全面布局人工智能战略


优必选的机器人研发从舵机开始，经过近 10 年的研发，舵机已经成为优必选的核心技术，并由此开拓了多个产品线。在舵机这条技术产品线上，优必选一直专注于核心零部件的供应，硬件开发逐渐成为优必选的优势。



而机器人商业化所需要的语音识别、机器视觉以及算法平台等软件技术能力，则是优必选明显存在的劣势。周剑也坦言，「优必选是硬件起家，舵机一直是其引以为豪的核心技术，而软件是最薄弱的地方」，这也是优必选决定大力布局人工智能的原因。



据周剑介绍，优必选在北京、硅谷分别设有研发中心，研发方向侧重在机器视觉、语音识别、语义理解、算法平台等人工智能领域，博士背景的核心研发人员达到数十人，公司在人工智能方面投入的资金比重也大大提升，占总营收的 45%。



除了大型的伺服舵机关键驱动技术外，算法平台和人工智能，将成为优必选最为重要的发展阵地。

 
周剑希望能够自助搭建出一个类似于比波士顿动力更好的平台的一个算法。在此之前，优必选对谷歌、波士顿动力、本田等全球所有大型人形机器人公司的技术都进行了长期研究。在周剑看来，与优必选在驱动产品上下功夫不同，「这些机构不算纯商业化的公司，也根本没有打算很快推出商业化的产品。」他接着补充道：「我们现正在研发中的伺服舵机，跟波士顿他们的完全不一样。此外优必选把能耗看的很重，在运动算法上投入了很大力量。」







在人工智能方面，优必选主要力量放在机器视觉和数据上。周剑解释称：「因为信息来源大部分还是来自机器视觉，另外由于机器视觉技术需要更大量的数据，数据是其要推动的技术。」比如光线的细微变化都能影响到机器对物体的判断。这一点周剑印象颇深，他举了一个例子，在家庭厨房场景中，炒菜时的油烟会导致机器人的视觉判断模糊，针对这个问题就需要做雾化、去白、去油烟的技术。



事实上，优必选去年年底就开始为人工智能布局招揽人才，前 IEEE 主席霍华德博士、清华大学赵明国教授、欧洲科学院院士陶大程博士，先后加入并分别担任其教育 CTO、「人形机器人首席科学家」。



去年科大讯飞入股优必选，也给了后者在语音识别上得到了强有力的支撑，周剑称，讯飞的技术「能用的我们都会拿来用」。

 
在视觉和语音之外，另一个无法回避的问题是语义理解。「这是一个全球性难题」，周剑说，「单纯的自然语言理解（NLU）解决不了所有的机器人问题，未来的识别理解是多模态的，是基于视觉、语音、语意的多模态的理解。包括识别人体的姿态，人类的动作有很多，机器人会做很多动作，到底这个动作的目的、意义是什么？」比如，当两人第一次见面时，举手就意味着是握手打招呼，在离别的时候，举手的含义就是道别，这些都需要机器人能够准确的识别。



但优必选并不打算全面开展这些技术的自主研发，周剑表示，「不可能所有的东西都由优必选自己来做，可以通过融资来收购、并购一些技术公司。」据了解，优必选已经有了比较中意的合作对象，可能会对其进行战略投资、入股，甚至是更加深入的合作，与此同时，其新一轮融资也在进行中。
 
 
 
 
 
 
更多内容请关注：www.imefuture.com
 
来源：微信公众号 机器之心 杜雪  查看全部

百度最新的研究使用监督学习和强化学习的组合开发了一个系统，该系统允许虚拟教师（ virtual teacher）通过将语言与感知和行动连接起来而从头教授虚拟 AI 智能体语言，这一过程就类似于父母教导他们的小孩。



尽管有了极大的进步，人工智能在许多方面仍旧有限。例如，在计算机游戏中，如果 AI 智能体没用游戏规则预编程，在知道如何做出正确行为之前它需要进行百万次的尝试。人类能在非常短的时间内完成同样的成就，因为我们善于使用语言将过去的知识迁移到新任务中。



在必须杀死龙才能获胜的游戏中，如果需要杀死龙才能获胜，AI 智能体在理解自己必须要屠龙之前需要尝试许多其他的行为（在墙上喷火、发出一片花等）。然而，如果 AI 智能体理解语言，人类就可以简单地使用语言直接指令它「杀死龙赢得游戏。」



以视觉为基础的语言在我们如何归纳技能和将它们应用到新任务上扮演着重要的角色，而这对机器而言仍旧是一个重大挑战。对于让机器变得真正智能并且获得类人的学习能力而言，开发复杂的语言系统是非常重要的。



作为实现这一目标的第一步，我们使用监督学习和强化学习的组合开发了一个系统，该系统允许虚拟教师（virtual teacher）通过将语言与感知和行动连接起来而从头教授虚拟 AI 智能体语言，这一过程就类似于父母教导他们的小孩。



在训练后，我们的模型结果表明 AI 智能体能以自然语言的方式正确地解读教师的指令，并采取相应的行动。更重要的是，这些智能体发展出了我们所说的「zero-shot 学习能力」，这意味着智能体能理解未见过的句子。我们相信该项研究能进一步带领我们朝训练机器像人类一样学习前进。




研究概述


该研究发生在一个 2D 迷宫似的环境 XWORLD 中，在这里，我们的虚拟婴儿智能体需要在自然语言命令的指导下在迷宫里穿行，这个命令是由一个虚拟 teacher 发出的。开始，该智能体对语言一无所知：每个词都对其没有意义。不过，随着该智能体不断研究周围环境，如果执行对了（或者错了）命令，该 teacher 就会给出相应的奖惩。为了帮助智能体更快地学习，该 teacher 也会问些有关智能体所运动的周围环境的简单问题。该智能体需要正确回答问题。通过鼓励对的行动/回答，惩罚错误的行动/回答，该 teacher 能在多次试错时候 让该智能体理解自然语言。



示范命令的一些例子：


请导航至这个苹果（Please navigate to the apple.）

你能移动到苹果和香蕉之间的格子吗？（Can you move to the grid between the apple and the banana?）

你能去那个红苹果那里吗？（Could you please go to the red apple?）




问答对的一些例子：


问：北边的物体是什么？答：香蕉（Q:What is the object in the north? A:Banana.）

问：香蕉在哪里？答：北边（Q:Where is the banana? A:North.）

 问：苹果西边的物体是什么颜色的？答：黄色（Q:What is the color of the object in the west of the apple? A:Yellow.




结果


在最后，该智能体可以正确地解读 teacher 的命令，并导航至正确的位置。更加重要的是，该智能体发展出了所谓的「zero-shot 学习能力」。这意味着即使是接受了从未执行过的新任务，如果该指令的句式的相似形式在之前已经见过足够多了，那么它仍然有能力正确地执行任务。换句话说，人工智能有能力理解由已知词和已知语法组成的新句子。


比如说，一个学会用刀切苹果的人通常知道怎样用刀切一个火龙果。应用已有知识实现新的任务对于人类而言是轻而易举的事，但对目前的端到端机器学习来说非常困难。尽管机器可能知道「火龙果」看起来是什么样子，但除非已经经过了相关数据集的训练，它无法执行「用刀切那个火龙果」的任务。相比之下，我们的智能体可以成功地迁移它所知道的火龙果外观与任务「用刀切 X」，而不需要直接去训练「用刀切火龙果」。


在下图中，我们的智能体成功地在导航测试中执行了命令，完成任务。







我们的下一步研究有两个方面：1、在当前 2D 环境中使用自然语言命令来教人工智能获得更多能力；2、把这种能力应用到虚拟 3D 环境中。虚拟的 3D 环境有更多的挑战，同时也与我们所生活的现实环境更加接近。我们的最终目标是用人类的自然语言训练出一个在真实世界中可用的物理机器人。


论文：一个用于虚拟环境中的类人语言习得的深度组合框架

（A Deep Compositional Framework for Human-like Language Acquisition in Virtual Environment）









 
更多内容请关注：www.imefuture.com
 
 
来源： 机器之心 查看全部

【提要】2016年 3月，AlphaGo 计算机程序轻取围棋九段棋手李世石，立刻引发全世 界的讨论。这一里程碑事件向世界证明，机器可以像人类一样思考，甚至比人类做得更好。乐观人士相信人工智能技术的突破将极大推动生产力的提高。但同时也激发了对人工智能或将取代人类工作的焦虑情绪，甚至有人担心人类最终会创造出连自己都无法控制的智能机器。在纷繁的观点背后，有一点毋庸置疑：人工智能有着改变全球社会的巨大潜力。 



随着人口红利的快速消失，中国急需寻找新的增长引擎。基于人工智能的自动化可以提升生产力，帮助中国实现其经济发展目标。 



在这一背景下，理解人工智能的发展及其对中国的影响尤为重要。本文将涵盖以下内容： 



第一部分简要介绍人工智能的发展历程、现有技术水平及未来展望。  第二部分分析中国在人工智能领域的实力并论述相关挑战，以及人工智能在 经济、社会和地缘政治方面的影响。  第三部分对中国在产业、经济、教育、社会及国际政策方面就人工智能发展 提出五大战略建议。  




1. 人工智能：拐点来临


人工智能是对人的意识、思维过程进行模拟的一门新学科。似乎在一夜之间 人工智能从虚无缥缈的幻想成为了现实。计算机科学家们在机器学习和深度学习 领域已取得重大突破，可以赋予机器认知及预测能力。如今在现实世界中，这些 系统的应用已不鲜见。  




回顾变革前的简史 


人工智能意为机器对人脑思维认知功能的模拟。这一概念长期以来只存在于 人类幻想和科幻小说中，直至 20世纪五六十年代，有关人工智能的理论初步形成 后，才开始引发普遍乐观情绪和第一波热潮。但由于技术未能实现突破性进展，人 工智能无法达成预期效果，因此陷入了一段沉寂期。往后数十年间虽然不乏成功 案例（如 IBM的超级计算机‚深蓝‛击败国际象棋冠军加里·卡斯帕罗夫），但因 为人工智能在现实世界的成功案例太过孤立，所以不足以支撑大规模商业化。 


让我们快进至 21世纪。数据收集及整理、算法（尤其是机器学习）以及高性 能计算等技术的突飞猛进促成了革命性进步。例如，在以往被认为是机器‚无法 取胜‛的围棋比赛中，AlphaGo成功击败人类世界冠军，从而赋予了这场获胜历史 性的意义。 


而变革不仅发生在理论前沿。被视为未来超级智能系统的先锋——各类应用机器学习技术的分析工具已现身市场。金融、医疗、制造等行业应用发展迅速，人工智能领域的全球风投也从 2012年的 5.89亿美元猛增至 2016年的 50多亿美元2。 麦肯锡预计，至 2025年人工智能应用市场总值将达到 1270亿美元。  




了解人工智能及其能力 


以往人们借助计算机的运算能力可以更高效地完成任务（例如，比人类更快 地处理更复杂的计算）。传统的软件程序由人类编写，包含具体的指令要求。 


人工智能的工作模式完全不同。它们依据通用的学习策略，可以读取海量的大数据‛，并从中发现规律、联系和洞见。因此人工智能能够根据新数据自动调整，而无需重设程序。利用机器学习，人工智能系统获得了归纳推理和决策能力；


而深度学习更将这一能力推向了更高的层次。这些计算机系统能够完全自主地学 习、发现并应用规则。 


虽然深度学习领域近来的突破可使人工智能系统在一些关键能力上媲美甚至 赶超人类，但距离实现‚通用人工智能，即机器能够完全模拟人类认知活动，仍需数十年的努力。不过机器学习系统已经有了某些商业化落地，且应用广泛，可以担当客服、管理物流、监控工厂机械、优化能源使用以及分析医学资料。麦肯锡全球研究院最近的研究显示机器学习技术可广泛应用于各行各业5。 


人工智能技术通常由四个部分组成，即认知、预测、决策和集成解决方案。 认知是指通过收集及解释信息来感知并描述世界，包括自然语言处理、计算机视觉和音频处理等技术。预测是指通过推理来预测行为和结果。举例而言，此类技术可用来制作针对特定顾客的定向广告。决策则主要关心如何做才能实现目标。 这一领域的用例十分广泛，如路线规划、新药研发、动态定价等。最后，当人工智能与其他互补性技术（如机器人）结合时，可生成多种集成解决方案，如自动驾 驶、机器人手术，以及能够对刺激做出响应的家用机器人等。目前人工智能各项技术的商业化水平参差不齐。认知和预测领域的许多技术已经逐步商业化，然而决策和集成解决方案技术多处在研发阶段（见图 1）。 








人工智能的未来：挑战与机遇并存 


过去的科技进步主要是指提升执行指定任务的能力。而当今的人工智能则是赋予机器反应和适应能力以优化产出。通过与物联网、机器人等技术的结合，人工智能能够构造出一个整合的信息物理世界。 



当今人工智能发展势头正猛，未来有望在全球多个行业和场景下得到广泛运用，尤其是我们将会看到大量的人类工作被机器取代。麦肯锡全球研究院近期的一份报告对全球800多种职业所涵盖的2000多项工作内容进行分析后发现，全球约50% 的工作内容可以通过改进现有技术实现自动化。 



当然，技术可行性只是影响自动化速度及程度的一个因素，还有其他因素需要考虑，包括研发和应用成本、劳动力市场供需、经济效益，以及社会和政府监管部门的接受度。综合上述因素，麦肯锡全球研究院的这份自动化研究报告指出，在 现今所有工作内容之中，过半会在2055年左右自动化，但这过程存在诸多变量。如果自动化推进速度快，达到该程度可能会提前20年；如果推进缓慢，则可能延后20年。 



展望未来，人工智能可成为应对一些社会核心挑战的强大工具。在医疗领域， 人工智能将极大提升我们分析人类基因组和为患者开发个性化治疗方案的能力，甚 至大大加快治愈癌症、阿茲海默症和其他疾病的进程。在环保领域，人工智能能够分析气候特征并大规模降低能耗，帮助人类更好地监控和应对气候变化问题。人工智能甚至可以在地球以外地区发挥作用，他日或助力人类探索火星及外太空。  





2.人工智能对中国意味着什么？ 


在多家中国科技巨头积极研发的推动下，中国已成为全球人工智能的发展中心之一。众多的人口和完整的产业结构给中国提供了创造海量数据和广阔市场的潜力。随着老龄化的加速，中国提升生产力的要求就愈发迫切，因此人工智能技术的运用对中国未来的经济发展至关重要。一方面，中国还需要做好许多基础性工作，如更为开放的数据环境和训练有素的数据科学人才。另一方面，人工智能或将引发复杂的社会及经济问题，应审慎考量。  



中国在人工智能发展中的地位 


中国与美国是当今世界人工智能研发领域的领头羊。仅在2015年，两国在学术期刊上发表的相关论文合计近1万份，而英国、印度、德国和日本发表的学术研究文章总和也只相当于其一半。 



中国的人工智能发展多由科技企业推动引领。得益于大量的搜索数据和丰富的产品线，一些互联网企业走在了自然语言处理、图像和语音识别等技术前沿。 这些技术被整合应用于新产品中，如自动化私人助理、自动驾驶汽车等。 



中国有充足的理由对其在人工智能领域的潜力感到乐观。庞大的人口基数产 生的海量数据正是‚训练‛人工智能系统的前提条件。‚范围经济‛也是中国的优 势所在，广泛的行业分布为人工智能的应用提供了广阔市场。 



但是，中国需要持续不断的努力，才能保持人工智能的领先地位，并且最大化其经济潜能。发展创新能力是重中之重。虽然中国在人工智能的论文数量方面超过了美国，但中国学者的研究影响力尚不及美国或英国同行（见图 2）。 







此外，美国的人工智能生态系统也更为完善和活跃，创业公司数量远超中国（见图 3）。由研究机构、大学及私营企业共同组成的生态系统庞大、创新且多元。 硅谷在科技领域日积月累的强劲实力形成了强大而难以复制的优势。  







以下，我们从数据、算法和计算能力等三个关键因素出发分析中国面临的挑战。  








数据 


正如人类需要从食物中获得能量，人工智能的“食物”则是稳定的数据流。 人工智能系统必须通过大量的数据来“训练”自己，才能不断提升输出结果的质量。但数据领域的几个因素可能会影响中国人工智能的发展。首先，尽管中国的科技巨头能够通过其专有平台获得海量数据，但在创建一个标准统一、跨平台分享的数据友好型生态系统方面，中国仍落后于美国。其次，全球各国都已意识到开放政府数 据库有助于促进私营领域创新，但中国政府数据的开放度仍极为有限（见图 4）。 最后，对跨境数据流通的限制也使得中国在全球合作中处于不利地位。 




算法 


就应用层面而言，中国的算法发展程度与其他国家并无太大差距。事实上， 中国在语音识别和定向广告的人工智能算法上取得了突破进展。而全球的开源平台也使得中国企业能够快速地复制其他地区开发的先进算法。 



然而，中国的研究人员在基础算法研发领域仍远远落后于英美同行。一个主要原因就是人才短缺。美国半数以上的数据科学家拥有10年以上的工作经验，而在中国，超过 40%的数据科学家工作经验尚不足5年。中国在人才方面的持续努力将至关重要。 



目前，中国只有不到 30所大学的研究实验室专注于人工智能，输出人才的数量远远无法满足人工智能企业的用人需求。此外，中国的人工智能科学家大多集中于计算机视觉和语音识别等领域，造成其他领域的人才相对匮乏。如果中国大学对学生提出更高的数学和统计学要求，并且集中资源发展该领域全球前沿研究，人工智能的发展必将受益匪浅。另一个值得思考的方向是改进现有的科研经费分配模式来推进创新。  




计算能力 


就人工智能的商业应用而言，计算能力并非当前掣肘。由于微处理器在全球市场上是非常普遍的产品，计算能力已经成为一种能够轻松购买得到的商品。 



然而，中国绝不能忽视发展自己的先进半导体、微处理器和高性能计算技术的重要性。高运算速度的计算技术是发展尖端人工智能技术的重中之重，而其耗能水平则决定着人工智能解决方案能否实现大规模商业化。计算能力是人工智能的基 础设施之一，因此具有极高的战略意义。依赖进口意味着这一基础设施的坚固程度 仍不理想。 



长期以来，中国的微晶片严重依赖进口，部分类型的高端半导体则几乎完全依靠进口。2015年，美国政府禁止了英特尔、英伟达和 AMD这三家全球最大的芯片供应商向中国机构出售高端超级电脑芯片。这一禁令显示了中国在半导体方面的自主研发能力对于未来人工智能发展十分重要。 



为应对这一局面，中国政府在 2014年出台了《国家集成电路产业发展推进纲 要》以及中国制造2025行动纲领。中国政府还成立了国家集成电路产业投资基金，目前募资已超过 200亿美元。相关行动已初见成效：2016年 6月神威▪太湖 之光超级计算机问世，成为世界上运算速度最快的超级计算机，使用的是中国自主知识产权的处理器。政府的前期投资可以产生显著的涟漪效应，鼓励私营企业的积极参与。 



特种处理器，如可以处理大量复杂计算的 GPU，对人工智能的发展格外重要。 在中国大力发展其集成电路产业的过程中，也应密切关注此类处理器的发展。 



总而言之，在探索发展人工智能的战略进程中，中国需要清楚地认识到，科技产业正在快速全球化。从基础研究到应用开发，再到硬件生产，人工智能全产业链的各个环节都包含着大量国际合作。在建设自己的数据生态系统、培养数据科学和研发人才，以及打造半导体产业的同时，中国还需要将其人工智能产业建设成为一个与全球市场融合的开放系统。  




人工智能对经济的影响 


随着中国老龄化日益严重，生产力的提升刻不容缓，人工智能正是加快生产 力增长的重要机遇。然而，政策制定者还应考虑到它可能对劳动力市场产生的震 荡。 



在过去数十年，中国因‚人口红利受益良多，劳动力的扩张大大促进了经济增长。但老龄化正使中国逐渐失去这一推动力。中国的劳动年龄人口最早将在 2024年达到峰值，并在之后的50年中减少五分之一。这一人口结构变化趋势意味着在当前生产力水平的基础上，中国将缺乏足够的劳动力以维持其经济增长。拉动经济增长唯一可行的方式就是大幅推动生产力增长。 



人工智能有助于缩小这一差距。通过辅助或替代人类劳动，人工智能系统能够更有效率地完成现有工作，从而提升生产力。以英特尔为例，该公司在芯片生产过程中会收集大量数据。过去，如果生产中出现问题，公司需依靠人工分析数据寻找根本原因。而现在，机器学习以远胜人工的速度完成这项任务，其算法能够筛 选成千上万的数据点以找出残次芯片的共同特征。此外，人工智能还可以使工业 机械制造、供应链、物流以及其他生产流程更为高效。人工智能应用还能通过预 测故障、找出瓶颈，以及自动化流程和决策创造出巨大效益。 



酒店和餐饮服务业、制造业以及农业在中国经济结构中占据了相当大的比重， 其中包含大量重复的、可自动化的工作内容。麦肯锡全球研究院预测，根据应用速度的不同，基于人工智能的自动化为中国带来的生产力提升每年可贡献 0.8 至 1.4个百分点的经济增长。 



除了提升生产力之外，人工智能技术的不断发展也将创造新的产品和服务， 提供新的岗位和业务。就在几十年前，还没有人会想到互联网经济催生的新职业， 而人工智能也将带来相似的变革。 
 


人工智能有大幅提升生产力增长的潜力，但代价可能是收入差距的进一步拉大。总而言之，人工智能将推动形成所谓的“技能偏好型科技变革”——即数字技能将特别受到重视，而对中低端技能劳动力的需求将缩小。比如，考虑到阿里巴巴已在其移动支付应用中启用了人工智能客服，由此可以设想今后客服等职位的需求将减少。劳动力总需求因而可能下降，尽管平均收入水平有希望上升，财富分配则将进一步向具备合适技能的人才聚拢。“数字鸿沟”有可能扩大社会分化。 
 


总体而言，中国目前从事可自动化工作的劳动力人口超过其他国家。麦肯锡全球研究院预测中国 51%的工作内容有自动化潜力，这将对相当于 3.94 亿全职人力工时的冲击。  



由重复性工作内容和可预测的程序性任务构成的职位尤其容易被人工智能取代。根据成本效益分析，中等技能工人将首当其冲，而低收入岗位则可能存在更长时间。但这并不意味着如今的高端工种能够完全免受冲击。比如，医生之类专业人士的部分工作也可能被自动化，而医生的工作内容将会更专注于与人的沟通和互动。许多职业并不会消失，但其工作内容将会发生改变，因此教育和培训体系也应与时俱进。一份美国政府报告预测了可能在未来盛行的四大类人工智能相关工作：使用人工智能系统完成复杂任务的协作性工作（如护士使用人工智能应用常规查房）；开发人工智能科技和应用的研发性工作（如数据科学家和软件研发人员）；监测、授权或修理人工智能系统的监测性工作（如人工智能机器人的修理师）；适应人工智能时代的工作（如建立人工智能相关法律框架的律师或设计适合自动汽车行驶环境的城市规划师）。 



对先进数字技能的需求增加和低端劳动力的剩余将可能导致不平等的加剧， 部分人群在这一问题面前尤为弱势。比如，目前女性在中国计算机技术专业毕业生中的占比不到 20%；从事可自动化的、重复性职业的女性过多，而在科技和管理岗位中又不足。在最新的万事达卡女性进步指数中，中国女性在就业方面得分 83.8，但在领导方面仅获 27.8分，说明了高技能职位的两性平权远未实现。 而人工智能因此可能会进一步加剧性别不平等。 



与之相似，人工智能的逐步应用也可能进一步拉大富裕沿海地区与欠发达内陆地区的差距，加剧城乡发展的不平衡。只有认真研究充分评估各种可能性，才能规划好人工智能占据重要一席的未来。  




对社会的影响 


人工智能发展前景广阔，可用于改善医疗、环境、安全和教育，提升民生福祉。与此同时，由于它模糊了物理现实、数字和个人的界限，衍生出了复杂的伦理、 法律及安全问题。随着人工智能的逐渐普及，需要审慎管理来应对这一转变。 



许多现有用例展现出了人工智能解决社会问题的潜力。人工智能系统能够帮助科学家预测环境变化。康奈尔大学利用这一技术预测动物栖息地变化以保护某些鸟类。人工智能在医疗领域也得到广泛应用。荷兰政府使用人工智能技术为特定病患群体寻找最有效的治疗方案，并通过分析数字化的医疗档案来减少医疗失误。 在美国，拉斯维加斯卫生部利用人工智能技术进行公共卫生监测，通过社交媒体的追踪来确定疾病爆发的源头。人工智能系统还能提升公共交通系统的安全性和效率。已有证据表明使用人工智能技术的自动驾驶汽车可以减少交通事故。而阿里巴巴与杭州政府合力推进智能城市交通体系，以人工智能控制交通信号灯，可以有效减少城市特定区域的拥堵并使通行速度提高 11%。另外，人工智能还被用于预测能源需求，管理能源使用。谷歌大数据中心的能耗降低，英国政府对电网系统 中需求高峰的管理都是该技术方向的早期用例。对企业和消费者而言，这意味着高达数十亿美元的能源节约机会。 



然而，除了这些潜力外，管理具备自主学习和决策能力的机器也是一份重艰 巨的责任。许多值得深思的伦理和法律问题因此而生。阿西莫夫的机器人三大定律首次尝试为人机互动设立基本原则。但人工智能技术所带来的伦理问题更为微妙，其潜在影响也更为深远。 



首先，当传感器和人工智能无处不在时，企业得以不断收集个人信息，不仅在人们使用数字设备时，也在人们往返于公共和私人空间时。在某些特定场合，比如医院，采集这些个人信息极为敏感。这就引发了一系列问题：谁拥有个人数据？ 数据应以何种方式共享？面对日趋严峻的网络安全攻击又该如何保护数据？ 



其次，人工智能可能在决策过程中产生无意识的歧视。由于现实世界存在着各种形式的种族歧视、性别歧视和偏见，输入算法中的数据也可能附带这些特征。 而当机器学习算法学习了这些带有偏见的训练数据，也就‚继承了偏见。2016 年，一家顶尖的人工智能企业就发生了此类事故：该公司通过网络论坛训练了一个实验性聊天机器人，不曾想机器人学会了各种种族歧视和性别歧视的语言，惹恼了许多网络用户。可以想见，如果有偏见的人工智能处在了决策地位，那么其决策可能会导致特定人群受到不公正的待遇。 



除伦理问题之外，人工智能在社会的普及更会产生诸多法律层面的影响。如果人工智能的决策导致意外甚至犯罪，谁应当对其负责？人工智能创作的知识产权归谁所有？一旦人工智能拥有超级能力，又该用哪些措施进行监管？人工智能研发 人员有哪些法律权利与义务？要建立一个完善的法律及伦理框架，仍有许多问题尚待充分探讨。  




对地缘政治的影响 


人工智能的发展大多在开源环境下进行，充分体现了国际合作的重要性。进一步的推进人工智能的发展也需要各国合力提供更为广泛的数据、算法、资金和人才交流。然而，虽然全球经济不断数字化，全球监管方面的许多领域仍是一片空白。赶超人类智力的自动系统带来了诸多伦理及安全问题，也需要国内及国际间的共同协作来解决。 



此外，正如基于人工智能技术的自动化将造成劳动力市场分化，技术不发达的发展中国家在这一波发展浪潮中也将落于下风，国家间的‚数字鸿沟‛进一步扩大。一些国家原本期待快速增长的人口能够推动劳动力密集型经济的发展，但如果大量人力工作被机器取代，甚至可能出现新的社会动荡。 



最后，计算机模拟工具已经被广泛运用在战争推演，而人工智能将进一步提升这类模拟的精度和能力。人工智能武器化隐藏着巨大的风险。由美国海军委托撰写的一份报告声称，随着军用机器人的复杂化，人们应更多关注其自主决策能力带来的影响。史蒂芬·霍金、伊隆·马斯克及超过1000名人工智能和机器人研究员共同签署请愿信，要求禁止在战争中使用人工智能，并警告“自动化武器”可能带来可怕灾难。人工智能系统正如此前的核能及核武一样，必须通过强有力的国际公约来确保其和平使用，以保障世界各国的安全。  





3. 中国人工智能的未来之路


中国要将目前的创新转化为长期可持续的增长引擎，就必须制定一套精心策划的战略。政府可以为人工智能的发展打牢根基，并且设定激励人心的目标，以此刺激私营部门的创新和应用。人工智能的发展基石包括完善的产业、经济、社会以及外交政策框架。  




相关产业及经济政策框架 


虽说人工智能尚处于发展早期，但其发展很可能是非线性的。这就意味着完 善的产业政策必须尽快到位，否则可能出现激励不当、投资过度和供应过剩的风险， 破坏人工智能所产生的价值。市场将主导人工智能技术的开发和应用，合适的政策框架可为其构建一个健康的发展环境。  




战略重点之一 ：建立完善的数据生态系统 


海量数据是训练人工智能系统、吸引人才、加速创新的核心要素之一。中国可以通过建立并落实数据规范、向私营领域开放公共数据、鼓励跨国数据交流来构建一个更为完善的数据生态系统。 



首先，建立数据标准是进行广泛数据分享和实现系统间交互操作的重要前提条件，有助于提升物联网及人工智能技术的价值。潜在的庞大数据体量是中国的天然优势，使中国有机会在国际上更好地发挥领头羊的作用。而且，在与中文语言相 关的数据规范制定方面，中国也应起到主导作用。 
 


对于特定行业数据，政府可要求现有的监管机构制定必要规则。比如美国证券交易委员会在 2009年出台规定，要求所有上市公司使用 XBRL（可扩展商业报告语言）格式发布财报，确保所有公开数据的机器可读性。



其次，为了提升数据的多样性，政府应提高公共数据的开放程度，并带头建设行业数据库。这些举措同时能够提升公共服务质量、提供政策制定洞见，从而带来额外益处。比如纽约市政府就建立了公开数据门户网站，为市民提供经济发展、 医疗、休闲、公共服务等领域的数据。2012 年纽约市还颁布了《开放数据法案》， 要求政府部门使用机器可读取的数据并建立 API（应用程序编程接口），方便软件 研发人员直接连接政府系统并获取数据。 



最后，中国政府还需考虑国际数据流的价值。麦肯锡全球研究院的调查表明， 2014年，跨境数据流为全球经济创造了 2.8万亿美元的价值，对经济增长的贡献已 经超过实体贸易。此外，研究还指出，由于经济体需要接触全球的思想、研究、科 技、人才和最佳实践案例，数据流入和流出都能十分重要。 
 


数据是未来的货币。例如在医学研究中，如果没有全球海量临床数据的支持， 人工智能的潜力就无法得到充分挖掘。过多的桎梏将会束缚中国的人工智能企业， 导致其丧失开发具有全球竞争力产品的能力。  




战略重点之二 ：拓宽人工智能在传统行业的应用 


只有当人工智能技术在中国真正普遍的应用于传统行业，而不仅仅属于科技巨头时，其经济潜力才会充分彰显。提升各行各业的生产力水平将创造巨大的价值，但中国首先需要克服重重障碍。 



第一重障碍是很多商业领袖还没有意识到改变现有业务运作方式的紧迫性。 麦肯锡调查显示，目前在中国的传统行业中，超过 40%的公司仍未将人工智能列入战略优先项。因此，许多公司仍未开始采集未来人工智能系统所需要的数据。 例如，农业公司鲜少记录如种植时间表或是气候对产出的影响，而这些信息正是人工智能生成洞见及提升效益所需要的。与此形成对比的是，英国、美国和日本都已建立了全国信息系统采集此类数据，将先进的分析技术引入现代农业管理。 



第二重障碍是专业技术知识的缺失。如上文所述，中国需要培养更多的优秀数据科学家，特别是在一些需求紧迫的领域。而能将人工智能知识转化为商业应用创造价值的人才也同样紧缺。为了理解和应用数据，越来越多的企业决策者和中层管理者需要学习新技能。与英特尔类似，一家中国芯片制造商已经意识到，分析在制造和测试过程中的大量数据将有助于改进生产流程并降低残次率。但由于缺乏既懂半导体技术，又懂人工智能的人才，这一想法仍然没能被付诸实施。 



第三重障碍是实施成本较高。对中国企业而言，购买人工智能系统、高价聘用专业人才有时并不合算。当人工成本较低时，引入先进技术、精简人工流程的需求也并不那么迫切。 



人工智能最大的价值在于引导传统产业的彻底变革。如果政府能够帮助克服人工智能发展初期面临的这些障碍，市场将有机会充分驱动人工智能未来的发展。 



减税和补助等传统经济工具可以解决一些问题。同时，政府还应率先垂范应用人工智能系统。这将产生强有力的跟随效应，激活市场，助力服务供应商的发展， 积累技术经验和人才，最终达到降低应用成本的目的。 
 
 

此外，鼓励物联网（简称IoT）在传统行业的应用将有助于人工智能产生更多的价值。物联网通过传感器和网络实现各类设备间的联通，为人工智能提供了海量的真实世界数据。结合‚互联网+‛政策，政府可协助打造物联网在关键经济领域应用的成功案例，为其他行业树立典范。  




教育政策框架 


人才对人工智能的发展和应用至关重要。一个健康的人才结构应包括尖端的研究人员来推动人工智能基础技术的发展，开发人员以促进人工智能在现实环境中的应用，以及大量能够与人工智能系统在不同场景共事的劳动力。  



战略重点之三 ：加强人工智能专业人才储备 


中国面临着巨大的人工智能人才缺口。政府需要大力投资人工智能相关教育和研究项目；重新设计教育体系，突出创新和数字技术的重要性；制定吸引全球顶尖人才的移民政策。 



推进人工智能技术的发展，需要建立更大规模的计算机科学精英人才库。政府可出资设立人工智能项目，资助顶尖大学创建人工智能研究实验室和创新中心，以推进大学、科研机构和私营企业间的合作。在这方面，韩国政府已经迈出坚实的 一步，投资 1万亿韩元（约合 8.63亿美元）与韩国商业巨头合资建立国家级的公 私合营人工智能研究中心。加拿大政府也有类似举措：政府向蒙特利尔三所大学 的人工智能研究项目投资超过 2亿美元。



许多受访专家表示，中国必须花大力气培养更为广泛的创新文化，方可实现人工智能领域的突破。途径之一就是引入将人工智能和其他学科相结合的大学课程。 斯坦福和麻省理工等顶尖美国高等院校已经开设了计算机科学与人文学科的联合专业，旨在寻求激发创造力的新方法。此类课程能够激发人工智能在医疗、法律、金融和媒体等各领域的应用。 



投资大学项目可带来长期收益，因为人才是未来吸引国际公司的核心所在，而非传统的税收或其他财务优惠。人工智能的大型研发团队对吸引学术人才愈发重视。谷歌 DeepMind团队中有大约三分之二的成员来自如伦敦大学学院、牛津大学和蒙特利尔大学等学术机构。这一领域顶尖公司自然而然会向拥有大量人工智能人才的城市汇聚。例如，随着蒙特利尔在该领域的声名鹊起，谷歌和微软都宣布了将向当地大学人工智能研究所投资并拓宽公司在当地的业务。 



除了培养国内人才，中国也需要与全球顶尖数据科学家合作，参与到国际协作之中，包括大力引进国际专家来华工作、鼓励中国人工智能研究者出国学习全球最新的创新科技。这些要求政府放松居住和移民政策，并出台奖励和支持措施。  




战略重点之四 ：确保教育和培训体系与时俱进 ， 支持劳动力大军的再培训 


人工智能在经济和社会中的普遍应用还需要数十年，但中国现在就应为一些行业的快速颠覆做好准备。某种关键技术的突破短短几年就可以让一些职业消失。打字员、接线生、胶片洗印师及许多其他职业都随着科技进步基本退出了历史舞台。 



未来的一项长久挑战是帮助受到人工智能冲击的行业劳动力重新适应并获得新技能，这将是保障公共福利和维护社会稳定的关键。政府要及时识别哪些是最可能被自动化取代的工作，并为受到影响的劳动力提供再培训，比如与职业培训学校紧密合作，向工人提供免费教育的机会。



与此同时，政府也应着力加强数据和人工智能在各个阶层的教育。未来的政府领导必须理解人工智能才能制定明智的政策，未来的管理人员必须了解人工智能才能管理企业；未来的工人必须学会与人工智能共事才能避免被淘汰。 



中国应长期关注相关领域的教育，保证未来劳动力具备所需技能。这不仅包括建立未来数据科学家和工程师储备库，还要让多数劳动力懂得如何在各行各业使用科技。学校需要更重视科学、技术、工程和数学教育，即使是基础教育和职业培 训也需要增加数据教育的内容。 



人工智能和很多重复性工作的自动化很可能扩大数字鸿沟，因此政府对不平等问题的应对就显得尤为重要。相关举措包括确保教育机会的平等性，保证女学生、 农村和内陆地区学生在科学、技术、工程、数学和人工智能等各个方面能够获得充 分教育。  




社会及全球政策框架 
 


战略重点之五 ： 在国内及国际上建立伦理和法律共识 



人工智能的进步将在多个方面为社会带来深远的影响。在最为紧迫的伦理和法律问题上，中国不仅要在本国，更要在国际上促成共识。 



在国内，应形成一套透明和广泛的质询程序来确保公众做好迎接变革的准备。一些法律问题，比如隐私保护和自动驾驶汽车的责任认定等，将对人工智能的发展 及应用有着举足轻重的影响。全国人大需要建立起法律框架，扫清法律上的不确定性。 



待法律框架建立之后，政府就要成立监管机构负责人工智能的监督和管理。考虑到人工智能在各行各业的广泛应用，这就要求政府与各相关机构协商咨询、发挥其专长。比如，医疗领域的应用不当将造成严重后果。因此，国家卫生和计划生 育委员会必须在规则制定过程中拥有强有力的话语权。 
 


在国际方面，中国可以牵头组建国际性的监管机构以促进人工智能技术的和平、全面和可持续发展。该国际机构的目标应是监管人工智能的发展、制定标准和 确定伦理准则。 



除了监管，中国还可以在全球经济发展中起到模范作用。为保证全球数字鸿沟不会成为经济繁荣的长期阻碍，中国可与其他发展中国家分享和交流人工智能技术及管理经验，从而揭开“人工智能一带一路”新篇章。  



在未来数十年间，人工智能有可能从根本上改变人类社会。中国应充分利用这一极其重大的技术进步提高生产力以保持较快增长。更为重要的是，中国有能力， 也有机会领导人工智能在全球范围的发展和治理，确保人工智能为全人类福祉做出应有的贡献。
 
 
 
 
 
 
 
 
更多内容请关注：www.imefuture.com
 
来源： 战略前沿技术 查看全部

 浙江大学利用石墨烯制成的“碳海绵”很轻，很容易被玻璃棒上的静电吸附。

 

不久前，清华大学的研究团队发布了一项“智能石墨烯人工喉”的发明，利用多孔石墨烯材料的优势，制造出一种收发同体、适合穿戴的集成声学器件，有望在未来解决聋哑人的“说话”难题。

 

在国际上，英国剑桥大学等机构的研究人员则报告说，他们找到一种新方法来“唤醒”石墨烯的超导性，“被唤醒”后的石墨烯能够用于制造超级计算机等。

 

石墨烯，堪称当前最热的全新材料。在航空领域，人们用“难得的元素”形容轻得像空气、坚硬得像钢铁的性能完美的材料。此前，钛合金算是最接近这一品质的理想之选，而“后起之秀”石墨烯则被认为向人类梦想的“难得的元素”更近了一步。

 



什么是石墨烯

 

目前世界上最薄最轻最强的材料，硬度比最强的钢铁还要强100倍

 

和金刚石一样，石墨是碳元素的一种存在形式。不同的是，由于原子结构不同，金刚石是地球上最坚硬的东西，石墨则是最软的矿物之一，常做成石墨棒和铅笔芯。石墨烯就是从石墨材料中剥离出来的，只由一层碳原子在平面上构成。

 

可以说，石墨烯的特点之一就是薄，堪称目前世界上最薄的材料，只有一个原子那么厚，约0.3纳米，是一张A4纸厚度的十万分之一，头发丝的五十万分之一。同时，它又能导电，电子在石墨烯中的运动速度达1000千米/秒，是光速的1/300。轻薄、强韧、导电、导热……石墨烯这些特性赋予人们很多想象空间。

 

中国电科55所微波毫米波单片集成和模块电路重点实验室副主任孔月婵博士介绍说，石墨烯的硬度非常强，比现在最强的钢铁还要强100倍；石墨烯的电子运行速度也非常高，是硅的10倍，非常适合发展下一代超高频电子器件。此外，石墨烯还是传导热量的高手，比最能导热的金属银还要强10倍。

 

石墨烯的特性，也表现得很“好玩”。比如当一滴水在石墨烯表面滚动时，石墨烯能敏锐地“觉察”到细微的运动，并产生持续的电流。这种特性给科学家们提供了一种新思路来从水的流动中获取电能。

 

“石墨烯可以对单个电子进行感应，带电粒子在石墨烯表面的移动可引起石墨烯内电子的快速移动，实现传感和发电过程。”浙江大学信息电子工程学院副教授林时胜介绍说，石墨烯的这一特性在能源与电子传感方面可以有很多应用，比如在雨天可以用涂有石墨烯的雨伞来进行发电，或者可以做成灵敏的传感器件等。

 

正是这些全面的性能，让石墨烯受到了前所未有的关注，一些人甚至开始预言，石墨烯的出现将引领一场由材料进步而引发的工业革命。



 

怎样获取石墨烯

 

世界上第一次得到单层石墨烯，是靠透明胶“粘”出来的

 

人们第一次获取到石墨烯，用的是“简单粗暴”的办法。

 

石墨烯本身存在于自然界。石墨烯是一层碳原子形成的薄片，原子之间形成一个六角形的环，环环相连形成蜂窝状的平面。它一层层叠起来就是石墨，厚1毫米的石墨大约包含300万层石墨烯。铅笔在纸上轻轻划过，留下的痕迹就可能是几层到几十层石墨烯。此前，碳的这种二维结构形式一直存在于人们的猜想中，只是难以剥离出单层结构。关键的难题，就是怎样让石墨分层到极薄的薄片。

 

许多人在学生时代也都有这样的经历，当在纸上写错字的时候，就会用透明胶带，把错字粘掉。但谁也没有想到，就是这样一个简单的方法，让人们发现了神秘的石墨烯。

 

制造石墨烯，简单说就是要把石墨变薄，不能靠切，不能靠磨，而要靠粘。2004年，英国曼彻斯特大学的海姆和诺沃肖洛夫，用透明胶将一块石墨片反复粘贴与撕开，石墨片的厚度逐渐减小，最终形成了厚度只有0.335纳米的石墨烯，也就是只有一个原子厚度的石墨烯。这是世界上第一次得到单层的石墨烯，两位科学家因此获得了2010年度诺贝尔物理学奖。

 

中国电科55所微波毫米波单片集成和模块电路重点实验室高级工程师吴云博士给记者做了演示。他把一小片石墨片粘在胶带上面，然后对它进行交叠的撕拉。粘了半个小时后，胶带上面已经布满了灰色的石墨，然后再用胶带把这些石墨转移到了一块干净的硅片上。

 

吴云说，这时候看到的都不是石墨烯，因为石墨烯不仅非常薄，而且透光度达到97%以上，几乎完全透明，人的肉眼是根本看不到的，要找到它，还得通过专用技术手段。但这已经是多层的石墨片，再通过技术手段定位并确定层数，最终才能找到制作出的单层石墨烯。

 

专家说，这只是最初生产石墨烯的方法。胶带纸粘贴法演化而来的机械剥离法，只是实验室制备石墨烯的一种方法。目前，随着技术进步，高质量的石墨烯可以被更多地生产出来。

 
 


石墨烯将带来什么

 

应用石墨烯材料，手机屏幕可以轻易弯曲甚至折叠

 

石墨烯的出现，有望给我们的生活带来惊喜。手机充电可以“秒充”，手机屏幕可以轻易弯曲甚至折叠，汽车可以使用石墨烯导静电轮胎，避免摩擦起电发生爆燃……从航空航天、电子信息到节能环保，利用石墨烯的特性，很多领域很可能都会发生巨大的变化。

 

用石墨烯替代硅，可以提高电子芯片的性能。科研人员目前正把石墨烯的生产和应用引入半导体行业，石墨烯引发的技术革命很可能从我们常见的小小芯片开始。

 

电子芯片的基础材料是硅。然而，随着芯片上元器件越来越密集，最高端的芯片上，两个元器件之间的距离已经不到10个纳米，几乎到达硅材料的极限。想要继续提高性能，该怎么办？科研人员开始尝试用石墨烯部分代替硅的作用。

 

“由石墨烯制作的器件，理论上频率可以达到硅的十倍甚至上百倍，可以在雷达上应用，大幅提高雷达的分辨率。而且在通讯、成像上都有比较广泛的应用。”孔月婵介绍说，而且，当前石墨烯的研发生产设备和普通半导体器材生产设备一样，现有的技术开发都可以基于成熟的设备和工艺，为后续的工程化研制奠定了基础。

 

科研人员还在做另一件大事。他们让石墨烯附着在厚度只有50纳米的金箔上，然后用一套新的办法，把石墨烯完整地转移到柔软的塑料片上。

 

孔月婵说，石墨烯可以通过灵活的方法转移到任意科研人员希望的衬底上，比如电子器件上专用的一个塑料衬底，它具备柔性，也适合晶体管的制备过程。通过特别的石墨烯转移技术，将带有石墨烯的金箔附着在了塑料片上，以之为基础在这块塑料片上制备出具有一定功能的电子器件。最关键的是，这样的电子器件可以轻松弯曲。未来无论是可以折叠的显示屏幕，还是能够植入人体的可穿戴设备，都可能靠这样的石墨烯器件来实现。

 

石墨烯另一个被寄予厚望的应用领域是电能的储存。在天津电源研究所，这里的科研人员正在开展最先进电容器的研究。电容器与电池一样，都能用来储存电能。它的优势在于充电速度快，几分钟就能充满，而且可以重复使用几万次。但它存储的电量不如电池多，还无法通过存储足够多的电能在生活里派上大用场。

 

“这是我们已经做好的改性石墨烯配成的浆料，下一步我们就把这些浆料通过涂布机涂到铝箔上，成为我们石墨烯电容器所用的正极。”中国电科18所化学与物理电源技术国防科技重点实验室常务副主任丁飞博士说，电容材料对电容器的性能有着至关重要的影响。通过对石墨烯材料进一步改性研究，科研人员正在让电容器的储电能力一步一步向电池靠拢，而同时它拥有的超快充电速度，能够为人们的生活带来更多的便利。“我们正在做的改性石墨烯电容器，可以几分钟充满，其能量密度有望在一段时间之后，接近现有锂电池的能量密度。”

 

能量密度是指在一定空间或质量的物质中储存能量的大小，能量密度越高，就表示这种物质的储电能力越强。据丁飞介绍，目前他们所研制的改性石墨烯电容器的样品，能量密度已达到传统电容器的3倍以上。虽然还处于实验室研究阶段，但是石墨烯材料的强大能力让研发团队看到改性石墨烯电容器应用的广阔前景。

 

未来，当充电设施越来越完善时，电动汽车使用石墨烯电池，可能花两三分钟就可以把电充满。

 

中国电科55所所长、微波毫米波单片集成和模块电路重点实验室主任高涛认为，即使在实验室条件下，石墨烯的神奇性能依然没有完全释放出来。同时，技术层面还存在着不少挑战，真正大面积应用还有很长的路要走。但通过加强需求和研究的结合，不断在石墨烯材料的制备和器件研制方面取得重要突破，石墨烯这种新一代战略性新兴材料将会极大改变人们的生活。

石墨烯的“硬”是指强度高，与通常讲的硬有区别。
 
 
 
 
 
更多内容请关注：www.imefuture.com
 
 
来源：人工智能学家 查看全部

 “这简直就是台宣传机器。它一个个地拉拢公众，使他们拥护某个立场。如此程度的社会工程，我还是头一次得见。他们用情绪作为缰绳，套住人们，然后就再也不松手了。”乔纳森·奥尔布赖特（Jonathan Albright）教授说。



奥尔布赖特是美国伊隆大学的助理教授兼数据科学家。唐纳德·特朗普当选美国总统后，他开始探究假新闻网站泛滥的幕后真相。我们采访了包括奥尔布赖特在内的业内专家，包括牛津大学计算机政治宣传项目主任萨缪尔·沃利（Samuel Woolley），以及英国国王学院的媒体、传播与权力中心主任马丁·摩尔（Martin Moore）。



从中我们发现，事情不只几篇假新闻这么简单。假新闻只是一小块拼图。它与其他拼图一道，构成了一幅更大、更黑暗的图景——人工智能变成武器，被用于操控我们的意见和行为，以实现特定的政治和商业目的。



利用大数据分析、人工智能程序、机器人水军、Fecebook“暗帖”（dark post；定向投放给特定用户的帖子）和A/B对照实验，一家名为Cambrige Analytica的公司制造出了一台，无形的机器它抓住选民的不同个性，实现了舆论的大规模引导和转向。



在过去，这些技术都曾被单独运用过，可一旦集结起来，它们就成了一台坚不可摧的选民操控机器。很快，它创造的这种机器就会大行其道，变成全球各国选举中的决定性因素之一。





Cambridge Analytica首席执行官亚历山大·尼克斯在2016年的康科迪亚峰会上的演讲


去年，Cambrige Analytica仅仅是小试牛刀便创造了辉煌的战绩。在它的辅佐下，唐纳德·特朗普登上美国权力巅峰；英国脱欧运动一锤定音；泰德·克鲁兹（Ted Cruz）也曾在2016年短时崛起，一跃进入共和党初选的第一阵营。



对于这家公司，目前我们只知道它是由保守派和“另类右派”政治势力控制。这些势力也与特朗普政府有着千丝万缕的联系。



比如，美国的默瑟家族既是Cambridge Analytica的大老板之一，也是特朗普的大金主之一。史蒂夫·班农——特朗普的首席战略师、白宫国家安全理事会的成员——又是Cambridge Analytica的董事会成员。此前，Cambridge Analytica的首席技术官（CTO）还一直担任美国共和党全国代表大会的代理CTO。



眼下，Cambridge Analytica正全速挺进美国商业市场，也在与欧洲、亚洲和拉美的右翼政党和政府讨论合作事宜。



其实，拥有这个能耐的科技公司并不只有Cambridge Analytica一家，只不过目前最炙手可热的就数它了。这家公司浮出水面，代表着一个新时代的到来。今后无论你是想要在政治或商业上取得成功，就必须要理解Cambridge Analytica的那套玩法，以及理解它创造的那种AI宣传机器。在这个充斥着极化、孤立、水军和暗帖的世界中，这家公司所代表的东西，亦即武器化的AI宣传机器，已经成为政治和商业成功的新前提。



关于Cambridge Analytica本身，以及这种机器的其中某些个方面——机器人水军、假新闻、微定向——媒体的报道已经汗牛充栋。但如果聚合在一起，这些技术会变得多么强大？在未来的竞选和商业宣传中，它们的影响力会达到何种程度？对于这个层面的问题，据我们所知，目前还没有人进行过综合的考察。



在过去的竞选宣传中，人们借助新闻媒体，将文字作为武器，在纸媒、电台和电视上相互讨伐。而这种新武器所带来的，是远远更加阴暗的东西—一因人而异、自我调整、致人上瘾的宣传活动。近十年来，硅谷致力于构建的种种平台，目的就是让用户对数字内容成瘾，但还仅仅是停留在商业层面。2016年，特朗普及其盟友率先在政治层面将它用了起来。



我们步入了一个全新的时代。在未来，我们还能否实现文明的、建设性的对话，就看我们能否理解这个时代，并准确把握它的脉搏了。






欢迎进入AI变成宣传武器的新时代



第一部分：当大数据监视邂逅计算机心理学


这年头，但凡是家像模像样的公司都在收集并购买大数据，但Cambridge Analytica开发了一种模型，可将数据转化为个性档案，用于预测你的行为，并最终改变它们。这个模型是怎么开发出来的呢？



这个事情要从2013年讲起。当时还在剑桥大学心理测量学中心读博士的迈克尔·科辛斯基（Michal Kosinski）公布了一项突破性的研究。它能够将Facebook用户的“点赞”记录，与他们开发的“五大性格特质”（OCEAN；最常用的一种个性特质问卷）评分模型相匹配。



然后，他们便可以仅靠一个人在Facebook上的点赞行为，判断出此人的性别、性取向、政治倾向和个性特质。






这套模型仅凭某用户在Facebook上的十个‘赞’，它就能对一个人的个性特质作出判断，准确率超过此人同事对他的了解；凭借70个“赞”，就足以赛过其好友；150个赞赛过父母；300赞赛过另一半；再多一点，它甚至能赛过此人对自己的了解。



过了没多久，剑桥大学的另一位教授亚历山大·高根（Aleksandr Kogan）找到科辛斯基，撮合他将这套分析工具授权给SCL Elections——一家自称专业操纵选举的公司。对科辛斯基的实验室来说，这笔授权费不是一个小数目，但由于不放心该公司的意图，他最后还是回绝了。



为了开发这个模型，科辛斯基及其同事花了多年的心血，但这些方法和结果既已发布，SCL Elections要复制起来也不难了。而且，他们似乎就是这样做的。



根据英国《卫报》的调查，2014年初，就在科辛斯基拒绝邀约的几个月后，SCL转而与高根达成合作关系。高根通过众包平台Amazon Mechanical Turk，向每位参与者支付1美元，让他们做一份五大个性测试。



不过，事情没那么简单——参与者必须向高根开放所有Facebook数据的访问权。他们被告知：数据将被用于研究。很多参与测试的人可能没有意识到，他们的Facebook好友也在不知不觉中被拉进了测试，数据也被收集走了。



正是高根搜集的这些“研究数据”催生了Cambridge Analytica。它很快就从SCL Elections中分拆了出来。



最早的这批数据固然宝贵，但仅仅是个开端——对Cambridge Analytica来说，它只是种子，用来孵化自己的模型，以便日后脱离五大个性测试，直接分析用户个性。



在成功地验证这些概念后，Cambridge Analytica便开始大举收购互联网用户的年龄、购物习惯、土地所有权等各类数据，乃至他们去哪个教堂、光顾哪些店面、订阅什么杂志，通通收入囊中——这些都可以从各种数据中间商，以及兜售个人信息的第三方机构处买到。



Cambridge Analytica将这些数据与选民名册、网络公开数据——包括Facebook的点赞在内——聚合起来，一起投入个性预测模型。



Cambridge Analytica公司CEO亚历山大·尼克斯（Alexander Nix）就曾经在一次演讲中吹嘘说，凭借其个性模型，该公司足以给美国的所有成年人建立个性档案。



“Twitter和Facebook都被用来收集很多反馈数据，因为围绕某个话题，光回复、转发还不算，人们一兴奋，就把自己的论点和老底全发出来了。”奥尔布赖特解释说。




第二部分：专挑情绪下手的自动化互动脚本


收集有关选民个性的海量数据还不是Cambridge Analytica的与众不同之处，关键要看他们拿数据做什么。







“行为是受个性驱动的。你越了解个性对行为的驱动作用，就越能理解人们为何做出某一决定，以及该决定是如何做出的。”尼克斯向彭博社的萨莎·艾森伯格（Sasha Issenburg）解释说。“我们称之为行为学微定向，这可是我们的秘密武器。”







利用这些个性档案，Cambridge Analytica不仅能知道哪些选民最有可能改变立场，或改变支持对象；还能预测并改变他们未来的行为。



据Vice网站报道，科辛斯基最近正与一名同事合作开展新研究，探讨这些方法的有效性。从早期研究结果看，他们发现：在Facebook上使用个性定向，点击量最多可增加63%；由广告带来的咨询或购买等行为最多可增加1400次。



在技术和媒体生态系统中，有一些研究人员长期观察着Cambridge Analytica的政治传播活动，并发现了一个不断膨胀的自适应型在线网络，它正以政治传播领域内前所未见的规模，进行着自动化的选民操控。



“他们（特朗普竞选团队）每天投放4到5万条内容略有差异的广告，然后反复评估用户的反馈，并依据这些反馈作出调整，”国王学院的马丁·摩尔说，“这些操作都是完全不透明的，针对某个特殊的地理范围，他们爱投多少，就投多少。这个范围最小可以精确到五英里。”



传统民调机构可能会直接问你：你打算把票投给谁？但Cambridge Analytica依据的不是言语，而是行动。它跟踪人们在网络上的举动，以及表现出来的兴趣，恰如其分地呈现出差异性的广告，旨在利用每个人的个性特质，改变他们的行为。



该公司CEO尼克斯去年在一篇专栏文章中写道：“举个例子，我们的模型发现，爱荷华州存在那么一小部分选民，他们强烈认为，公民在投票站投票时，应出示身份证件。”



“我们又借助另外的数据模型，给竞选团队给出建议，教他们如何抓住这个小众议题，按照每个人的独特个性，随机应变地施加影响力，激励人们行动起来，投票给克鲁兹。有的人个性反复无常，不喜欢从一而终，对这群人，我们可以说：投票时出示一下身份证件，就跟买箱啤酒一样简单。有的人传统观念根深蒂固，我们就可以说：投票时出示身份证件，难道不是我们生活在民主国家的众多特权之一吗？”



对Cambridge Analytica而言，反馈是即时的，应对过程也是自动化的：这人是宾州的一个摇摆选民，他有没有点击关于希拉里邮件门的广告？点击了？那就显示更多的内容，强调希拉里如何失责。没有？自动脚本就换个标题试试，也许换个切入点——比如针对此人容易听信权威的特质。于是，标题就换成了：《情报部门高官一致认为：希拉里电邮门危及国家安全》。


以上很多都是靠Facebook暗帖来实现的，只有被定向投放的人才能看见。



基于用户对这些帖子的反响，Cambridge Analytica就能知道，在特朗普的政治宣传中，哪些讯息在哪个地方最能引起共鸣。特朗普竞选路线的安排也参考了这些信息。



如果在密歇根州肯特郡，你定向投放了三篇有关让就业回归美国的文章，而73%的定向选民都点击了其中一篇——那还等什么，赶紧在那儿安排一场特朗普竞选集会！不讲别的，就讲经济复苏。



希拉里的竞选团队采取了传统的民调方法，当特朗普安排在“蓝墙”州（历来倒向民主党的几个州，包括密歇根、宾夕法尼亚和威斯康辛等）举行集会时，希拉里阵营差点笑掉大牙。但根Facebook暗帖的互动情况，Cambridge Analytica察觉到其中有机可乘。



看看下图就知道，特朗普最后当上总统，关键就在于密歇根、宾夕法尼亚和威斯康辛这几个州的倒戈。






从2012年大选到2016年大选，美国各州共和党/民主党获胜比例的变化幅度



Cambridge Analytica也把暗帖部署到了民主党的关键选民群体中，用来降低这些人的投票率。“在这场大选中，暗帖被用来抑制黑人选民投票。”记者麦肯齐·芬克（McKenzie Funk）在《纽约时报》的社论中写道。


“据彭博社报道，特朗普团队向特定黑人选民投放广告，反复提及希拉里把黑人称为‘超级掠夺者’。在迈阿密的小海地社区，它则定向投放2010年海地地震内容，突出当时克林顿基金会的丑事。”


暗帖只有特定用户可见，除了Cambridge Analytica和特朗普团队，没有人能追踪这些广告的内容，自然不用受到政府部门的监管和大众的监督。只有那几百万个被定向的用户看过它们，真正是做到了阅后即焚。



在临近投票前几周，一个竞选团队可以针对最关键的那些摇摆选民发起暗帖攻势，未来大选中的“黑天鹅”就会是这样诞生。




第三部分：假新闻网络基础设施化

 
2016年美国大选结果出炉后，奥尔布赖特开始探究“假新闻问题”。作为研究的一部分，他探究了306个假新闻网站，弄清了它们的相互关系，以及它们与主流新闻生态网络的联系。他从中发现一个网络：一个由2.3万个网页和130万个超链接构成的网络。







“假新闻和极度偏激的多频道网络内的站点，”奥尔布赖特写道，“其节点规模非常之小——这意味着，它们严重依赖链接，这些链接指向主流媒体、社交网络和信息来源（大多都处在网络的‘中央’），但这些网站相互之间的链接却很少。”


这些网站并非由哪一个独立实体拥有或运营，他说，但联合起来，它们可以将搜索引擎优化（SEO）玩得游刃有余，谁只要搜索与大选相关的词组——特朗普、希拉里、犹太裔、穆斯林，堕胎、奥巴马医保——他们就可以立刻提升假新闻和偏激新闻的可见度。


“这个网络按需激活，以传播各种虚假、极度偏激且夹带政治私货的信息。”奥尔布赖特写道。


然而，更令他震惊的是，这个假新闻网络形成了一个强大的基础设施，使Cambridge Analytica这样的网站得以追踪选民，不断完善其个性定向模型。


“我把这些网站上的追踪器都找了出来，结果就震惊到无语了。每次你在Facebook上给这类帖子点一个赞或者访问类似的网页，你就被脚本盯上了。像Cambridge Analytica这种通过数据挖掘进行政治运作的公司，就可以准确定向个人，在网络上贴身跟踪着你，向你发送高度定制化的政治宣传信息。”

 
在去年的美国大选中，假新闻和偏激新闻站点组成的地下网络掀起了一股浩荡的政治宣传浪潮，而Cambridge Analytica正是其中的弄潮儿。用户点击查看的假新闻越多，它的个性互动算法就能把你缠得越紧。
 

虚假内容网站，自动化政治讯息测试，个性档案……这些技术协同作用，并迅速传播到其他数字媒介。奥尔布赖特的最近一项研究专注于这样一种人工智能：它们能围绕新闻和实事，自动创建Youtube视频。


这种AI能响应Facebook和Twitter上的热门话题，配上图像和副标题，并附上计算机生成的配音。短短几天之内，它们就通过19个不同的Youtube频道，发布了近8万则这样的视频。


考虑到这种技术的飞速发展，技术社群要做好心理准备：过不了多久，AI宣传就会进入移动聊天app，还有虚拟现实和增强现实场景，操控人们的情感。

 


第四部分：机器人水军佣兵集团

 
如果说，在这台自动化政治宣传机器的构建中，假新闻网络为它搭建了基础设施，那么机器人水军和各种虚假的社交媒体账号就充当了它的马前卒。


文章开头提到的牛津大学计算机政治宣传项目的研究主任塞缪尔·沃利，过去几年就一直在研究机器人水军在线上传播中扮演的角色——它们由谁创造、如何运作，以及要达到何种目的。


在2016年的美国大选前夕，沃利和他在牛津大学的团队发现，偏向特朗普的政治宣传严重依赖机器人水军。到大选日那天，相对于希拉里，特朗普的机器人水军存在5：1的数量优势。


“贯穿这场大选的，是机器人账号的战略性使用，其中以特朗普竞选团队最为明显。在大选辩论期间，程序员们对内容呈现的时机进行精细微调，战略性地占领亲希拉里的主题标签，大选一结束，这些账号就全都销声匿迹了。”沃利团队在研究报告中称。


至于这些机器人账号是不是Cambridge Analytica动用的，我们无从得知。沃利说：“机器人水军往往都是买来的，或是由外包出去，因为这些‘外围工人’跟竞选团队关系很远，也就不受选举委员会监管。”


在团队主要研究员菲利普·霍华德（Philip Howard）的带领下，沃利和同事们自2010年起，就开始追踪这类机器人账号的使用。这个过程中，他们接触过黑客、机器人水军制造者、政治活动者，试图了解他们，理解他们的工作和动机。到最后，这些努力变成了一个由上百名机器人账号制造者组成的线人网络，让沃利团队能及时了解这个地下世界的新动向。 


这其中就包括机器人账号被用于政治宣传运动的消息，来源正是这些账号的制造者。随着越来越多的国际政治领袖开始使用机器人水军网络，来作为他们的竞选工具之一，沃利团队开始追踪事态进展。


这些线人让我们看到这样一个世界：由政府、咨询公司（这些公司的老板或高管通常都处在政府官员最内层的人脉圈子）和个人组成的国际网络，他们构建并维护巨大的机器人水军网络，放大宣传效果，传播与对手针锋相对的讯息，谁要是对他们的服务对象构成威胁，就设法使之噤声。


这些机器人水军也分三六九等。最普通的Twitter机器人账号就完全是个自动程序——专门转发特定账号的帖子，帮助推广特定观念或观点。它们还能鉴别出使用特定关键词或主题标签的Twitter用户，自动回复其推文，文案都是预先写好的。


另一方面，比较高端的机器人水军反而由真人运作的成份更高。他们扮成个性鲜明的路人甲，针对具体内容或话题，跟其他用户展开互动，旨在改变对方的观点。在网络上，他们也有好友和关注者。Facebook或Twitter很难找出并封杀这些账号。


沃利估计，一个人独立工作，最多可同时维护400个传统的Twitter机器人账号；Facebook对虚假账号相对查得更严，所以一个人最多只能同时管理10到20个这样的账号。


因此，这些水军网络常同时服务于多个政治运动。在英国脱欧公投期间，牛津大学的团队观察发现，一个曾参与影响以巴冲突舆论的水军网络被重新激活，为脱欧阵营摇旗呐喊。那些个人页面纷纷更新，反映最新的争论焦点，个性签名也纷纷更改，与最新的效忠对象保持一致——英国就这样走上了脱欧之路。




AI宣传机器的未来


2016年的美国大选已然结束，但武器化的AI政治宣传机器只是刚刚兴起，它代表的是一个新的时代——谁能够收集更多的数据、创造出更好的个性分析手段、快速开发互动型AI，以及组织起更庞大的机器人水军，谁就能取胜。



目前，特朗普和Cambridge Analytica将对手甩出了好几条街。收集的个人数据越多，Cambridge Analytica和特朗普政府就越能从网络效应中受益。



特朗普个人账号@realDonaldTrump和美国总统官方账号@POTUS发出的每一条推文，不论是宣布还是捍卫他们采取的行动，都会迎来反对和争论的声浪。但哪怕是像这样的负面互动，对特朗普政府来说，也是宝贵的资产，因为每一条一时冲动发出的推文，都可以作为心理特质实验。



未来政治比的不是候选人，也不是财力，甚至都不是大数据。大数据谁都能获取，就连2016年败选的希拉里也不例外。



从今往后，一场大选谁胜谁负，决定性因素将是候选人如何运用这些数据，来完善其机器学习算法，以及自动化互动策略。到2018和2020年，大选所比的不再是观点，而是看谁能自动化地改变人们的行为。



谁要想推行变革，就得理解这种新的现实。只有理解这一点，以及构建更加完善的自动化互动系统，放大真实的人类激情，而不是操控它们，全球各地的其他候选人和事业才有竞争的希望。



不久的将来，这种AI宣传将如何在社会中传播开来？对此，我们采访了政治战略师、技术专家，以及机器学习专家。我们希望联手读者，针对未来可能发生的场景展开一番设想。以下列出几个潜在后果，算是抛砖引玉了。




后果1：舆情变成高频交易


拜股票交易算法所赐，很多股市和大宗商品市场中的交易都不再依靠人类来定夺。一些人认为，这样的交易系统也不再能充当价值的风向标。它们成了高频交易算法的斗法之所，这些算法试图影响价格，或在不断变动的价格中，寻找微小的获利空间。


在不久的将来，类似的情况也可能发生在商业宣传和公共辩论之中。舆论不再是官方通告和意见之争，而变成了算法之争，其部署都以左右舆情为目的。


眼下这种算法已经存在于金融市场，它们能实时分析数百万条社交网络发言和网络新闻，并基于市场情绪，在几毫秒的时间内，完成交易。算法交易和“算法舆论”已经紧密联系起来。日后，它们还会进一步整合。




后果2：专抓软肋的个性化、自动化宣传


假设2020年，特朗普在竞选连任时，并不具备最有说服力的政治讯息，但这些政治讯息变成2.5亿个算法版本，针对美国的每一个选民，同步实时更新，经过个性化定制，精准契合政治宣传对象的世界观，专攻他们性格上的薄弱点。


过不了多久，能说会道的政客就会销声匿迹，信口雌黄的政治和企业机器人水军却迎来寒武纪般的生命大爆发，它们操控人的手段也越来越高明。




后果3：困在自己的舒适区？试试困在机器人水军营造的虚拟世界里！


试想2020年，你发现自己最喜欢的社交网络意见群里其实一个真人都没有，只有几千个机器人水军，不断印证你的观点，让你以为“找到了组织”，这将是怎样一副景象？也许，你将永远身在其中而不自知。
 
 
 
 
 
更多内容请关注：www.imefuture.com
 
 
来源：人工智能学家 查看全部

美国《快公司》近日评选出2017年在人工智能/ 机器学习领域最具创新意识的10大公司，谷歌、IBM和百度均榜上有名。小编带您掘金人工智能风正起关注细分领域投资机会。




世界人工智能领域十大创新公司


虽然人工智能不太可能在短期内取代你的工作(尽管很多乌托邦电影给出了相反的结论)，但人工智能和机器学习已经帮助很多日常任务实现了自动化，并改进了效果，包括移动搜索和家庭照片的整理过程。


人工智能还孕育出一批颠覆行业的新公司，他们瞄准了从医药研究到农业种植等各个领域。电脑尚未取代人类，但它们的确很擅长处理我们的日常琐事。也正因如此，各大科技公司才竞相入局。


以下为AI世代整理的榜单内容：




1、谷歌：


评语：谷歌将一流的计算资源与智能算法结合起来，开发了无人能及的热门服务：搜索、地图、Gmail和YouTube都因为集中化的内容广受欢迎，用户也很容易在上面找到自己想要的信息。由于现在每年获得的照片超过1万亿张，所以存储和呈现照片已经成了谷歌今后的重要项目——同时也是该公司进一步吸引用户的重要渠道。


“我们认为可以通过颇具影响力的方式，围绕照片和视频部署机器智能，方便用户享受他们所创造的内容。”谷歌Photos副总裁阿尼尔·萨布哈瓦尔(Anil Sabharval)说。2015年5月推出的谷歌Photos服务可以像鞋盒子一样汇总用户存储在不同硬盘和设备上的图片。这都要得益于PhotoScan应用，这款去年11月发布的应用还可以对传统照片进行数字化。借助谷歌的图片识别和人工智能技术，该服务的Assistant功能还能把图片制作成各种特效和图册。


谷歌Photos的用户超过2亿，这凸显出该公司的创新意识和改革意愿。“人们仍然需要滚屏查看图片，”萨布哈瓦尔说，“我们希望采取更多措施，让第一页的照片变得更加智能。”




2、IBM：


评语：几十年来，IBM一直在抛弃原有的电脑硬件制作和销售业务，向更加现代化的业务方向转型，希望成为一家提供云计算和数据分析服务的公司。在2015年斥资约20亿美元收购了Weather Company的数字资产后，IBM又向这一方向迈出了一大步，获取了关于世界各地的大量天气数据。这些信息被广泛应用于航空、保险和农业领域，IBM的沃森系统可以借此对天气形态形成新的理解，给出更加精准的预测。在这种以消费者为中心的实际应用中使用沃森，可以帮助IBM获得数据公司的身份，而不再仅仅是一家电脑公司。这对该公司的业务发展同样有利：据称，每年约有价值5000亿美元的商务发展依赖天气变化。


IBM的沃森事业部位于纽约，早在2014年1月就已单独分拆。该部门的重点是基于云计算的人工智能技术，可以帮助开发者和组织将自然语言处理和认知计算等工具整合到他们自己的产品之中。自从沃森商用以来，这项技术已经应用于癌症研究(沃森负责筛选和解读数以百万的医学期刊)和零售(沃森负责帮助消费者寻找商品)等领域。截至2017年，沃森已经为4亿多人和病号提供了服务。IBM目前正在探索未来的用例，包括让沃森同时与多种技术互动，并将人工智能整合到其他应用中，包括无人驾驶和餐饮服务业。




3、百度：


评语：百度CEO李彦宏2016年公开宣称，该公司将把人工智能技术积极整合到百度旗下的所有重要业务中，包括搜索引擎以及无人驾驶等新业务。去年8月，百度、斯坦福大学和华盛顿大学发布了一项学术研究，证明语音输入比在智能手机上打字更加精准，速度甚至快出三倍。该公司的硅谷实验室专门负责为人工智能寻找新的使用方式，而该公司开发的语音识别引擎也整合到他们的搜索工具中，在中国的用户达到数亿。




4、SoundHound：


评语：虽然SoundHound最著名的是音乐识别应用，但该公司真正的创新是开发了全世界最先进、最精准的自然语言处理平台。该平台有很多应用(云计算、移动和汽车)，可以方便用户不用动手便可与很多数据域展开互动。2016年，SoundHound推出了Hound虚拟助手，与苹果Siri、亚马逊Alexa和谷歌Assistant展开竞争，目前约有2万开发者使用Houndify平台，其服务已经整合到150个域中。采用该技术的企业包括三星、英伟达、索尼、Yelp和Uber。




5、Zebra Medical Vision：


Zebra Medical Systems是一家以色列公司，他们将深度学习技术应用到放射领域。该公司已经积累了大量的医学成像训练集，另外还拥有一项分类技术，因此可以借助电脑预测各种疾病，精度甚至超过人类。2016年，该公司推出了两个新的软件算法，可以预测甚至预防心脏病等心血管疾病。




6、Prisma：


评语：由于可以将智能手机拍摄的照片和视频变成梵高、毕加索、列维坦风格的超现实主义作品，Prisma出人意料地成为2016年最热门的应用之一。该公司并没有像Instagram那样使用图片滤镜，而是利用这家俄罗斯创业公司的神经网络生成全新的作品。虽然这目前只是一款手机应用，但Prisma代表了下一代图片制作服务，也让我们得以窥见人工智能将对未来的图片和视频产生何种影响。




7、Iris AI：


评语：查找科研资料是一项费时费力的活动，对高等院校或企业研发部门的研究人员来说，往往像是大海捞针——可能需要查阅数以百万的论文才能找到相关数据，而每天还会新发表成千上万篇论文。Iris AI则使用人工智能帮助人们完成这一任务。自从发布以来，已经有4.8万人尝试过这项服务，其中13%成为了它的常规用户。企业和高校的研究表明，Iris AI的人工智能技术可以将科研资源需求量降低30%至50%。测试表明，使用Iris AI的效率远高于谷歌学术。任务越复杂，节约的时间越多。正因如此，Iris AI的所有付费工具已经接近售罄，虽然使用这款工具的高校、企业和研究机构数量不大，但却在不断增多。




8、Pinterest：


评语：为了帮助用户找到自己最喜欢的内容，Pinterest每个月都要处理1.5亿图片搜索。该公司正在逐步利用机器学习技术提供与用户之前的钉图相似的内容——所以，如果某人之前钉了一张中世纪的桌子图片，系统便会认为此人可能也喜欢同一时期的其他家具。该公司甚至希望在不久后更新移动应用，在用户用智能手机摄像头拍摄某个物体后，便可立刻为其推荐类似的东西。




9、TrademarkVision：


评语：对企业来说，独特的logo十分重要，但同时也要避免侵犯他人的注册商标。类似地，如果一家公司已经拥有较高辨识度的logo，肯定也希望在他人侵犯自己注册商标后尽快知道。但这一过程往往很麻烦。TrademarkVision的机器学习技术便可派上用场。它使用图像视频别工具来加快这一流程，尽快判断某个新logo是否可以接受，并寻找那些可能侵犯现有注册商标的logo。欧盟和澳大利亚商标局都已经采用了TrademarkVision的系统。




10、Descartes Labs：


评语：有很多公司和政府机构都希望提前几个月了解人群的食物需求量。但政府似乎并不擅长预测整个美国和整个世界的农作物产量，并为即将到来的粮食短缺做好准备。Descartes Labs可以做到这一点，他们使用机器学习来分析大量的卫星图片数据集，从而分析和预测农作物产量。


该公司与金融、保险、农业综合企业和环保行业展开了合作，而且已经盈利。之所以能够更好地预测农作物产量，是因为该公司会对3PB的数据展开持续分析——相当于6000万个装满文本的四抽屉文件柜，或者长达40年的高清视频。该公司每天还会从网上汇总10TB的新数据——相当于在书架上摆了1万多米的书。




人工智能风正起关注细分领域投资机会


由于被写入政府工作报告，人工智能在两会期间获得了非常高的关注度。科技部部长万钢也表示中国人工智能创新发展规划即将出台，同时国内外巨头在相关领域的布局案例不胜枚举，这使3月中旬人工智能概念股一度站上风口，龙头股赛为智能、科大智能、科大讯飞等纷纷异动上攻，3月累计涨幅均在15%以上。



不少机构均预计人工智能将成为贯穿全年的投资主题，并认为随着人工智能重磅催化剂持续密集出台，人工智能主题经过2017年初市场预热后，主题行情表现有望大幅超过预期，建议关注细分领域的投资机会。



龙头股预热表演“吸睛”：


两会期间，国务院总理李克强在政府工作报告中首次提及人工智能，科技部部长万钢也表示中国人工智能创新发展规划即将出台，受此刺激，人工智能龙头股纷纷异动，大放光彩。


不过，近期A股市场仍继续板块轮动的节奏。经过一番躁动之后，上周人工智能相关概念股表现相对沉寂，仅科大讯飞、视源股份和巨星科技表现较好，上周涨幅在6%~8%之间。那么，人工智能后续还有“大戏”可看吗?结合往年两会热点的经验，不少机构均预计人工智能将成为贯穿全年的投资主题。


华泰证券预计，人工智能相关产业有望持续获得国家大力支持，更多细化政策有望出台，在国家重点实验室建设、政企合作研发项目、国计民生领域应用等层面对人工智能产业化予以推动。长城证券认为，未来各级政府将加大对人工智能支持力度，加快人工智能项目培育及发展，人工智能政策红利有望持续释放。人工智能主题经过2017年初市场预热后，主题行情表现有望大幅超预期。


3月以来，人工智能龙头股的市场关注度颇高，明显得到资金的青睐，预热表演相当“吸睛”。据同花顺统计显示，3月份涨幅在10%以上的相关概念股有9只，其中赛为智能成为板块的领头羊，月度涨幅为36.45%，该股上周三股价一度达到23.98元，为2015年6月以来的新高。其次是科大智能，涨幅也在29.51%;远大智能、科大讯飞3月涨幅均超过15%。此外，巨星科技、和而泰、视源股份、巨轮智能、慈星科技、川大智胜、汉王科技等的月度涨幅也居于板块前列。


从年度表现来看，这几只龙头股的涨幅也相当可观。赛为智能2017年以来涨幅达到54.85%，而科大智能、科大讯飞的年度涨幅均在30%以上，此外川大智胜今年以来也涨超20%。



商业应用初现端倪：


根据艾瑞咨询的数据，2020年中国人工智能市场规模将达91亿元，年复合增速将超过50%，发展前景极为广阔。“2017中国IT市场年会”则预计2018年人工智能市场规模将达到381亿元，复合增长率达26.3%。据悉，随着一级市场产业投资不断升温，中国2012-2015年人工智能投资额增长近100倍，人工智能投资机构数量年增长率超过50%。


与之对应的是，近期国内巨头在相关领域相继发力，争相布局。3月13日，英特尔正式宣布，计划以每股63.54美元现金收购以色列驾驶辅助系统开发公司Mobileye，股权价值约153亿美元。安信证券对此评论，自动驾驶是潜力最大的人工智能终端芯片市场，英特尔此举是高溢价买了一张“船票”;阿里巴巴加速云计算布局，与北京市张北县签约了总投资180亿元的“阿里巴巴张北云计算数据中心项目投资合作协议”;百度计划在硅谷设立第二个研发机构，旨在获得人工智能方面的技术优势;科大智能3月15日发布公告，称拟投资建设科大智能机器人和人工智能产业基地项目，等等。
 

另一方面，人工智能的商业应用也初现端倪，例如科大讯飞智能语音识别系统、搜狗借助人工智能实现高增长等，商业应用初现端倪。可见，在资本市场上人工智能概念仍是方兴未艾，风正起时。


展博投资认为，人工智能进入分化阶段，未来应用为王。经过这几年的快速发展，可以说人工智能早就已经脱离单纯实验室和学术范畴，开始与产业更加紧密结合，实现更多具体项目和行业的落地应用。同样在风口之下必有泡沫，而未来判断人工智能最大的分化就是看其在实际应用中的效果具体有何差别。


对于后市行情能否从周期股、消费股再切换到人工智能概念股，长江证券认为，这取决于板块是否有极具进攻性的主题驱动，其重点看好人工智能细分应用中智能驾驶产业机会，主要是具备“芯片+图商+车厂+自动驾驶技术”等产业链整合能力的公司，以及智能驾驶舱等产品优先商业化量产的公司。
 
 
 
 
 
 
更多内容请关注：www.imefuture.com
 
来源：微信公众号 人工智能学家 查看全部