雷鸣：人工智能革命与机遇
转自：软件定义世界（SDX）（SDx-SoftwareDefinedx）
作者：雷鸣，百度七剑客之一、北大人工智能创新中心主任
【视频回放合集】
http://www.xuetangx.com/livecast/live_cast_rengongzhineng2019/index/
2019 年 2 月 20 日，北京大学“人工智能前沿与产业趋势”正式开课。北大人工智能创新中心主任雷鸣作为课程的发起人与主持人率先开讲。雷鸣从人工智能发展，到 AI 对生产力以及产业的影响，以及 AI 时代创造的诸多机会等方面，全面剖析了人工智能产业的发展现状。
课程导师：雷鸣，天使投资人，百度创始七剑客之一，酷我音乐创始人，北京大学信科人工智能创新中心主任，2000年获得北京大学计算机硕士学位，2005年获得斯坦福商学院MBA学位。
以下为 AI 前线独家整理的雷鸣老师课程内容全文及 PPT。
我的第一讲叫做人工智能的革命和机遇。
在我眼里，人工智能给社会带来了非常大的变化。如果再过几十年回头看，我甚至会觉得，它对社会的影响应该比互联网对整个社会的影响更加深远，我把它等价到工业革命同级的层次上，因为它们都对社会造成了极其深远的影响。
我想从：人工智能影响的深远性、人工智能浪潮为什么会发生、人工智能对产业各个方面的影响、中国公司面临的机会，以及产业面临的机会 等几个方面，做一个相对全面的介绍。
第一部分我们讲一下：AI 会深刻地改变这个社会。
首先我们还是从学术上来讲起。人工智能对很多人来说是一个老东西了，比如 Neural Network（神经网络）在很早以前就已经提出了，但是一直没有什么突破，直到最近才有些进展。很多人说这个领域并没有新奇的东西，可能就是炼丹术，或者又是一场泡沫，众说纷纭，想法和观点都很多。
当然，每个人可以有自己的观点，我希望比较全面的讲解下这部分内容。
我是从产业角度来看问题。回想互联网的发展，整个互联网的理论体系在互联网诞生之前已经建立的比较完善了，而互联网发展这么多年，相对的理论并没有什么特别大的调整，但对社会的影响却是越来越深远。所以，我们不是从纯粹的学术上去探讨问题，而是从技术的落地，以及对我们的生活、对社会影响的深刻性上去探讨这个问题。
我们先从计算机视觉讲起，这是现在发展最快的 AI 技术。
2013 年，当时还是依靠模式识别来解决视觉问题的时代。那个时候人脸识别最好的成绩全球是 96.33%，而人类对人脸识别的一般识别率是 99.1%，远没有达到人类水平。
而人工智能技术落地，我认为有两个重要的阶段。
第一个阶段，这项技术跟人相比，达到人类的水平了吗？达到人类的要求了吗？没达到，对不起，我就根本不理睬你。所以，产业看技术发展是台阶式的，而学术看学术发展是连续、渐进的。对产业来说，一项技术达不到人类要求，那就还是没用的。
以大学的录取分数线做比喻，某个学生差 0.5 分和差 50 分有区别吗？其实没区别，因为都录取不了。同样的，虽然每个人在学校学习成绩是有差别的，但是对于工作的实用性来说，是没差别的。
深度学习对于人脸识别起到了很大的提升作用，据了解已经在一些测试集上达到了 99.7% 的识别率了。我们看到人脸识别是落地非常广泛的应用，现在不论景区、门禁还是网上支付，刷脸就可以了， 为什么？就是因为它越来越准确了，它的错误率已经大幅度被压低了，它有了商业价值。
接下来我们讲一下 AlphaGo，这个是造成人工智能领域集体狂欢的一个项目。在 AlphaGo 之前，人工智能仅仅是极少数人讨论的内容，是只有研究和从事相关工作的人之间才会有的谈资和话题，平常的百姓既不懂也不感兴趣。到 AlphaGo 之后，大家都开始谈论了。
第一个阶段，我们认为技术要跟人比、要超过人类、要有用。第二个阶段，我们着重讲一下人工智能进化的速度。
AlphaGo 最早的时候是在欧洲打败了欧洲冠军，一位职业二段选手，也是个中国人；过了六个月之后，AlphaGo 跟李世石下棋，只输了一局，总比分 4：1 取得胜利。在此之后，网络上出现了一个叫做 Master 的棋手，横扫中日韩棋手，并保持 60 局不败；随后 AlphaGo 2.0 与柯洁对局，结果人类选手当然还是输了。
AlphaGo 2.0 当时的水平到什么程度呢？让三子而不败。后来聂卫平发表感慨说：AlphaGo 2.0 现在已经是是 20 段的选手了。AlphaGo 现在变成一个统一的程序，不论围棋还是象棋，用一个程序基本上全部摆平了。后来，不论是电子竞技还是德州扑克、桥牌等游戏，人工智能都可以搞得定，前不久 DeepMind 发表的一篇论文，也是 AI 在游戏里打败了人类选手。
这几个案例想告诉大家的是：AI 一旦有足够的数据，或者 AI 真的适应某个领域的话，它的演进速度是非常快的，比如围棋从二段到九段，到孤独就败，再到现在不知道到几段，很快就可以达成。历史上看，棋圣级别的高手是凤毛麟角，但是 AlphaGo 把整个围棋界颠覆了。
说了这么多，有人或许会有疑问：人工智能对社会到底有多大影响？它会下围棋，但是不懂围棋的平常人并不关心，虽然占吸引到了观众的眼球，但是对生产力真的有促进作用吗？
在此之前，我们先来看另外一件事儿。这里有一张图，叫“全球人均收入按年代的数值图”，来源于加州大学的教授 Gregory Clark，这是对于全球的经济历史做的统计。
从劳动生产力的历史来看，公元前 1000 年到公元 1800 年左右，就是在图中工业革命的箭头之前，以中国为例，秦朝和清朝真的有很大变化吗？除了穿的衣服有所变化外，房子还是那么高，结构还是那个样子，大家还是拿着铲子锄地，几乎没什么太大变化。但是，从 1801 年左右，工业革命开始到今天，变化是翻天覆地的。短短两百年的时间，一切都变了。我们今天的日常用品，我们居住的建筑、用的电子产品，都是这两百年的产物。
工业革命给人类带来了前所未有的变化，如果反映到劳动生产率上，人均的劳动生产率在过去仅仅两百年左右的时间里提升了 10 倍，要知道在之前将近三千年左右的时间里，劳动生产率几乎没有什么改变。
很多时候我们会思考，为什么会这样？我经常讲，以史为鉴，通过分析历史去了解未来，我个人认为，人类能有今天的进步，主要是人类的劳动形式发生了根本性变化。不同的劳动形式效率是不一样的，在工业革命之前，人类去改造这个世界基本都是靠体力，效率是非常低下的，而工业革命用能源加机械替代了人的体能。
工业革命之后，人类改造世界不再靠体力，而是靠技能，劳动力发生了巨大的变化。我们可以认为在农业社会的时候，务农的人占到社会总劳动力的 90% 以上，这是一个概数，不是精确化的统计，但是量级上可以这么理解。但是工业社会之后，体力劳动基本被抹掉了，今天从全球范围来看，农业占全球 GDP 的比例是 3% 左右，在美国，农业 GDP 占比百分之零点几。同时，务农人口占比也降至百分之一点几。
所以回到前面的问题：智能会改变什么？
从经验来看，我个人认为：智能依靠数据，再加上 AI 的一些算法，叫做智能化，利用智能化去替代人类的技能劳动，所有人类经过长时间培训可以做好多事情，机器能做得更好。
现代社会劳动力约有 90% 都是从事技能劳动的，不论是司机、厨师或者是服务人员，都是依靠技能进行劳动的。有人提到了医生，我个人认为不全是，这个职业可以分成两部分来看，不仅依靠技能治病救人，做科研的是医生的一部分职责。
最终我认为：随着智能革命不断的深入，会替代掉几乎所有的技能劳动，进而把人类逼到另外一个地方，叫创新。
什么叫创新？很多人觉得创新都是特别高大上，只有做教授的人才搞创新，或者做创业才是创新，但实际上创新无处不在。未来的社会的主要价值体现在创新上，创新是做这个社会不存在的东西。创新可以创新是个产品，可以是一项服务，可以是个商业模式，也可以是个作品，但是一定要注意后面这个定义，不论创新的内容是什么，一定要对社会的发展贡献价值。 它可以是提高了社会的劳动生产率，让社会节省了时间，效率提升，也可以是让人得到了一种满足，比如游戏、电影等娱乐产业。所以我认为，未来社会将走上创新之路。
我们再来看一下产业格局随着智能发展会有什么变化。
在农业时代，社会总财富里面农业财富占了 90%，虽然过去也有其他行业，但是相对于所有的农业产值来讲，都只是消耗的很小，影响很小。但是在后工业时代，比如 2011 年的数据，全球农业总产值占全球 GDP 的 2.81%，不到 3%，其他占比高的产业都是新的，主要是工业和服务业。是农业萎缩了吗？不是的，农业没有萎缩，为什么会这样呢？是因为其他的产业增长得快。因此我们按前面的趋势去类推，到智能时代时候，我们认为农业、工业和服务业，这些靠技能、靠体力的产业，到智能时代之后，也会像农业一样占比下降，而创新型产业又会成为社会的主要财富的聚集地，慢慢的占比会越来越大，最终会占到 90% 以上，都是创造性行业提供的社会价值，这个是我个人观点。
刚才我们讲了智能对整个社会以及对人类的影响，它会把我们逼着离开技术性产业。这里面插播一个有意思的小故事。
大家知道，计算机视觉在医学影像上进展还是比较快的，计算机通过对患者医疗影像的扫描，可以直接给医生一个判断，不是辅助性的，而是可以直接给出结论的。这东西导致去年美国的医学院的医学影像专业报考率骤降，因为大家很担心：学医读到博士才可以当医生，学这么多年之后，突然失业了怎么办？这件事导致了不少人很不安，从社会层面来说也反映出来：未来想靠学会一项技能，一直在一个行业里工作，就能把自己的一生过的很好的机会可能没有了，我们需要不断的思考与创新。
还是以医生这个职业为例，我认为医生不会失业，因为上面也说过：医生有两个职能，看病与研究。但看看病这个职能，如果是常见病，现在很多机器已经超过人了，并且很明确；但是在科研上，让 AI 研究出某种疾病的解决方法，从算法上来说是完全做不到的。医生会逐渐的转向科研型、研究型医生，而不是现在的看病型医生。
AI 发展三要素：算力、算法、数据
人工智能有老生常谈的三要素：数据、算法和算力。我们会从这三个方面，分别进行讲解，这三要素之间也确实有一些关联性。
第一个就是数据。人类的数据，尤其是数字化数据，大致上是以每年 50% 的速度在提升。每个人电脑上的数据、网盘里的数据都有了充足的空间，过去用内存卡可能还需要经常清理，现在大部分数据都存到云上了，空间足够使用，我们每个人的数据也是以每年 50% 的速度在增长。
我们再看一下另外一个东西——摩尔定律。
摩尔定律告诉我们：算力也是每 1-1.5 年翻一番。那么这两者之间有关系吗？可以这样理解他们之间的关系：随着数据量的提升，算力会有所提升；同样的，算力的提升，意味着可以处理更多的数据，它们之间是交织着在向前发展。有的时候是量变到质变的过程，虽然很多算法没有本质的区别，但是因为数据量能力的提升，很多之前没法解决的问题，现在变得就可以解决了。比如说爱因斯坦写出来的公式，在纸上只有几行，但是应用在原子弹的研究上，最后的爆炸效果可能是巨大的。所以算力和数据量是一个交互发展的过程。
那么算法呢？算法其实也在适应算力。很多有前瞻性的人会提出一些算法，但这些算法在当年的算力条件下还是无法解决问题，效果得不到最好的发展，只能停留在数学层面，它只能作为一个假设而存在。但是一旦它真的能解决问题的时候，研究的人会越来越多，这一领域的研究也会突然蓬勃的发展。所以算法、算力和数据三者之间也是有相关性的。
接下来我们简单说一下算法的发展历程。早些时候，大量的算法是基于经典数学的，比如决策树算法等等。因为当时的算力有限，做不出复杂模型，所以解决的问题也非常有限。
在 1989 年左右，自然语言处理领域有一套基于概率的算法出现，包括贝叶斯算法，马尔可夫过程等等。因为自然语言比较复杂，这些算法叠加起来之后，解决了一些变量数量的问题，利用条件概率的一些方法，引起了一次算法的飞跃。
最近这次算法的巨大进步我认为就是深度神经网络。神经网络在变量层面上又解决了另外一个问题，也就是函数复杂问题。什么叫函数的复杂问题？可以这么理解：一个函数做泰列展开之后，会展开很多项目，后面的项一直对函数的结果影响都很大，那这个函数就极其复杂。
我举个例子，比如围棋，一共就 361 个变量，每个位置，放一个变量，而且这个变量只能取三回：黑白和空。从变量上来说，三百多个变量并不是那么复杂，而且有取值限制，但这个函数很难解出来，我们只能无限逼近最优解，而现实世界中的问题都不是一个公式就可以搞定的，只会更加复杂。
为什么人类解决问题需要依靠经验？经验就是通过实际的情况不断的调整大脑来制作模型，之后再去拟合，才能做得越来越好。而深度学习可以理解为，它也有这个能力，给它的数据越多，它就做得越来越好。
下面这个图正好接上我刚才讲的内容。
左边这个图是吴恩达教授在一次国际会议上发表的一篇论文中的内容，他认为随着数据的增长，传统的学习算法都会有天花板。
什么叫传统学习算法？一般传统的学习算法，要么事先假设的函数的复杂性是有限的，要么变量锁死了。某种意义上来说，当它达到了上限之后，给它再多的数据也学习不了。但是深度学习展现出的学习能力，起码现在来看跟人类还是可比的，只要不断的给它添加数据，它就会学的越来越好。现在我们还没有看到尽头在哪，还可以再加数据。
所以通过数据量的增加，能够展现出深度学习的无穷能力。最近这一年自然语言处理发展的非常迅猛。以前由于算法的理解能力有限，得到的都是特别不如人意的结果，但是现在做得模型几乎是颠覆了过去的所有的方面，比如 OpenAI 近期发布的号称是最强 NLP 模型的 GPT-2。所以很多时候，技巧问题是一方面，而狂拼数据量与算法，也是可以做得非常好的。
2017 年，谷歌与 CMU 联合发布的论文讨论了模型容量的重要性，他们发现在视觉任务上，性能会随数据量级的提升而线性提升，这意味着在目前的数据基础上提高 10 倍的数据量，整体性能就能够提高约 10%，而模型可以保持不变。因此，模型容量很重要，模型要大，数据要多，这两个东西叠加起来，最后的效果就会好。
最后，我们讲一下人工智能对于未来的意义和发展。
我们观察到一个现象：硬件发展往往比软件发展的周期要长，速度要慢。虽然有时候理论上的复杂度并没有那么高，但实际上，因为硬件的投入成本比较高，尝试成本非常高，它的进展反而是缓慢的，但是最终都会走到这一步。
现在有很多领域，尤其是很多工厂已经很少使用人工生产了，都是大型的生产线，升级成为智能化生产线。目前机械臂、自动生产线等技术都在逐步往前推进，最后这些技术整合起来，会不断的把制造业、农业等产业的生产都变得自动化。
自动驾驶领域现在又有了些进展。L4 级别的自动驾驶已经可以在一些特定场景下落地，完全的自动驾驶被认为会在未来 5 到 10 年落地。在几年前，我们讲自动驾驶的时候，疑问还很多，比如撞了人怎么办？但今天，包括中国美国在内的很多国家都给了无人驾驶车的试运行许可。所以我们经常说：不用特别杞人忧天。在我的观点里，凡是对社会有用的，终将被证明是有用的。当这些东西的安全系数达到一定程度，自然就会推广开来。
医疗健康领域，现在 AI 医学影像在中国已经有至少四家，估值在 10 亿人民币以上的 AI 影象公司在推广。在美国的话，FDA 已经批准了一些 AI 设备可以直接商用。中国的相关部门也是在在论证这个问题，一些许可也正在路上，因为毕竟是一个新鲜事物，大家都比较谨慎一点。
我们认为，智能医疗的发展也是一个不可逆的趋势，并且会从医学影像开始。在过去一个月，吴恩达发了一篇论文，运用人工智能深度学习的方法去看心电图，来对患者心电图做出判定，比如说有没有房颤或者其他心脏问题，准确率是超过专业医生的。这类东西我们认为都在逐渐的变得可辩驳，实际效果是好的，剩下就是一个时间问题，虽然在一些领域走的快的，有些领域走的慢一点，但是最终我们认为，所有好的技术都会逐渐的发展落地。
另外就是智能金融方面，金融领域是一个相对重要，但是还是比较封闭的领域。从数据量来看，金融很早就进行了产业化，只要有充分的训练数据，很多模型还是可以训练出来的。这个领域有几个特别好的应用场景，其实是可以解决社会问题的，比如中小企业贷款应用场景，因为中小企业贷款量太小，调查、审核等等流程又非常麻烦，但是现在有了大数据时候就不一样了。
依靠巨大的数据优势，加上适当的算法，数据只要够大，算力只要够强，就相当于手握金矿。同时，由于金融领域在快速的迭代，一些金融分析师、信息采集整理人员可能会被智能产品替代。
家庭机器人领域也十分值得关注。最近非常热门的智能音响是个初期产品，它未来的发展路径叫做个人电子助理，衣食住行、日常消费等等都可以经过它，这也注定了无数个公司要在这块花最大的力气抢下它，竞争是非常激烈的。这类产品做到最后不仅仅是一个硬件，或者一个算法的比拼，而又是数据的较量。
我们看一下全球的情况。今天全球市值前 10 的企业有 7 家都是互联网公司，试想下，未来 20 年后，市值前 10 的企业会不会人工智能公司呢？但今天很多公司已经声称自己是人工智能公司了，但是我们强调的是，从会有很多新公司涌现。从软件时代到互联网时代，图中只有微软和苹果是超过 40 年历史的企业，剩下那些都是“小朋友”，年龄只有 20 岁左右。从另外的一个角度也可以看到，这个世界上的“百年老店”越来越少了。
AI 的发展路径我认为有这样几个要点：
低技能行业到高技能行业；高数据行业到低数据行业；经济效益高的行业到经济效益一般的行业。
可以这样理解：
从低技能行业到高技能行业，低技能行业算法简单，于是就可以尽快落地，比如停车场的车牌识别，但是为了解决更复杂的问题，就要向高复杂度的技能行业发展。
从高数据向低数据发展，金融就是个典型的行业，因为数据量大，所以 AI 发展的速度也比较快，与之相反的是缺乏数据的农业，因为大部分农民种地依靠的是经验，几乎没有数据，计算机学不出来，所以要向低数据行业发展。
从经济效益高到一般行业，以自动驾驶汽车为例，大家这么拼命这么去做？首先因为经济效益太高，你只要能够训练系统开一辆车，就可以开所有的车。在中国也就意味着能够得到交通、运输、物流三个加起来将近 20%GDP 的市场。而中国的医疗健康只占了 6% 的 GDP，与交通运输领域相比，经济效益相对较低，所以未来发展会向这类领域推进。
我们再从其他角度讲一下人工智能的实用价值。我们认为，人工智能机器学习的水平跟人相比，只有超过人类，才具备替代人类工作的能力，在 AI 接近人类水平的时候，产业价值很快就会展现出来了。
AI 能力发展要找对时间，但是还有一个特别重要的点，叫成本收益问题，为什么呢？因为一款 AI 产品即便做的比人好，但是比人贵还是不能被接受，比如说自动驾驶汽车，如果同等配置的价格比一般非自动驾驶的车辆要高出很多倍，那也不会有太多人选择。
我们认为所有智能产品都可以做到，只是成本问题，而且 人工智能的成本永远都是下降的，同等价格的算力只会越来越便宜，但是人工成本一定是升高的，因为雇佣 AI 人才的费用一定会上涨。
我们认为，AI 时代科技公司的机会还是很多的。
对于大的科技公司来说，主要是拿自己的数据，做各种各样的处理，看它的商业价值。很多人认为，小公司是不是没机会，因为小公司没数据。但实际上，从人才的角度来说，优秀的人，到一定的时候是愿意去创业的，他们成功的可能性是很大的；从数据角度来看，其实并不用比别人的数据大，比如农业、工业、医疗等等领域，大家都没数据，都是两眼一抹黑，那就可以做，比如人脸识别、医疗影像识别等等。
最后，从机器角度来看，最关键的就是钱。但是钱这个事情是最不用担心的，你只要证明能赚钱，就一定不缺投资。
传统产业还有没有机会？也有，我们认为传统产业如果有数据，还是可以去做点事情的，跟科研机构合作也好，做投资也好，都可以有所作为。但传统产业自己建立一个 AI 团队是不是合适的？我认为原则上是不合适的，因为很难留住人才，由于企业文化等各种问题，很多 AI 人才或者互联网人才到传统企业里面都待不长。因此我认为，传统企业与科技公司进行合作或者投资相对来讲是更划算的。
首先，AI 时代中国和美国是两个非常有力的势力，其他国家都不是太靠谱。
欧洲生于忧患，死于安乐。南欧四点钟以后连商店都关门了。其次，欧洲现在很多国家由于各种复杂的问题也变得比较混乱了。
一海之隔的日本在创新的进度上，明显被落下来。日本是个典型的精益求精的国家，它做微创新很好，但日本人活的比较讲规矩，在一个公司要干一辈子，都不敢跳槽，也不敢创业，我觉得不容易，寸步难行。其他国家基本可以忽略。
美国优势还是非常明显的，我列举了一些：
美国的科技积累极其深厚，人才储备世界第一，并且科技沉淀深厚。其次，它其实不是美国市场，而是全球市场，任何一个科技公司的收入，美国大部分都占一半，或者不到一半，它在全世界都很有市场。
当然，美国面临的挑战也是很大的。一是中产阶级带来的政治挑战，二是美国现在国内形式也不好。其次，美国最近在贸易等各个方面的一些动作，不像以前抱着开放的心态做生意。
中国也有这样几方面的机会。首先是广阔的市场，中国是全球最大的商业化市场，叫汉文化圈，市场越大，越支持创新；其次是技术跨越式的进步，由于中国从现金支付直接跨越到了移动支付时代，在技术的升级上也得到了飞跃式的提升；从技术追赶的角度来说，中国大学的提名提升很快，优质人才的比例也不断在提升，在论文的贡献等方面已经超过了美国；在创新能力上，中国以前比较落后，靠模仿国外的软件发展，但是最近这些年形势发生了反转，一些国外的企业开始模仿中国的技术产品；另外就是中国投资，2017 年的数据，中国的 AI 投资大概是在全球是排第一的，占到全球早期 AI 投资的 48%，美国是 38%。
最后，我觉得在未来发展，尤其是 AI 这一块，还是有很多的机会，无论是中国还是全球。https://mp.weixin.qq.com/s?__biz=MzI3MTkwMzM0Nw==&tempkey=OTk4X1V6ZkxaNUswQkJvWDhIWGhMMzdnWlUyOHNFYWM4VlJ5V2VHeVFqS2dlbUh4ZzQyNUV0MWlxbk5qUzBydjZGZXZPcEtSbWM2OFA2ZEQ5em9rNmFUclJxUHRrZDRTQVRFMW1wcWRITGhweWlBbW54MzZCRDNoWTBmalZ5WkFTTEpuLU8teGpMT041elpzcGRmVnZnYkZuUEZTTktxY2xSMjNDX3plV0F%2Bfg%3D%3D&chksm=6b3805b15c4f8ca780bb5817b633787a51d73a92beaa8a42751465b841c1686633dc9044f082#rd
我们处在一个关键的转折点，我认为，在现在这个社会变化很快的时候，选择比努力更重要，我想说的不是努力不重要，是因为跟你一样优秀的人基本上都跟你一样努力，但是选择定终身，你进了什么行业，就决定了你的未来，你只有选正确的社会发展方向才真正能做出事情来。
怎么去理解社会的发展方向？这个极其的重要，我个人认为在未来，AI 在任何产业都将产生颠覆性的影响，抓住这个大方向，就跟 20 年前，应该不顾一切的加入互联网产业中来一样，无论你是干什么的都挺好，你的能力在有机会的地方才可以得到更大的施展和释放。
这也是我们开这堂课的一个目的，希望大家能了解，或者理解这个社会在发生什么，科技怎么影响社会。希望大家不仅仅是学到一点知识，知识什么时候都可以学，我希望你能学到一些能影响你的判断、你对未来的理解、对自己的发展规划的东西，这些东西对你的人生影响相信会更大的。
第一节课就讲到这里，谢谢大家。
Q1. 当摩尔定律达到天花板之后，计算力不能再提升了，人工智能的发展将会受到什么限制？（比如无法处理无人驾驶在现实中遇到的复杂场景）那人工智能的发展趋势又会变成什么样？
这个结论到现在是不成立的，这个定律在历史上被质问过很多回，好像又到天花板了。我告诉大家几个潜在的提升：
第一，英伟达的 CEO 黄仁勋提到，GPU 作为未来算力主要提供者，在未来的 10 年不用担心增长，GPU 的复合增长是很快的，现在不是单 CPU 的时代了。
第二，现在在工业计算领域，全球有些创新企业在做，用光的特性能把计算速度再提升千倍左右，现在这个还在实验阶段，虽然光芯片还没有真正的到实用阶段，但是这个方向本身理论证明还是可行的。
第三，量子计算，它彻底颠覆了现在我们对计算的所有理解，约 50 个比特的量子的算力可以达到世界上最大的超级计算机的算力乘以 2，或许非常难理解，但是理论上就是这样。这是一个全新的领域，如果量子计算真的解决了，那人类计算的未来什么样，我们很难想象，那时候就不是摩尔定律会打破的问题，或许有个新的定律冒出，计算几乎是跟水和空气一样，随便用。
Q2. 神经科学领域认为目前的人工智能没有实现真正意义上的 “智能”，而更多的是人工，人工智能近几年内有望实现真正的智能吗？
一般来讲，人工智能分为两个概念，强人工智能与弱人工智能。
比如在一个狭窄的垂直领域内只做一件事情，比如只会聊天不会下棋，或者只会下棋不会开车，缺乏泛化能力，这叫弱人工智能。强人工智能是指，这个程序跟人一样，什么都能学，什么都学的会。
我认为中间会加一层，就是在由弱到强的过程中的过渡，叫做常识人工智能。原来我认为常识人工智能可能需要 10 年左右，但现在来看，或许有可能提前，非常值得期待。
Q3. 创业要有什么准备？时间应该花在什么地方？到底应该准备什么？
我的想法是：
如果你不打算出国深造，学习这一块不一定要真的是自己什么都会，不求甚解是可以的，真正创业的话，不需要自己码代码，自己做算法，但是你没有这些基础知识，你在做决策的时候，会出巨大的问题。在学习掌握上，你要知道这个东西能干吗，但不一定自己能做什么。
至于时间应该花在什么地方？到底应该准备什么？我个人认为，有几个点：
第一，多关注一些创业动态，尝试理解创业前沿的趋势。所有的东西都是有时间窗口的，比如 BAT 三家公司的创始时间分别是 1998、1999、2000；苹果和微软这两家巨无霸大公司的创始时间分别是 1975 年、1976 年。这个社会真的是有窗口的，你得去理解这个事，你也可以去蒙，也可以去分析。
要去理解某个技术对一个产业本身是不是根本地解决了一些问题，它的能力到底能解决什么东西，有没有实际用途，而不是什么火了就去盲目地做什么，要根据社会的发展，根据大家对社会的观察理解，学习一些东西。
还有最后一件事情，多结交一些非本系的好朋友。中国创业，最难找的就是合伙人，找自己的同宿舍很好，但是你们太像了，找不同的好朋友挺好的。但是最忌讳的是，因为商业走到一起，你是做市场的，我是做技术的，咱们俩一起干，结果这个东西大部分是不欢而散，公司也弄得很惨，也不是说没有成功的，但是相对比较困难。
因为中国没有职业经理人的这个概念，创始人本身对企业能力是非常强的，这中间会产生很多的矛盾。这个矛盾有一个坚实的信任基础就好解决，没有的话，最后公司会变得非常难受，因为创始人矛盾导致公司分崩离析的案例太多了。大学的时候多交几个好朋友，尤其是非本系本学院的，这样对你有好处。
| 一网打尽系列文章，请公号内回复以下关键词查看： |
|---|
| 创新发展：习近平 | 创新中国 | 创新创业 | 科技体制改革 | 科技创新政策 | 协同创新 | 科研管理 | 成果转化 | 新科技革命 | 基础研究 | 产学研 | 供给侧 |
| 热点专题：军民融合 | 民参军 | 工业4.0 | 商业航天 | 智库 | 国家重点研发计划 | 基金 | 装备采办 | 博士 | 摩尔定律 | 诺贝尔奖 | 国家实验室 | 国防工业 | 十三五 | 创新教育 | 军工百强 | 试验鉴定 | 影响因子 | 双一流 | 净评估 | 大学排名 |
| 预见未来：预见2016 |预见2020 | 预见2025 | 预见2030 | 预见2035 | 预见2045 | 预见2050 |
| 前沿科技：颠覆性技术 | 生物 | 仿生 | 脑科学 | 精准医学 | 基因 | 基因编辑 | 虚拟现实 | 增强现实 | 纳米 | 人工智能 | 机器人 | 3D打印 | 4D打印 | 太赫兹 | 云计算 | 物联网 | 互联网+ | 大数据 | 石墨烯 | 能源 | 电池 | 量子 | 超材料 | 超级计算机 | 卫星 | 北斗 | 智能制造 | 不依赖GPS导航 | 通信 | 5G | MIT技术评论 | 航空发动机 | 可穿戴 | 氮化镓 | 隐身 | 半导体 | 脑机接口 | 传感器 |
| 先进武器：中国武器 | 无人机 | 轰炸机 | 预警机 | 运输机 | 直升机 | 战斗机 | 六代机 | 网络武器 | 激光武器 | 电磁炮 | 高超声速武器 | 反无人机 | 防空反导 | 潜航器 |
| 未来战争：未来战争 | 抵消战略 | 水下战 | 网络空间战 | 分布式杀伤 | 无人机蜂群 | 太空战 | 反卫星 | 卫星 | 混合战争 |
| 领先国家：美国 | 俄罗斯 | 英国 | 德国 | 法国 | 日本 | 以色列 | 印度 |
| 前沿机构：战略能力办公室 | DARPA | 快响小组 | Gartner | 硅谷 | 谷歌 | 华为 | 阿里 | 俄先期研究基金会 | 军工百强 |
| 前沿人物：钱学森 | 马斯克 | 凯文凯利 | 任正非 | 马云 | 奥巴马 | 特朗普 |
| 专家专栏：黄志澄 | 许得君 | 施一公 | 王喜文 | 贺飞 | 李萍 | 刘锋 | 王煜全 | 易本胜 | 李德毅 | 游光荣 | 刘亚威 | 赵文银 | 廖孟豪 | 谭铁牛 | 于川信 | 邬贺铨 |
| 全文收录：2018文章全收录 | 2017文章全收录 | 2016文章全收录 | 2015文章全收录 | 2014文章全收录 |
| 其他主题系列陆续整理中，敬请期待…… |