王小川湖畔大学演讲：如何衔接人工智能技术-产品-业务-价值链条？

---

内容来源：湖畔大学出品，喜马拉雅FM播出的《湖畔三板斧》音频节目。笔记侠作为独家笔记合作伙伴，经授权整理笔记版。本文转载自笔记侠。

今日侠客 | 王晴  责编 | Even

ID：Notesman

关于人工智能，我相信大家已经接触了很多内容，包括技术、商业模式等等，但是听到的内容和实际操作之间还有很大的差距。今天主要想和大家分享我在“如何衔接技术-产品-业务”方面的思考。

一、“判断”最具商业价值

我将人工智能分为三类：

1.识别

在视觉上，基于相对活动物体的识别已经发展到一定水平。识别的核心“人脸识别”和“语音识别”也具有很大的突破。因此，原来，人所具有的感性体验现在也能够被机器所掌握。

2.判断

能够协助人们进行选择或者判断。比如阿尔法狗就是在帮助人们为棋子选取一个更好的位置。判断被越来越多地应用到实际工作生活和领域，比如：广告。未来在基金方面也有可能由机器自主进行决策购买行为。

3.创造

在学术界里面研究较多的就是创造类，比如：帮助人类合成一段文字或者语音等。谷歌发布的WaveNet就是基于语音网络使用生成算法制作而成的，相对于以前的拼接法、参数法，在声音质量上更具优势。以前方法集中虽多，但性能慢，每合成一秒的音频需要用时几分钟之多。

到目前为止，创造本身仍停留在学术阶段，当然如果有人能够控制无人驾驶领域就另当别论了。但是即便拥有无人驾驶技术，技术本身仍然不具商业价值，因为目的地是由用户指定的，商业利益弱。

费曼曾说过“凡是我们不能创造的，就是我们不能理解的”，比如：除了生孩子以外的方法我们不能创造生命。虽然创造在商业上并没有直接的用处，但是有助于我们对基础的理解。

我认为在这三个领域里，识别和创造的商业前景并不大，最具商业价值的是判断，即帮助人们进行选择或者决策。

事实上，输入法作为搜狗最大的产品并没有达到它应具有的商业价值，因为输入法作为一个工具，用户所表达的和他所需要的内容是完全一致的。比如输入“A”绝对不能显示“B”，所以输入法没有丝毫空间可以做更多的增值。

当用户对一个产品具有充分选择权，这个产品就无法体现出判断的增值。这也是搜狗基于如此之大的用户规模，在输入法方面却没有获得商业回报的原因。

与输入法不同的是——搜索引擎，它可以利用与搜索相关的推荐优势，帮助人们进行决策判断，在推荐的同时，就能够带来商业选择的价值。

二、人工智能发展的三个阶段

1.教规则

将规则教给机器，让其进行判断，这是依赖于人们的经验的最初级的人工智能产品。

电饭锅就是其中典型的例子，在其内部有一个测试温度的传感器，可以监控内部温度，如果温度达到103度，就停止加热。

最初的人脸识别技术，虽然技术实现方面更加复杂，但是原理是一样的，就是告诉机器该从哪几个特征来进行判断。如何理解眼睛的距离、鼻子的高度，如何选取这些特征是传统人工智能的做法。

传统人工智能最大的瓶颈在于，不仅要懂规则，还要能够准确描述规则。比如：人脸识别技术，我们看到一个人就能够立刻知道他是谁，但是对于机器来讲，就需要工程师将这个识别技巧写成语言告知它。

但是，这一点，相对来说，就不那么容易了，因为很难用机器能懂的语言描述一个人的长相。我们把这些说不清楚的规则叫做感性：即使我知道怎么回事，但是无法用语言描述出来。

2.原始数据

在2012年，图像识别技术有了重大突破，机器的识别能力超越了人类。其基础原理在于，图像识别不再需要描述，而是输入大量原始点阵数据，当机器存储的数据量足够大，计算能力足够强的时候，就能够学会有效识别。

举个例子，阿尔法狗就是存储了将近3000万个棋局，将每一个棋局的原始点阵数据输入进去，告诉机器人下棋的棋路和落子方法。当3000万个棋局全部输入进去以后，机器就开始学会了下围棋。

中国围棋队总教练余斌，号称在围棋界里面最会写程序的人。他认为让机器下围棋最大的难点在于机器没有大局观，但事实证明机器在大局观方面比人做的更好，因为机器存储的是整个棋盘的点阵图，而人还要琢磨某一个局部。

这个阶段突破的意义在于，计算机工程人员有机会进入更多的行业领域进行合作。

比如：医疗领域，以前做心电图分析需要技术人员能够像医生一样懂行，到底什么样的心电图代表一个人的心脏有问题，是一种经验技巧，仅停留在医生心中，工程师要掌握这方面的知识就有些难度。

但是现在如果数据量足够多，工程师就不必费力去进行规则表达描述，只要告诉机器这样的心电图是生病的心脏，那样的心电图是健康的心脏，机器就有机会学会对心电图的识别判断。

这就是大数据下，强大的计算能力和精准的算法在日常工作和生活中的突破。以前需要依靠经验才能够解决的问题，现在通过数据和技术人员就能够实现，阿尔法狗最大的启发就是不用找规则，直接给出答案即可。

3.强化学习

有的时候我们既不知道如何向机器表达规则，也不能找出一个准确的答案，但是我们有能力去判断，机器执行后的结果是离目标更近了，还是更远了。这就是强化学习的基本意义。

一个复杂性颇高的问题，很难找出正确的答案，但是验证答案是否正确十分简单。就像几何里的定理一样，证明定理很难，但是如果别人证明以后，判断是否正确就很简单。

在这种情况下，给机器的答案就进化成了给机器一个目标。与围棋类似，阿尔法狗既拥有3000万个棋局作为基础，也有人为判定输赢帮助它继续学习。学习到一定程度以后，就可以安排两个机器对弈，目标就是赢取比赛，过程无论好坏，只要告诉机器棋局结果就可以了。

机器根据比赛结果，自行复盘总结的这种算法称作强化学习。

这是基于我个人视角进行的分类，在行业里面可能会看到不同的分类方法。我这个视角的优势在于最容易理解技术的进步路线图，最容易分析怎样的职业容易被取代。

对于普通员工来讲，他们最担心的问题是科技发展到什么程度，自己就失业了。而对于企业家来讲，他们更关心的是如何将人工智能嵌入自己公司业务的发展。

如果所输入的信息是封闭、有边界、可以结构化的，且包含做决策所需的所有信息，目标也是确定的，那么这样的判断能力就可以被机器所取代。

在计算机数据里面有一个基本准则，机器完全可以胜任，输入可以被表达，输出目标稳定且可评测的工作。除了下围棋以外，还有类似审计和数字相关的工作其实都可以被机器取代。

难以被取代的职业有画家、作家、科研人员等，就是那种创造性大、输入的问题相对开放的职业。

即便机器可以进行绘画，但仍然不能取代画家，因为机器不能真正理解“画”，“画”里面融合了画家个人的人生经历和阅历，作品里带有好的人生体验。因此，机器不能创造“画”，只能作为一种噱头供人观看。

过去人们总认为，人工智能会取代蓝领工人的工作，精英人士无所畏惧。但我觉得不一定，比如服务员、幼儿园老师等等面对极其不确定的、开放环境的工作者，是很难被取代的。这些工作并不需要具有高深的知识，而是在与他人的交互中处于完全开放的环境，任务也是开放的。

因此，不要认为蓝领的工作容易被取代，而白领、金领的工作容易被保住。只要不带有创造性的工作，就会有被智能取代的风险。

三、人工智能仍有诸多未突破的领域

直到今天，人工智能领域依然有很多瓶颈没有被突破。

与阿尔法狗的对局以4:1结束的结局虽然很美妙，但如果阿尔法狗连赢五局，这会让人们对人工智能产生恐惧。如果机器完胜人类，就会让人类找不到自己的生存空间。

其实，机器只要赢一局就是一种胜利，企业也会把它当做英雄，老百姓更是亲昵的称“阿尔法狗”为“狗狗”。这就代表着，阿尔法狗作为机器已经被放在了和人相对平等的位置上，很多下围棋的棋友更是称呼“阿尔法狗”为“阿老师”，这彻底地将机器拟人化了。

我在6月份的时候去DeepMap（硅谷自动驾驶领域的技术公司，2016年才刚刚成立，专注于高精度地图解决方案的研发）参观访问，与开发人员进行讨论。

为什么阿尔法狗会输这一局？当时在现场下棋的时候，机器走着走着就开始变得毫无章法了。对于这一点，程序员也很抓狂，比赛完的当天就回去复盘了，但是结果显示程序并没有bug，没有bug就意味着代码不能改进，问题也就不能得到解决，只能想尽各种办法去找漏洞。

我去的时候，比赛已经过去3个月了，但是这个问题仍然没有解决，因为程序员也不知道问题究竟出在哪里了。

阿尔法狗所采用的神经元网络是一个高维叠加的空间，从数据输入到结果输出，计算的复杂程度之高难以想象。比如：我们现在看到的是一个三维空间，但是再增加维度，四维就没有那么直观了，而五维就彻底混乱了。

在深度学习网络中，空间是几百维甚至上千维，那么人用肉眼就没有办法去梳理究竟是哪些数据出了差错。

人工智能的妙处就在于可以解决高维复杂的问题，但难点在于出问题以后，程序员根本无从查起。

所以与之相对应的另一个学派，贝叶斯学派认为，程序一定要能够看到参数的运算过程，即如何得到的运算结果。贝叶斯学派一直对深度学习表达担忧，认为深度学习理论体系没有严格的数学证明，而是仅靠梯度进行不断尝试，所得结果的稳定性不受掌控，风险大。

以前我认为这种思想是吃不到葡萄还说葡萄酸，你自己做不到还要贬低能做到的人。然而这件事情真的证实了深度学习理论框架确实存在风险，这个系统的正确率能够达到90%-95%，但是对于从未尝试的某些数据处理，人为根本无法掌控，没有原有的算法稳定性强。

我离开后一周，DeepMap的程序员将程序进行了修改，重新调整了网络连接参数，使得阿尔法狗一旦面对之前失败的棋局会选择正确的位置，但是这并不代表不会出其他的问题。因为这不是bug，如果换另外一个棋局，可能依然会出现严重的漏洞。

四、无人驾驶技术尚不成熟

其实就好比给墙上漆，如果有的地方有遗漏的点，可以多刷几下补漏。阿尔法狗的这个点被补刷上了，但是这堵墙上究竟还有多少没有刷上的点就不得而知了。

因此，深度学习理论是高度不稳定的系统，将这个问题引申到无人驾驶领域，如果不考虑商业问题，利用大数据模式，让无人驾驶能够在开放环境里自由上路的技术还是不成熟的。

在汽车工业界，将无人驾驶分为L1-L4四级。L4为最高级，即在任何环境都能够实现无人驾驶；L3是在封闭环境下可以实现无人驾驶，比如高速公路中间不会有人突然穿越，没有不可预计的障碍物。

我与DeepMap程序员进行交流的时候，得到的结论是：传统算法无法实现无人驾驶技术，实现无人驾驶技术只能依靠深度学习理论。

就目前情况来看，深度学习理论的数据量越大，得到的结果越准确。但是人为无法判断“墙上漏刷的点” 在哪里，这个“漏刷的点”可能会带来非常严重的后果。比如突然从路边冲出来一个人或者一只动物，就很可能会发生加速冲撞事件。

所以到目前为止，在开放环境里面仍然无法彻底实现无人驾驶，或者说让人不能放心。有可能使用无人驾驶技术很长时间都很顺利，但是突然间出现了事故，就会像阿尔法狗输的那局棋一样。

对于遇到类似情况如何弥补，能否杜绝此类现象不再发生，厂商也显得无能为力。如果这件事情不能得到有效彻底的解决，就可能会出现严重的事故。所以我认为，无人驾驶仅作为辅助驾驶还是相对安全的，开车上路仍然需要司机。

五、人工智能是否会再一次退潮

在学术界有一个大讨论，主题是人工智能是否会再一次退潮？

之所以是“再一次”，是因为人工智能已经退潮过很多次了，只不过没有引起大家的关注而已。

每一次新科技出现“涨潮”，都会引起学术界的欢呼，大伙儿认为会有重大的突破，然而过了几年却根本无法实现，就会引发“退潮”，这样的“涨退”已经发生过三次了。以阿尔法狗为代表的胜利，让人们认为人工智能很厉害。

我认为不会退潮的原因是：虽然人工智能没有突破到永久高，但是已经第一次能够跟工业界大范围结合，解决一些复杂性的问题了。能够投入使用，是与前三次比较而言最本质的区别，也是不会退潮的根本原因。

另外，因为有资本家看到了商业价值，所以会有资金源源不断地流入，有了资本的驱动，人工智能才会不断进步。

我希望这波人工智能浪潮能够持续涨潮，因为已经可以预见到未来的实用性，但是仍然有很多的坑值得注意和警惕。

六、人是否会被机器所取代

总有人问：人会不会被机器所取代？

我认为这个问题的提问者既自大又自卑。人体的构造实际上非常复杂，是难以通过机器进行创造的。凯文·凯利的《失控》里面有一句话：一架波音飞机和一根黄瓜究竟谁更复杂？

对于这个问题，我认为黄瓜比飞机还复杂，因为黄瓜的细胞结构里面的运转很难。科学家在尝试创造最小的生命的时候，是剪掉现有细菌的DNA，剪掉以后去观察细菌是否还活着，如果可以进行新陈代谢和繁殖，就仍然认为它是个生命。

到今年为止，这个细菌被剪到还剩200个基因，仍然存活。这代表人类制造生命的最高水平，但这条生命是在现有生命体的基础上得到的，而不是创造的。人类目前还没有能力去创造一条生命。因此，到目前为止，生命还是来源于生命本身。

人类对于生命的理解还停留在非常浅显的阶段，这200个基因里面只有60%是被明确作用的，而剩下的40%仍然不知道存在的作用，可是没有这40%，生命就不能继续繁衍。所以，要了解，生命是特别艰难的，机器到目前为止仍然不能取代人类，人类不要盲目“自卑”。

在我心中，未来会出现一个人机结合的局面，这才是未来世界的本源。

以前，人是自我进化的，这个进化是跟环境对抗而言的。比如冷，就会长脂肪、长肌肉；奔跑，让自己更加健壮。现在冷了，要穿衣服、开暖气；走不动了，就可以开车、坐电梯。

所以，现在人的进化是跟机器同步的，甚至依赖于技术的进步。原来我总在思考一个问题，人在科技面前，是变得更强大了还是更弱小了。我得出的基本结论是如果人和机器是一种协同关系，把科技当做工具，比如：使用搜索引擎、淘宝等等，人几乎无所不能。一旦离开了科技以后，人其实变得更加脆弱了。

因此，我们必须拥抱科技进步，这是不可阻挡的趋势。

技术在进化，技术和我们共同合成了地球的一部分，所以体内进化一段时间以后，又开启了智能设备，然后又走向了体内技术的侵入。

有一本书内容很浅显，叫《科技想要什么》，讲人和机器之间的互动关系。对人们理解人和技术之间的进化会有帮助，不是理解商业问题，而是理解人生存在地球上的价值。

人工智能实现以后，人类最后的阵地也会有一部分失守。过去人认为断腿没有关系，机器可以代替腿的功能，由大脑控制就可以了，大脑是人最宝贵的。但是现在，人脑可以进行的活动，机器也能够替代一部分了。就比如阿尔法狗使得下围棋的棋手非常痛苦，认为自己的大脑被机器取代了。

但其实，人早晚会进化成一种人工智能的物种，或者人和机器进行合体，不只是身体的替代。因此也会慢慢出现人和机器的连接、“脑机接口”等。

以上是我关于人工智能的一些感悟，我不是科班出身，也许会有错的地方，仅作为我个人的想法与大家分享。

谢谢大家！

王小川演讲完整内容，扫描下图二维码，到喜马拉雅亲耳倾听。

---

更多独家观察和原创文章，造奇新媒体，为您奉献真知灼见。详见：截止2017年7月7日的历史[分类]文章链接

【工业大数据系列专题文章】

重磅 |《工业大数据技术与应用白皮书》全文下载，附工信部安筱鹏序言

---

     

               【造奇智能产业新媒体】      

国内第一家正式成立并开展运营的智能制造产业新媒体机构，聚焦工业4.0与智能制造时代的价值创造，以“深度影响智能制造进程，守望智能制造产业成长”为使命，联接产业企业、大学、研究机构、政府、资本等产业核心力量，通过创新和融合力量，提供深度观察、行业洞见、丰富资讯于一体的原创型、产业新媒体平台。