人工智能的發展方向和機遇
近年來，人工智能是熱門的，幾乎每個人都在討論人工智能相關的話題，同時，在各個領域也有許多突破。 筆者梳理了當前人工智能的發展現狀，并分享了自己對人工智能未來的一些猜測和看法。
人工智能的發展方向和機遇
現在人工智能有很多突破，特別是在應用方面有大量突破，但實際上，人工智能技術的底層研究進展并不多。 最新的發展之一是發展一個公司的深層頭腦。 一段時間前，阿爾法·戈，打敗了李·深·明德研究了一個系統，它打敗了人類德克薩斯人。
玩過德州撲克的朋友可以感覺到，德州撲克比玩圍棋要復雜得多。因為圍棋里所有的信息都是全信息，是知道的；而德州撲克，你對面的玩家肯定不會讓你知道他手里的牌，所以是信息不足。 為了克服人類玩家沒有足夠的信息，在某種程度上，人工智能又邁出了一步。
但這種進步只是弱人工智能。 正如前哨所說：弱人工智能比人類強，強人工智能比人類弱。 到目前為止，在強大的人工智能方面還沒有進展。
去年美國計算機專家和圖靈獎得主朱迪亞·珀爾(Judea Pearl)在一本新書中提到了人工智能專家一個有趣甚至有些尷尬的事實：“人工智能在結構上或理論上并沒有對系統進行評估，例如，你的結構更好，或者你的理論更好，但只有結果。” 人工智能是一門科學嗎？ 答案令人懷疑。 所以珀爾說，“人造的情報現在已經成為煉丹術。 “
因此，現階段人工智能最大的瓶頸是理論和實踐底層技術的發展。
這是我讀“為什么”時筆記的地圖，強烈建議對人工智能感興趣的朋友讀原著。
人工智能的發展方向和機遇
雖然面臨理論和底層發展的瓶頸，但人工智能畢竟取得了進步。 根據王玉權老師2019年的報告，結合作者對人工智能領域的認識，可以概括為以下三個發展方向。
在過去，機器學習曾經用海量數據訓練，但現在希望用盡可能少的數據訓練。
但人工智能一定不能滿足于此，人類可以推理，可以判斷沒有數據的事情如何做，小數據不能真正模擬人類的判斷。
我們可以想象這樣的場景：在一個雨天的夜晚，你在一條崎嶇的山路上開車，前面的路中間有一堆土，有一個看似穿著警服的在土邊揮手，揮舞著旗子讓你失望，你還是不？ 如果你不這樣做，你幾乎不能沖過去，但如果你下來，按照指示。 這個時候，我們普通人會有一個很復雜的推導，比如鄰里安全好嗎？ 晚上天黑的時候，附近有問題嗎？ 再說，我們會去見這個警察。 他穿的是真警服嗎？ 周邊交通導流是否安裝？ 如果只有一個人站在那里沒有相應的交通導流裝置，很多人會認為這是錯誤的，會想辦法沖過去。
所有這些復雜的判斷不僅僅是一種鋪墊和涉及社保，以及其他許多與交通無關的問題。 這些問題到目前為止還不可能通過自動駕駛儀來判斷。
這就是為什么5級自動駕駛儀幾乎無法在商業上使用。 除非人工智能的下一個突破來了，否則人工智能真的有能力分析智能。 雖然人工智能的一個方向是小數據，但它仍然不是數據，它仍然是基于統計，而不是推理和因果關系，這就是“為什么質疑人工智能”一書的地方。
作者不是技術背景，對計算能力概念的理解有限。
從計算能力的角度來看，一方面要有足夠的計算能力；另一方面，5G的到來使我們的云計算能力也加強。并且由于響應速度的提高，云計算能力可以更好地補充局部和邊緣計算能力，使云和終端形成集成的人工智能計算能力。
這實際上是對整體的補充，而不是革命性的變化。
現在機器也可以終身學習。
一旦機器具備了終身學習的能力，就會使我們整個人或企業，特別是在行業中，采用人工智能的策略來產生本質的變化。 如果機器不能終身學習，我們不必擔心引入人工智能，直到人工智能系統足夠好。 但如果機器能終身學習，最好的策略是首先引入人工智能，因為雖然它在引入時可能不那么智能，但它會學習和提高自己，這將是一個較晚的競爭對手的大領先，這甚至與硬件無關。
所以，每個行業都需要看看人工智能能否更快更好地引入自己的行業。 因為人工智能真的很像互聯網，很多人說人工智能是互聯網的下一代，因為它具有廣泛的適用性，所有行業都有可能從人工智能中受益。
人工智能的采用仍然存在一些障礙，特別是對于不在該行業的公司。 一些傳統公司通常認為，建立一個人工智能部門，招募很多人來做人工智能，就是在做人工智能。 但到目前為止，人工智能專家仍然缺乏，在未來五年內可能不會稀缺，但它們仍然稀缺。
稀缺性的一個主要特征是，許多大型IT公司都在大聲疾呼：現在隨著我們搶奪人工智能人才，主要競爭對手是華爾街。 為什么？因為當人工智能技術基本達到頂峰時，你可以判斷它在單個項目中具有很強的優勢。 這一單一優勢將被各行各業所采用，最早的使用必須是利用這一優勢大量收入和利潤的行業，金融無疑是最理想的行業，所以利用人工智能炒股幾乎成為華爾街的標準。
雖然沒有多少獨立的人工智能基金公司，但事實上，大多數基金公司都儲備人工智能人才。 判斷短期的跌宕起伏，用人工智能做短期的操作肯定比人強，這已經是事實了。 當然，這并不意味著沒有機會，因為現在人工智能比人更好，但多個集成商有著顯著的優勢。
因為這些判斷都是非常全面的東西，涉及到科研發展的趨勢，包括研究開發的進展，技術能力的變化，包括產業格局的變化，甚至業務特征的變化，也包括市場的接受，用戶的變化。
從這個意義上說，人工智能的判斷相對不清楚。 換句話說，你問人工智能明天能不能買到股票，它的答案肯定比問一個人好，但你問一個公司五年后發展良好，你最好問人類專家。這表明，人們仍然有機會，不是為了單個項目的長度而與人工智能競爭，而是在綜合方面獲得優勢，甚至每個具有人工智能的個體都可以幫助我們，但總的來說我們可以超越人工智能。
因為人工智能可以給企業帶來很多錢，所以華爾街現在很受人工智能專家的歡迎，所以現在很多IT公司都把華爾街當作競爭對手。 這種競爭不是指市場競爭，而是指人才競爭。 然后，在大多數情況下，人工智能專家不愿意去傳統行業，因為傳統行業往往有一個長的研發周期，它不像短期炒股，研發周期很短，見效很快。
現在中國的人工智能有一個大問題，是過熱后出現了一些人工智能獨角獸。
壓力表現在兩個方面：
一方面，必須繼續從市場上吸引人才。 因為它是獨角獸，所以它給出的期權價值特別高。 雖然這個選項顯示很高，但并不意味著員工真的得到了這個值。 但是市場認可這種價值，所以會對人才形成強烈的吸引力，導致很多人工智能的人愿意去獨角獸，因為有高薪和高選擇，而不是去傳統行業。 傳統行業的薪酬沒有那么高，而研發需要另一個周期，不能馬上看到效果，回報產生了差異，因此大多數人都會選擇去獨角獸企業。
因為人工智能在去年，前年在這樣一個話題上，今年甚至會繼續喊，也就是說，所謂的人工智能叫好與否。 雖然人工智能很熱，各種新的應用層出不窮，但你看看人工智能企業，似乎他們的收入和利潤增長并不那么令人滿意。
該層面主要涉及人工智能相關硬件企業。 坦率地說，這些企業在未來還是很難預測的，公司在這個專業領域做研發(FPGA)的機會比較大，現在做腦型計算芯片，人工智能計算芯片，通用性比較強，壓力會更大。 因為其實這種芯片需要打造生態，這種芯片一個leade行業是NVIDIA（英威達）。
英偉達有數千名工程師幫助其芯片為各種應用做場景開發，或應用支持，加強了英偉達的生態完整性。 例如，在相同的自動駕駛解決方案中，Aviva重視如何為客戶提供全面的服務。 基于此，英偉達制作了虛擬測試系統。 這個虛擬系統允許自動駕駛儀在虛擬道路上運行并加速。 此外，還可以同時在多個虛擬環境中運行，顯示似乎有100輛車，1000輛車同時運行，快速積累足夠的里程，使人工智能系統足夠強大，足夠智能。
這是它對環境的建構，這是非常重要的。 而國內大多數芯片企業，只一味強調自己優越的計算能力，沒有生態建設的能力，很難與阿維達競爭。當然，英偉達也有一個緩慢而艱苦的過程。 事實上，兩三年前，黃仁勛演講的時候，他還在想象人工智能在各行各業的突破，非常發散。 但到去年，該業務已經非常專注，并將足夠有利可圖。
這一級別的重點是在基礎平臺和應用程序上工作的企業，如云計算提供商。
美國幾乎所有的IT巨頭都花了很多錢建造大型云計算平臺，并擁有強大的人工智能支持，其中最領先的是亞馬遜的AWS和谷歌。 所以這幾乎成為行業共識，未來的云計算人工智能，即使在5G之后，使云計算人工智能無處不在，成為標準，很快就會發現人工智能就像自來水一樣，無處不在。
中國是一樣的，現在更領先的是阿里云，騰訊，百度也在努力，但現在看來阿里還是比較領先的。 當然華為在制造自己的云。 中國也會有一些大云，也有很多市場空間，因為中國的IT市場并不比海外小很多。
所以這層會發展。 這一層的核心是除了提供基本的云計算能力之外，還提供一些額外的人工智能能力。 這種人工智能能力將使人工智能的基本應用不是由人工智能提供商提供的，而是由云平臺直接提供的。
什么是基本應用？ 現在還沒有明確的定義，這里我舉幾個例子供大家理解和討論。
視覺識別，包括面部識別，成為基礎應用。 因為在更多的公眾監控和視覺識別中，可以快速逮捕逃犯，幫助社會安全。這形成了一個巨大的市場，現在大量的獨角獸正在追逐市場。
但從長遠來看，市場可能對獨角獸不太友好：一方面，政府將形成統一的大市場，未來應該開放，從一個充滿客戶的國家到一個客戶，市場在某種程度上是不存在的；另一方面，很可能不是今天的獨角獸，而是直接由基礎云平臺提供，如阿里、騰訊或華為。
主要原因是這種能力并不復雜，特別是與云，直接從云是最簡單的，只要未來周圍有攝像頭，就可以利用云的能力實現智能面部識別或圖像識別。
除了面部識別，現在的一大熱點就是動作識別，甚至叫動作指紋。 我們每個人都有自己的步態、運動和姿勢的具體規則，通過人工智能能分析，只能通過我們的行動來知道這個人是誰。 現在還有一個特征，就是跨攝像機，跨域連續分析。 即通過運動捕捉，可以跨越多個攝像機，可以了解一個人的行為軌跡。 雖然這個人的臉不被識別，但它可以通過行動來識別。 雖然人工智能在今天仍然是一項研究任務，但它很快將成為一種基本能力，通過云計算提供。
此外，還有一些基本的圖形識別能力，包括另一個流行的市場，醫學圖像識別。 醫學中的X光或B超圖像識別很可能在未來集成到云中。 提供商可能是云中的第三方公司或大型IT服務提供商，但未來將由云提供。 這也成為一項基本服務。
根據以上所述，未來許多基礎能力很可能成為基于云的提供商，而真正的應用能力應該是基礎較少，不太常見，并與行業充分集成。 雖然它也使用了大量的基本功能，甚至云基礎設施，但由于其行業特性，云提供商無法使用它。
事實上，許多人工智能系統都是這樣的，自動駕駛儀會蓬勃發展，這意味著汽車可能更多，而不是更少，但司機可能會失去工作。
這一層面將有大量人工智能相關應用公司蓬勃發展。這些應用公司非常明確，一定要有自己的行業特色，因為人工智能技術本身不能形成壁壘，真正可以形成的壁壘一定是行業，也就是行業數據，行業經驗和行業準入都會是你的壁壘。 這就要求我們找到這個障礙，做生意。
所以任何一個先進的領域都不代表只要領先好，還必須找到自己的壁壘和競爭優勢才能做好。