人工智能可以“独霸”所有行业了

　　欢迎各位阅读本篇文章，本文主要讲了人工智能将重构几乎所有行业。人工智能发端于上世纪五十年代，经历了几次繁荣与低谷，到2016年谷歌所收购的DeepMind公司的人工智能AlphaGo赢得与世界围棋冠军的比赛，大众对人工智能的热情被重新点燃，并且持续升温。催生这波人工智能热潮的原因是产业发展的三个重要因素：超大规模的计算能力、大数据、机器学习尤其是深度学习算法都取得了进展。

　　人工智能正在并且将对商业社会产生怎样的影响?我特别访问了对现代人工智能产生深远影响的科学家于尔根?施米德胡贝教授(Jürgen Schmidhuber)。施米德胡贝教授实验室在20世纪90年代初提出的一种叫“长短时记忆”的深度学习算法(LSTM，Long Short-Term Memory)极大影响了深度学习和人工智能的发展。DeepMind公司的联合创始人之一也是他的学生。2014年，施米德胡贝教授创立了研究人工智能的NNAISENSE公司(与DeepMind类似，方向都是通用人工智能)。所谓通用人工智能，是人工智能的终极发展目标。相对于弱人工智能(仅能解决某一方面专业问题的人工智能)而言的，通用人工智能通常指能够解决不同领域中各类问题的人工智能，并可以像人类那样学习、决策和反思。

　　深度学习算法的应用

　　施米德胡贝教授很高兴的看到，目前数十亿的用户都在使用基于LSTM算法的应用。目前市值最大的几家上市公司：苹果、谷歌、微软和亚马逊都在大量的使用这种深度学习算法为用户提供各种服务。例如，自2015年以来，LSTM算法减少了49%的语音识别错误，极大改善Google语音识别功能，目前有超过20亿部Android手机正在使用这项功能。同时LSTM算法也显著改善了谷歌翻译的效果。苹果公司的Iphone、亚马逊的语音服务平台Alexa、百度和微软也在使用LSTM算法。此外，深度学习技术在其他领域也有广泛的应用，比如LSTM还可用于识别视频和手写输入、控制机器人、分析图像、总结文档、运行聊天机器人和智能个人助理系统，预测疾病、用户点击率、股票市场和大型工厂中组件故障。人工智能将在医疗保健、工业、金融、法律等行业衍生出无数的应用。

　　人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。[1]关于什么是“智能”，就问题多多了。这涉及到其它诸如意识(CONSCIOUSNESS)、自我(SELF)、思维(MIND)(包括无意识的思维(UNCONSCIOUS_MIND))等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。　　哪些行业正在或即将被人工智能改变

　　王新锐：监管部门和司法机关对透明性和举证责任的要求，与机器学习结果的不确定性和算法保密要求之间，存在着一种结构性的紧张关系。

　　长远的看，施米德胡贝教授认为人工智能将重构几乎所有的行业。

　　而就目前所知，人工智能已经在医疗保健、金融、传统行业的不同领域有所应用。其中广告可能是受影响最大的行业，已经受到通过谷歌、百度、亚马逊、阿里巴巴、facebook和腾讯用户数据模式识别的巨大冲击。

　　医疗保健行业也是目前受到深度学习算法影响的行业之一。据世界银行数据，全球医疗保健开销占全世界GDP的10%，而其中至少10%也就是大概千亿美元用于医疗诊断，如癌症检测、动脉斑块检测和X光片检查等。庞大的市场吸引了很多创业公司以及IBM、谷歌等大公司尝试通过人工智能改善医疗诊断。通过人工智能辅助医疗诊断不仅可以节省数十亿美元，而且可能帮助许多目前无力负担专家诊断的病人。由于人工智能的应用，人们将会活得更长久、更健康。

　　2012年，施米德胡贝教授的团队采用深度学习算法赢得了乳腺癌识别检测的比赛。这是深度学习第一次赢得医学影像竞赛，通过这种方式检测癌症。通过快速神经图像扫描的方法比以前的方法快了1000多倍。2012年，相同能力的计算机比现在贵10倍，也就是说，今天，人们可以用同样的成本计算10倍的神经网络和数据。由于每隔五年计算成本就会减少90%，自上世纪30年代第一台计算机问世以来，基于这个规律，75年后的今天，同样价格的硬件比当年的计算能力高出百万亿倍。按照这个规律，不远的未来会出现与人脑计算能力相当并且在经济上可负担的设备。因此，施米德胡贝教授判断未来通过神经网络进行的医疗诊断将远远超越人类。

　　NNAISENSE是施米德胡贝教授在德国和瑞士的学术实验室的一个成果，这个名字的含义为：基于神经网络的通用人工智能(NNAI)的诞生。这个公司的5位共同创始人相信，目前基于LSTM算法的商业成功只是开始，通过元学习、人工好奇心与创造力、优化搜索程序和大型的强化学习神经网络的新变体，这样一个通用人工智能将会影响到每一个企业，最终超越人类。

　　人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一(空间技术、能源技术、人工智能)。也被认为是二十一世纪三大尖端技术(基因工程、纳米科学、人工智能)之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。　　目前这个公司的商业模式是：和不同的行业合作伙伴合作，为他们设计解决方案，在这个过程中，NNAISENSE基于神经网络的人工智能学到新的技能，从而逐渐成为更加通用的问题解决者。最终使命是创造一个能够持续在旧技能基础上学习的新技能的通用人工智能，最终学会更快的学习新技能。其中一些解决问题的技能是被AI自己通过人工好奇心发明出来的(施米德胡贝教授曾在1991年提出关于人工智能好奇心与创造力的理论)。

　　NNAISENSE公司与世界最大的钢铁制造商安赛乐米塔尔(Arcelor Mittal)合作，采用深度学习算法提高了钢材缺陷的检测效果。通过神经网络学习的方式分析相机拍摄的钢产品的照片，比传统的方法更准确和高效的评估钢材质量。人工智能这种模式识别的能力还可以应用到上千个产业中。

　　Quantenstein是NNAISENSE与德国基金公司Acatis的合资公司。Quantenstein使用机器学习来选择股票和管理投资组合。Quantenstein新基金的目标是，在一定程度的波动下，取得高于MSCI世界指数3%的收益率。在从2006年1月开始的测试，Quantenstein获得了高于MSCI世界指数5%的、年化12%的收益。Quantenstein与市场上其他基金的主要区别是：整个系统由人工智能端到端驱动，没有人的参与，人工智能得到公司的基本数据以后，系统会给出投资组合及权重，并且系统会定期调整投资组合。传统的长期价值投资系统，通常能够进行价值投资的第一阶段：选股。第二个阶段还是需要用马科维茨或者其他方法来确定投资组合中不同的权重。而Quantenstein的投资系统已经通过机器学习学会了第二阶段，实现给定风险目标前提下的收益最大化。除了在智能投顾领域，人工智能在金融产品营销以及金融安全保障领域都有应用。

　　NNAISENSE最近还与大众奥迪合作，制造了一款能够自动停车的小型车。与其他自主驾驶汽车依赖激光、雷达等传感器根据预定参数寻找方向所不同的是，该系统使用摄像机来学习如何自行驾驶。

　　在实现通用人工智能这一目标的过程中，NNAISENSE与各行业合作研究不同的问题，以测试在建系统的不同方面，并且为正在进行的研究计划提供必要的洞察。尽管金融行业和汽车行业面临不同的挑战，但是，在这些看似不同的领域中，也存在一些共同的基本原则，两者都需要通过基于高维度的数据来学习预测，并且学习根据这些预测去做出正确决策。

　　人工智能并不是一个独立的技术，而是结合各个行业的大数据应用到各个具体任务中的一系列技术。短期内，施米德胡贝教授很难确切的预知哪一个行业在接下来会经历类似广告行业的变化，也因为在很多领域例如保险、自动驾驶和医疗保健以及其他行业中还存在各种法律和道德方面的障碍。

　　人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。

　　施米德胡贝教授认为B2B是比较适合现阶段商业人工智能发展的模式。随着最终目标的实现，AI可能会越来越多的B2C，但是目前阶段为了更好的发展，B2B提供了最大的机会，因为某些大型公司拥有有趣的专业方面的大数据和富有挑战性的课题，有助于令人信服地验证AI的进展。

　　人工智能与机器人结合的未来

　　现阶段孩子甚至某些小动物比最好的自学机器人还要聪明。但是施米德胡贝教授认为，不久之后，人类将能够制造出基于神经网络的AI机器人，通过逐渐学习，至少会像小动物一样聪明，好奇并富有创造性地不断地学习、计划和推理，并将各种各样的问题分解成快速可解决(或已经解决)的子问题。

　　一旦动物级的人工智能可实现，距离实现人类AI的进程将进一步缩短：发展智力需要数十亿年的时间，但相对的，只要数百万年便发展出人类。技术演进比生物进化快得多，因为遭遇死胡同的速度要快得多。也就是说，一旦我们有动物级的AI，几年或几十年后，我们可能会有人类级别的AI，届时每个企业都会改变，所有的文明都会改变，一切都会改变。

　　“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具;相反，只要运行适当的程序，计算机本身就是有思维的。”(J SEARLE IN MINDS BRAINS AND PROGRAMS. THE BEHAVIORAL AND BRAIN SCIENCES，VOL. 3，1980)这是指使计算机从事智能的活动。在这里智能的涵义是多义的、不确定的，像下面所提到的就是其中的例子。利用计算机解决问题时，必须知道明确的程序。可是，人即使在不清楚程序时，根据发现(HEU- RISTIC)法而设法巧妙的解决了问题的情况是不少的。如识别书写的文字、图形、声音等，所谓认识模型就是一例。再有，能力因学习而得到的提高和归纳推理、依据类推而进行的推理等，也是其例。此外，解决的程序虽然是清楚的，但是实行起来需要很长时间，对于这样的问题，人能在很短的时间内找出相当好的解决方法，如竞技的比赛等就是其例。还有，计算机在没有给予充分的合乎逻辑的正确信息时，就不能理解它的意义，而人在仅是被给予不充分、不正确的信息的情况下，根据适当的补充信息，也能抓住它的意义。自然语言就是例子。用计算机处理自然语言，称为自然语言处理。

　　欧洲学术实验室在人工智能研发方面仍具优势

　　谈到十年内将出现什么样的突破性技术，施米德胡贝教授认为突破性技术具有不可预测性，目前看来，关于人工智能和神经网络研究的大多数基本突破都是发生于上世纪规模不大的欧洲实验室，而非公司，在未来，欧洲的小型学术实验室依然具有科研上的优势。但他同时认为，美国和中国的互联网巨头在技术的市场化方面取得了巨大成功，最终使得相关技术被数十亿用户使用。

　　小结：AI在中国的优势施米德胡贝教授看到中国相关产业正在迅速发展。中国既有人工智能和深度学习方面的优秀人才，也有相应的投资，因此在进一步发展人工智能方面中国将发挥非常重要的作用。与此同时，对于近两年高速发展的人工智能行业，他并不认为行业存在泡沫，相反的，在他看来人工智能行业刚刚开始。相信最后大家阅读完毕本篇文章，肯定学到了不少知识吧?其实大家私下还得多多自学，当然如果大家还想了解更多方面的详细内容的话呢，不妨关注课课家教育平台，在这个学习知识的天堂中，您肯定会有意想不到的收获的!