AI

ai20180725.jpg

人工智能具有“重组行业竞争格局”的能力。

李彦宏:有关人工智能的三个误解

在8月23日举办的首届中国国际智能产业博览会上,百度公司董事长兼CEO李彦宏发表演讲,指出了人们对人工智能的三个误解。

李彦宏说,一提起人工智能,很多人可能会想到一个长得像人的机器,这是第一个误解。李彦宏认为,人工智能长得不应该像人,我们不应该花精力去造出一个长得像人的机器,也不应该让这个机器学走路,或者学会上下楼梯,这是一个机械时代的思维。“如果让机器去替代人的体力,我们在工业化时代已经解决了这个问题,如今我们要解决的是让机器能够像人一样思考。”

而在这方面,李彦宏认为存在着第二个误解,那就是让机器模拟人脑的工作原理。李彦宏说:“人工智能不是仿生学。现在的人工智能技术、各种各样的算法和创新,跟人脑的工作原理没有太大关系。事实上,人类还没有搞清楚人脑是怎么工作的,又何谈用机器来模仿人脑的工作原理?所以,人工智能不是模仿人脑的工作原理,而是要用机器的方式实现人脑能够实现的价值或者作用。”

第三个误解是人工智能威胁论。很多人担心人工智能有一天会取代人类,李彦宏认为这种担心没必要。其实组成AI这个词的“人工”,英语还有一个意思是“假的”,所以AI与真人的思维方式、能力还有一段很远的距离。李彦宏认为,

我们更应该担心的是技术成熟得不够快,从而出现问题。比如智能音箱,大多数时候它是不理解我们的意思的,你问它唐朝是怎么灭亡的,它可能就回答不出来。因此,“努力的方向应该是当你跟机器说话的时候,它能不能听懂你的意思。只有它先明白你是什么意思,才能按你的意思为你提供服务。我们在不停地向这个方向努力,但我们理想状态还差得很远”。

李开复:人类与人工智能共事的方式

创新工场CEO李开复在自己的微信公众号发表了他在TED大会上的演讲实录。在演讲中李开复描述了中国和美国在人工智能领域的竞争,以及在他看来,未来人类会如何同人工智能共存。

在他看来,美国一直在引领着人工智能技术的研发。其中,深度学习是对人工智能技术迄今为止最重要的发明。深度学习技术出现突破以后,人类进入了人工智能的实践时代。在实践时代,执行力、产品质量、速度和数据开始变得重要。而这方面,中国展现出了自己的优势。

李开复说:“中国的科技执行力是基于令人难以置信的勤奋工作。”中国的大多数初创公司采用的都是997工作制,也就是从早上9点工作到晚上9点,一周工作七天。 然后,由于中国市场的竞争非常激烈,倒逼着中国科技公司的产品质量也大幅提高。在李开复看来,微信和微博可以说已经演化成了比脸书和推特还优秀的产品。

中国市场接受新产品和新模式的速度也很快。其中最显著的证明就是移动支付。2017年,中国移动支付的交易总额高达18.8万亿美元,超过了中国的GDP。中国建立起了世界顶级的基础设施:交易费几乎为零,支持小额支付,而且点对点。

在数据上,中国拥有巨大的市场体量。中国的手机用户是美国的3倍,外卖数量是美国的10倍,移动支付额是美国的50倍,共享单车乘骑数是美国的300倍。

因此,中国在计算机视觉、无人机、语音识别、语音合成和机器翻译,都有世界上最有价值的公司。

至于人工智能未来和人类的共事方式。李开复总结为四点:

第一,人工智能为人类承担重复性工作;
第二,人工智能帮助科学家和艺术家提升创造力;
第三,对于非创造性的关爱型工作,人工智能和人类进行分工,人工智能进行分析思考,人类则贡献温暖和同情心;
第四,“人类以独一无二的头脑和心灵,做着只有人类擅长、以人类创造力和同情心取胜的工作。”

以上就是李开复对中美人工智能发展的比较,以及他描绘的人工智能与人类的共存蓝图,“人工智能将把人从常规工作解放出来,迫使我们思考人因何为人。”

关于人工智能真相的清单

2017-08-16 「得到」 罗辑思维
引言

很多人都声称人工智能是未来的大机会,但真实世界里的趋势却很少有人能看清。

「得到」邀请高科技投资人王煜全创作了这篇清单,11条关于人工智能的洞见,供你参考。

  1. 人工智能,就是用机器去完成人类智慧才能完成的任务。它有三个基础支撑:算法、计算能力和数据。算法和计算能力都越来越通用,数据是唯一的门槛。因为机器像孩子学习一样,需要海量数据的训练,才能具备智能。

  2. 巨大的用户数据,正是中国的优势。未来中国在人工智能领域大有可为。

  3. 这一轮“人工智能”的爆发,得益于“深度学习”算法的突破。所谓深度学习,就是用数学方法模拟人脑神经网络。机器会在海量训练后,具备自主判断的能力。

  4. 人工智能有很多条路,“深度学习”只是其中一条。它是已知算法里表现最好的,所以在当下最火。

  5. 人工智能有两种应用形态:一种是弱人工智能,即只擅长单个领域,比如只会下围棋的AlphaGo;另一种是强人工智能,即各方面都很强。现阶段,弱人工智能比人强,强人工智能比人弱,且非常不成熟。

  6. 虽然“人工智能”话题很热,但全球基础设施已经搭建完毕。投资的风口,已经结束。即将到来的,是各个领域应用爆发的时代。

  7. 无人驾驶,将会是人工智能领域第一个大规模应用。从今年开始,越来越多的汽车将会具备人工智能的辅助驾驶能力。

  8. 在不久的将来,智能家居将成为现实——你可以通过语音对话,操控互联的所有设备。行业+人工智能,会成为一大趋势。

  9. 凡是说人工智能马上要超越人类的,都是不懂认知科学。当前人工智能只是在某些方面比人强,想要全面超越人脑,还差得远。

  10. 人工智能会对现有秩序带来巨大冲击。但面对它的威胁,最好的方式不是排斥,而是培养“机器智商”,同机器协作。

  11. 在可见的未来,有三种能力人工智能并不具备:创新能力、连接能力和领导能力。应对正在到来的“智能时代”,你可以从这篇清单和培养这三种能力做起。

AI

“人工智能时代,将是一个比移动互联时代大十倍的市场 —-李开复”

在趋势面前,视而不见或者掩耳盗铃都不是正确的姿势,不做吃瓜群众,要做就做参与者甚至变革者,这样才能成为受益者。

10年后,人工智能能将取代世界上90%的翻译/记者/助理/保安/司机/销售/客服/交易员/会计/保姆。
房地产经纪人和信贷分析师 等中产阶级职业被自动化设备取代的风险高达97%

创新工场对人工智能有一个很完整的投资蓝图

第一个重点是大数据的机会
第二个是语言方面
第三呢,是传感器的降价非常的重要。
最后是自动驾驶

personal photo

AI20180413.png

假如凯文·凯利、史蒂芬·平克、彭特兰一起开了个头脑风暴

假如我们邀请到互联网思想家凯文·凯利、顶级语言学家史蒂芬·平克、全球大数据权威阿莱克斯·彭特兰、生物地理学家贾雷德·戴蒙德……

让这些全世界最顶级的知识精英,一起开个头脑风暴,聊个共同的话题,你猜会获得怎样的成果?

还真有人做到了——

《如何思考会思考的机器》

作者:[美] 约翰·布罗克曼
译者:张羿
出版:浙江人民出版社

这本书,可以看作全球知识精英的知识会餐——邀请到近200位顶级专家,分别从各自研究的领域入手,共同阐述了一个问题:

人工智能时代,人类社会将会变成什么样?

  1. 在展开讨论前,我们要先达成一个共识:机器是一种新的智能,它永远不可能完全变成人。虽然它在很多领域超越了人类,但到目前为止,几乎没有一位学者说,计算机已经具备了“人工智能”。

人类智能和机器智能,工作原理非常不同,都只是不同智能的一种。这也是凯文·凯利从不用“人工智能”这个词,而是称之为“人工外星人”的原因。我们不能用人类的思维挑剔机器,而要做好迎接新智能的准备。

  1. 虽然人工智能前景广阔,但目前,我们看得最清楚的应用场景还是——网上销售。

大数据+深度学习,是这轮人工智能的基础。其中的关键是:数据。数据就是21世纪的石油。只要数据足够多,结合算法分析,商家就能精准预测每个人的偏好。这也是互联网公司想尽办法获取用户数据的原因。

  1. 还有一种可能,几乎被所有人忽视了——人工智能最大的应用场景,不是互联网,而在传统产业。一方面,人们逐渐意识到隐私的重要性,互联网公司获取用户数据会越来越难;另一方面,传统行业在自己的领域深耕多年,积累了大量的数据。这才是真正的未被开采的金矿。

  2. 关于人类和人工智能的未来,所有专家的建议可以分为三种。

第一种:人类会变成超人。借助人工智能这个强大的武器,不断改造自身,人类的能力会得到无限增强,甚至变成全新的物种。埃隆·马斯克的“脑机互联”,干的就是这事。

  1. 第二种:机器会消灭人类。随着能力的提升,机器人终将摆脱人类的控制——获得自主意识,把人类消灭掉。霍金就持这种观点。这个假设,也广泛存在于科幻小说里。

  2. 第三种观点是一种极端推演:人类会自己消灭自己。参考大数据对个人行为的精准预测,随着计算机算力的提升,未来的一切似乎都能被精准计算。这会导致一个可怕的结果——计算机乌托邦。

每个人的需求、每种产品的价格……所有的一切,都能被计算。到那时,市场经济被由计算机控制的计划体制取代,社会变得高度集权……人类开始用计算机的语言说话,用计算机的思维方式思考,最终彻底失去人性,走向自我毁灭。

  1. 很多人会问:机器人会不会逐渐代替人?事实上,这是个伪命题。因为从古到今,机器一直都在替代人。蒸汽机的出现,使大量纺织工失去工作;农业现代化,让无数农民失业……人工智能一定会取代更多人,尤其是那些重复性高、不需要创意的工作。人类社会就是这样,一轮一轮用机器代替人,并在过程中实现发展。

  2. 在这一轮人工智能的冲击下,那些被替代的人要怎么办?

① 不必担心。旧工作没有了,新工作会出现。

未来,会是一个被体验定义的时代。

服务行业,比如影视、旅游、餐饮、艺术、主题乐园等,会有大量新工作产生。工作总量并没有减少,只是分布的行业发生了变化。

② 再极端一点:如果人工智能也可以完成服务和创意工作呢?那也不必担心。假设人工智能真的能把人类的生产效率提高那么多,那它就一定能创造足够多的价值,把暂时没有工作的人养起来。

  1. 最后一个建议:这本书,可以看作一幅地图。近200位不同行业的顶级精英,基本代表了人类在各个领域的思考高度。如果你读到某一章,对某个专家的思想印象深刻,不妨按图索骥,找到他的其他著作,进行主题式的深度学习。

最后,让我们记住这本书中的金句:

机器是一种新的智能,它永远不可能完全变成人。我们要做好迎接一种全新智能的准备。

智能时代——大数据与智能革命重新定义未来

内容简介

大数据和机器智能的出现,对我们的技术发展、商业和社会都会产生重大的影响。作者吴军在《智能时代:大数据与智能革命重新定义未来》中指出,首先,我们在过去认为非常难以解决的问题,会因为大数据和机器智能的使用而迎刃而解,比如解决癌症个性化治疗的难题。同时,大数据和机器智能还会彻底改变未来的商业模式,很多传统的行业都将采用智能技术实现升级换代,同时改变原有的商业模式。大数据和机器智能对于未来社会的影响是全方位的。

目录

第一章 数据—人类建造文明的基石
如果我们把资本和机械动能作为大航海时代以来全球近代化的推动力的话,那么数据将成为下一次技术革命和社会变革的核心动力。
现象、数据、信息和知识
数据的作用:文明的基石
相关性:使用数据的钥匙
统计学:点石成金的魔棒
数学模型:数据驱动方法的基础

第二章 大数据和机器智能
在有大数据之前,计算机并不擅长于解决需要人类智能的问题,但是今天这些问题换个思路就可以解决了,其核心就是变智能问题为数据问题。由此,全世界开始了新的一轮技术革命——智能革命。
什么是机器智能
鸟飞派:人工智能1.0
另辟蹊径:统计+数据
数据创造奇迹:量变到质变
大数据的特征
变智能问题为数据问题

第三章 思维的革命
在无法确定因果关系时,数据为我们提供了解决问题的新方法,数据中所包含的信息可以帮助我们消除不确定性,而数据之间的相关性在某种程度上可以取代原来的因果关系,帮助我们得到我们想知道的答案,这便是大数据思维的核心。
思维方式决定科学成就:从欧几里得、托勒密到牛顿
工业革命,机械思维的结果
世界的不确定性
熵—一种新的世界观
大数据的本质
从因果关系到强相关关系
数据公司Google

第四章 大数据与商业
在未来我们可以看到,大数据和机器智能的工具就如同水和电这样的资源,由专门的公司提供给全社会使用。
从大数据中找规律
巨大的商业利好:相关性、时效性和个性化的重要性
大数据商业的共同点—尽在数据流中
把控每一个细节
重新认识穷举法—完备性带来的结果
从历史经验看大数据的作用
技术改变商业模式
加(+)大数据缔造新产业

第五章 大数据和智能革命的技术挑战
大数据的数据量大、维度多、数据完备等特点,使得它从收集开始,到存储和处理,再到应用,都与过去的数据方法有很大的不同。因此,使用好大数据也需要在技术和工程上采用与过去不同的方法。
技术的拐点
数据收集:看似简单的难题
数据存储的压力和数据表示的难题
并行计算和实时处理:并非增加机器那么简单
数据挖掘:机器智能的关键
数据安全的技术
保护隐私:靠大数据长期挣钱的必要条件

第六章 未来智能化产业
现有产业+机器智能=新产业,未来的农业、制造业、体育业、医疗、律师,甚至编辑记者行业都将迎来崭新形态,新产业将取代旧产业满足人类的个性化需求,大数据将导致我们整个社会的升级和变迁。
未来的农业
未来的体育
未来的制造业
未来的医疗
未来的律师业
未来的记者和编辑

第七章 智能革命和未来社会
在历次技术革命中,一个人、一家企业,甚至一个国家,可以选择的道路只有两条:要么加入智能浪潮,成为前2%的人,要么观望徘徊,被淘汰。
智能化社会
精细化的社会
无隐私的社会
机器抢掉人的饭碗
争当2%的人

后 记
参考文献

十分钟读完《智能时代》

推荐语:一个空前的大时代,未来,真的来了,这将是一个让我们振奋的时代,也是一个给我们带来空前挑战的时代。

未来的社会,属于那些具有创意的人,包括计算机科学家,而不属于掌握某种技能做重复性工作的人。

阿法狗战胜李世石——智能时代到来。

思维的革命
机械思维——17世纪以来一直指导我们日常做事行为的思维方式。过去三个多世纪人类总结出的最重要的思维方式,
现代文明的基础。源于古希腊的思辨思想和逻辑推理。

欧几里得最大的成就是在几何学和数学知识基础上创立了“公理化体系”的几何学(《几何原本》——对世界影响力最大的一本书)。这对西方的整个思维方法有极大影响。
托勒密是最伟大的天文学家,没有之一。欧几里得后约5个世纪,托勒密将欧几里得的方法应用到天文学上,建立地心说。其善于总结方法论,至今仍在用。
核心思想:首先,有一个简单元模型,这个模型可能是假设出来的,然后在用这个元模型构建复杂的模型。其次,整个模型要和历史数据吻合。
缺陷:一,模型过于复杂,依靠手工计算难以准确。二,确定性假设。
古希腊罗马后,人类对自然的认识变缓,西方进入中世纪。东方在工程和技术上不断进步,但没形成科学体系,没形成方法论。(东方文明长期在技术上领先西方,但在科学体系上远落后于西方,关键就输在方法论上。)最终,发展成科学方法论的任务留给了笛卡尔和牛顿。
笛卡尔的贡献在于提出了科学方法论,即“大胆假设,小心求证”。这在今天仍在使用。
牛顿对近代社会思想贡献最大,直接的贡献在于“用简单而优美的数学公式破解了自然之谜”。指出任何正确的理论从形式上都是简单的,同时又有非常好用的通用性(大道至简)。

人们将牛顿的方法论概括为机械思维。核心思想是:一,世界变化的规律是确定的。二,规律不仅可以被认识,而且可以用简单的公式或语言描述。三,这些规律放之四海皆准。

瓦特第一个应用牛顿力学原理作出重大发明。瓦特掌握了新的方法论——机械思维,“改进”了蒸汽机。其后,机械思维普及欧洲,英国史蒂芬森发明火车;查尔斯瑟伯发明转轮打字机(结束几千年来人类书写记录文明的方式)。美国伊莱惠特尼发明轧棉机(间接导致南北战争)。罗伯特富尔顿发明蒸汽船(为全球自由贸易时代到来做好了准备)。

机械思维导致工业革命。人类财富增加,寿命大大延长。

爱因斯坦,现代物理学集大成者,其思维方式和牛顿是一致的,都是建立在“确定性”基础之上。

机械思维的局限性:否认不确定性和不可知性。信息时代,这种局限性逐渐显现。不确定性是这个世界的重要特征,很多事情难以用确定的公式或规则表示,但并非无规律可循,可用概率论来描述。

香农在概率论基础上建立了信息论。把信息和世界的不确定性(无序状态)联系到一起。
克劳修斯提出“熵”的概念,即一个系统完全达到恒温时,就无法做功,此时熵最大。
香农把熵和信息量联系了起来:要想消除系统的不确定性,就要引入信息。

信息论是一种全新的方法论,与机械思维建立在确定性基础上截然不同,是建立在不确定性基础上。

信息时代的方法论:谁掌握了信息,谁就能够获取财富,如同工业时代谁掌握了资本谁就能获取财富。

互信息:信息的相关性。

香农第一定律(信源编码定律):对信源发出的所有信息设计一种编码,那么编码的平均长度一定大于该信源的信息熵,同时一定存在一种编码方式,使得编码的平均长度无限接近于它的信息熵。

香农第二定律:信息的传播速率不可能超过信道的容量。描述了通信领域最跟的规律,是自然界本身的固有规律,能解释很多商业行为。如人脉是人与人交往的带宽,人脉不够,发出的信息和获得的信息都有限,生意很难做大。

最大熵原理:当我们对未知的事件寻找概率模型时,这个模型应当满足我们所有已经看到的数据,但是对未知的情况不要做任何主观假设。

智能问题从根本上讲是消除不确定性的问题。

交叉熵:库尔贝克等人提出。它可以反映两个信息源之间的一致性或两种概率模型之间的一致性。两个数据源完全一致,交叉熵为零,相差很大,交叉熵也很大。

大数据的科学基础是信息论,其本质是利用信息消除不确定性。

现有产业+大数据(机器智能)=新产业

并非每一家公司都要从事新技术产品本身的制造,更多时候它们是利用新技术改造原有产业。

智能革命和未来社会
正面:
 大数据和机器智能使我们生活的环境更加安全。可以让我们整体的社会环境乃至文明程度有质的飞跃。
 工业革命前,人类使用的产品和服务有细微差别(个性化),但效率低;工业革命后,人类使用的产品和服务无差别(标准化),个性化消失;智能时代,机器智能足以提供各种个性化服务,同时成本和标准化服务相当(个性化又回来了)。
负面:
 人们将生活在一个没有隐私的环境。将来可能很麻烦,不仅仅是在淘宝上总被送假货,买机票总比别人贵20%那么简单,可能涉及我们的健康和医疗,可能没有医院会接收我们住院;
 人们会被一些超级权利在无形中控制;
 很多人因为没有掌握未来生存技能而失业;
 财富更加集中在少数人手里。

智能革命将比过去历次技术革命来得更深刻,对社会带来的冲击可能是空前的。
历史上有影响力可以和正在进行的智能革命相比的,只有
19世纪末始于英国的工业革命、
20世纪末始于美国和德国的第二次工业革命、
“二战”后以摩尔定律为标准的信息革命。

从工业革命到黄金时代:
工业革命带来三个结果:人类过得好了,人类活得长了,人类有自信和尊严了。

工业革命之前的几千年时间里,劳动力的数量和能提供给生产所使用的动力是不足的,商品是供不应求的。工业革命后,情况大不同。马克思说“资产阶级在它不到100年的阶级统治中所创造的生产力,比过去一切时代创造的全部生产力还要多,还要大。”
1800年-2000年间,南欧、西欧、北欧人均GDP水平增长了近20倍(从1000美元增加到20000美元)。中国在1979年-2014年间,人均GDP考虑购买力涨不止10倍,不考虑购买力涨40倍。
中国用35年时间走完了欧洲200多年走完的路,从农耕时代到早期工业时代、大工业时代和后工业时代(信息时代),并与世界同步进入后信息时代。

新技术在出现的初期,受益者是非常少的,他们通常只是那些掌握新技术或者使用新技术、从事新行业的人。18世纪末到19世纪上半叶是英国贫富分化严重、社会矛盾重重的半个多世纪。也正是那个年代,英国出现了空前绝后的工人运动,催生出马克思主义。

英国人花了大约两代人的时间消化工业革命带来的负面影响。如何解决工业革命的副作用?资本输出→开拓全球殖民地→推行自由贸易。

工业革命对社会的影响分三个阶段:
一,发明家和工厂主受益,普通民众不受益;
二,全体英国民众受益,世界范围内大家不受益,两个阶段差半个多世纪;
三,整个世界受益。
第二次工业革命,此模式重复出现。

从第二次工业革命到镀金时代
第二次工业革命的核心是电的使用。刚开始一段时间美国贫富分化程度达到北美殖民以来最高点,且比今天严重的多。发生了美国历史上不多见的工人激进运动,南方传统经济被北方大工业彻底碾碎,直到今天,南部经济依然落后北方。

美国已没有那么多殖民地待开发,好在有天然的地理优势,有广袤的中西部处女地待开发。从1870年到19世纪20年代(镀金时代,柯立芝繁荣),经过半个世纪的努力,美国才基本实现全面繁荣。德国为了输出产能,不得不发动第一次世界大战,战败后问题没有得到解决,导致民粹主义泛滥,最终劳工阶层把纳粹推上台。

“在人类历史上最富有的75人中,有1/5出生在1830-1840年的美国,包括钢铁大王卡内基、石油大王洛克菲勒等。”——《异类》马尔科姆.格拉德维尔

依然没消化完的信息革命
过去30年里,美国和中国两个国家贡献了全球超过一半的GDP增长,除去这两个国家,世界大部分地区情况并不美妙。它们自有的旧的经济结构落伍,新的经济结构虽能享受信息革命的产品,确享受不到经济增长。

全世界范围看,消化掉信息革命的冲击波或许还需更长时间,然而现在大数据和机器智能革命已经来敲门。

从目前发展来看,智能革命对社会的冲击有可能超过过去几次技术革命。
首先,信息革命本身带来的影响还没有消化完。
其次,今天的世界和200年前已经不同,消化掉技术革命的影响要比工业革命时难得多。
最后,智能革命所要替代的是人类最值得自豪的部分——大脑。

当全社会各行各业的从业人数都因机器智能而减少时,全世界几十亿劳动力怎么办?是否能有良好的解决办法?坦率地讲,谁也没有。

即便没有好的方法,我们也要在观念上接受这样的事实,即越来越多的事情,人类将做不过机器。我们今后的决定,应该根据这个前提来做,只有面对现实,才能最终建设一个让所有积极向上的人都具有成就感和幸福感的社会。

虽然我们不知道如何在短期内创造出能消化几十亿劳动力的产业,但是我们很清楚如何让自己在智能革命中受益,而不是被抛弃。答案很简单,争当2%的人,而不是自豪地宣称自己是98%的人。

Google的AlphaGo,其实并不知道自己在下棋。但是,制造智能机器的人就不同了,他们可能只占人口的不到2%甚至更少,却在某种程度上控制着世界。

在销售商品的时代,我们认为越便宜越合算;到了提供服务的时代,我们发现忽然有了很多免费的服务,我们为此欢呼,但不久我们发现,看似免费的东西才是最贵的,因为我们在获得这些服务的同时交出了自己的自由。而只有当我们在失去自由,利益受损时,才会体会到自由的可贵。

在智能革命到来之际,作为人和企业无疑应该拥抱它,让自己成为那2%的受益者;作为国家,则需要未雨绸缪,争取不要像过去那样每一次重大的技术革命都伴随半个多世纪的动荡。

这将是一个让我们振奋的时代,也是一个给我们带来空前挑战的时代。

5分钟看懂《智能时代》关键问题解答。

纵观全书,作者对几个智能时代关键问题做出的解答。

Q1:为什么说数据是人类建造文明的基石?
Answer:“观天象,辩农时”“千里之外,运筹帷幄”自古以来,人类观察现象,获取数据,发现规律,指导决策行为。人类认识自然,推动经济、社会发展的行为不出乎此。

Q2:为什么智能革命在今天爆发?
Answer:移动物联网时代的到来,每个人每天产生大量数据呈爆发式的增长,奠定了数据量的基础。通过大数据挖掘出的强相关关系取代工业时代根据公式定理确定的因果关系,大大提高了决策正确度和速度。同时促使世界一流公司计算机运算速度、数据存储技术与数据挖掘技术的突破性进展。

Q3:以大数据为基础的智能时代的商业模式是什么?
Answer:以史为鉴,大数据资源将像水和电一样,由专门的公司提供给全社会使用,而如何使用将成为关键。同时全社会将会经历现有产业+机器智能=新产业的大变革。事实上现在已经在大规模的发生。未来的农业:传统农业+滴灌机器人,喷水机器人。未来的体育:位于硅谷的NBA球队勇士队,根据大数据算法制定最优策略,几年时间从倒数变为冠军球队。未来制造业:特斯拉汽车工厂,全部由机器人操作。未来的医疗:个性化医疗,癌症治疗有望取得突破。未来的律师,记者,编辑等行业职位将被自然语言处理技术和大数据信息检索技术冲击。

Q4:智能时代对个人会产生什么影响?
Answer:每一次巨大的历史变革都是巨大进步,但也伴随着强烈阵痛。大批被新技术取代的工作岗位需要靠时间去消弥,一大部分人被历史抛弃,只有少部分人成为时代的宠儿,正如工业革命时代的大量手工工匠被机械工厂取代而难以谋生,互联网时代线下商业被电子商务冲击,这一次,吴军老师估计,这一次,只有2%的人能鲤鱼跃龙门,成为时代的宠儿。

我的思考:究竟哪些人不会被时代淘汰?
遵循原则——做机器不能做的事,同时要学会与机器合作。
1.复杂模式判断者:需要强大的思维逻辑和判断能力(高级工程师,科学家,警察)
2.创意工作者:为追求趣味,发掘人类爱好而创作(艺术家,作家,演员,跨领域知识牛人)
3.人际连接者:追求人与人之间联系的服务型工作(高端服务业,高端手工业,厨师,心理咨询师等)

这是个最好的时代,也是最坏的时代!

书是从网上买的,罗胖子推荐而买的。作者吴军,原腾讯副总裁。吴军博士是当前Google中日韩文搜索算法的主要设计者硅谷大咖,是一个还不错的摄影爱好者,一个古典音乐迷,喜欢享受高质量的影视。平时偶尔会修理园子,甚至做点木匠活。每年旅游很多次。著有《数学之美》、《浪潮之巅》、《文明之光》以及这本《智能时代》。
按照罗胖子说的,吴军是一个时间管理方面做到极致,同时又充满生活乐趣的人。这正是我所向往的人生。因而,他的书可看,可再看。
作为一个常年的互联网吃瓜群众,我们从网上看到的总是一些明星出轨娱乐新闻,或者是篮球新闻,偶尔看看江西省发现了什么社会新闻。当开车听到网络新闻之阿法狗战胜围棋冠军时,也只是想了下,什么狗!直到听书,认为大数据、人工智能这些我当做娱乐新闻看待的词语,目前正在改变我们的生活。于是,买了一本《大数据时代》,一本《智能时代》,前者没看完,后者陆陆续续看完。
当我们还在听广播搞清楚哪哪儿路堵了,该绕路的时候,百度地图已经在告诉我们哪条路是黄色的,那条路是绿色的。当我们坐公交时,我们可以掐着点到公交站,不浪费等待时间。当我们在当当买书时,你会得到一些你想要的推荐。媳妇常得到的是,某宝的推荐。老同志总认为被监视了,因为一打开网页就提示了他最近需要考察的设备。此类种种,正是智能时代的体现。多年前迷恋美剧《犯罪心理》,觉得里面最强大的还是那个IT师,她拥有的无敌数据库,能查到犯罪记录、家庭情况、教育情况、最近在哪活动等等,进而通过BAU分析师的关键词,锁定犯罪嫌疑人。
未来,我们正在被各类商家锁定,得到最想要的服务。同时,我们的隐私也将暴露无疑。不能改变,只能接受,并到潮流中去弄潮!
作为一名工程师,未来的工作是否也可以被替代呢?我认为这是可能的,当一个项目来时,用于数据资源的可以调用类似工程,进行对比,同时调用新技术,进行调配,得出最佳方案。就像书中所述,采用大数据思维,强相关关系替代因果关系,进而提高效率,直接得出结论。
try?作为一名未来还将生活50年左右的人, 如何成为2%中的一员,可以思考一年甚至更长。
小米的雷军,下了几年棋,通过售出便宜而质量过硬的小米手机,得到了米粉作为免费宣传,同时加固米粉的“小米产品便宜,质量也不错”这样的商品观念,只要后期产品达到该标准,不愁卖,其超过格力应该就这两年。其作为IT公司,而非制造手机的公司,用了大数据思维,获得用户,锁定用户,得到收益!
这是一个最好的时代,也是一个最坏的时代。
来啊,快活吧,别浪费,这大好时光!

附读书笔记:
1、如果我们把资本和机械动能作为大航海时代以来全球近代化的推动力的话,那么数据将成为下一次技术革命和社会变革的核心动力。数据:互联网行的任何内容,如文字,图片和视频都是数据;医院里的含医学影像在内的所有档案是数据;公司和工厂的各种设计图纸也是数据;出土文物上的文字、图示,甚至它们的尺寸、材料也都是数据;信件、电话、电子邮件等都是数据。人类的文明过程伴随着的流程:获取数据——分析数据——建立模型——预测未知。因而可以说,数据是人类文明的基石。

2、数据的相关性是使用数据的钥匙,而统计学是点石成金的魔棒,数学模型则是数据驱动方法的基础。数学模型的简单化,其理论基础为:当数据量足够时,就可以用若干个简单的模型取代一个复杂模型,这种方法被称为数据驱动方法。
3、大数据 big data的特征:
(1)体量巨大。量大到足以消除不确定性。
(2)3V特性:Vast 大量、Variety 多维度、Velocity 及时性。互信息,交叉验证。
(3)全面性、完备性。两个数据源一致,交叉熵为零。即设置模型和用模型的是一个数据源。
(4)Big,not Large or Vast. 相对小的大,抽象意义的大。

4、工业文明的机械思维!人们将牛顿的方法论概括为机械思维,核心思想如下:
(1)世界变化的规律是确定的;
(2)因为有确定性作保障,因此规律不仅是可以被认识的,而且可以用简单的公式或者语言描述清楚;
(3)这些规律应该是放之四海而皆准的,可以应用到各种位置领域指导实践。
机械思维作为一种准则指导人们的行为,其核心思想可以概况成确定性(或者可预测性)和因果关系。因而,机械思维的局限性则更多来源于它否认不确定性和不可知性。总之,机械思维的两面性——善于把握确定性而难以解决不确定性问题(物理学家张首晟)。

5、世界的不确定性:主观方面的和客观方面的两因素。首先,我们队这个世界的方方面面了解得越来越细致之后,会发现影响实际的变量其实非常多,已经无法通过简单的办法或者公式算出结果,因此我们宁愿采用一些针对随机事件的方法来处理他们,人为地把他们归为不确定的一类。不确定性的第二个因素来自客观世界本身,它是宇宙的一个特性。

6、香农第一定律:对于信源发出的所有信息设计一种编码,那么编码的平均长度一定大于该信息的信息熵,但同时香农指出,一定存在一种编码方式,似的编码的平均长度无限接近于它的信息熵。这带来一种方法论,经济学上的吉尔德定律,即尽量多地采用便宜的资源,尽可能节省贵的资源,与信息论中的霍夫曼编码从本质上讲是相同的。信息时代,由于摩尔定律的作用,计算机是便宜的资源,而且越来越便宜,人力成本则会越来越高。因而计算机逐步替代人的工作。
香农第二定律,信息的传播速率不可能超过信道的容量。商业中人脉就是人与人交往的带宽。

7、信息论中的最大熵原理:当我们要对未知的事件寻找一个概率模型时,这个模型应该满足我们所有已经看到的数据,但是对未知的情况不要做任何主观假设。这个已经不同于我们使用了几百年的“大胆假设,小心求证”方法论!

8、大数据时代的思维:因果关系转变为强相关关系。数据中所包含的信息可以帮助我们消除不确定性,而数据之间的相关性在某种程度上而取代原来的因果关系,帮助我们得到我们想知道的答案。Google公司的成功不仅仅是技术、是数据,而是采用大数据思维。不再花费大量时间和资源去寻找确定的因果关系,而是通过从大量数据中挖掘相关性,直接用于产品。

9、现代商业中所需的重要信息:相关性、时效性和个性化,多数可以从大数据中提取。无目的的原始数据经过大量的收集,然后经过选择和处理,建立数学模型,推广到应用,或者机器学习,进一步推广应用。eg. 普拉达(Prada)的智能试衣间、金风科技的发电机、亚马逊的客户推荐书等等。

10、根据历次技术革命中商业模式变迁的分析,可得:
(1)技术革命导致商业模式的变化;
(2)生产越来越过剩,需求拉动经济增长的模式变得不可逆转;
(3)商业模式的变化既有继承性,又有创新性。
eg:小米和格力之争。格力自己是制造型企业,因而其看重的是产品核心技术,自主知识产权。这是摩尔时代的思维;小米则并没有把自己定义为制造型企业,其互联网思维是争取用户,然后建立用户理念群(好的,便宜的),这是大数据时代的思维。二者是摩尔时代和大数据时代之争。从这方面来看,小米正在超越。

11、科技的发展是非匀速的,长时间的相对停顿,某个时间点单点突破,然后科技全面迸发。重要拐点:
(1)1666年,牛顿发明了微积分,发现了力学三定律和万有引力定律,按成了光学分析。
(2)1905年,爱因斯坦完成了分子说,发现了光电效应,提出了狭义相对论。
(3)1965年,摩尔博士发现了摩尔定律,工业界大规模集成电路出现
(4)目前机器智能正在急速发展,即将迎来拐点。任何一个能够提供某些大数据关键技术的公司和个人,在未来的智能革命中,都将有大展宏图的机会。

12、Google在2010年宣布开发出名为Google Brain的深度学习工具。其主要特征是把人工神经网络实现了。具体来说,找到了一个复杂问题简单化的原理:将一个很大的模型上百万参数同时训练的问题,简化为能够分不到上万台(甚至更多)服务器上的小问题。

13、现有产业+大数据(或人工智能)=智能产业。案例有:
(1)农业:模仿以色列人的滴灌技术——装有滴水的管线直接将水和肥料送达植物的根系。硅谷的Droplet家庭院落自动喷水机器人,可以根据湿度、植物种类、土壤情况和天气预报进行浇水,浇水时自动调整好喷水的角度、流量和时间。
(2)体育:位于湾区的NBA勇士队,有硅谷这些工程师和风险投资人进行控股,经数据分析后,认为3分为主更有利于赢球,因而着力培养自己的娃娃脸球星,Stephen Curry。同时老板 Joe Lacob启用三分精准的科尔教练,并坚持数据说话,勇士队在近两年的成功有目共睹。篮球界认为,勇士就是NBA的Google。未来的体育仅仅靠天赋和苦练不足以取得最好的成绩!
(3)制造业:特斯拉作为一家IT公司,而非汽车制造商,尽量启用机器人,智能制造时代可以通过设定产品参数按照用户需求制造出个性化的产品。
(4)医疗:世界上最有代表性的做手术的机器人就是达.芬奇手术系统。它分为两个部分,手术室的手术台和医生可以在远程控制的终端。目前全世界共装配了3000多台,完成了300万例手术。南昌大学一附医院也有一台!IBM产出的沃特森(Watson)智能系统已经基本具备了中等医生水平,相信在未来不久,计算机在一些疾病的诊断方面可以超过人。李文森博士和Google共同创建的大数据医疗保健公司Calico,他们正在寻找人类产生疾病的基因根源,并针对该情况实施如何修复基因。
(5)律师业:硅谷帕罗奥图市 Blackstone Discovery公司发明了处理法律文件的自然语言处理软件,使得律师的效率可以调高500倍,打官司的成本可以下降99%。这个,是否可以用于工程设计中?!

13、针对2010年的占领华尔街运动和2015年年底以来法国、德国和比利时外来移民不断滋事的状况,这些不满情绪的根源在于,很多人被社会进步所抛弃了。

14、智能时代的标志性事件:
(1)阿兰.图灵(Alan Turing,1912-1954)博士,1950年定义了机器智能。图灵测试认为,让一台机器和一个人坐在幕后,让一个裁判同时与幕后的人和机器进行交流,如果这个裁判无法判断自己交流的对象是人还是机器,就说明了这台机器有了和人同等的智能。
(2)1997年,IBM的超级计算机和当时的国际象棋世界冠军卡斯帕罗夫进行了比赛,虽然后者3.5:1.5战胜,但过了一年前者就战胜了后者。
(3)2015年年底Google的AlphaGo还打不到顶级围棋手的水平,但是2016年1月,AlphaGo则战胜了欧洲围棋冠军,2016年3月,战胜了韩国著名棋手李世石九段。2017年据说50连胜。。

15、智能化社会表现在整个社会从宏观到微观的各个层面。大数据和机器智能将把我们社会的管理水平提升到一个前所未有的高度,使我们的生活环境更加安全,更加方便,同时社会资源的利用率极大提高。这个社会的个性化将得到极大的爆发。同时,智能革命给我们带来了无隐私的环境!!或许会被一些超级权力在无形中欧诺个只甚至很多人因为没有掌握未来生存的技能而找不到工作,财富可能会更加集中在少数人手里。

BIG BROTHER (George Orwell,1903-1950):Big Brother is watching you。未来仍然是人的世界。但是是只有2%控制其他人的世界,另外98%只是吃瓜群众。这是最好的年代,也是最坏的年代。智能时代将不可避免地替代人类很多工作,如何取迎接他?

内容摘录:十分钟看完本书主要观点

“那么传统的人工智能方法是什么 呢?简单地讲,就是首先了解人类是如何 产生智能的,然后让计算机按照人的思 路去做。今天几乎所有的科学家都不坚 持“机器要像人一样思考才能获得智 能”,但是很多的门外汉在谈到人工智能 时依然想象着“机器在像我们那样思 考”,这让他们既兴奋又担心。事实上, 当我们回到图灵博士描述机器智能的原 点时就能发现,机器智能最重要的是能 够解决人脑所能解决的问题,而不在于 是否需要采用和人一样的方法。 为什么早期科学家们的想法会和今 天的门外汉一样天真呢?这个道理很简 单,因为这是根据我们的直觉最容易想 到的方法,在人类发明的历史上,很多领 域早期的尝试都是模仿人或者动物的行 为。比如人类在几千年之前就梦想着飞 行,于是就开始模仿鸟,在东方和西方都 有类似的记录,将鸟的羽毛做成翅膀绑 在人的胳膊上往下跳,当然实验的结果 都可想而知。后来人们把这样的方法论 称作“鸟飞派”,也就是看看鸟是怎样飞 的,就能模仿鸟造出飞机,而不需要了解 空气动力学。事实上我们知道,怀特兄弟 发明飞机靠的是空气动力学而不是仿生 学。在这里,我们不要笑话前辈来自直觉 的天真想法,这是人类认识的普遍规”

“那么传统的人工智能方法是什么 呢?简单地讲,就是首先了解人类是如何 产生智能的,然后让计算机按照人的思 路去做。今天几乎所有的科学家都不坚 持“机器要像人一样思考才能获得智 能”,但是很多的门外汉在谈到人工智能 时依然想象着“机器在像我们那样思 考”,这让他们既兴奋又担心。事实上, 当我们回到图灵博士描述机器智能的原 点时就能发现,机器智能最重要的是能 够解决人脑所能解决的问题,而不在于 是否需要采用和人一样的方法。 为什么早期科学家们的想法会和今 天的门外汉一样天真呢?这个道理很简 单,因为这是根据我们的直觉最容易想 到的方法,在人类发明的历史上,很多领 域早期的尝试都是模仿人或者动物的行 为。比如人类在几千年之前就梦想着飞 行,于是就开始模仿鸟,在东方和西方都 有类似的记录,将鸟的羽毛做成翅膀绑 在人的胳膊上往下跳,当然实验的结果 都可想而知。后来人们把这样的方法论 称作“鸟飞派”,也就是看看鸟是怎样飞 的,就能模仿鸟造出飞机,而不需要了解 空气动力学。事实上我们知道,怀特兄弟 发明飞机靠的是空气动力学而不是仿生 学。在这里,我们不要笑话前辈来自直觉 的天真想法,这是人类认识的普遍规律。”

“思维方式和方法远不如方法论对科 学的发展至关重要,东方的文明长期以 来在技术上领先于西方,但是在科学体 系的建立上远远落后于西方,关键是输 在方法论上。”

“西方进入了中世 纪的黑暗时代。东方的中国和阿拉伯帝 国虽然在工程和技术上不断进步,但是 既没有形成科学体系,也没有在方法论 方面做出太多的贡献。”

“ 机械思维更广泛的影响力是作为一 种准则指导人们的行为,其核心思想可 以概括成确定性(或者可预测性)和因果 关系。牛顿可以把所有天体运动的规律 用几个定律讲清楚,并且应用到任何场 合都是正确的,这就是确定性。类似地, 当我们给物体施加一个外力时,它就获 得一个加速度,而加速度的大小取决于 外力和物体本身的质量,这是一种因果 关系。没有这些确定性和因果关系,我们 就无法认识世界。 如同我们今天在谈论大数据思维和 互联网思维时无意中会带有一种优越感 一样,在19世纪时,机械思维是一个非常 时髦的词汇,人们喜欢用这个词汇表示 自己对近代科技的了解和所具有的理性 精神。”

“物理 学几乎每个领域都有所建树,但是他的 思维方式其实和牛顿是一致的。牛顿的 物理学理论是建立在确定性基础,即所 谓的绝对时空[7 ]之上的,他发现万有 引力定律则是寻找因果关系的结果。牛 顿发现行星围绕太阳运动这个结果,然 后找到了万有引力这个原因。爰因斯坦 的研究方式是类似的,他的理论也是建 立在一种确定性一一光速恒定的基础之 上的,基于这种假设,利用逻辑推理,就 可以推导出整个狭义相对论。就连爱因 斯坦自己也说,如果不是他,也会有人在 很短的时间内发现狭义相对论,因为狭 义相对论就是光速恒定的必然结果。类 似地,如果将重力和加速度等价起来,利 用因果逻辑,就能推导出广义相对论。爱 因斯坦的相对论在形式上和牛顿力学也 有相似之处,简单而美妙,几个公式就把 整个理论描述清楚了”

“当然,机械思维的局限性更多来源 于它否认不确定性和不可知性。爱因斯 坦有句名言——“上帝不掷色子”,这是 他在和量子力学的发明人波尔等人争论 时讲的话。今天我们知道,在这场争论中, 波尔等人是正确的,爱因斯坦错了,上帝 也掷色子。”

“牛顿开始,人类社会的进步在很 大程度上得益于机械思维,但是到了信 息时代,它的局限性也越来越明显。首先, 并非所有的规律都可以用简单的原理描 述;其次,像过去那样找到因果关系已经 变得非常困难,因为简单的因果关系规 律性都被发现了。另外,随着人类对世界 认识得越来越清楚,人们发现世界本身 存在着很大的不确定性,并非如过去想 象的那样一切都是可以确定的。因此,在 现代社会里,人们开始考虑在承认不确 定性的情况下如何取得科学上的突破, 或者把事情做得更好。这也就导致一种 新的方法论诞生。”

“ 不确定性在我们的世界里无处不 在。我们经常可以看到这样一种怪现象, 很多时候专家们对未来各种趋势的预测 是错的,这在金融领域尤其常见。如果读 者有心统计一些经济学家们对未来的看 法,就会发现它们基本上是对错各一半。 这并不是因为他们缺乏专业知识,而是 由于不确定性是这个世界的重要特征, 以至于我们按照传统的方法——机械论 的方法难以做出准确的预测。”

“ 不确定性的第二个因素来自客观世 界本身,它是宇宙的一个特性。在宏观世 界里,行星围绕恒星运动”

“ 不确定性的第二个因素来自客观世 界本身,它是宇宙的一个特性。在宏观世 界里,行星围绕恒星运动的速度和位置 是可以计算得很准确的,从而可以画出 它的运动轨迹。但是在微观世界里,电子 在围绕原子核做高速运动时,我们不可 能同时准确地测定出它在某_时刻的位 置和运动速度,当然也就不能描绘出它 的运动轨迹了。这并非我们的仪器不够 准确,而是因为这是原子本身的特性。在 量子力学中有一个测不准原理,也就是 说,像电子这样的基本粒子的位置的测 量误差和动量的测量误差的乘积不可能 无限小。这与机械思维所认定的世界的 确定性是相违背的。为什么会有这样的 现象存在呢?因为我们测量活动本身影 响了被测量的结果。对于股市上的操作 也类似,当有人按照某个理论买或者卖 股票时,其实给股市带来了一个相反的 推动力,这导致股市在微观上的走向和 理论预测的方向相反。”

“在概 率论的基础上,香农博士建立起一套完 整的理论,将世界的不确定性和信息联 系了起来,这就是信息论。”

“那么如何度量信息呢?这个问题其 实是几千年来很多人想知道却无法回答 的问题。直到1948年,克劳迪•香农在 他著名的论文《通信的数学原理》(A Mathematic Theory of Communication)中提出了“信息熵” 的概念,才解决了对信息的度量问题,并 且量化地给出了信息的作用。同时,香农 还把信息和世界的不确定性,或者说无 序状态联系到了一起。”

“反映出在信息时代的方法论:谁掌握了 信息,谁就能够获取财富,这就如同在工 业时代,谁掌握了资本谁就能获取财富样。”

“比如要识别一个人脸的图像,实际上可 以看成是从有限种可能性中挑出一种, 因为全世界的人数是有限的,这也就把 识别问题变成了消除不确定性的问题。 我们在前面一章里讲到了贾里尼克等人 的工作,从那时开始,人类在机器智能领 域的成就,其实就是不断地把各种智能 问题转化成消除不确定性的问题,然后 再找到能够消除相应不确定性的信息, 如此而已。”

“在信息论里用 互信息这个概念,实现了对相关性的量 化度量。比如通过对大数据文本进行统 计就会发现,“央行调整利率”和“股市 短期浮动”的互信息很大,这证实了它们 之间有非常强的相关性。而“央行调整利 率”和“北京机场大量航班晚点”的互信 息则接近于零,说明二者没有什么相关 性,甚至无关。”

“点击模型的准确性取决于数 据量的大小。对于常见的搜索,比如“虚 拟现实”,积累足够多的用户点击数据并 不需要太长的时间。但是,对于那些不太 常见的搜索(通常也被称为长尾搜索), 比如“毕加索早期作品介绍”,需要很长 的时间才能收集到“足够多的数据”来训 练模型。一个搜索引擎使用的时”

“点击模型的准确性取决于数 据量的大小。对于常见的搜索,比如“虚 拟现实”,积累足够多的用户点击数据并 不需要太长的时间。但是,对于那些不太 常见的搜索(通常也被称为长尾搜索), 比如“毕加索早期作品介绍”,需要很长 的时间才能收集到“足够多的数据”来训 练模型。一个搜索引擎使用的时间越长, 数据的积累就越充分,对于这些长尾搜 索就做得越准确。微软的搜索引擎在很 长的时间里做不过Google的主要原因 并不在于算法本身,而是因为缺乏数据。 同样的道理,在中国,搜狗等小规模的搜 索引擎相对百度最大的劣势也在于数据 量上。”

“在18世纪欧洲人发现澳大 利亚之前,由于他们所见过的天鹅都是 白色的,所以当时的欧洲人认为所有天 鹅都是白色的。后来欧洲人在澳大利亚 看到了黑天鹅,原来通过对白天鹅无数 次观察得到的结论就失效了。因此,从以 往数据得到的结论未必能反映未来的小 概率事件。在科学方法上,或者经济学和 社会学的研究中,“黑天鹅”隐喻那些极 为罕见、在通常的预期之外的事件,它们 在发生之前没有前例可以证明,但一旦 发生,就会产生极端的影响。”

“Google在数据上的优势,是大学和 各个研究所并不具备的。即使是全球著 名的汽车公司,包括丰田、大众和美国通 用,也不具备如此多的数据。因此,它们 虽然在自动驾驶汽车研制方面早起步几 十年,但是很快就被Google超越。另外, 计算机学习“经验”的速度远远比人快得 多,这也是大数据多维度的优势,因此 Google自动驾驶汽车的进步才能如此 快。这并非说明Google的科研能力超过 了过去那么多大学、研究所和公司的总 和,反而是体现出大数据的威力,以及采 用大数据思维的重要性。”

“我们回顾过去是为了展望未来。今 后,由大数据引发的智能革命也将是以 一种与前面几次技术革命类似的方式展 开,如果我们用两个简单的公式来概括 的话,那就是: 现有产业+大数据=新产业 现有产业+机器智能=新产业”

“以微 软为代表的软件开发商吃掉硬件提升带 来的全部好处,迫使用户更新机器,让惠 普、戴尔和联想等公司受益,而这些PC 整机厂商再向英特尔这样的半导体公司 订购新的芯片,同时向希捷(Seagate) 等外设厂商购买新的外设。在这个过程 中,各家的利润先后得到相应的提升,股 票也随着增长。各个硬件半导体和外设 公司再将利润投入研发,按照摩尔定律 预定的速度,提升硬件性能,为微软下一 步更新软件、吃掉硬件性能做准备。”

“首先,技术革命导致商业模式的变 化,尤其是新的商业模式的诞生。”

“ 其次,生产越来越过剩,需求拉动经 济增长的模式变得不可逆转。同时,单纯 制造业的利润越来越低,那些行业越来 越没有出路。相反,人们对服务的需求越 来越强烈。在IT时代,唱主角的公司逐渐 从制造设备的旧M、DEC、爱立信、诺基 亚和惠普等公司,变成了提供软件和服 务的微软、甲骨文和Google等公司。 最后,商业模式的变化既有继承性, 又有创新性。工业革命导致了产品需要 靠推销才能卖出去,第二次工业革命导 致了广告业的兴起,推销的方式从展示 变成了做广告,而这两者之间是有联系 的。作为创新的一方面,第二次工业革命 导致了商业链的出现;到了信息时代,商 业链得到了发展,这是继承性的一面;而 服务业的重要性突显,这是其创新性的 —面。”

“且这个趋 势将更加明显。提供服务虽然不像销售 产品一次能挣比较多的钱,但是细水长 流的技术服务最终会给这些服务的提供 者带来更长久的生意、更多的利润。”

“提供服务”

“在今天大数据和机器智能的时代, 虽然每一个公司都会得益于数据的使用 以及机器智能带来的好处,但这并不意 味着每家公司都要聘请数据科学家或者 机器智能方面的专家。更切合实际的是, 他们付费使用第三方的服务。在未来我 们可以看到,大数据和机器智能的工具 就如同水和电这样的资源,由专门的公 司提供给全社会使用。”

“ 科学技术的发展并非是匀速的。重 大的科技突破常常需要酝酿很长的时 间,在这段时间里,我们发现技术进步是 一个缓慢的量的积累,有人把它称为相 对停顿的状态,因为这个阶段一切发展 都是平衡的。但是当这些量的积累到一 定程度后,科技在短时间内获得单点突 破,然后新科技全面迸发,这便是拐点。 在历史上有很多关键性的拐点,比如 1666年,牛顿发明了微积分,发现了力 学三定律和万有引力定律,完成了光学 分析,从此世界进入科学近代社会,因此 这一年这被看成是科学史上的一个拐 点。到了 1905年,爱因斯坦完成了分子 说,发现了光电效应,提出了狭义相对论, 从此开启科学的现代社会,随后物理学 的各个领域全面繁荣。1965年,摩尔博 士提出了摩尔定律,同时在工业界大规 模集成电路出现,从此开始了待续半个 世纪的信息产业高速发展。”

“机器智能的概念已经被提出来60多 年了,但是真正的突破却在具有了大数 据的今天。大数据本身真正引起科技行 业的注意,也仅仅是10年前的事情,然而 在短短的几年里,它就井喷式地爆发了, 并且让机器智能水平有了本质的提高。 因此智能技术的拐点可能就发生在从10 年前开始到接下来的一二十年这一段时 间。”

“Google的MapReduce (编程模型)和 雅虎的Hadoop (海杜普)等工具,它们 能够把相当_部分大型计算任务拆成若 干小任务在很多并行的服务器上运算。 “

“我们已经向大家展示了大数据能给 我们带来的诸多好处,但是这些好处的 获得需要有扎实的技术和工程基础做保 障。在今后,任何一个能够提供某些大数 据关键技术的公司和个人,在未来的智 能革命中,都将有大展宏图的机会。”

“机器人取代人类从事制造业的另一 个巨大优势在于,产品很容易按照个性 化定制。在大工业时代,机器所解决的是 确定性问题,因此,个产品设计出 来,它就是确定的,按照事先确定的设计 复制,成本是很低的。但是,如果哪个顾 客想要根据自己的需求订购一款特定的 产品,那么成本是很高的。而在机器人取 代生产线上的装配工人的智能制造时 代,只要通过设定”

“机器人取代人类从事制造业的另一 个巨大优势在于,产品很容易按照个性 化定制。在大工业时代,机器所解决的是 确定性问题,因此,个产品设计出 来,它就是确定的,按照事先确定的设计 复制,成本是很低的。但是,如果哪个顾 客想要根据自己的需求订购一款特定的 产品,那么成本是很高的。而在机器人取 代生产线上的装配工人的智能制造时 代,只要通过设定产品参数,机器人就可 以根据用户需求制造出个性化的产品, 其成本不会比大规模生产高多少。”

“在欧美等 发达国家,医生可以说是“三高”的职 业——高学历、高收入和高地位,而在医 生中间,专科医生,比如诊断癌症的放射 科医生或者做手术的胸外科医生、脑外 科医生,又是医生群体中收入最高的群 体,他们的平均收入远远高于上市公司 高管的平均水平。”

“在中国很多患者的心目中,看病要 找“老大夫”,因为他们有经验。实际上, 老大夫经验的积累就是一个通过病例 (数据)学习的过程,而人学习再快,也 学不过计算机”

“2012年Google科学比赛的第一名授予 了一位来自威斯康星的高中生,她通过 对760万个乳腺癌患者的样本数据的机 器学习,设计了一种确定乳腺癌癌细胞 位置的算法,来帮助医生对病人进行活 检,其位置预测的准确率高达96%,超过 目前专科医生的水平。这位年轻学生采 用的图像处理和机器”

“2012年Google科学比赛的第一名授予 了一位来自威斯康星的高中生,她通过 对760万个乳腺癌患者的样本数据的机 器学习,设计了一种确定乳腺癌癌细胞 位置的算法,来帮助医生对病人进行活 检,其位置预测的准确率高达96%,超过 目前专科医生的水平。这位年轻学生采 用的图像处理和机器学习算法都不复 杂,她的成功完全得益于大数据,没有哪 个大夫一生能够见识760万个病例。”

“相比医生,计算机在诊断和做手术 等方面有三大优势:首先,它们漏判(或 者失误)的可能性非常低,也就是说它们 能够发现一些医生们忽略的情况;其次, 它们的准确率很高,而且随着数据量(病 例)的增加提高得非常快;最后,也是人 所不具备的,这些智能程序的稳定性非 常好,它们不会像人那样受情绪的影响。 而这些智能程序的成本,通常不到人工 的百分之一。”

“根据基因泰克的科学家解释,我们已 知的各种可能导致肿瘤的基因错误不过 在万这个数量级,而已知的癌症不过在 百这个数量级。也就是说,即使考虑到所 有可能的恶性基因复制错误和各种癌症 的组合,不过是几百万到上千万种,这个 数量级在IT领域是非常小的,但是在医 学领域则近乎无穷大。如果能利用大数 据技术,在这不超过几千万种组合中找 到各种真正导致癌变的组合,并且对这 样每一种组合都找到相应的药物,那么 对于所有人可能的病变都能够治疗。针 对不同人的不同病变,只要从药品库中 选一种药即可,比如对患者约翰,他原本 是使用第1203号药品,如果发生新的病 变,经过检查确认后,改用256号药品即 可,这样并不需要每一次重新研制药品。 如此一来,便可以控制癌症了。虽然这样 成千上万种药总的研发成本不低,但是 如果摊到全世界每一个癌症患者身上, 李文森博士估计只需要人均5000美元 左右。”

“在工业革命后的半个世纪里,原有 的经济结构被摧毁,靠有一技之长的工 匠运作的小作坊纷纷破产,工匠的特长 敌不过年轻劳工结实的身体,他们从中 产阶级沦为赤贫。因此从18世纪末到19 世纪上半叶,是英国贫富分化严重、社会 矛盾重重的半个多世纪。著名作家狄更 斯用他生动的笔,记录了当时下层民众 悲惨的生活,这与飞速发展的经济和暴 涨的社会财富并不相称。为了节省成本 便于竞争,工厂主们大量雇用低工资的 童工,或者随意延长劳动时间。也正是在 那个年代,英国出现了空前也是绝后的 工人运动,催生出马克思主义。”

“工业革命后的半个世纪里,原有 的经济结构被摧毁,靠有一技之长的工 匠运作的小作坊纷纷破产,工匠的特长 敌不过年轻劳工结实的身体,他们从中 产阶级沦为赤贫。因此从18世纪末到19 世纪上半叶,是英国贫富分化严重、社会 矛盾重重的半个多世纪。著名作家狄更 斯用他生动的笔,记录了当时下层民众 悲惨的生活,这与飞速发展的经济和暴 涨的社会财富并不相称。为了节省成本 便于竞争,工厂主们大量雇用低工资的 童工,或者随意延长劳动时间。也正是在 那个年代,英国出现了空前也是绝后的 工人运动,催生出马克思主义。”

“为什么每一次重大的技术革命都需 要很长的时间来消除它所带来的负面影 响呢?因为技术革命会使得很多产业消 失,或者产业从业人口大量减少,释放出 来的劳动力需要寻找出路。这个时间有 多长呢?事实证明至少要一代人以上,因 为我们必须承认一个并不愿意承认的事 实,那就是被淘汰的产业的从业人员能 够进入新行业中的其实非常少”

中国AI发展报告:中国最吸金,但杰出人才占比较低

如果只读一本人工智能的书,一定是这本

原创: 「罗辑思维」 罗辑思维 今天

今天的主流媒体、科技圈、学术圈、创投圈……都在讨论人工智能,大多数人认为,人工智能不过是人类发明出来的工具而已。

然而真相却是:

人工智能是生命自然演化的下一个版本,跟整个人类的命运都息息相关。

为你重磅推荐——《生命3.0》。

如果一年只能读一本人工智能的书,那么读这本准没错。

为啥这么说呢?一起看看作者带给我们的认知升级。
—— 01 ——

生命太复杂了。但是作者泰格马克用一个简洁而确切的比喻,解决了这个问题:他引入了人们熟悉的计算机概念来描述生命——把生命分为硬件和软件两个部分。

同时,引入版本号概念,来定义三种生命类型:1.0,2.0,3.0。

—— 02 ——

生命1.0,是指生命阶段:靠进化获得硬件和软件。比如从最小的病毒到世界上已知的动物,都处于这个阶段。

生命2.0,是指文化阶段:靠进化获得硬件,但大部分软件由自己设计。比如人类在这五千年里创造出来知识、艺术、制度、宗教、社会……

生命3.0,是指科技阶段:由自己设计硬件和软件。比如未来的人工智能,TA能够复制自己,还能够自己学习、随时升级自己的硬件。

—— 03 ——

专业人士对人工智能的看法分派很多,但大致可以分为两类。1.技术崇拜主义者:认为人工智能是天赐之选、人类的福音,应该毫无保留地大力发展;2.技术恐慌主义者:认为人工智能的研究会导致人类的灭亡。

按照生命3.0的理论,这两派都太幼稚了。人工智能无需恐慌也不用崇拜,TA确切地将成为我们生命的一部分。

—— 04 ——

大量新职业代替旧职业,甚至低就业的社会即将到来,我们及我们的孩子该做出怎样的选择?怎样在社会立足?答案是:进入机器不擅长的领域,这些领域需要与人打交道,具有不可预测性,需要创造力。更具体的建议书中都有,就不剧透了。

同时我们也该反思,先上一二十年学,再在一个领域工作40年,这样的教育模式是否还能奏效?

—— 05 ——

泰格马克创立了未来生命研究所,谷歌的拉里·佩奇、微软的比尔·盖茨、特斯拉的埃隆·马斯克等人,都是这个研究所的成员,几乎涵盖了跟人工智能有关的全球顶级人物。

泰格马克把他们对人工智能的思考,概括为12个版本,全部记录在这本书里。你可以一步到位地了解全球最聪明、最大胆的科学家和创新者,对于人工智能的理解和研究,究竟是怎样的。

—— 06 ——

这本书跟其他书最不一样的是,在书一开头,作者就发出了一个灵魂拷问——你是否相信本世纪内,超越人类水平的人工智能就会被开发出来?

如果相信,从第27页开始看;不相信,从第1页开始看。一本书居然敢做这样的开放式设计,也从一个侧面说明了作者的力量。

—— 07 ——

你可能会说如此新锐前沿的一本书,一定不好读吧?

不用担心,别看作者是个物理学家,但他的行文风格仿佛顶级纪录片的旁白一般,通俗优美,完全让人沉浸,毫无阅读压力。

—— 08 ——

值得一提的是,万维钢在《精英日课第二季》里,用了8期专栏解读这本书,这本书的知识浓度,不用多说了吧。

现在看来,成为一个懂人工智能的梵高,或者理解宇宙的贝多芬,真的非常了不起。

你除了比周围人丰富了一个尺度之外,还有可能登上下一个时代的客船。

罗胖60秒:人工智能时代,你在哪里

  1. 曾鸣老师在《曾鸣·智能商业20讲》里面提到一个概念,叫“创造力革命”。什么意思呢?

  2. 我们过去谈工业革命、第二次工业革命,想到的都是蒸汽机、内燃机这些工具变化。其实背后更深刻的,是知识类型的变化。

  3. 第一次工业革命,本质上,是技术知识取代了经验知识。这个好理解。第二次工业革命,出现了大流水线,大企业要协调大规模的生产,所以这次是管理知识革命。第三次计算机革命,从知识的角度看,是把知识体系化、流程化、软件化和自动化。

  4. 而我们今天正在面对的,是第四次,叫“人工智能革命”。人工智能可以负担很多知识型的工作。知识本身,已经不是最稀缺的资源了。什么最稀缺?人独有的创造力

  5. 这会引发一系列的巨变,将决定未来社会的结构。

罗胖60秒:人工智能在逼问我们一个问题

  1. 最近我和施展老师聊天,说到人工智能。他说,现在很多人恐慌,担心人工智能有一天会取代人。

但是你有没有想过,当年发明蒸汽机的时候,为啥大家不恐慌呢?

  1. 因为我们一直觉得人类的本质是理性嘛,蒸汽机取代的只是人的肌肉,所以不恐慌。

而现在的人工智能取代的是我们的大脑,担心就来了,这是威胁到人类的本质了。

  1. 可是你想,人工智能说到底就是算法,底层是数学啊。所有不能用数学运算的东西,都没法用上人工智能。

比如人的想象力。想象力这个东西就是不讲逻辑的,是站在数学的反面的,所以人工智能就没辙。

  1. 你看,技术发展并没有在替代人,而是在不断地逼问人:人的本质到底是什么?

人不是万能的,我们早就知道。但是随着技术的发展,人最终的独特性到底是什么,这个答案恰恰是在不断更新的。

观点:什么情况下你的工作将被AI取代

6月29日,清华大学人工智能研究院院长张钹院士在 2018 全球人工智能与机器人峰会上发表了演讲,他提出,人工智能技术只有在“确定性信息、完全信息、静态的、单任务和有限领域”这5个条件下才能发挥真正的作用,而满足了这5个条件的工作,则会被计算机取代。微信公众号环球科学整理了张钹的发言。

张钹首先介绍了人工智能在一定的范围内超过了人类的5件事,前两件是深蓝打败人类国际象棋冠军,IBM在电视知识竞赛中打败了美国的前两个冠军,它们是同一类型。后面三件事属于另外一个类型,微软研究团队使用的神经网络在计算机视觉识别挑战大赛中获胜,它的误识率略低于人类;百度和讯飞宣布在单句的中文语音识别上,计算机的误识率也略低于人类;还有就是 AlphaGo 打败了李世石。

对于这几件事,人们常常会从大数据、计算能力提高、人工智能算法这三个因素进行讨论。张钹认为,大家忽略了另一个因素,就是以上所有的成果必须建立在一个合适的应用场景下,必须满足“确定性信息、完全信息、静态的、单任务和有限领域”这 5 个条件。

张钹以下象棋为例,做了解释。下象棋就是一个完全信息博弈,它的信息完全且确定,而且会遵循完全确定的游戏规则做演化,张钹把这种情况称为静态。从上面5件事都可以看出,人工智能在有限的领域内,做单个任务时会超过人类的表现。张钹说,IBM的沃森(Watson)机器人也是这样,它会选择知识竞赛,是因为知识竞赛提出的问题都是明确的,答案总是唯一的,这样的问答对机器人来讲是非常容易的。围棋也完全符合上面 5 个条件。

对于“什么样的工作会被机器所替代”,张钹认为,满足以上 5 个条件的工作,即那些照章办事,不需要任何灵活性的工作,总有一天会被计算机取代,比如说出纳员、收银员等等,但老师、企业家等的工作不可能被计算机完全代替。

为什么人工智能技术会有这5个限制条件?张钹认为,这是因为我们现在的人工智能是没有理解的人工智能。像沃森机器人这样的人工智能对话系统里有知识库和推理机制,但推理能力很差,“智能体现在推理能力上。我们现在的对话系统离真正的智能还很远”。

机器为什么不能理解人类提出的问题?张钹提出,这是因为它的系统里没有常识,也没有常识推理。要想解决这个问题,就必须在人机对话系统中加上常识库和常识推理,比如想办法告诉计算机,什么叫吃饭,什么叫睡觉,什么叫做睡不着觉,什么叫做梦。不过这是一项非常困难的工程,美国在1984年就开始了类似的工程,直到做到现在还没完全做出来。建立常识库也是张钹现在正在做的事,他们的基本做法是建立一个常识图谱,用这个图谱帮助机器理解人类提出的问题,同时利用常识图谱帮助机器产生合适的答案。

人工智能时代成为赢家的四个思考原则

自从2016年3月,谷歌旗下的人工智能程序AlphaGo战胜了世界围棋冠军李世石之后,人工智能技术就开始被各个媒体广泛报道。人工智能技术给人类社会带来的影响,也成为讨论非常热烈的话题。很多学者和大佬都参与了对这个问题的讨论。

虽然到目前为止,人工智能究竟会给人类社会带来多大的冲击,以及这种冲击的最终利弊,大家仍然没有取得共识。但是,可以确定的是,人工智能技术,会像过往的很多技术一样,会给人类的就业带来大洗牌。很多人会因为新技术而失去工作,也会有人因为新技术而受益。

当然,没有人想成为受损者。怎么样在人工智能时代获益呢?投资人约翰·普利亚诺(John Pugliano)出版了一本书《机器人来了:人工智能时代的人类生存法则》,希望能够给关心这个问题的人提供一份行动指南。

普利亚诺说,有些人认为自动化会对蓝领工人产生更大负面影响,其实这个观点不准确。下一轮自动化,真正冲击的是那些以前没有受到影响的白领,比如中层管理者、法律界人士和医疗专业人员等。金融业也不能幸免。今年6月份,花旗集团的投行部门就宣称,在未来5年内,这个部门的2万名技术和运营人员中,可能有一些人会被机器取代。

应该怎样在未来的人工智能时代成为受益者,而不是受损者呢?普利亚诺提出了四个方法。他称为四个思考原则。

第一个思考原则是,像人一样思考,而不是像机器。“你的经济价值取决于你的创造力,而不取决于你执行重复性任务的能力。培养你个人天赋和能力中所有的人情味技能,重点是创造能力。”

在过去,判断一个人的工作价值,本质上其实是从机器的角度进行判断的。比如,评价一名工人是看他从事重复性劳动的能力。如果他表现出了高度的稳定性和可靠性,那他就是一个优秀的工人。“不同于可以预知的机器,人的行为是没有什么逻辑可言的。他们依靠情感行事,导致行为结果无法预料。管理者不喜欢这种不确定性,他们喜欢的是机器而不是人。”

在工业时代,人们逐渐形成了这样的判断标准。这让人很难认识到,“人情味比机械产出能力更重要”。

但是,随着人工智能和机器人技术的发展,越来越多的工作都会被机器人替代,尤其是那些要求重复性和熟练度的工作。

它带来的坏消息就是失业;但是,好消息是,剩下的工作不再枯燥乏味。“自动化所剩下的工作是最适合人来做的,这些工作更看重人情味而非例行公事。”

因为人性是不会发生变化的,所以,那些要求能够理解人性的工作,永远不会消失,“机器人来了,它会抢夺你的工作,但是只要你为人所爱,机器人就无法取代你。那些学会利用人情味去创造的人将事业兴旺,那些与他人建立情感纽带的人会茁壮成长。”

举个例子,通俗文化的主题从来都没有变化,从流行小说到电视剧。即使电视本身在不断变化,剧集已经可以在电脑和手机上观看,但是那些受欢迎的剧集的主题,一直都是谋杀、通奸或者贪婪这样的东西。过去是,现在是,将来还会是。

第二个思考原则是,创业者一样思考,而不是像雇员。为什么要强调创业精神?原因是,未来大多数职业都存在于传统的企业结构之外。未来的大公司不会再像今天的大公司那样雇佣那么多人。因为公司可以通过投资技术来减少雇佣劳动力。像谷歌和Facebook这样的公司,尽管更加赚钱、市值更高,但是雇员人数却远远少于通用汽车、福特汽车这样的公司。

因此,未来的赢家,必须自己学会像创业者一样思考,自己愿意承担风险,同时也能分享到巨大的收益。普利亚诺说,将来的好职业是任何一种可以直接解决问题的工作。人工智能时代的赢家,他的工作不再只是一个巨大链条中的一环,而更可能是直接跟人有关,直接解决人的问题。无论是通过先进的科技手段做手术的医生,还是能够迅速响应用户需求,帮助用户解决家里的下水道堵塞、空调漏水问题的维修工人。

第三个思考原则是,像积蓄者一样思考,而不是消费者。

在作者看来,“自动化的重点在于,用更高效率的生产创造了一个价格下跌的通货紧缩环境。”在一个通货紧缩的环境里,那些有自控能力,愿意延迟满足感,而不是马上把钱花出去的积蓄者,就更有优势。

消费者和积蓄者思维的区别在于:消费者购物是为了情感满足,而积蓄者能识别价值,购买增值产品;

消费者因为需要和短缺而买东西;积蓄者是为了在将来得到回报而购买东西。积蓄者把他们辛苦赚来的钱,投入到未来可能更值钱的事物也就是资产上。因此积蓄者需要有延迟满足的自律性和识别价值的洞察力

消费者靠薪水度日,积蓄者在经济上独立。

第四个思考原则是:投资者一样思考,而不是投机者。

技术的创造性破坏将淘汰很多老牌行业,创造出惊人的投资机会。那些用投资者的思维方式来思考的人,更可能从这些机会中获益。“像投资者一样思考,要求你避免使用快速致富方案,不要试图在干草堆里找针,也不要为了得到一位王子而亲吻青蛙。投资于那些过去已经表现出赚钱倾向并且看上去有能力适应市场变化和技术变化的公司。”

以上就是投资人普利亚诺总结的,要在人工智能时代成为赢家的四个思考原则,希望对你有所启发。

本期内容参考来源:《机器人来了:人工智能时代的人类生存法则》;作者:约翰·普利亚诺;译者:胡泳、杨莉萍;文化发展出版社出版。

机器人来了:人工智能时代的人类生存法则

robot20180622.jpg

如果将来我们的生活完全被智能机器人所掌控,那么在这样一种环境中,我们人类将如何生存?

就在不久前,工厂的工人们开始担心,不久以后,他们的工作可能将会被智能机器人所替代。心怀焦虑的不仅是工厂的工人们,连大学教授也开始焦虑起来。

因为人工智能具备自动学习的能力,因此,教授们的工作也有被机器人替代的危险。

有些人认为自动化会对劳动阶层的蓝领工人产生更大的负面影响,这并不准确。本书的观点是,自动化已经让上一代人中的劳动密集型蓝领工作打了折扣,下一轮自动化真正冲击的将是那些以前未受影响的白领工人,比如中层管理者、法律界人士和医疗专业人员。

你也许觉得你的工作是安全的,那么,真是这样吗?对于大多数人来说,都有必要来读一读这本《机器人来了 :人工智能时代的人类生存法则》。

因为这是第一本全自动化时代,人工智能社会的生存指南,它可以帮助我们更好的理解、预测即将到来的那个人工智能社会。它可以在全新智能的经济社会中为我们导航。它一步一步地告诉我们,怎么做才能让我们自己在未来的社会中仍然保有我们自身的价值。这是一本非常有用的生存指南,写得通俗易懂,即便我们对人工智能一窍不通,也看得懂这本书。

此外,这本书还详细地阐述了我们的工作为什么会存在被取代的危险,我们是怎么失去我们的工作的。

最为重要的是,这本书为我们提供了详细的步骤,教我们如何让自己变得更有价值,怎么做才能变得无可替代。

目录 · · · · · ·
目 录
第一部分 人性
第一章
像人一样思考
在重复性工作上,你无法战胜机器人 / 002
对白领工作的威胁 / 004
那么,我们都在劫难逃? / 005
人类应对未来经济所应具备的特质 / 007
主导性特质(四种) / 008
支持性特质(七种) / 009
协调各种特质 / 013
以特质为基础的思维 / 014
打破常规的创新者 / 015
萨伊定律(Say’s Law) / 018
行动方案:找出属于自己的特质 / 021
第二章
自动化的威胁
机器人使美国强大 / 024
更广泛的经济 / 026
技术进步周期 / 027
几乎免费的劳动力 / 030
最低收入保障 / 033
硅谷国王的崛起 / 035
行动方案:重新评估自己 / 039
第三章
助力弱势群体
历史善待弱势群体 / 042
用技术消灭弱势 / 044
技术在行动 / 046
做技术的早期采用者 / 047
行动方案:确定目标,选择方案 / 050
第四章
寻求实用的教育
文凭 / 052
文凭重要吗? / 053
基于授课的教育的灭亡 / 054
重要信息 / 058
行动方案:找到来自非传统渠道的培训机会 / 059
第五章
将知识转化成智慧
专家决策支持系统 / 063
机器人只是工具 / 068
虚拟机器人 / 069
人工智能与人类智慧 / 071
行动方案:合理利用专家决策支持系统;提升慧商 / 073
第六章
培养你的人情味
跟随你内心的罗盘 / 076
什么是人情味? / 077
符号中的象征意义 / 078
感情 / 079
智慧 / 081
数据、事物和人 / 082
行动方案:你的生物罗盘正在将你指向何方? / 086
第二部分 创业精神
第七章
像创业者一样思考
攻其一点,马上行动 / 092
私人服务还是大宗交易 / 093
雇用机器人 / 094
资金 / 096
概念验证 / 097
未来纳税 / 099
行动方案:如何像创业者一样思考 / 104
第八章
创造性优势
逻辑的局限性 / 108
原创内容 / 110
建立个人关系 / 112
创造价值 / 114
创造力成功的关键因素 / 115
幸福感与人情味 / 117
行动方案:追求幸福来提升创造能力 / 118
第九章
经济学入门
四种生产要素 / 119
资本 / 120
土地 / 120
劳动力:在等式之外 / 121
创业精神与富于创造力的人情味 / 122
行动方案:核算自己的财富状况 / 126
第十章
将人情味化为金钱
应用经济学 / 128
通勤思维实验 / 131
概念唯一的简历 / 132
自由职业者 / 134
行动方案:证明自己的创造力 / 137
第十一章
未来的职业机会
白领与蓝领 / 138
预测制造业走势 / 141
在企业结构外思考 / 141
解决问题 / 142
医学界的机器人 / 143
新兴经济体中的机器人诊断 / 145
克服制度阻力 / 148
拥抱创新 / 149
行动方案:估算自己的潜在收入 / 151
第三部分 积蓄
第十二章
像积蓄者一样思考
经济现实 / 155
拥有增值资产 / 156
观察变化中的市场条件 / 159
收入不均衡 / 160
行动方案:我的积蓄够吗? / 164
第十三章
房地产
购买房地产的经验法则 / 166
可居住区的增加 / 167
室内农业和土地用途 / 169
迁移到偏远地区 / 173
下降的房地产价值 / 176
行动方案:买房还是租房? / 178
第十四章
债权工具(债券)
债券利率预测 / 180
准入门槛的降低 / 182
上升的利率 / 183
行动方案: 你的债券是“垃圾债券”吗? / 185
第四部分 投资
第十五章
像投资者一样思考
积极投资不是投机 / 190
泡沫的形成 / 191
规避“前沿”技术 / 195
重要信息 / 198
行动方案: 投资不等于投机 / 199
第十六章
商品
短期投机 / 200
长期对冲通货膨胀 / 201
通胀与通缩的拉锯战 / 202
技术对商品价格的影响 / 203
行动方案:如何投资商品 / 209
第十七章
公司所有权(股票和交易所交易基金)
股票还是交易所交易基金? / 214
降低特定行业股票风险 / 217
辅助机会的赢家 / 220
关于股票的最后几句话 / 223
行动方案:我应该如何投资? / 224
结束语 机器人来了 / 225

高通展示人工智能图景 AI的未来在哪?

集微网6月6日报道(记者 张轶群)从骁龙820到骁龙845,高通基于智能手机端的AI平台已经演进了三代,而在AI领域的研究方面,高通已经有十年的积累。

目前,高通正积极在智能手机、物联网、智能汽车等领域推进其终端AI策略,同时加速AI创新技术的研发,构建AI生态。在高通近日举办的人工智能峰会上,相关部门的负责人分享了高通技术在支持AI方面的发展策略、进展以及用例,呈现出高通在AI领域的全景图。

智能手机AI关注视觉、语音、AR三方面

作为移动通信领域的巨人,高通在推动移动通信技术、智能终端发展上做出了巨大贡献。历经十余年的发展,尽管智能手机市场的增速正在放缓,但随着物联网、5G等时代的到来,智能手机的核心位置再一次凸显。

预计在2018-2022年,智能手机累计出货量将超过86亿部。这意味着AI技术在智能手机领域的广泛应用有着广阔的空间。智能手机是人工智能进行相关创新的最大平台。如今,手机厂商在AI领域的厮杀热度已经可以说明这一点。

据高通产品管理总监Gary Brotman介绍,在智能手机AI领域,高通重点关注三个方面:

一是视觉AI领域。从目前手机厂商应用AI的情况看,视觉方面的AI最多,如面部识别、解锁、支付,以及智慧摄像、美颜等等,一方面视觉AI技术相对成熟,另一方面,手机用户在这方面的体验需求较高。

二是AI语音,利用声音与智能终端交流对话,更好的互动。

三是增强现实(AR),该领域对终端密集计算能力要求较高。通过AR,利用周围的环境,实现智能手机上所有传感器的共同支持,以虚拟和现实融合的方式,即时提供娱乐、教育和提醒服务等。

近三年,基于智能手机端的AI平台,高通已经推动AI技术演进了三代。在这一过程中,随着AI算法架构的不断进化,平台的功能和能力也随之变得丰富和强大,同时高通也在逐步构建AI生态的开放性。

第一代AI平台是骁龙820。研究人员和商业开发者可在CPU上运行神经网络,比较典型的就是运行Caffe。Caffe是当时最主流的架构,是商用领域很多相关研发的基础,可以直接把神经网络训练放在终端的CPU上进行。

第二代是骁龙835,引入了神经处理引擎SDK。通过与Google和Facebook的深入合作,针对两者提供的框架进行了优化,在终端侧支持TensorFlow和Caffe2。这给予了开发者极大的便利,可以根据自己的需要,选择合适的硬件内核支持AI运算。

去年12月,在高通推出的骁龙845上,集成了第三代AI技术,对每一颗内核的计算能力都进行了扩展,同时也扩展了对于更多神经网络框架的支持。一方面,通过直接与神经网络框架供应商合作;另一方面,也支持了ONNX交换格式,能轻松地为开发者提供更多灵活性,无需担心底层硬件支持何种网络的问题。

高通人工智能引擎AI Engine由一系列硬件与软件组件组成,旨在让终端侧AI为开发者带来高能效和灵活性。硬件上,通过对CPU、GPU和DSP进行优化,可以满足不同AI应用场景对功耗、神经网络、工作负载和能效的需求。

在软件方面,通过SDK,可以支持Android NN环境,它还支持Hexagon NN,如果开发者选择使用Hexagon DSP来做开发,Hexagon NN库就可以专门针对某一内核进行优化以实现最优的能效比。所有这些为开发者以及客户带来极大的灵活性,并有助于他们实现性能最大化。

从行业来看,目前只有海思的麒麟750单独设置了AI单元NPU,而高通、联发科仍采用分布式计算的方式。Gary Brotman认为,智能手机AI体验不能仅仅依靠一个特定的内核,更重要的是需要多种架构、多种工具,目前分布式架构能够充分应对智能手机对于AI功能的需求。

AI语音个人助理:变革性用户交互界面

人工智能的很多重要用例都需要各方面能力的支持,在视觉AI成熟之后,AI的下一步被认为是AI语音,个人数字助理也成为重要用例之一,如手机端的语音助手、智能音箱等等。

在高通人工智能研究项目负责人兼工程技术高级总监侯纪磊看来,实时是个人助理很重要的特性,以随时为用户提供服务。从能效的角度看,个人助理始终在线的特点对模型的高效性有非常高的要求。在个性化方面,如何在听觉、意图和行为的层面提供非常个性化的服务,也是个人助理对个性化方面的重要需求。在学习方面,我们希望个人助理不断了解个人行为、不断调整模型,并在终端侧进行学习和训练。从系统架构来看,情景感知是人工智能助理的重要特性,而推动传感器多模态学习和多模态融合,是其未来能力体现的重要角度。

语音交互是个人助理非常重要的关键部件。语音是我们一直期待的变革性用户交互界面,尤其是在hands-free(不使用手去触及终端)的应用场景中。语音界面对于打造真正的虚拟助理非常重要。语音交互界面可以支持四个非常重要的特性。第一,始终开启,需要始终在线、始终准备好提供服务。第二,对话式,个人助理不是死记硬背一些命令,而是能够进行非常自然和流畅的、多轮次的正常交流。第三,个性化,个人助理如何识别词句,并清晰理解意图,这也是语音交互界面非常重要的一个方面。第四,私密性,不用把数据传到云端,而是在终端进行很多处理,也是语音交互界面将来发展的一个重要的方向。

其实,语音交互作为一个研究方向,已经存在了超过50年的时间,为什么最近几年突然变得火爆?侯纪磊指出,在大概20多年前,机器学习的方式还是传统的机器学习,而不是今天说的深度学习,那时通过高斯混合模型,已经能够达到一定的性能指标。而随着深度学习的出现和挖掘,卷积神经网络和递归神经网络不断被应用到语音交互界面场景,出现了一个非常重要的趋势是:语音识别的性能指标将很快接近甚至超越人类的准确率。

“当这个重要的阈值被突破,很快大量消费类、企业类、工业类等语音交互应用场景和商业模式会被挖掘出来。”候纪磊说。

另一个非常重要的趋势是,语音交互功能正从云端向终端侧快速迁移。今天,从商用而非研发层面看,语音交互还更多是一个以云端为中心的架构。即使在这种情况下,出于对低功耗、实时的考虑,语音交互所需的一些功能如语音降噪和语音激活都已经在终端侧进行处理。从云端到终端侧的迁移是一个渐进的过程,很快包括语音识别、自然语言理解以及文字转语音(TTS)在内的更多功能会逐步演进到以终端侧为中心。由机器学习驱动的端到端解决方案正在推动语音交互向终端侧迁移的趋势。
候纪磊表示,语音交互由云端向终端演进在于隐私、及时响应等优势。而未来语音交互长远的发展方向应该是云端跟终端紧密结合。模型训练、模型更新、知识库应用以及一些更宽泛的服务,在云端进行处理可以跟终端进行更好的互补。

AI为物联网与智能汽车带来的机遇与挑战

如今,许多支持终端侧人工智能的物联网终端已经推出市场,包括智能扬声器、智能助理、智能摄像头、家居枢纽、智能吸尘器等等。例如,在家居枢纽中,智能扬声器和智能助理应用了语音智能。在联网摄像头中应用了图像分类、物体分类和面部识别。在机器人方面,例如智能吸尘器应用了躲避障碍。总体而言,终端侧人工智能正迅速发展,为物联网提供强劲的动力。

高通资深产品经理Shardul Brahmbhatt介绍,高通的技术支持面向物联网的终端侧人工智能用例,总体来说分为三大类:视觉、音频和传感器处理。

Brahmbhatt介绍了两个用例,一是在企业级安防领域,利用人物检测、面部识别和面部检测来识别、评估进入公司大楼的员工和非员工,以确保安防系统的预警信号在终端侧就可以被发送出去,而不用再回到云端进行处理。另一个用例是智慧城市。在这个用例中,终端侧人工智能可以帮助进行车牌识别、碰撞事故预警、以及交通状况监测等。

今天,无论是传统车厂,或很多新的互联网公司,以及很多新兴独角兽企业都希望能够掌握未来汽车市场。关于汽车的未来,高通确定了三大方向。第一,使汽车与万物互联。无论是今天的4G,还是未来的5G,到2021年超过70%的汽车将支持车联网。许多国内外大型车厂在今年或明年就将实现百分之百的车联网覆盖。第二,变革驾驶员和乘客的用户体验。多年来,汽车的信息娱乐平台已从无屏快速发展为大屏和多屏,实现了全数字化和多操作系统,同时提供丰富的云端服务和内容交互。第三,为未来自动驾驶铺平道路。

据高通产品市场高级总监叶志平介绍,目前,主要汽车制造商均采用高通的技术和解决方案。在连接技术方面,高通是全球最大的车载信息处理和汽车蓝牙供应商,拥有超过十年的经验。

“高通领先的下一代顶级信息娱乐方案已被多款将于2019-2020年实现量产的汽车采用,也就是从大屏到多屏以及多操作系统。2017财年,Qualcomm赢得25个全新车载信息处理和信息娱乐设计。全球前25家顶级汽车制造商已有14个品牌选择在其汽车信息娱乐设计中采用骁龙汽车平台,在它们的下一代汽车上进行量产。2019年和2020年,第一代骁龙820汽车处理器将会进入量产。”叶志平说。

同时,叶志平指出,一系列汽车人工智能的挑战和要求需要面对。首先是安全性,汽车将拥有许多用户隐私数据,例如人脸或指纹。其次,汽车的人工智能必须能够即时响应,例如在自动驾驶状态,时延必须大大降低。第三,实用性及可靠性,无论在任何状态人工智能必须能够运行,尤其是在一些没有网络覆盖的区域。最后,还存在热效率和能效的挑战。

叶志平表示,通常涉及人工智能的功耗将高达100瓦,汽车则超过60瓦,服务器(sever box)的设计要求超过60瓦必须配备冷却系统。对于展示而言目前的设计是可以的,而要将具有合理性价比且不会浪费车内空间的自动驾驶汽车实现真正量产,目前的技术还无法实现。随着越来越多电动汽车开始上市,耗电和电池里程也是一个比较大的考量。(校对/范蓉)

把握AI机遇需要思考的9个关键问题

如今,科技公司的人工智能解决方案面临着一个很大的瓶颈,那就是这些解决方案没办法像商品一样,以可控的成本,进行大量的创造和复制。卡耐基梅隆大学机器学习和医疗中心主任邢波认为,想要实现靠谱的、有用的人工智能,必须要跨越手工作坊制作,采用标准化的工业量产模式。就好比造车,先把零件弄好,然后产生一个供应链,最后进行组装。邢波在“混沌大学”的课堂上,介绍了成熟的AI架构者要学会思考的9个关键问题。

第一,建立一个完整的,并且在工程上可信的解决方案,而不是一个玩具或者展示原型;而且,这个体系应该是一个插件式的平台,就像你做一个汽车生产线一样,产品升级,更换零件或者更换局部就可以,不用拆掉整个产品线重来。

第二,要有可复制性,别人也可以用,而且也可以做出来。

第三,在经济上要有可行性

第四,要能适用于各种用户的特殊状况。举个例子,比如波音公司生产飞机,不需要为每个客户造一架不同的飞机,只要提供基本的飞机引擎、机身、操作软件等就可以了。换句话说,用户的个性需求和生产商提供的解决方案,两边应该在中间相遇,而不是在某一端相遇,这是现在人工智能比较稀缺的设计思路。

第五,结果必须是可以重现的。

第六,要理解解决方案是如何建构起来的。

第七,要有可解释性,尤其是出现意外结果时,知道哪儿出了问题。

第八,要能交流结果,让大家也能重现你宣称的结果。

第九,清楚什么能够做到,什么不行。邢波举例说:“我可以告诉你,我在5年之内不准备坐自动驾驶车,或者我强烈要求自动驾驶车有方向盘,我自己得握着。为什么呢?因为作为一个研发者,我很清楚,现在很多算法(包括深度学习算法)里的因果性,还没有搞清楚。”

观点:当下人工智能只是一个“黑盒”

在5月8日的谷歌年度开发者大会上,谷歌语音助手Google Assistant打电话帮用户预约剪发服务和预定餐厅的录音让人印象深刻。同样,微软的人工智能语音助手小娜也能够预订会议室,和与会人员打招呼。不过,在微软全球资深副总裁、微软亚洲研究院院长洪小文看来,如今的人工智能无法进行归纳和理解,只知道根据输入导出结果。接受《21世纪经济报道》采访时,洪小文说,目前,人工智能对语音的反馈包括三个阶段:识别、理解和提供服务。当下人工智能的主要难点在于“理解”,因为需要人工智能去理解的内容本身拥有无穷的组合,没有精确的模型,于是就无法用建模的模式去解决。

洪小文说:“今天,无论是语音识别、文本翻译、或是计算机视觉等技术所支撑的人工智能,都没有真正理解信息的含义。它们只是在匹配预设的模型。”他认为,今天的AI只是一个黑盒,也就是说,人工智能无法归纳和理解,只知道根据输入导出结果,但“理解”这件事本身是一个白盒,也就是人类拥有的能力:不仅理解了接受的信息,还可以对本身不了解的信息进行猜测,部分理解其含义。这点对于今天的AI来说非常难,需要更新的技术才能解决。

不过,黑盒也有自己的好处。洪小文介绍,从某个角度来说,黑盒不会存在偏差,是什么就是什么,非常公平。一些推理过程中需要白盒的系统,但这种推理存在着某种既定立场,比如人们对有争议的问题多少会有一些偏见,这些偏见来自于每个人的既定立场。在这些立场下推理出的东西必然会有所偏颇,但黑盒就不会,怎样输入就怎样输出。

洪小文认为,当前的合理状态应该是人工智能+人类智能(AI+HI),AI致力于流程性分析,人类负责深度分析、理解和创造。

人工智能会颠覆哪些行业

第一,人工智能会对很多行业造成冲击,尤其是物流业和咨询业。让我们先关注物流业。一个好消息是,高盛预计,人工智能会把物流成本降低至少 5%,并将在未来 10 年带来 250 亿美元的额外利润。这将对这一门竞争激烈的低利润生意造成很大的影响。

麦肯锡全球研究所(McKinsey Global Institute)负责人认为,在不久的将来,金融,人力资源,客服等行业都会被重塑。

第二,人工智能可能会导致垄断企业崛起。目前,很多人工智能服务商都在竞相打入各个行业。然而,如果一家技术公司在人工智能领域取得了重大突破,那么它就有了领先优势,可以将其它公司挤出赛道,减少市场竞争。

第三,尽管人工智能听起来很好,对大部分公司来说,拥抱人工智能仍然是一个非常艰难的决定。根据 MIT 的《斯隆管理评论》和波士顿咨询公司的数据,85% 的公司认为人工智能会给他们提供竞争优势,但实际情况是,平均20家企业中只有1家企业“大规模”部署了人工智能。

如果这些公司在人工智能的早期投入太多资金,他们会面临过度投资的风险,或者将大量资金投到毫无价值的公司,就像很多人在互联网早期做的那样;但如果他们等的太久,他们有可能会面临来自新兴公司、或者比他们更快利用科技的竞争对手的挑战。

谷歌人工智能研究部门主管杰夫·迪恩( Jeff Dean)认为,世界上有 1000 万个公司组织存在可以由机器学习解决的问题。他们拥有数据,但员工中却没有相关的专家。也就是说,即使谷歌亚马逊等科技公司为客户提供了相应技术,这些公司也缺少可以利用这些技术的人才。

因此,这些科技公司向客户的机器学习专家提供免费的开源库,用来设计支持人工智能的程序。目前,谷歌已经开设了一个咨询服务与技术训练营结合的“高级解决方案实验室”。客户公司的整个团队都可以参与学习机器学习技能,并与谷歌工程师一起构建定制系统,这些课程通常持续四个星期到数月。这也是为什么, 这些云服务供应商会和传统的管理咨询公司“抢饭碗”了。

《经济学人》杂志在专题结尾用一句话进行了总结:过去的互联网浪潮淹没了一些企业,现在人工智能热潮下的后知后觉者也不会好过。

文章来源:“经济学人:拥有数据技术优势的谷歌、亚马逊等巨头可能会从麦肯锡、波士顿咨询手中接管业务”、“经济学人「AI商用」特辑一: AI并购金额两年猛增26倍, 中国对隐私关注度逊于西方”、“经济学人「AI商用」特辑二: 算法打响的成本之战”、“经济学人「AI商用」特辑三: 客服与销售人员的职能转变”,见于微信公众号“机器之能”。

产业应用

手机AI未来的机会:孵化下一种流行应用

就目前来看,AI给手机带来的基础能力提升主要可以体现在四个方面:

一、视频和直播:大家都知道,AI正在改变我们理解和处理视频的方式。在通过AI芯片进行实时运算,在手机视频中进行人脸与手势、人体姿势识别,以及人像分割、视频风格化等操作正在变为可能。

二、AR:在手机上进行更好的增强现实体验,无法离开AI的帮助。深度估计、光线估计、环境理解等算法价值,能够帮助更符合市场预期的AR出现。而这些能力,又不仅仅作用于AR。

三、摄影:AI进行拍照风格化和人像深度处理,已经并不新鲜。接下来用AI进行图像增强,处理光影拍摄和动态捕捉会成为新的亮点。

四、识别:用AI来识别文字和商品、景物等等,正在成为新的热点。这方面能力可能给很多手机应用带来新的机会。比如拍照翻译、手写文字识别与辨认、文字情绪识别等等,能广泛应用于翻译、输入和社交领域。而图片分类、图像超分辨、物体识别等,又可以作用于自媒体、社交网络和购物。

人工智能的10大趋势,抓住风口ALL IN,再不看看我们都要下岗了!](http://ai.51cto.com/art/201804/571240.htm)

2017年,中国人工智能初创公司投入在全球占比48%,并首次超越美国占据榜首。2018年,据CBInsights预测,就人工智能创业公司和总股本交易数量而言,美国在全球仍将领先,但其正在逐渐失去全球交易主导地位。

趋势一 中国潜力爆发,撼动美国主导地位
趋势二 制造业工人或迎史上最严峻失业潮
趋势三 人工智能无处不在,机器学习无所不能
趋势四 网络安全和传统防御世界的逐步融合
趋势五 语音识别技术的春天
趋势六 人工智能“边缘化”

017年,人工智能被逐渐带入应用边缘,即将更小的设备和传感器运行在更靠近计算网络外围的地方。换句话说,人工智能可能「藏在你的耳机里」,而非安置在云端或智能手机上。

举例来看,苹果公司发布A11芯片,其中包括适用于iPhone 8和iPhone X的“神经引擎”。苹果称,其可以每秒600B的速度执行机器学习任务,并支持FaceID 等诸多新功能。具体来说,该“神经引擎”可以用不可见光线扫描用户面部,且无需在云中上传或存储任何用户数据。此外,英特尔发布了一款名为Myriad X设备的视觉处理芯片(最初由Movidius开发,英特尔于2016年收购)。英特尔称,其可将智能手机的深度学习技术应用于婴儿监视器和无人机等设备。

而人工智能的边缘化应用还远不止于此,智能家居、自动驾驶等诸多热门领域中,都有它的身影(如下图)。

人工智能边缘化缩短了响应时间(图片来自CBInsights报告)

2018年,人工智能边缘化应用也将成为各大厂商研发的重点。如果说人工智能的核心技术落脚点在于“智能”,那么,边缘化技术的探索或许就是为了让它离“人性”更近吧。

趋势七 18亿美元白投了?亚马逊、谷歌垄断加剧

近年,Google发布Cloud AutoML。客户可使用自定义数据训练算法,以满足特定需求;亚马逊开始在其AWS旗下销售“AI-as-a-Service”和“亚马逊人工智能”,致力于服务小型开发人员,使其前期成本为零。此外,亚马逊发布了可以像API一样工作的产品,并允许任何开发人员访问Lex(Alexa内部的NLP),Amazon Polly(语音合成)和Amazon Rekognition(图像分析)。

面对如此强大的巨头竞争对手,小企业夹缝中求生存恐怕会成为伪命题。

趋势八 最为盛行的“卷积神经网络”被颠覆

神经网络有着不同的架构。目前,深入学习中最为盛行的一种叫做卷积神经网络。如今,一种新的架构——胶囊网络已经出现,并有望在多个方面超越卷积神经网络。

长期以来,卷积神经网络尽管取得了成功,但学者普遍认为其仍存在缺陷,可能导致安全缺口。基于此,深度学习的先驱研究人员之一Geoffrey Hinton于2017年发表研究论文,介绍了“胶囊网络”的概念。目前,该论文仍处于审查阶段,需要在实际情况下进行测试。但其阐述的概念已在科技界引起了巨大轰动。业内人士预计,一经验证,其将颠覆时下最为盛行的“卷积神经网络”。

据悉,胶囊网络将允许人工智能识别数据较少的图像模式,且不易受到错误结果的影响。例如,其可以识别出,当下图右侧的面孔特征重新排列后,它不再是一张脸。这是卷积网络所不擅长的。

胶囊网络测试结果(图片来自CBInsights报告)

卷积神经网络的另一个问题是,其无法智能应对输入数据的变化。例如,用户必须用不同角度或视角的相同对象的图像对卷积神经网络进行训练,以识别所有变化。因此,它需要大量的训练数据来涵盖所有可能的变化。而胶囊网络则不同。该技术只需要较少的数据,且会将对象的相对位置和方向纳入考虑。

以上种种表明,该论文一旦经过验证,必将在人工智能领域掀起一场巨大风暴。而这能否在2018年上演?我们拭目以待。

趋势九 百万年薪人才争夺战将愈演愈烈
趋势十 机器学习资本狂欢落幕

2017年,是机器学习的狂欢巅峰。 投资者向各行业的机器学习创业公司投入超152亿美元,比2016年增加141%。一年间,美国孵化器吸纳了300余家机器学习创业公司,比2016年增加了3倍。

2017年人工智能(机器学习)企业融资额大幅增长

而2018年,这场狂欢即将落幕。机器学习的正常化将使投资者对其投资的人工智能企业格外挑剔。正如16z的Frank Chen所述,“几年之内,没有投资者会去寻找机器学习创业公司。它将被认定为‘为初创公司产品提供动力的必要工具’。”

与此前的诸多“过气风口”类似,机器学习将很快不再新鲜。 而2016年之后出现的大批人工智能创业公司将何去何从?恐怕只有强大的商业模式才能使其活力长存。

引援百度董事长兼CEO李彦宏在中国IT领袖峰会上的发言:“我们这一代人整体来说都是很幸运的,所以不用找风口。我从2000年回国到现在,这15年来时时都处在风口,吹得我难受,各种各样的机会。 如果大家都想找捷径,每个人都是这种思维方式,其实是很危险的,整个社会不应该鼓励大家去找这种捷径。”

至于技术革新方面,阿马拉法则早就指出了——我们往往会高估技术的短期影响力,却低估技术的长期影响力。或许所有以产品模式为导向的热潮都是伪风口,但技术本身没有错。人工智能亦是如此,若能在多次泡沫后最终走向落地,大浪淘沙后留下的企业和产品必将发光。

亿欧智库:2018人工智能助力法律服务研究报告

报告下载:https://pan.baidu.com/share/init?surl=ID_7ScPLq-U9_Wz3tngCag
提取密码: d91y

亿欧智库:2018人工智能赋能教育产业研究报告

链接: https://pan.baidu.com/share/init?surl=2NtPI3dKrIwkfdkGhkZunQ
密码: h56j

参考资料

智能时代

aiera20180424.jpg

第一章 数据—人类建造文明的基石

如果我们把资本和机械动能作为大航海时代以来全球近代化的推动力的话,那么数据将成为下一次技术革命和社会变革的核心动力。

现象、数据、信息和知识
数据的作用:文明的基石
相关性:使用数据的钥匙
统计学:点石成金的魔棒
数学模型:数据驱动方法的基础

第二章 大数据和机器智能

在有大数据之前,计算机并不擅长于解决需要人类智能的问题,但是今天这些问题换个思路就可以解决了,其核心就是变智能问题为数据问题。由此,全世界开始了新的一轮技术革命——智能革命。

什么是机器智能
鸟飞派:人工智能1.0
另辟蹊径:统计+数据
数据创造奇迹:量变到质变
大数据的特征
变智能问题为数据问题

第三章 思维的革命

在无法确定因果关系时,数据为我们提供了解决问题的新方法,数据中所包含的信息可以帮助我们消除不确定性,而数据之间的相关性在某种程度上可以取代原来的因果关系,帮助我们得到我们想知道的答案,这便是大数据思维的核心。

思维方式决定科学成就:从欧几里得、托勒密到牛顿
工业革命,机械思维的结果
世界的不确定性
熵—一种新的世界观
大数据的本质
从因果关系到强相关关系
数据公司Google

第四章 大数据与商业

在未来我们可以看到,大数据和机器智能的工具就如同水和电这样的资源,由专门的公司提供给全社会使用。

从大数据中找规律
巨大的商业利好:相关性、时效性和个性化的重要性
大数据商业的共同点—尽在数据流中
把控每一个细节
重新认识穷举法—完备性带来的结果
从历史经验看大数据的作用
技术改变商业模式
加(+)大数据缔造新产业

第五章 大数据和智能革命的技术挑战

大数据的数据量大、维度多、数据完备等特点,使得它从收集开始,到存储和处理,再到应用,都与过去的数据方法有很大的不同。因此,使用好大数据也需要在技术和工程上采用与过去不同的方法。

技术的拐点
数据收集:看似简单的难题
数据存储的压力和数据表示的难题
并行计算和实时处理:并非增加机器那么简单
数据挖掘:机器智能的关键
数据安全的技术
保护隐私:靠大数据长期挣钱的必要条件

第六章 未来智能化产业

现有产业+机器智能=新产业,未来的农业、制造业、体育业、医疗、律师,甚至编辑记者行业都将迎来崭新形态,新产业将取代旧产业满足人类的个性化需求,大数据将导致我们整个社会的升级和变迁。

未来的农业
未来的体育
未来的制造业
未来的医疗
未来的律师业
未来的记者和编辑

第七章 智能革命和未来社会

在历次技术革命中,一个人、一家企业,甚至一个国家,可以选择的道路只有两条:要么加入智能浪潮,成为前2%的人,要么观望徘徊,被淘汰。

智能化社会
精细化的社会
无隐私的社会
机器抢掉人的饭碗
争当2%的人

BCG联合MIT:“将AI照进现实”企业行动指南

0%