被区块链夺去关注后,人工智能还有四个看点值得关注

过去的这个中国春节并没有重磅的突发新闻,也让很多科技媒体人,当然也包括我,有了喘口气的时间,陪伴家人度过了一个开心的假期。

但一个很残忍的事实依然不能忽视:2018 年几乎已经过去了 1/6。而 2018 年的头两个月里,区块链已经完美「代替」了人工智能的角色,成为全民热议的话题——也正如我在早先几篇会员计划里所言,摆脱了聚光灯效应后,我们可以更理性地去分析人工智能到底能给我们带来什么。

[wcm_restrict]

这其中,首先要明确一点,那就是人工智能的局限性几乎是无解的。所谓「无解」,可以简单理解为,如果以现有的机器学习、深度学习的发展潜力来看,人工智能只能局限于解决「从 1 到 10」的效率问题,而无法解决「从 0 到 1」的问题。

数据科学家 Jesse Paquette 在 Medium 上用一个非常形象的比喻来说明这个问题:「AI lives in water, yet it doesn’t know what water is.」

img

他对此做了进一步解释:

For example, AI trained to autonomously design a new office chair isn’t able to conceive of the ergonomic advantages of the standing desk. It doesn’t know what a chair really is — all it knows is the 3D shape of chairs as defined by its training data.

如果把这个局限再延伸,或许我们会更悲观地看到,在面对当下困绕人类命运的重大难题,比如粮食、贫穷、环境时,我们看不到任何所谓人工智能、深度学习的影子。

不过,倘若我们将视野回到这个行业,在经过过去两年疯狂的话题炒作、巨额资本流入之后,这个行业依然给了我们诸多希望——这些希望或许并不能拯救世界,但至少会改变世界。[/wcm_restrict]

机器取代人类的争议可以休矣

伴随人工智能 60 多年发展的一个争议是,机器智能是否会让人类失业?这个命题在最近三年开始变得异常突出,李开复上周在MIT 科技评论上撰文指出一点,科技公司们应该承认人工智能正在摧毁某些职业,他在文章的开头写道:

I took an Uber to an artificial-­intelligence conference at MIT one recent morning, and the driver asked me how long it would take for autonomous vehicles to take away his job. I told him it would happen in about 15 to 20 years. He breathed a sigh of relief. “Well, I’ll be retired by then,” he said.

Good thing we weren’t in China. If a driver there had asked, I would have had to tell him he’d lose his job in about 10 years—maybe 15 if he was lucky.

具体来看,人工智能各项技术在蓝领工人和白领工人的推进速度几乎是同步的,但我更愿意将其看作是一种新型的人机协作。在美国的亚马逊仓库里,无处不在的机器早已成为人类员工的助手,这些机器可以是「搬运工」,如下图所示的 Kiva 机器人,从这个角度上看,亚马逊的仓库就是一个人机协作的标准场景:人类负责「创造」,机器负责提升「创造」的效率。

img

在 2017 年的双十一期间,阿里巴巴开展了围绕机器进行「创造」的一系列实验,比如双十一期间的商品海报生成系统「鲁班」。根据阿里巴巴的官方数据,「鲁班」当天生成了 4000 万个商品海报。

这个数字至少说明了两点;其一,很多有一定「创造性」的白领工作正在被机器所替代,以设计简单海报为例,一个数量设计师可能会花费 20 分钟完成设计,那么一天内又能设计多少呢?其二,随着门槛较低的创造性工作被机器取代,人类员工会越来越集中到高等级的技能、创造力竞争之中

再比如,随着机器翻译的成熟以及自然语言理解技术的快速发展,类似入门级别的翻译、只会跑发布会的记者,都会面临巨大的就业压力。下图是一副不同领域里的创业公司,这些公司针对各自领域,提供了一系列自动化的解决方案,其落脚点就是让机器取代一部分人。

img

所以,在接下来很长的一段时间内,我们必须接受一个事实:机器正在以前所未有的速度成为众多职业的「入门从业者」。人类所能做的,只能在自身行业里努力向上,别无他法。

边缘智能或终端智能的普及

在芯片技术进步的大背景下,人工智能的各项能力也在下沉到边缘或终端。我曾在多期会员计划里分析智能手机会成为一个重要的边缘智能产品,但自动驾驶汽车、可穿戴设备以及大量的物联网设备也会在未来迎来新的爆发机遇。

img

上图是 CBinsights 汇总的四大边缘智能产品,这些瞄准终端设备的智能产品,其出发点还是为了给用户提供更好的产品体验。以手机处理照片这件事来说,曾风靡一时的俄罗斯滤镜产品 Prisma 将图像处理能力放在云端,导致用户每一次处理图片都是通过本地和云端的数据交换才能实现,体验非常差。而当手机终端具备了上述能力,能够快速在本地完成处理任务,无论是功耗还是体验上都有巨大提升。

再来看看自动驾驶的案例,由于配置了无数个传感器,一辆自动驾驶汽车更像是一个移动的数据集合,而如果仅仅依靠和云端通信完成数据计算和处理,不仅效率低而且影响行驶安全,因此汽车边缘智能的需求更旺盛,或者更准确一点来说,汽车智能芯片市场的竞争会越发激烈。

这或许也可以理解为和英特尔会豪掷千金买下 Mobileye,这也成为英特尔在汽车领域,尤其是自动驾驶领域的重要棋子。而上图还揭示了英特尔的另一个重要芯片产品,Myriad X。这是一个更具通用价值的芯片,能够广泛应用在多个终端产品。

机器学习的炒作热潮已结束

在我进入 IT 领域不多的时间里,先后经历了大数据、云计算以及机器学习的炒作热潮。而到了 2018 年,机器学习的热度基本结束了,来看一组数字:

  • 2017 年,CBinsights 发现,全美创业孵化机构中,超过300 家创业公司为人工智能创业公司,这个数字是上一年的 3 倍;
  • 2017 年,人工智能领域的投资总额比 2016 年提高了 146%,达到 1520 亿美元

更具体的增长图如下图:

img

2017 年,a16z 合伙人 Frank Chen 曾提出一个判断

in a few years, no investors are going to be looking for AI startups

这个判断的假设是,随着机器学习的普及,人工智能正在成为一种全新的技术基础设施,所谓人工智能的创业,已经不具备任何想象空间。

Frank 的这个判断在大数据、云都经历了诸多验证,我也相信会依然适用于人工智能创业领域,一个显而易见的事实,进入 2018 年,中国投资风向已经转向了加密货币或者区块链,人工智能的创业已经不再流行。

不过,对于很多行业从业者而言,这股炒作热潮结束反而是一件好事,会促使越来越多从业者脚踏实地地做出一些东西。而且,我们也看到机器学习各个领域技术的落地速度也在不断加快。基于图像识别的医疗、安防,基于语音技术的智能音箱、家具,基于自然语言处理的机器翻译,都在企业级和消费级两个市场齐头并进。

企业智能的战场已经打响

最后来谈谈企业级市场。当云计算帮助亚马逊完成攻陷企业级市场之后,人工智能又会让哪家公司上位?

长期以来,Google 都远离企业级市场,但在 Google 发力公有云之后,人工智能成为其快速追赶微软、亚马逊的重要武器。2017 年年末和今年初,Google 先后发布了基于云端的 AutoML 以及基于云端的芯片产品 TPU。这意味着,Google 已经在云端搭建了一整个围绕人工智能的硬件和算法体系,即便是普通用户,也可以快速部署自己的人工智能项目。

与此同时,亚马逊也将「 AI 即服务」集成到 AWS 架构下,目前亚马逊已经已经形成了自然语言处理产品 Lex、语音产品 Polly 以及图像分析产品 Rekognition。

除此之外,微软、Salesforce 和甲骨文,都在将人工智能作为新一代产品的核心要素。而在中国,阿里云和华为云也将面临一场不可避免的鏖战,这场战役的会在未来 3 到 5 年持续影响中国企业级市场的走向。

而企业对于人工智能的需求,相比于追求各种炫技式的新技术,更看重其给自身业务带来的价值,这需要技术与实际场景的深度融合。比如,图像识别当然可以给大型制造业企业带来价值,但如何做却是另一个巨大挑战,我了解到的一个案例里,某个面向全球市场的制造业巨头,利用图像识别里的单据扫描,实现了产品出关、入关的单据自动化,这背后带来的效益非常可观。

综上,企业级市场的人工智能不会有太多概念或话题,各家公司目前拿出来的技术,也几乎就是各家人工智能(包括软件、硬件、服务)的全部,这个领域的变化,也会成为观察人工智能未来发展的重要切入口。