人工智能的投资逻辑范文

时间:2023-07-23 08:22:34

引言:寻求写作上的突破?我们特意为您精选了12篇人工智能的投资逻辑范文,希望这些范文能够成为您写作时的参考,帮助您的文章更加丰富和深入。

人工智能的投资逻辑

篇1

人工智能时代应运而生的过程,跟大数据的发展差不多,都是从信息获取到识别,到信息处理分析和反馈,再到最后的经验存储、格式化,以及循环的生态净化。毕竟,大数据、运算能力和产业应用都是人工智能发展的重要因素。当下人们关心的是,重大的产业机构是否会伴随着人工智能的发展同时到来?是否会同时产生聚集效应?这也是投资很重要的背后逻辑

中国的人工智能时代,实际上就是互联网和大数据时代的产业衍生。这是因为互联网前期的高速发展,从平面互联网到一维、二维,再到后面快速智能互联网的发展,整个进程都是循序渐进的。而中国人工智能时代的基础设施和基础条件,其实也是逐渐在成熟的。云计算、智能终端、大数据、宽带、传感器等产业链逐渐成熟,也推动着人工智能的快速爆发。

滴滴出行创始人程维曾在一次演讲中表示,互联网上半场互连的机会已经过去了,下半场就是人工智能。而分享经济,是未来20年整个互联网时代最大的发展趋势。新美大CEO王兴也曾在一次工作会议中提出,未来大的互联网企业,其实重点在运营。过去是做用户、做流量,接下来的重点就是做运营。把这个点做到极致,真正使互联网企业效率提高、成本降低、用户体验提升。而这三个部分要做好,其实跟人工智能有着重大的关联。互联网上半场连接人人的风口已经基本结束,互联网下半场运营提升和人机连接的风口正在开始。

中国人工智能应用的产业发展也是逐渐在深化,人工智能的类型大致分为3种。第一是数据挖掘和优化以助于精准营销部分的应用;第二是软件、硬件控制,推动工业4.0发展;第三是人机互动,包括智能客服、服务机器人等方面的发展。相对而言,这些是目前正在快速发展的。而未来更多应用的机会将出现在在线医疗、在线教育、车联网、无人机、工业4.0等方面。

互联网的下半场属于人工智能,这已经是大家的共识。但是,资本对互联网下半场的投资逻辑又是怎样的呢?

以启赋资本为例。即使目前在机器人、无人机方面布局不多,但启赋资本在在线医疗、在线教育、互联网酒店、酒店智能化应用和工业4.0等方面都有了充分的布局。与此同时,为了获取巨大的用户基础,启赋资本还投资了大量的产业互联网平台型公司。而在人工智能方面,一些能够早期布局的机会,也是比较珍贵的。

篇2

人工智能首先我想起了长期资本(LTCM)的故事。套利之父、债券之王、诺贝尔奖获得者一群精英的梦幻组合,于1994年创立了美国长期资本管理公司,主要活跃于国际债券和外汇市场,利用私人客户的巨额投资和金融机构的大量贷款,专门从事金融市场炒作。它与量子基金、老虎基金、欧米伽基金一起被称为国际四大对冲基金,一度取得骄人业绩。它以“不同市场证券间不合理价差生灭自然性”为基础,制定了“通过电脑精密计算,发现不正常市场价格差,资金杠杆放大,入市图利”的投资策略。最后因为俄罗斯金融风暴、公债违约导致公司几乎濒临破产。有人分析,它的问题出在历史数据统计的模型不能代替未来方向。实际上,我觉得,从更高层面来说,这是一种对社会现象能否进行数理分析的根本哲学问题。

篇3

机器超越人已不再遥远

从识别、感知、认知,到做决策、反馈,人工智能在过去五年有非常大的进步。博弈的例子有AlphaGO,感知的例子有微软小冰,决策的例子有Google Gmail的自动回复。

我在30多年前就做人工智能,可惜,无论对弈、语音识别、自然语言理解都没有生逢其时。因为当时机器不够快,数据不够多,算法不够先进。但是今天,它们够先进了。

机器学习最重要的一个突破是深度学习。深度学习,就是用非常大的神经元,用巨量的数据充进去训练。它可以在识别、分类或者预测方面,远远超过任何过去的算法。这个学习的算法特别适合巨大的数据量。

什么情况才能用人工智能?人工智能不是万能的,但满足以下条件,人工智能绝对可以做出特别有价值的产品:千万级别的海量数据;顶尖的科学家;非常清晰领域的边界;非常好的标注;非常多的计算量。

很多人说人工智能好遥远。其实不是,百度、淘宝、滴滴的背后都是一个人工智能引擎。一些过去认为比较遥远的,如图像识别、语音识别的比赛,机器已经超越人了。

人工智能的应用领域

一个创业公司的用户达到了千万级别的时候,肯定需要人工智能引擎。因为系统需要做一些判断和推荐:推荐什么商品给用户,该放什么样的广告。所以,做人工智能创业的,最好是已经有互联网数据的公司。

当然,还有很多公司是没有互联网数据的,这些公司也能创造价值。

哪些领域会最先呢?一定是数据最大、最快能产生价值的领域。如金融领域:银行、保险、券商、智能投库、AI量化基金,是最快能产生价值的。

哪些是对人类最有意义的?一定是医疗领域。癌症的检测、切片,基因个性化的治疗。

最大的一个领域应该是无人驾驶。当电动车、共享经济、无人驾驶三件事情同时发生的时候,人类经济会产生最大的提升和改变。以后我们出去打车,应该是随叫随到,人都不需要买车了,停车场也不需要了,路上的车也变少了,空气也变好了,这些都是一些会发生的很好的“副作用”。

最厉害的AI公司将是Google。当Google搜索里面的引擎被提炼出来成为一个Google大脑的时候,用在互联网领域就变成了Gmail的自动回复,变成了Google的搜索和广告;用在汽车领域就是GoogleCar;用在人的健康领域就成了GoogleHealth;用在围棋上就是AlphaGO。

百度大脑也是一个类似的项目。每个伟大的互联网公司都应该考虑:拥有大数据是不是也应该像Google一样,用更多的深度学习创造商业价值?

中国有特殊机会

当你要做人工智能的时候,我有几个建议:要有特别大的数据,最好是闭环的,只有你有,别人没有;要买很多机器,尤其考虑GPU;要有经验丰富的深度学习专家;最后要把年轻人训练起来。

为什么特别提到训练年轻人呢?因为一个优秀的数学和计算机专业毕业生,培训6个月就可以做人工智能工程师了。

因此,最领先的人工智能国家,当然是技术最领先的、论文最领先的、应用最领先的,而且也是年轻人最上进、最努力、最勤奋的国家。

中国有一些很特殊的机会。中国教育特别重视优秀的理工、数学底子,世界上的人工智能论文43%都是中国人写的。中国传统企业比美国落后,但这表示人工智能注入进去就会产生很大价值。在座每一个潜在的独角兽公司和快到独角兽的公司,如美图、知乎、BRPK,都在快速的招人工智能专家,帮他们提升价值。美国领先的公司,无论是Google、坦斯福罗,还是微软、CNTK、Facebook,在中国都很难本土化,这都是中国公司的机会。

人工智能时代的投资蓝图

创新工场在人工智能时代的投资蓝图包括以下几个方面。

大数据公司。谁有大数据,我们就可以做人工智能。

R别。语音、手势、人脸等识别会有很大的突破,但是自然语言的理解,即语义方面的突破,可能还需要5-10年。

传感器。传感器现在很贵, Google做辆车要几十万美元,但我深信三年以后价格就会降下来。所以,我们更愿意投资那些现在看起来很贵,但一旦量产价格就会降下来的公司。

家庭机器人。家庭机器人长的像人的,恐怕还需要近十年的时间。但是,一些智能音箱、工业商业的应用,可以快速发展起来。

无人驾驶。无人驾驶一定是先开始辅助人驾驶,然后人来辅助机器,最后才能达到全天候的驾驶。

我们投资的人工智能项目,比较著名的是FACE++,还有地平线机器人、小鱼在家、金融界的人工智能第四范式,以及玉石科技的无人车,它已经开始在园区里面上路测试了,连驾驶盘都没有,所以完全是无人驾驶的工作。

我们深信,十年以后回顾人类历史,人工智能不只是一个创业的机会,也绝不仅是一个移动互联网之后最好的创业机会,而会被认为是人类有史以来最好的创业、创新机会,对人类有潜在的巨大改变,对人类生活有最大提升的一种技术。(本文摘自李开复12月6日在WISE-2016独角兽大会上的演讲,有删改,标题为编者所加,未经本人确认。)

一周视点

李开新

360手机执行副总裁2017年不折腾

作为初创企业和新品牌,稳和好要比高和快更重要。天道酬勤,只要不折腾,有正确的方向和明确的定位,企业总归会成功的。

12月5日,360手机新掌门李开新接受媒体采访时表示,2017年的思路是稳健运营,不折腾,不去做一夜暴富的梦,认认真真专心做手机。

古永锵

优酷创始人、阿里文娱战略投资主席融合、链接是未来关键

用两个词来形容我看到的未来:融合和链接。抢用户、圈地这种逻辑在新的十年越来越难,但如何使融合和链接产生增值是企业需要考虑的关键。

12月6日,古永锵在WISE-2016独角兽大会演讲中说,未来是融合的时代,也是全球互联网的时代。文化娱乐将是一个重要风口,产生很多创业机会。

唐沐

篇4

咨询公司Venture Scanner统计,2016年全球人工智能公司已突破1000家,跨越13个子门类,融资金额高达48亿美元。

在这13个种类中,研究机器学习(应用)的人工智能公司数目最多,达260家,约占整个行业的30%。从区域分布情况来看,欧美等西方国家发展较为迅猛,其中美国以499家人工智能公司占据绝对主导地位,且初创公司数量众多;而以中国为首的发展中国家在人工智能领域显然仍处于起步阶段,真正布局该产业的公司较少,以传统互联网巨头进军人工智能领域为主。

目前较为成熟的感知智能技术(如语音、视觉识别的服务、硬件产品等)的应用开发所形成的新“人工智能+”将引领产业变革,成为推动社会飞跃发展的新动力。在传统产业,人工智能可以在制造业、农业教育、金融、交通、医疗、文体娱乐、公共管理等领域得到广泛应用,将不断引入新的业态和商业模式;在新兴产业,人工智能还可以带动工业机器人、无人驾驶汽车、VR、无人机等处于产业生命周期导入期的公司飞跃式发展。

从具体应用方向来看,如今十分火热的工业4.0、人脸识别、智能答题机器人、智能家居、智能安保、智能医疗、虚拟私人助理等人工智能概念是有望得到快速爆发的重点领域。目前人工智能在图像识别、语言识别和自然语言处理,以及人机交互、机器视觉、自动驾驶等方面都已经成功应用。

人工智能产业链中,基础层是构建生态的基础,价值最高,需要长期投入进行战略布局;通用技术层是构建技术护城河的基础,需要中长期进行布局;解决方案层直戳行业痛点,变现能力最强。

基础层公司 多为传统IT转型

人工智能基础层就是我们常说的大数据、云计算、CPU等。目前国内上市公司中在人工智能基础层方面相关的公司包括久其软件、东方国信、天玑科技、浪潮信息、恒生电子、拓尔思等。

恒生电子(600570.SH)2016年成立了恒生研究院,负责人工智能、区块链、大数据等前沿技术的研发。区块链课题,恒生电子作为发起单位加入了金融区块链合作联盟(金联盟),并加入了linux基金会hyperledGEr开源项目等。

久其软件从最初的软件提供商到移动互联和大数据运营的再次验证,未来定位基于高端客户资源大数据和移动互联网变现的不断执行公司。公司创立之初以报表管理软件切入,为政府提供结构化数据分析和整理,并进一步提供完整解决方案,现已发展成集大数据、集团管控、电子政务和移动互联领域软件于一身的大数据解决方案提供商,A股稀缺。

拓尔思(300299.SZ)大数据服务领域稀缺纯正标的。公司脱胎于北京信息科技大学中文信息处理研究中心,自1985年起便开始研究中文信息检索,目前公司已拥有大数据领域非结构化数据处理技术,在大数据分析领域具有较高的技术壁垒,从底层技术、平台产品到应用产品服务技术全产业链布局。随着非结构化数据的地位在整个大数据领域中的不断上升,拓尔思有望进入高速增长期。

科大讯飞(002230.SZ)是A股人工智能龙头,公司在以“从能听会说到能理解会思考”为目标的讯飞超脑项目上,持续加大投入,在感知智能、认知智能等领域均取得显著研究成果。

技术及应用层公司 靠智能制造落地

人工智能技术层主要涵盖了框架、算法、通用技术,目前人工智能算法大体上流行12种,这12种算法包括决策树、朴素贝叶斯分类器、最小二乘法、逻辑回归、支持向量机、集成学习、聚类算法、主成分析法、SVD矩阵分解、独立成分分析、关联规则、其他方法等。

人工智能算法通过AlphaGo与柯洁的人机大战,成为当前数据分析领域中的一个热点内容。目前通用的框架层:TensorFlow,Caffe,Theano,Torch,DMTK,DTPAR,ROS等框架或操作系统。作为投资者或者普通消费者更多的会关注通用技术如:语音识别、图像识别、人脸识别、NLP、SLAM、传感器融合、路径规划等技术或中间件,毕竟通用技术与我们日常生活习习相关,如你们平时所能看到的智能广告、智能诊断、自动写作、身份识别、智能投资顾问、智能助理、无人车、机器人等场景应用。

目前,A股市场有59家公司涉足机器人产业,部分公司通过收购进入这个领域。以昆仑万维为例,公司收购美国的机器人公司WooboInc.,致力于开发人工智能技术驱动的交互式机器人;在东方网力的18.30亿元增发方案中,1.57亿元拟投入智能服务机器人项目。

人工智能目前最看好生物识别,如远方光电和佳都科技。金融科技Fintech围绕IT与金融创新展开。虚拟的网络战争已经开始,IT安全有更大的弹性。无人驾驶里有四维图新和中海达。绕着人工智能产业链有很多投资机会,大数据是产业链发展起点,作为数据采集的关键通道,传感器至关重要,如汉王科技;云计算、大数据处理技术支撑上,国内FPGA(可编程性)稀缺标的紫光国芯;人工智能应用场景上防领域佳都科技、营销领域浙江富润等相关的上市公司。

篇5

第一,人工智能在特定约束条件下已具备超越人脑某个方面的能力,但综合来看仅仅相当于蠕虫的智能水平。近期,谷歌研发的人工智能AlphaGo围棋程序在与世界围棋九段李世石的对局中以4:1取胜。AlphaGo采用更为优化的深度学习神经网络,在规则已知和逻辑可控的棋类竞技中实现了对人类的超越。IBM的沃森机器人能够在几秒之内筛选数十年癌症治疗史中的100多万份患者病例记录,为医生提供可供选择的循证治疗方案。但无论是AlphaGo还是沃森都需要由人类预先进行知识分类和设计上的干预,并且“智能”的高低很大程度上取决于所学习先验样本的数量和准确性。因此,通用意义上的人工智能依然是一个漫长而复杂的过程,目前能够做到的更多是特定场景下人类某项大脑能力的延伸和对人类思维决策进行辅助。

第二,人工智能发展可分为不同层次,目前部分技术分支在行业中的应用已取得突破。人工智能发展层次可分为感知智能(语音、图像识别,自然语义理解,机器翻译,机器搜索等),认知智能(神经元芯片、深度学习算法、行为规划等)和自主智能(机器推理、决策和联想等)。感知智能方面,国外的谷歌、IBM、脸书、微软和国内的百度、科大讯飞等在语音和图像识别、机器翻译、大数据搜索等细分技术领域推出了一批有显著创新性的技术产品。认知智能方面,对神经元芯片、深度学习算法的开发主要集中在IBM、高通、谷歌为首的国际巨头以及美国“类人脑芯片”(SyNAPSE)、欧洲“欧脑项目”纳入的高校和科研机构中。由IBM主导的SyNAPSE项目预计在2016年内能够完成100亿神经元规模的计算机原型,但距离通用型、成熟型产品问世尚需较长时日。

第三,我国应积极应对人工智能发展新浪潮,以产学研用协同创新打造国际竞争新优势。近年来,美欧等国家在人工智能领域不断加大投入,开展专利布局,以技术和应用为纽带构筑产业生态。我国在人工视觉、语音语义识别等细分产业领域并不落后,但从全局来看,在人工智能基础理论、核心算法和产品成熟度、产业投资和人才队伍储备等方面与国外对比还存在明显差距。国外大企业重点攻关认知智能和自主智能,我国企业目前多集中在感知智能的低级阶段。

当前阶段,人工智能技术产业化发展应当从以下四个方面着手改进:

一是加强人工智能核心技术研发和产业化。制定人工智能产业技术发展路线图,在客观分析、科学研判的基础上,找准产业未来发展的薄弱点和赶超点。加大资金投入力度,重点突破自然语音语义识别、机器学习、智能搜索等关键技术,完善核心芯片、显示器件、智能传感器、开发工具与集成环境等产业链配套。

篇6

1.1机械电子工程的发展史

20世纪是科学发展最辉煌的时期,各类学科相互渗透、相辅相成,机械电子工程学科也在这一时期应运而生,它是由机械工程与电子工程、信息工程、智能技术、管理技术相结合而成的新的理论体系和发展领域。随着科学技术的不断发展,机械电子工程也变的日益复杂。

机械电子工程的发展可以分为3个阶段:第一阶段是以手工加工为主要生产力的萌芽阶段,这一时期生产力低下,人力资源的匮乏严重制约了生产力的发展,科学家们不得不穷极思变,引导了机械工业的发展。第二阶段则是以流水线生产为标志的标准件生产阶段,这种生产模式极大程度上提高了生产力,大批量的生产开始涌现,但是由于对标准件的要求较高,导致生产缺乏灵活性,不能适应不断变化的社会需求。第三阶段就是现在我们常见的现代机械电子产业阶段,现代社会生活节奏快,亟需灵活性强、适应性强、转产周期短、产品质量高的高科技生产方式,而以机械电子工程为核心的柔性制造系统正是这一阶段的产物。柔性制造系统由加工、物流、信息流三大系统组合而成,可以在加工自动化的基础之上实现物料流和信息流的自动化。

1.2机械电子工程的特点

机械电子工程是机械工程与电子技术的有效结合,两者之间不仅有物理上的动力连结,还有功能上的信息连结,并且还包含了能够智能化的处理所有机械电子信息的计算机系统。机械电子工程与传统的机械工程相比具有其独特的特点:

1)设计上的不同。机械电子工程并非是一门独立学科,而是一种包含有各类学科精华的综合性学科。在设计时,以机械工程、电子工程和计算机技术为核心的机械电子工程会依据系统配置和目标的不同结合其他技术,如:管理技术、生产加工技术、制造技术等。工程师在设计时将利用自顶向下的策略使得各模块紧密结合,以完成设计;2)产品特征不同。机械电子产品的结构相对简单,没有过多的运动部件或元件。它的内部结构极为复杂,但却缩小了物理体积,抛弃了传统的笨重型机械面貌,但却提高了产品性能。

机械电子工程的未来属于那些懂得运用各种先进的科学技术优化机械工程与电子技术之间联系的人,在实际应用当中,优化两者之间的联系代表了生产力的革新,人工智能的发展使得这一想法变成可能。

2人工智能

2.1人工智能的定义

人工智能是一门综合了控制论、信息论、计算机科学、神经生理学、心理学、语言学、哲学等多门学科的交叉学科,是21世纪最伟大的三大学科之一。尼尔逊教授将人工智能定义为:人工智能是关于怎样表示知识和怎样获得知识并使用知识的科学。温斯顿教授则认为:人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。至今为止,人工智能仍没有一个统一的定义,笔者认为,人工智能是研究通过计算机延伸、扩展、模拟人的智能的一门科学技术。

2.2人工智能的发展史

2.2.1萌芽阶段

17世纪的法国科学家B.Pascal发明了世界上第一部能进行机械加法的计算器轰动世界,从此之后,世界各国的科学家们开始热衷于完善这一计算器,直到冯诺依曼发明第一台计算机。人工智能在这一时期发展缓慢,但是却积累了丰富的实践经验,为下一阶段的发展奠定了坚实的基础。

2.2.2第一个发展阶段

在1956年举办的“侃谈会”上,美国人第一次使用了“人工智能”这一术语,从而引领了人工智能第一个兴旺发展时期。这一阶段的人工智能主要以翻译、证明、博弈等为主要研究任务,取得了一系列的科技成就,LISP语言就是这一阶段的佼佼者。人工智能在这一阶段的飞速发展使人们相信只要通过科学研究就可以总结人类的逻辑思维方式并创造一个万能的机器进行模仿。

2.2.3挫折阶段

60年代中至70年代初期,当人们深入研究人工智能的工作机理后却发现,用机器模仿人类的思维是一件非常困难的事,许多科学发现并未逃离出简单映射的方法,更无逻辑思维可言。但是,仍有许多科学家前赴后继的进行着科学创新,在自然语言理解、计算机视觉、机器人、专家系统等方面取得了卓尔有效的成就。1972年,法国科学家发现了Prolog语言,成为继LISP语言之后的最主要的人工智能语言。

2.2.4第二个发展阶段

以1977年第五届国际人工智能联合会议为转折点,人工智能进入到以知识为基础的发展阶段,知识工程很快渗透于人工智能的各个领域,并促使人工智能走向实际应用。不久之后,人工智能在商业化道路上取得了卓越的成就,展示出了顽强的生命力与广阔的应用前景,在不确定推理、分布式人工智能、常识性知识表示方式等关键性技术问题和专家系统、计算机视觉、自然语言理解、智能机器人等实际应用问题上取得了长足的发展。

2.2.5平稳发展阶段

由于国际互联网技术的普及,人工智能逐渐由单个主体向分布式主体方向发展,直到今天,人工智能已经演变的复杂而实用,可以面向多个智能主体的多个目标进行求解。

3人工智能在机械电子工程中的应用

物质和信息是人类社会发展的最根源的两大因素,在人类社会初期,由于生产力水平低,人类社会以物质为首要基础,仅靠“结绳记事”的方法传递信息,但随着社会生产力的不断发展,信息的重要性不断被人们发现,文字成为传递信息最理想的途径,最近五十年间,网络的普及给信息传递带来了新的生命,人类进入到了信息社会,而信息社会的发展离不开人工智能技术的发展。不论是模型的建立与控制,还是故障诊断,人工智能在机械电子工程当中都起着处理信息的作用。

由于机械电子系统与生倶来的不稳定性,描述机械电子系统的输入与输出关系就变得困难重重,传统上的描述方法有以下几种:1)推导数学方程的方法;2)建设规则库的方法;3)学习并生成知识的方法。传统的解析数学的方法严密、精确,但是只能适用于相对简单的系统,如线性定常系统,对于那些复杂的系统由于无法给出数学解析式,就只能通过操作来完成。现代社会所需求的系统日益复杂,经常会同时处理几种不同类型的信息,如传感器所传递的数字信息和专家的语言信息。由于人工智能处理信息时的不确定性、复杂性,以知识为基础的人工智能信息处理方式成为解析数学方式的替代手段。

通过人工智能建立的系统一般使用两类方法:神经网络系统和模糊推理系统。神经网络系统可以模拟人脑的结构,分析数字信号并给出参考数值;而模糊推理系统是通过模拟人脑的功能来分析语言信号。两者在处理输入输出的关系上有相同之处也有不同之处,相同之处是:两者都通过网络结构的形式以任意精度逼近一个连续函数;不同之处是:神经网络系统物理意义不明确,而模糊推理系统有明确的物理意义;神经网络系统运用点到点的映射方式,而模糊推理系统运用域到域的映射方式;神经网络系统以分布式的方式储存信息,而模糊推理系统则以规则的方式储存信息;神经网络系统输入时由于每个神经元之间都有固定联系,计算量大,而模糊推理系统由于连接不固定,计算量较小;神经网络系统输入输出时精度较高,呈光滑曲面,而模糊推理系统精度较低,呈台阶状。

随着社会的不断发展,单纯的一种人工智能方法已经不能满足日益增长的社会需要,许多科学家开始研究综合性的人工智能系统。综合性的人工智能系统采用神经网络系统与模糊推理系统相结合的方法,取长补短,以获得更全面的描述方式,模糊神经网络系统便是一成功范例。模糊神经网络系统做到了两者功能的最大融合,使信息在网络各层当中找到一个最适合的完全表达空间。逻辑推理规则能够对增强节点函数,为神经网络系统提供函数连结,使两者的功能达到最大化。

篇7

2人工智能的发展

对于人工智能的研究一共可以分为五个阶段。第一个阶段是人工智能的兴起与冷落,这个时间是在20世纪的50年代。这个阶段是人工智能的起始阶段,人工智能的概念首次被提出,并相继涌现出一批科技成果,例如机器定理证明、跳棋程序、LISP表处理语言等。由于人工智能处于起始阶段,很多地方都存在着缺陷,在加上对自然语言的翻译失败等诸多原因,人工智能的发展一度陷入了低谷。同时在这一个阶段的人工智能研究有一个十分明显的特点:问题求解的方法过度重视,却忽视知识重要性。第二个阶段从20世纪的60年代末到70年代。专家系统的出现将人工智能的研究再一次推向。其中比较著名的专家系统有DENDAL化学质谱分析系统、MTCIN疾病诊断和治疗系统、Hearsay-11语言理解系统等。这些专家系统的出现标志着人工智能已经进入了实际运用的阶段。同时国际人工智能联合会于1969年成立。第三个阶段是20世纪80年代。这个阶段伴随着第五代计算机的研制,人工智能的研究也取得了极大的进展。日本为了能够使推理的速度达到数值运算的速度那么快,于1982年开始了“第五代计算机研制计划”。这个计划虽然最终结果是以失败结束,但是它却带来了人工智能研究的又一轮热潮。第四个阶段是20世纪的80年代末。1987年是神经网络这一新兴科学但是的年份。1987年,美国召开了第一次神经网络国际会议,并向世人宣告了这一新兴科学的诞生。此后,世界各国在神经网络上的投资也开始逐渐的增加。第五个阶段是20世纪90年代后。网络技术的出现于发展,为人工智能的研究提供了新的方向。人工智能的研究已经从曾经的单个智能主体研究开始转向到基于网络环境下的分布式人工智能研究。在这个阶段人工智能不仅仅只对基于同一目标的分布式问题求解进行研究,同时还对多个智能主体的多目标问题求解进行研究,让人工智能有更多的实际用途。

3对人工智能的思考

3.1人工智能与人的智能

从哲学上的量变引起质变的角度来讲,人工智能在不断的发展过程中一定会产生质的飞跃。在最初,人工智能只具有简单的模拟功能,但是发展到现在已经具备了思考的能力(逻辑推理分析),这已经表明人工智能在不断量变的过程中已经发生了质变。有人认为有人会说人工智能不会超过人类的智能,理由是人工智能是人类创造出来的。但是现实中很多人类创造出来的东西已经在某一些方面超过了人类本身的能力,例如起重机的力气超过人类很多;汽车速度也远超过人类的速度。人类之所以会制造出各种各样的工具,其目的就是希望自身的能力能通过这些工具进行延伸和突破。人类研究人工智能就是希望人工智能帮助人类实现人类某些无法实现的东西。还有人认为人工智能是人类创造出来的,所以它一定存在着致命的弱点,也因此人的智能优于人工智能。但是殊不知人类与机器相比也有着十分明显的弱点,例如人类所需要的生存条件比机器更加的严格,人类思维会受到人的情绪所影响,而机器只是受到程序的影响,它们没有情绪的起伏。就目前的人工智能而言,它们在某一些领域比人类更强。但是目前我们必须正视人工智能的一些还没有办法改变的缺陷,那就是人工智能的学习能力与创新能力。人工智能的知识获取大部门都是人为的进行灌输,而无法像人类自身那样进行主动的学习。同时人工智能只能够利用已有的知识去解决一些问题,但是却还不能够创造性的提出一些新的东西。

3.2对机器人三大定律的困惑

美国最著名的科普作家艾萨克.阿西莫夫提出过比较著名的机器人三大定律:第一定律,机器人不得伤害人,或任人受到伤害而无所作为;第二定律,机器人应服从人的一切命令,但命令与第一定律相抵触时例外;第三定律,机器人必须保护自身的安全,但不得与第一、第二定律相抵触。虽然这只是科幻作家所提出的一家之言,但是也代表了人类对与人工智能发展的一种期望与担心。人们害怕自己所创造出来的人工智能会伤害人类自己。但是阿西莫夫所提出三大定律都是以人类为中心的,而忽视了人工智能本身。或许这是人类的一种天性,世间所有的事物都应该围绕人类自身来定义、发展。就好像人类自以为掌控了能够改变大自然的力量,最终却被大自然反噬一样。同时,随着科学技术的发展,人工智能已经不单单需要逻辑思维与模仿,同时还应该将情感赋予人工智能。因为随着科学家对人类大脑和精神系统的研究的深入,已经愈来愈肯定情感是智能的一部分。如果人工智能具有了情感之后,人类的自我中心又是否会伤害到人类自己创造出来的人工智能。

3.3对人工智能未来的思考

篇8

如果我们摆脱简单的拟人思维,把人工智能看作互联网智能演进的新阶段,为理解其法律规则,就有必要理解互联网法律在过去20年中形成的路径和推动力,从而探讨人工智能是否有任何特殊性以至于需要新的规则。本文将从网络法的两个视角――实证性和生产性――切入,将它们延伸至人工智能语境下分别讨论。“实证性”视角是我们观察和应用任何规则的惯常思维方式,例如人工智能行为的具体规则如何确立、如何规制等,本文将讨论支撑人工智能的两个构成性要素――算法与数据――可能带来的法律问题,以及法律人处理人工智能的两种路径;“生产性”视角则深入规则背后,探索规则形成的政治经济因素,特别是经济生产方式的内在要求。人工智能本质上是一套复杂的代码设计,既是影响社会行为的强力规范,也是产生新价值的生产机制;它驱动整个社会朝向更智能的方向变化,从而要求法律做出相应调整,尤其是确认新型经济利益的合法性。

限于篇幅,本文姑且将人工智能看成法律上的客体,暂不讨论赛博格(cyborg)之类的人体转向机械体或通过基因技术改变身体的问题(仍是法律上的人),也不讨论人工智能作为一种人造物的自我意识问题(一个难以达成共识的哲学问题)。

理解网络法的变迁

网络法在中国的变迁大致遵循两类逻辑:外生性的政治/监管逻辑和内生性的商业逻辑。政治/监管逻辑体现为对“实证性规则”的追求,这些规则集中在国家(包括法院和监管机构)如何对互联网的内容和行为进行规制,包括对网络和信息安全的追寻。这集中反映了国家权力如何试图介入新技术带来的问题与挑战。这一视角最早由美国法学界引出,特别是Lawrence Lessig的代码理论将代码(架构)和法律并列。由此,所谓的网络法不仅要约束社会主体在网络空间中的行为,也要对架构的变化本身做出回应。

首先,就规制主体行为而言,出现了是否按照传统线下行为规则的思路约束线上行为的讨论。这一讨论的核心是,互联网问题是否具有任何特殊性,需要某些新规来解决。我们已经看到,中国的互联网行为监管在很大程度上延续了传统规则和管理方式,采取渐进的方式,这不仅成本较小,也给予监管者一定的学习和探索空间。其次,就架构变化本身而言,国家在宏观上主张网络空间中仍然需要,不能成为法外之地,在微观上相应出现了国家与平台权力/责任二分的讨论。例如,政府权力何时需要介入平台治理,加强平台的行政管理责任或安全保障责任,还是由后者根据自身情况自我规制,实现治理目标。政治/监管逻辑要么遵循管理者的路径依赖效应,要么坚持既有社会稳定、意识形态安全价值。问题在于,监管者在多大程度上能够认识到代码及其商业模式的特殊性,从而使监管行为和行业特性相互协调融合。

另一种看待规则产生的方式遵循商业逻辑。这种生产性视角关注微观权力运作,综合将代码、法律与社会规范放在一起,不单纯从社会学意义上观察社会主体行为如何受到影响,而是在政治经济学意义上将网络空间的生成和扩散看成是一个由商业力量推动主导的生产性过程,关注价值由谁产生、如何分配,由此推动对新规则的内生需求。按照这一视角,无论是法律还是架构,在具有实证性规制功能的同时,也是一种“生产性规则”。互联网的生产模式决定了其对社会范围内生产资料的创造性生产和再利用,需要法律确认其生产方式的合法性,重塑关键法律制度,并解决和传统生产模式的利益冲突。这一视角无疑帮助厘清新经济主张的例外特性,不仅展示出架构和相应的法律改变,更指明了背后的政治经济原因,是更好地理解实证性规则的基础。

两类不同的逻辑在过去20年中交替出现,相互制约,共同塑造了中国网络法体系,也推动了中国互联网的整体发展。总体而言,鉴于国家有意促进新经济,需要推动传统的属地化、分口治理,事后运动治理模式发生转变,认清互联网商业模式和价值产生的根源,有利探索适应新经济性质的管理体制。从这个意义上说,信息资本主义不断要求对法律内核进行改造,取代其中的传统经济要素,打破限制生产要素自由流通的各类规则。

人工智能法律的实证性视角

如前所述,人工智能的本质在于算法和数据处理,物理形体不必然是人工智能的构成要素,因为即使是人形机器人,也不过是一个算法主导的硬件系统,它实时收集信息,并按照算法的要求做出决定,继而行动。更重要的是,具有物理形体的人工智能可以推动群体智能发展,通过分布式终端收集更多数据加以处理,并不断传输至云端“大脑”,提升整体网络的智能水平。 人工智能巳深度介入医疗领域

根据算法的复杂性和学习/运算能力对强人工智能和弱人工智能进行区分,这在技术认知上没有问题,但在法律上很难按照智能程度给出精确的标准。法律应对复杂世界的方式是确立一般性的简单规则,在概念上对社会个体进行抽象假定(如行为能力),而非针对特殊主体,否则规则体系本身将变得异常复杂,难于理解和操作。而人工智能从单一的自动化服务向多元通用服务转变的过程可能是一个相当长的光谱,法律需要针对其本质特征进行约束,并探索一套应对未来的方案。当我们说社会变得越来越智能的时候,事实上指由于数据搜集、储存和处理的能力不断增强,所有软件/算法都可能朝向自动收集数据,做出决定或判断的趋势,由于算法的复杂性,算法带来的结果可能无法预测,并在更大范围内带来系统性的不利后果。这种后果未必是毁灭性的风险,甚至只是在某领域的制度设计问题,但人工智能恰好将这类社会问题具象化,掩藏在外表华丽、高效、更多是私人控制的“黑箱”中,就会引发一系列问题。

如果放在一个更大范围内观察,在历史上,人类社会随着复杂性的增加,不可避免地产生以组织和技术形态出现的各类“黑箱”,它们的决定影响着社会发展和大众福利,但仍然保持着某种秘密性。这一隐喻未必是阴谋论,其核心问题在于信息不对称。为平衡相关当事人和社会大众的知情权、避免恐慌、保持某种预测能力,人们不断设计出某种程度的信息公开和透明化机制,例如政治辩论的公开化,法院诉讼程序透明化甚至公开庭审,上市公司强制信息披露等等。而人工智能不过是信息技术时代的新型黑箱,带来更加严重的系统化影响。互联网在兴起过程中,通过降低信息成本,推动了开放政府、庭审直播,使信息公开透明更加便利,将生产性资源不断解放出来,在更大社会范围内重新配置,产生新价值。然而,这一过程在消除一个又一个传统黑箱的同时,产生了更为复杂的新黑箱,进而主导整个社会的生产过程。生产资料之间的信息变得越来越对称,甚至可以实时互通信息,但作为信息匹配中介的人工智能却变得更不透明,其规则设计和运作从属于用户甚至开发者无法理解的秘密状态,这回到了法律如何处理与代码的关系问题。

一个类似的比较是人类自身:人脑经过上百万年的进化,演变成十分复杂精致的系统。尽管当代神经科学不断改变我们对人脑的认知,甚至每个人的大脑都不完全一样,但就法律而言意义不大,这只能在边际上改变个案判决。即使无从了解人脑的运转机制,或者依据某种更加先进的科学知识解释社会主体行动的具体理由,人类还是有能力形成社会规范,并演进成更加理性化的规则。这套规则只需要假定一般社会主体是(受限)理性的,由少数概念界定不同情形的心理状态(故意、过失),并集中对人的外在行为进行约束,确定权利与义务,就足以以简单规则应对(而非认识)这一纷繁复杂的世界。类似地,在处理算法的负外部性时,也可以有两种不同的路径:(1)关注算法的外部行为与后果,(2)关注算法内部的设计规则。

大部分现有规则关注算法导致的(未意料)结果,例如内容分发算法未经审查造成非法或侵权内容传播,这一般由信息传播者(即内容服务商)承担责任,算法本身并无法律地位,在造成不利后果的过程中只是一个工具。这类责任假定内容服务商应当知道非法内容的存在,并有能力通过算法设计或人力(比如人工审查)加以阻止。在诸多侵权场合,内容服务商可以通过“避风港”规则免责,只要无法证明它实际知晓状态。更复杂的是,如果软件开发者声称自己无法控制信息的生产和传播,却造成一定社会危害的情形。无论是在快播案还是BT案中,软件开发者都无法因这一原因而逃脱责任,法院的理由仍然是,开发者有能力知晓非法内容的输出(如果不是故意的话,例如快播向推广该播放器)。类似地,如果一个具有物理形体的人工智能由于处理信息不当造成了外在损害,按照这一逻辑仍应由算法开发者负责。

而且,还有必要将算法产生的错误和算法缺陷本身区分开。长期以来,软件行业一直通过拆封合同(shrink-wrap)解决缺陷软件造成的短时崩溃或重启问题,这种格式条款旨在确认这样一种事实:没有任何软件是百分之百完美的,只要在用户拆封使用该软件时运行正常即可,服务商并不为软件崩溃或死机造成的消费者损失负责,因为前者无法预料到缺陷带来的风险。这就是为什么消费者需要接受软件生产商不停的更新和补丁,软件/应用不受产品责任的约束,被视为一种可以不断升级改进的服务,这在免费软件时代更是如此。按照这一思路,似乎有理由认为,无人驾驶汽车因算法计算错误导致车祸(何况造成事故的概率远远小于人类司机的错误)是这类软件的正常的缺陷,消费者应当容忍这类错误。但无论是监管者还是潜在的受害人都无法接受这种比拟。声称有潜在缺陷的交通工具(也包括医疗设备和其他与生命财产直接相关的算法)一旦投入使用就需要为此造成的后果负责。无论如何,这类思路仍然是通过后果施加事后责任,监管者或法院并不想深入算法内部了解造成事故的技术原因是什么。只要法律认定这一黑箱应当在合理范围内得到控制,事故可以避免,黑箱提供者就应当承担责任。在这种情况下,保险(甚至是强制险)就成为确保这类发生概率小但潜在损失巨大的不二选择,航空、医疗保险市场十分发达,可以预见将会延伸至更多由人工智能驱动的服务行业。 现实与虚拟的界限不断模糊化

如果说事后救济还无法确保安全,事前干预算法设计则是另一种选择,同时带来的问题也更复杂。早在20世纪,阿西莫夫就试图为机器人立法,尽管他从未讨论技术上的可行性。安全可能是人工智能服务的首要问题之一:一个中心化的入侵可能会导致所有终端都变得极度不安全。行业监管者在不同行业为特定服务中的人工智能设定安全标准(如医疗器械、交通工具、自动化武器),实行安全保护等级制度,甚至要求被认定为重要设施的源代码(如windows系统)供监管者备案,或在设计自动化交易程序时控制报单频率的阈值等。又例如,在魏则西事件后,联合调查组在整改意见中要求落实以信誉度为主要权重的排名算法,对商业推广信息逐条加注醒目标识,予以风险提示。如果说这些监管手段针对的是作为商业秘密的私人算法,诸如Open人工智能这样的倡议则意在延续开源软件运动路径,确保软件漏洞能够得到更大范围内的监督和修补。至少在中国,信息披露机制尚未成为算法监管的重要手段,无论是强制性披露还是第三方披露。

(作者单位:上海财经大学法学院)

注释:

[1]当下的大众媒体、文化产品和社会公共认知正努力将未来的人工智能塑造成具有独立意识的逐渐演化的主体,这集中体现在诸如《终结者》《我,机器人》《西部世界》《2001银河漫游》这类科幻影视作品中。尽管人们也有理由进一步想象,一旦人工智能具有了自我意识,就不再可能忠实地为人类服务,而更可能对人类生存构成威胁。其路径和思维方式仍是20世纪的,和21世纪依托大数据机器学习迥然不同。事实上,按照日本学者森政弘提出的“恐怖谷理论”,人工智能不太可能在短时间内人形普及化,因为这会在消费者心理上引发不安甚至恐惧。像Siri和Cornata这样的语音助手、像Tay和小冰这样的聊天机器人则不会有这种负面效果,因为用户知道自己在和一个尚未通过图灵测试的算法对话,他们甚至乐于教Tay在推特上辱骂用户、发表种族主义和煽动性的政治言论。另一个可能影响中文世界读者想象的因素是,把robot翻译成“机器人”先验地赋予了这类客体某种拟人化主体地位,而人形机器人(android)却没有引起更多的关注。

[2]John Weaver, Robots are People Too: How Siri, Google Car, and Artificial Intelligence Will Force Us to Change Our Laws ,Praeger Publishers Inc, 2013; Ugo Pagallo, The Laws of Robots: Crimes, Contracts, and Torts ,Springer, 2015.一个更加有用的综合文集是Ryan Calo, A. Michael Froomkin and Ian Kerr (ed.), Robot Law ,Edward Elgar Publishing, 2016。Ryan Calo的研究将具有物理形体的机器人作为法律的对象,特别区分了信息性和物理性效果,见Ryan Calo, “Robotics and the Lessons of Cyberlaw”, Calif. L. Rev., Vol.103(2015).一个不同观点,见Jack Balkin, “The Path of Robotics Law”, Calif. L. Rev., No.6(2015),Circuit 45.把机器人视为人在法律上也有相当的历史,见Samir Chopra and Laurence F. White, A Legal Theory for Autonomous Artificial Agents ,The University of Michigan Press, 2011; Ryan Calo, “Robots in American Law”, University of Washington School of Law Research Paper, No. 2016-04.

[3]吴军:《智能时代》,中信出版社2016年版。

[4]例如阿西莫夫的机器人系列小说中,无一例外地设定机器人拥有一个“正子脑”(positronic br人工智能 n),但却没有给出任何解释。见阿西莫夫:《机器人短篇全集》,江苏文艺出版社2014年版。

[5]这被称为终极算法(master algorithm),见佩德罗・多明戈斯:《终极算法:机器学习和人工智能如何重塑世界》,中信出版社2016年版。

[6]尼古拉斯・卡尔:《玻璃笼子:自动化时代和我们的未来》,中信出版社2015年版。在互联网发展的每一个阶段都有某种意识形态化的术语或热词吸引投资,例如宽带、大数据、分享经济、VR(虚拟现实)等,它们不过是互联网形态的各类变种。例如,一个关于分享经济和之前互联网经济的关联,参见胡凌:《分享经济的法律规制》,载《文化纵横》2015年第4期。

[7]这种思维方式可追溯到霍布斯以来的法律实证主义。

[8]胡凌:《代码、著作权保护与公共资源池》,载《腾云》2016年12月刊。

[9]关于两类逻辑的具体表现,集中参见胡凌:《探寻网络法的政治经济起源》,上海财经大学出版社2016年版。

[10]这在众多(特别是国外的)中国互联网观察者身上十分常见,人们的注意力全都转向中国政府如何严格管理和控制互联网。在政治学研究中自然而然地并入“国家与市民社会”传统框架,并吸纳了关于在线抗争、集体行动的传播学与社会学研究。

[11]劳伦斯・莱斯格:《代码2.0》,清华大学出版社2008年版。

[12]一个概述,见胡凌:《马的法律与网络法》,载张平主编:《网络法律评论》2010年第11卷。

[13]胡凌:《非法兴起:理解中国互联网演进的一个框架》,d《文化纵横》2016年第5期。这体现在版权、隐私、财产、不正当竞争、垄断、劳动法等一系列制度中。这种对法律制度的改变不单纯是在既有工业生产背景下微型创新带来的变化,而是社会生产的重塑。

[14]比如说,平台责任议题的出现,和互联网平台更多转向由第三方提供服务的信息中介模式直接相关。

[15]这一区分和观察中国式资本主义兴起的框架十分类似,政治经济学家们争论的焦点就在于如何解释中国改革开放三十年的成功经验,究竟是政府主导还是市场主导,但实质上是一个混合制经济。

[16]由于科斯所说的企业信息成本和管理成本降低,调动生产要素的边际成本趋近于零,企业组织形态本身将成为竞争的高成本。

[17]尼克・波斯特洛姆:《超级智能:路线图、危险性与应对策略》,中信出版社2015年版。

[18]古代的政治过程、现代的企业决策都是黑箱,对外人而言如果不是神秘,也是除魅之后的国家/商业秘密。卡夫卡的小说《审判》就精确描述了作为黑箱的诉讼过程,同一时代的韦伯也描述了理性化的国家机器应当像自动售货机一样。

[19]Frank Pasquale:《黑箱社:掌控信息和金钱的数据法则》,中信出版社2015年版。

[20]帕伯斯:《差错:软件错误的致命影响》,人民邮电出版社2012年版。

[21]长久以来民用航空器已经由软件深度介入驾驶过程,以至于人类驾驶员无法在短时间内预热,形成另一种风险。

[22]阿西莫夫提出的“机器人三定律”(后来扩展至四点)虽然十分基础,但仍然很难在具体情况下起作用,特别是当代伦理学上著名的“线车难题”之类的伦理困境。考虑到这些定律是为模拟人脑状态下设计的,就更可疑;因为人脑并不总是按某些理性伦理原则行事的,在某些关键场合强烈依靠某些默认设置――直觉。

[23]由监管机构强制披露并审查事实做不到,只能依靠像苹果这样的平台公司和软件分发平台帮助对成千上万个软件进行至少是安全审查。在台式机时代,这一平台责任几乎不可能,自然状态下的windows只能导致争夺私人控制权的3Q大战。但像乌云网这样的第三方白帽黑客也被禁止探测和公开互联网公司的漏洞。

[24]同注11。

[25]在笔者看来,法院应当将注意力放在知情同意的合同条款本身的适当性上,而不是一味接受黑箱的逻辑,因为后者确实无懈可击。如果格式合同能准确反映代码的设计,对其条款的审查是更好的选择。百度引发的被遗忘权第一案反映的也是这个问题。

[26]一个补救方法还是尽可能地披露算法信息,允许用户理性地生产/隐瞒个人信息,见戴昕:《自愿披露隐私的规制》,载苏力主编:《法律和社会科学》第15卷第1辑,法律出版社2016年版。

篇9

21CBR:智能视频目前是“人工智能+安防”的行业热点,你在去年也提过类似观点,这块的市场存量有多大?

徐立:安防一直是国家大力发展的领域,也是十三五规划的重点行业。从政府投入来看,今年也要投入2000-3000亿。传统安防领域的最大厂商,去年营业额在300多亿。所以,这块目前有足够的市场空间。

今年的视频业务和去年的人脸识别有些类似。去年,业内都在尝试和落地人脸识别的具体应用,到今年进入相对成熟期,业务增长很快。今年,智能视频业务也在各地展开试点,整体发展正处在一个大的行业机会点上。

视频业务何时落地,核心问题在于明确产品的商用标准。工业界的一个标准红线是评估产品是否超过所谓人眼的准确率,这也是人脸识别逐渐商用化的原因。但是视频内容的分析和人相比效果上还有差距。目前全球每天有2.5亿只安防摄像头在记录,视频数据输入达到一定规模,但在智能处理上还很欠缺,而核心算法的突破将成为最关键的落地因素之一。

21CBR:商汤切入安防领域有哪些布局,如何构建自己的智能视频生态链?

徐立:商汤在安防领域的产品体系分为两类:一类是成熟的业务系统,需要基于客户方的具体业务逻辑进行设计,比如怎样做多视频协调,如何做人像处理等,代表产品是SenseFace人脸布控系统和SenseVideo视频结构化系统,另一类是业务系统中的核心算法模块,包括动静态比对服务器、人群分析服务器和结构化服务器等,儆谙喽员曜蓟的产品。

举例来说,我们在视频结构化系统上做了很大突破。以往的视频结构化系统只能通过身高、性别等属性来查询视频信息,SenseVideo实现了自然语言的信息查询。我们做了1.3万人的案例测试,总共生成了9000多个自然语言构成的关键词。对于办案人员来说,通过自然语言来描述罪犯、完成案件信息的视频检索是更常见的业务逻辑,也比根据属性搜索来得更加精准,未来将是一个新的业务形态。

目前商汤在安防市场相较领先,前十大安防厂商一半以上是我们客户,商汤为其提供标准化模块和业务子系统。同时,我们也在国内重点城市建立本地化业务。去年,商汤的智能视频业务(Intelligent Video Analytics)已占公司整体业务的40%,今年这一势头依旧良好。

21CBR:比起发展客户,商汤似乎更擅长行业联盟,商汤的市场开拓逻辑怎样的?

徐立:首先,无论卖什么产品,最后都要接触到甲方。但是,我一直认为,B2B企业如果要起量、要规模化,产品一定是相对标准化的。如果每次销售的方案都是定制化服务,企业的ROI(投资回报率)就会比较低。相反,集成商则可以将商汤与电信方、施工方等等连接起来,在各地做出标杆性的项目,再用标准化的形式去铺开。

这里的标准化不是一蹴而就的,而是来自产品和项目的逐次迭代。比如前面提到的比对服务器,再往上可能是一套带着摄像头的子系统,最后则是一整套的训练部署平台。通过深入行业、做细项目,商汤不断把标准化的范围扩大,并聚合客户的需求从而形成共有需求,最终完成标准化产品的打磨过程。

因此,商汤一直把自己定位成一个技术公司,而不是集成商公司。商汤能做的是集中力量攻破核心算法和技术。这个技术不是单点的、闭门造车的技术,而是以打通上下游的客户需求、构建产业链条来实现的。就像英特尔不直接向终端用户销售芯片,而是通过上下游的合作伙伴,比如主板厂商、主机厂商等实现笔记本电脑的销售,但用户仍然了解产品背后有英特尔领先的芯片技术,这也是商汤所追求的:做行业的赋能者。

21CBR:业界普遍在谈AI同行业的深度结合,各家公司从技术表现来看也大致相当。对此你怎么看?

徐立:很多人觉得,深度学习已经形成开源生态,技术没那么重要了,打通行业才是关键。这里面有一个重要前提:深度学习是否已经成熟、不会再变化了。然而,学术界目前有关深度学习的文章大部分都是工程实践型的,新的实验结果不断前人做出的理论解释,指导下一代工业级应用的技术原理有待被归纳总结,人工智能距离成熟的“黑盒”还差得很远。

篇10

人工智能无疑是2015年科技圈、投资圈最热门的话题之一,同时,围绕着人工智能总是有很多富有争议的话题:比如,有人认为人工智能的未来是工程师的消失;但是又有人认为人工智能的未来是人人都是工程师。

那么,到底什么是人工智能?我们又该如何解读这两方观点?为此记者专访了硅谷著名早期基金TEEC Angel Fund的几位投资合伙人Jinlin Wang、Wenxiang Ma以及Xuhui Shao。

“超人工智能”引发最多争议

在讨论未来工程师会不会被机器取代这一问题之前,首先需要明确的是人工智能的定义以及分类。事实上,自人工智能诞生以来,其理论和技术日益成熟,应用领域也不断扩大。TEEC Angel Fund的几位受访合伙人向记者介绍,根据人工智能的实力不同,目前业界一般将人工智能技术分为三大类:

首先,弱人工智能Artificial Narrow Intelligence (ANI):弱人工智能是擅长于单一方面的人工智能。比如有能战胜象棋世界冠军的人工智能,但是它只会下象棋,你要问它怎样更好地在硬盘上储存数据,它就不知道怎么回答你了。

其次,强人工智能Artificial General Intelligence (AGI):人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能,人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多,我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力,能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。

再次,超人工智能Artificial Superintelligence (ASI):牛津哲学家、知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多,包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点,也可以是各方面都比人类强万亿倍。

“事实上,超人工智能正是为什么‘人工智能’这一话题总能引起业界热议的最重要的原因,同样它也是引发‘人工智能的未来是工程师的消失的还是人人都是工程师’这一争论的本质源泉。”TEEC Angel Fund投资合伙人Jinlin Wang向记者表示。

正方观点:工程师将会消失?

对于未来工程师会不会被机器取代这一问题,Jinlin Wang认为,或许存在这样的可能性。

目前,即使计算机软件不断发展,但是对于工程师而言,一个非常出色的工程师和一个一般的工程师之间的差距也是非常巨大的,这正是硅谷各大公司之间人才战的原因——找到一个好的工程师是很不容易的。但未来,当人工智能发展到一定阶段,机器足够强大到可以独立自发地完成软件开发从架构到前后端等的整体过程,那么,或者到那时人类将不再需要软件工程师。

“目前,硅谷各大公司都十分关心未来软件发展战略的问题,未来5至10年,或许人工智能可以发展到一个阶段,目前仍旧依靠人工出产的软件可以由机器自动完成,”Jinlin Wang表示,“虽然目前,机器能不能强大到设计出更强大的机器我们尚未可知,但是一旦在未来做到了这一点,那么工程师或许就将集体消失在历史舞台了。”

对此,Jinlin Wang还强调,机器自动完成软件设计虽然目前看起来有些不切实际,但是并不意味着没有这样的可能性。“目前,随着计算机计算能力等性能的不断提升,以往很多看似不可能的事情正在变为现实,比如,以往纯手动完成的日程安排等工作,在未来有望借助机器自动完成——硅谷某家做Scheduling Software的创业公司正在致力于用机器解决这样的事情,未来或许借助于人工智能软件,公司可以自动化地安排和调整日程计划,假设公司的一个员工突然生病了,两秒之后软件可以重新把公司人员日程重新进行调整和安排。”

的确,如果未来,智能机器自己可以设计出更加智能的机器,那么也许我们将不再需要任何工程师了。对此,连比尔·盖茨也认为如果按照现在人工智能的发展程度,那么未来可能所有的人类都会集体失业。

反方观点:人人都是工程师?

同时,对于“未来工程师会不会被机器取代”这一问题,Wenxiang Ma告诉记者,在硅谷,目前有另一派学者却认为答案是否定的,他们认为机器有其自身局限性,无法完全替代人类,于此同时,随着各种软件架构(Framework)以及工具的出现,未来编程门槛将进一步降低,届时人人都将成为软件工程师。

“对于机器取代工程师,反对派们认为,现在提及‘文盲’这个词,大家会理解为这个人没有读过书、不识字,但是可能未来的文盲或者就是指这个人不懂编程,”Wenxiang Ma表示,“事实上,未来不论人工智能怎样先进,都仍要依靠人为来定义软件的逻辑——短时间看,机器无法完全脱离人类的指导而自行完成软件设计和开发过程。这是因为,机器本身就是人的产物,是人编写出来的,因此它们自身具有局限性,也必须依靠人来帮助机器进化。”

与此同时,另一个趋势是,过去几年的发展使得软件开发的门槛越来越低,很多公司研发了很多架构(Framework)以及工具,例如Google的AngularJS、Facebook的React等,使得编程变得越来越容易。目前很多公司正在使用这些架构,仅需1到3个月就可以完成他们的软件开发。“这是以前不可能发生的事情。事实上,目前的架构仍不足够先进,等到这些架构先进到一定程度的时候,编程的门槛将前所未有地降低,届时所有人都将变为工程师,未来有一天,编程也将变得像小孩搭积木一样简单。”

问题关键:机器是否具备自我学习能力

那么,对于上述正反两方的观点,问题的关键或者症结在哪里呢?对此,TEEC Angel Fund的投资合伙人Xuhui Shao认为,转折点或者在于机器是否在未来的某一天具备自我学习和进化的能力。

篇11

其中,以股票收益为代表的阿尔法收益并不适合大众投资者。其原因是,虽然获得短期阿尔法收益相对容易,但想要长期、持续地获得阿尔法收益难度相当大。理论上说,90%的投资收益来源于正确的资产配置,通过择时、择股获取投资收益的占比不超过10%。而在中国这种半有效的市场,择时、择股所起的效果不超过20%。

笔者认为,国内智能投顾的发展将慢慢与国外比肩,通过大类资产配置替代人工投顾服务。同时,我们更愿意将国内的智能投顾称为数字化资产配置。

不仅仅是人工智能

1952年,经济学家哈里・马科维茨提出投资组合理论,但直至1990年才他获得诺贝尔奖,期间很多年并没有人去验证这个理论。举例来说,假设我们有10类资产,如股票、黄金、现金、债券等,在当前市场状况下,把钱均匀地配置到10类资产中有多少种可能?如果要精确到小数点后两位,答案是1036种。

金融市场是实时变化的,下一秒和这一秒可能千差万别,每小时都会有新的数据进入。由此看出,在计算机的计算能力发展起来之前,资产配置这件事很难实现。

下图展示了典型的数字化资产配置过程。不同的投资者,其适合的资产配置组合各不相同。智能投顾会实时计算每类资产的波动、收益,根据投资者的风险承受能力进行必要的实时动态调整。它帮助投资者避免由行为偏差造成的投资决策失误,保证投资者的组合永远处于最优的状态。

在AlphaGo战胜李世石之后,人工智能忽然火了起来。一些所谓的智能投顾引入了所谓的人工智能概念,似乎可以准确预测市场。对此,笔者持怀疑态度。AlphaGo采用的技术叫作深度学习,深度学习不等于人工智能,是人工智能的分支。

人工智能是一个很火的词,但在金融领域,如果用错了会造成很大问题。金融很多时候需要的不是精确的预测,而是一个模糊的证据。特别是在资产配置的过程中,需要的是方向性的判断,而不是局部最优解;需要的是一个全局解,即使这个解是模糊的。

另外,要防止过度拟合问题,因为机器学习计入的数据太多。但是由于机器缺乏因果关系的判断,往往会把两个数据出现的一致性判断成一种有因果系的必然性。比如,“招商证券一开策略会,A股就下跌”。这虽然是个段子,但机器却会当真,极有可能在招商证券下次开会时,触发卖出指令。

因此,在现阶段,机器学习智能投顾只能作为辅助手段,仍要采用多模型的方式。除了支持向量机(SVM)这种模型,还要利用传统的数据统计方法,包括事件训练模型、回归模型等,才能谨慎地为用户制订出一份经过检验的资产配置方案。

针对4类目标定制资产配置方案

通常,客户的财务目标分为4类:对预期收益的追求、对风险的承受能力、对投资时间长短的需求、投资到期后的分红。无论用户的投资需求是买房还是养老,都可以被这4类需求所包含。智能投顾就是希望在这4个方面,为客户提供定制化解决方案。

每个客户除了投资需求外,还有在不同阶段的保障需求。比如,是刚有了孩子还是希望生二胎?是处于刚买了房子在还房贷还是短期内有住房升级的目标?是处于事业的上升期还是平稳期? 郑毓栋,璇玑科技CEO,曾任渣打银行投资策略及咨询总监,花旗银行商务客户市场及产品总监,逾10年跨国银行财富管理与私人银行经验

对客户需求的深度了解,并不是一套投资问卷或风险偏好测试就能解决的。所以,我们希望数字化资产配置服务提供商通过跟财富管理机构的合作,并建立更多客户的数据维度来解决这个问题。最终,整个行业的终极目标将是提供“千人千面”定制化的方案。

一方面,要基于用户的情况和需求,去做出合理的投资组合配比。例如,用户近期有刚性资金需求,智能投顾就需要自动降低用户的风险等级,并提前提醒用户准备提现使用资金等。此外,也可能是按照客户的财务目标,制订1份几年期的理财规划和组合,帮助客户达成目标。

另一方面,要在了解用户的基础上,提供最优投资方案。简单来说就是,如果能以10%的风险获取10%的预期收益,就不该让用户承受多余的额外风险。在这方面,机器显然计算得比人好,而且能够实时地监控市场,计算风险收益比。如之前所说,优化模型算法是一个永无止境的过程,也是判断智能投顾的标准之一。

篇12

并没有。尽管大家都喜欢《终结者》之类的电影,可真要让我们在平时关注一下看不见摸不着的东西,反而是件难事。而且,霍金不是不久前还说要大家小心地外生物吗?对于这些事情,我们更多抱以微笑:老爷子醒醒吧。我们尽管看不懂你的那些理论,但还是非常尊敬你的,喊狼来了就不好了。

但是还有另外一些事情同时发生:就在最近这几年,人工智能和它的交叉学科如机器学习、计算机视觉、自然语言处理等等,出现了不少惊艳的产品,也诞生了许多家估值甚高的创业公司。

有一些我们已经体验过了:Google的照片应用不仅能根据拍摄信息自动将我们的照片分类,还能分辨出图像中的动物是猫还是狗;无人驾驶汽车已经在美国很多公路上实验性地驰骋;利用深度学习,各家公司正在更精准地投放广告;IBM的沃森登上了美国版“开心辞典”,在智力问答中击败了之前卫冕时间最长的人类冠军;微软的翻译系统已经能做到实时翻译,通话时对方的西班牙语传到你的电脑时已经变成了翻译好的英语。

我们甚至有点习以为常了,甚至觉得有些技术本应如此。但其实,这里举出的各种技术都是最近十年内从不可用、难用变得可用的。科技和投资领域盯上这块下一个爆点已经很久了。

然而说来也怪,这些进展和之前提到的超级人工智能好像不是一回事啊?电影里的超级人工智能,不是应该闪烁着一簇邪恶的红色眼睛,不,发光二极管,用奇怪的金属音说话,除了毁灭人类没有其他事情可做吗?或者,那些温柔的机器人不是既能够理解人类,又学会了爱与幽默感?我们要的是人一样的机器,你们却发明了更精准的广告投放?

翻开《人工智能》的教材我们就会发现,公众对于这个字眼的理解,向来和教科书差距不小。教材中最大篇幅介绍的,往往是让计算机求解一个问题,其次关注的,有让计算机理解自然语言、推理、知识表示等;相关的,也有希望通过计算机制造一个神经系统;还有另外一派,通过统计方法,让计算机完成各种任务。这些充满术语的大部头教材,怎么看都和电影里的人工智能不沾边。然而如果了解一点背景和技术,又会发现很多事情是今天这个样子,实在是顺理成章的。

这要从上世纪五十年代年说起。1956年,一群年轻教授和工程师收到约翰・麦卡锡等人的邀请,齐聚达特茅斯大学,召开一个会议。他们有着共同的学术兴趣,都在关注计算机能否思考这个话题,然而对于什么是思考、什么是智能,却没有统一意见。本来,大家对当时的学术进展也都很了解,并不指望在会上看到什么重大突破(也确实没有),但这次会议把后来这个领域大牛们第一次聚集在了一起。就是在这次会议上,大家决定,把相关的研究单独列出来称之为“人工智能”。会上,西蒙和纽厄尔展示了逻辑理论家,一个能够自动证明数学定理的程序;马文・明斯基带来了神经网络模拟器;麦卡锡本人则演示了自动下象棋的程序。这次大会不久之后,麦卡锡的团队实现了一种人工智能研究常用的计算机语言Lisp。这十年,是人工智能奠基的十年。

我们在这里可以一窥人工智能领域后续的发展方向:一是创造像Lisp这样的工具,有了工具并不能让计算机产生智能,但很多工具影响深远,起作用的远超人工智能领域;二是构建神经网络,我们已经知道人脑由神经细胞构成,如果能够构建一个神经网络,就能实现一定的功能,如果能更进一步,兴许能制造出像人脑一样复杂的机器;三是研究计算机的推理运算、问题解决和知识表达。学者们认为,人脑在处理信息时无非也是利用已经具有的知识、通过运算来解决问题,如果计算机能够做到这些,就可以说计算机具有智能。

整个六七十年代,人工智能的研究主要围绕的是第三点。这种取向有着深厚的背景,在人工智能这个词还不存在的年代,已经有无数学者曾思考思维的本质,他们把思维抽象为运算,而如果能够让机器学会这种运算,我们自然就得到了智能。

不仅因为这种研究的观念和我们对思维的看法最接近,也因此它是最容易上手的。五十年代的时候就已经有了自动证明数学定理的工具,之后又诞生了各种有一定运算能力的程序或者机器。最后还有一点,那就是冷战背景下,政府和军方的巨额投资。当时,他们认为,人工智能可能产生重大的科技突破。想想看,如果有永不疲倦的雷达员检测敌人,如果有不需眼睛和手的翻译官将俄文资料翻译成英文……这真是诱人的前景。当然,研究神经网络的学者也没有止步不前,他们实现了一些更复杂的模型。只不过,他们选择了一条窄门,突破更难取得。

事情很快起了大反转。到七十年代末的时候,已经苦等十余年的投资人开始抱怨,为什么那些神奇的机器还是没有发明出来?为什么所谓的智能只会推理数学,而一些小孩就能做出的判断计算机却怎么也做不出来?不多久,政府大幅缩减了人工智能研究的预算。

人工智能迎来了一次低潮。而另一种方法却正在暗中生长。我们现在称呼这种方法为机器学习,尽管它和我们平时用的“学习”这个字眼并不那么接近。机器学习的方法看起来彻底放弃了让计算机去表达知识之类的想法。既然计算机最强的能力莫过于高速计算,那么索性让它在自己的长项上发挥吧。机器学习的专家不那么在乎计算机表现的是不是智能,他们设计、实验各种精妙的算法,让计算机可以解决特定的任务。到了八十年代,很多领域都迎来了突破。我们有了最初的自动驾驶,能够用计算机给图片做分类,能够让计算机和人类世界冠军下棋。实现这些的办法,和过去我们渴望的人工智能并不完全一致,然而却在效果上大获成功。

几乎同时,研究运算与知识的方法效果不佳,但神经网络的研究却兴盛了起来。一些学者自称联接主义者。他们的思想来自六十年代。可现在有了更好的计算机、更好的实现方法,也对神经有了更多了解。他们索性就不去考虑意识啊、思维啊是什么这些大问题,而是把精力放在构建神经网路的模拟上。很多人不同意他们的思考方式,但是大家对于建造一个模拟的大脑还是很有兴趣的。

最近几年,一个叫做“蓝脑计划”的项目被很多媒体报道。这个计划已经利用超级计算机模拟了一个大脑,复杂度大概相当于猫的大脑。我们仅通过这个计划,大概也能判断这种方法前景巨大――想想看,如果能模拟一个人类大脑的话会怎么样?当然,你也能猜到这有多难。历经数年时间、投入大量金钱之后,目前我们只得到了一个猫脑。

最终胜利的似乎是机器学习的方法,这种我们对智能理解差异最大的方法。如今,流行的机器翻译、语音识别、自动驾驶、图像识别、打击网络犯罪乃至反恐……机器学习已经全面开花,与其相关的词还成了行业甚至全民热词,比如数据挖掘、数据科学家、大数据等。一些持传统观点的人工智能研究者实在没法同意,计算机表现的这些能力是一种智能。然而机器学习解决问题的效果实在是好。

那么,这就是超级人工智能的雏形了?自八十年代以来,计算机的能力提升了那么多,很多实验性的研究已经成了我们每天使用的工具。然而如今,我们还是造不出能两腿行走的机器人,计算机很难分辨扭曲的字母或面孔,对于人类的常识也很难理解,能够做出判断的专家系统一般只局限于少数专业领域。总之,许多一个人类小孩就能胜任的工作,依然是计算机所不擅长的。计算机的能力如此强大,但似乎又和我们想象的智能不是一回事。于是问题来了,超级人工智能的威胁在哪里?

答案也许要分两部分。第一部分是我们的心理因素。毕竟,人类是我们已知的唯一智能生物,我们对智能的所有了解其实都来自我们自身。我们对地外生命和人工智能总有着强烈的好奇与恐惧,是因为我们从来不知道和我们不尽相同的智能生命是什么样的,它们又会有什么样的情绪和态度。

友情链接