毫無疑問，人工智慧在技術和學習智慧層面會碾壓人類。但我們也不必過度恐慌，應當思考的是在人工智慧時代，機器和人並存的世界裡，尋找屬於自己的機會。

楊歌老師在北京清華經管創業者加速器“X-Model商業模式與企業成長年度論壇”分享過人工智慧的模型化過程：

把智慧分成三個部分，第一叫賦予智慧、第二叫學習智慧、第三個叫殘差資訊。

賦予智慧叫做弱智慧，能進行學習的智慧叫強智慧。

計算機出現的前70年裡面，我們認為大部分的智慧都是人類賦予的智慧，都是人類知道標準的商業模式是什麼樣的，然後把自己的經驗寫成程式碼，無論是一百和一千行程式碼都是將人類此前的經驗輸入計算機，很少有計算機自己進行學習的。

這兩年人工智慧大爆發的原因，主要是因為學習智慧的能力開始迅速的上升，這是各大公司透過訓練大量的資料提升的。學習智慧和賦予智慧的典型區別是：

人並不知道明確的物體意義，明確的商業意義，難以進行表達，計算機的邏輯關係自己沒有完全理解，但是透過大量的資料和已知的分析結果進行訓練，然後讓計算機分析產出商業的結果。

我今年聽說過一個很有意思的事，在紐約有兩家公司商業談判是這樣的：

A公司和B公司分別把自己的所有要素全部結構化寫到系統裡，讓計算機分析兩家公司後直接進行對弈，評判分析他們兩家商業結構的強弱。聽起來雖然離我們很遙遠，但是美國已經有公司在做了，說明資料的結構化非常的前沿。

這個過程是什麼？我們很難分析和表達分析的資料交給計算機去完成，這是學習的智慧。

這兩年的大爆發一個主要的原因是神經網路，帶領整個人工智慧爆發。而神經網路的一個特點，最要求大量、海量的資料，我們自己用了很多演算法訓練模型。

神經網路爆發最強的兩個方向是什麼？是影象識別和語義識別，原因就是有了海量的資料。有了資料之後，迅速地訓練出結構化規律，最後變成商業模式或者一種函式，這兩年是因為資料爆發，導致了神經網路帶領整個人工智慧往前推進。

另外一個是殘差資訊，也就是算不出來的一部分。

從資料角度來講，對於賦予部分是一階段簡單的特徵，比如拿派特公式來做的話，第一階段是賦予的智慧，是人直接分析出邏輯關係的過程。

這些東西是高階複雜的特徵，本身沒有辦法透過人去解決，只能透過計算機解決。對於殘差資訊就是忽略的商業模型和事件模型，這是這兩年模型化的過程。

關於人工智慧，推薦一本書《終極演算法》，這本書是比爾蓋茨2017年的特推書，書中很細緻地講解了現在最流行的5種演算法應用模式，講得非常好。

未來人工智慧肯定碾壓人類，但和人類的關係，就像現在人類養寵物一樣，你覺得你在養寵物，寵物卻覺得你只是給自己送吃送喝送溫暖，然後彼此感情深厚！聽說我要變成AI的寵物了，我好激動啊，我願意和AI培養深厚的革命友誼