人們現在已經被人工智慧控制了

人工智慧不會以未來戰士的形象出現，那是電影

我們的手機、電腦本身就是人工智慧影響我們自己的一個部分

未來的人工智慧將會越來越多，剛剛我還看到微信簽訂的第一個微信身份證。像現在的工業化人工智慧，直接就代替了人類。讓一大批工人下崗，還有現在國內研發的機器人是越來越多，汽車也步入無人駕駛階段研發。殊不知現在雖然人工智慧越來越智慧，在未來的某一刻可能真如電影中所說的機器人將人類滅絕了。

自從人工智慧這一概念提出以來，人類就一直擔心著會被自己的創造物超越甚至替代。早在20世紀50年代，計算機之父馮·諾依曼(John Von Neumann)就從一個數學家的角度，對當時的計算機與人腦進行過比較。

馮·諾依曼從計算機與人腦最基礎的組成部分入手，總結出：神經網路“天然元件”神經元的長處在於體積小和能夠進行平行計算，但隨著計算機硬體的提升以及平行計算機的出現，這兩個優勢早已蕩然無存。

也許在未來，人類不可避免的要走上人機結合的道路，而這，少不了神經科學的參與。

我們一直認為人工智慧很重要，它在飛速發展，從來沒有低估它。如果宏觀去看的話，其實所謂2017年的人工智慧是一個連續的過程，不要激進也不要悲觀，所謂不要激進是，所有的人工智慧都要基於硬體基礎的，有需求就會往前走，不可能說五年後人類就大的飛躍，因為軟體的提高一定要基於硬體，硬體是個緩慢過程，也不可能說我們一切都是講故事 都是泡沫，也不可能，因為需求就在拉動它在往前進。就像看十年前的iPhone手機，二十年前的新浪，三十年前的聯想PC，其實你發現它改變的有限，但它的確改變了。

——北醒光子創始人 李遠

人工智慧在重工業中的關鍵應用與車輛如何感知周圍環境和彼此之間的關係。目前重工業中的車輛自動化僅限於使用GPS和諸如RADAR和LiDAR等感測器的融合。對於必須進行重複操作的重型車輛，例如牽引礦石，目前只實現全自動化。然而，未來這種情況將會發生變化，並且它可能會在重工業領域比在自主個人汽車領域更早發生，原因如下：

首先，雖然坐在一輛緊湊的高速公路上的緊湊型汽車中有一種伊利奇怪的感覺，但對於重型機械工作的自動化絕對沒有什麼奇怪或不尋常的。製造業，採礦業和農業在任何可能的情況下總是急切地實現自動化任務，而現在人工智慧的出現現在幾乎沒有阻力。 值得注意的是，隨著工業機器人的靈活性增加，他們的重型裝置對手很可能獲得自主權。

其次，重型裝置的操作需要特殊的寶貴技能， 其中一些技巧很難獲得，而且價格昂貴。希望以更低的成本完成更多工作的公司可以透過自動化獲得財務上的利益，更重要的是，透過擁有自己的自主汽車，個人可以從財務上受益。

第三，雖然自動駕駛汽車領域可能被認為具有阻止採用的安全“障礙”，但重工業界可能被認為具有安全“必要性”。高速公路上的商用車輛必須不斷處理與其他汽車的互動，行人，穿越警衛，標誌，燈光等。大多數情況下，重型裝置在私有財產（如礦山，建築工地，工廠）上執行，不需要相同數量的危險和不可預測的相互作用。同樣，像採礦這樣的重工業工作本質上是危險的，自主系統可能挽救生命。這些進步勢必會對許多行業產生負面影響，包括自動化將提高速度和安全性的採礦業，以及提高搬運產品效率的倉庫，以及便於儲存和定位庫存的倉庫。

還沒開始呢！人工智慧還處於萌芽狀態，怎能說遇到天花板？現在的人工智慧最多隻能是有選擇的計算而已!

也就是說，人工智慧的風口還沒有到來，需要強大的技術支撐，需要行業間的共同發展，需要產業鏈的配合……如果誰認為自己可以追逐人工智慧的風口，提前佈局，那就太自不量力了，死相一定很難看。

日本發動國家力量，取得了一些成就，追了20多年，還是投降了，也就是說，即使發達國家，即使國家意志，也擋不住發展的基本規律，誰也不能，包括你和我……

那麼人工智慧的風口在哪裡呢？在計算機超算，更在於能源表格，多系統協調控制技術，當然真正風口來臨，我說的都不算！！！

別去猜風口，別去搶風口，而是追逐確定的風口……

可以肯定地說，隨著科技在我們今天的生活中的作用，我們的未來在很大程度上取決於我們將在多大程度上發展和發展，以及它在重塑和重新定義整個社會方面的關鍵作用。人工智慧已經發展得如此之多，以至於它的價值不僅在計算機行業中受到高度讚賞。在更多領域取得進步是壓倒性的。

以下是AI可能影響我們未來的6種方式。

1.自動化運輸

我們已經看到了自動駕駛汽車的開始，儘管車輛目前需要駕駛員出現在車輪上以確保安全。儘管有這些令人興奮的發展，但這項技術尚未完善，公眾接受將需要一段時間才能將自動駕駛汽車廣泛使用。谷歌在2012年開始測試自動駕駛汽車，從那時起，美國交通部發布了不同級別自動化的定義，谷歌的汽車被歸類為完全自動化的第一級。其他運輸方式更接近完全自動化，如公共汽車和火車。

2.機器人技術

機器人成為人類的主要侷限之一就是我們自己的身體和大腦。在未來，我們將能夠用計算機增強我們自己的許多自然能力。雖然為了方便起見，可以新增許多這些可能的機器人增強功能，但其他功能可能更具實用性。有學者認為人工智慧將對截肢患者有用，因為大腦將能夠與機器人肢體進行通訊，從而為患者提供更多控制。這種機器人技術將大大減少截肢者每天處理的限制。

3.接管危險工作

機器人已經接管了一些最危險的工作，包括炸彈拆除。它們在技術上是無人機，被用作解除炸彈的現實操作，但需要人來控制它們，而不是使用AI。無論他們的分類是什麼，他們透過接管世界上最危險的工作之一挽救了成千上萬的生命。隨著技術的進步，我們可能會看到更多的AI整合來幫助這些機器執行。

其他工作也正在重新考慮機器人整合。在大多數情況下，焊接以生產有毒物質，高溫和爆裂噪聲而聞名，現在可以外包給機器人，並具有安全功能，有助於防止人類工作人員受到煙霧和其他身體傷害。

4.解決氣候變化問題

解決氣候變化可能看起來像機器人的高階，但正如斯圖爾特拉塞爾所解釋的那樣，機器擁有的資料訪問量超過了人們所能獲得的資料 - 儲存了令人難以置信的大量統計資料。使用大資料，人工智慧有朝一日可以識別並利用這些資訊來解決世界上很多問題。

5.機器人是朋友

在這個階段，大多數機器人仍然沒有感情，很難想象你可以聯想到的機器人。然而，日本的一家公司已經向機器人伴侶邁出了第一步，他們可以理解並感受到情感。這款伴侶機器人於2014年推出，於2015年上市銷售，僅有的1000臺在一分鐘內售罄。機器人被程式設計為閱讀人類情感，發展自己的情感，並幫助其人類朋友保持快樂。Pepper於2016年在美國上市銷售，未來會有更加先進的機器人，相信肯定會很快。

6.改善老年人護理

對於許多老年人來說，日常生活是一場鬥爭，許多人不得不聘請外界幫助來管理他們的護理，或依賴家庭成員。“家庭”機器人可以幫助老年人完成日常生活，從而提高他們的幸福感。

雖然我們不猜不到未來，但很明顯，與AI的互動很快就會成為日常活動。這些相互作用顯然有助於我們的社會發展，特別是在自動化運輸，半機械人，處理危險職責，解決氣候變化，改善老年人護理方面。除了這六種影響之外，人工智慧技術還有更多的方式可以影響我們的未來，而這一事實讓多個行業的專業人士對人工智慧的不斷髮展的未來感到非常興奮。

非常高興回答您的這個問題，以下是我自己的一些理解和看法：

人工智慧的未來將從兩個方面深刻影響我們的生活。

一是它將取代簡單重複的勞動，把我們從繁雜危險的體力勞動中解放出來。工業機器人就是這樣的例子，它們已經取代了生產線上的工人，就像現代卓別林的螺絲刀一樣，不再需要工人了。爬山和挖洞的危險工作可以逐漸被人工智慧取代。

其次，它將幫助我們探索新的領域與強大的計算能力。人類一生中用於研究的時間是有限的，而其中大部分時間都浪費在人工智慧可以替代的計算過程中。但這部分也是人類所關心的。人工智慧會超越人類，控制人類嗎?

無論如何，人工智慧的時代會到來，不管我們喜不喜歡，不管我們害怕與否，它都會到來。

人工智慧的發展前景如何？

近年來，人工智慧等科技教育在世界上掀起了一股狂瀾，2019年教育部印發《2019年教育資訊化和網路安全工作要點》，要求推動在中小學階段設定人工智慧相關課程，逐步推廣程式設計教育。4月2日，教育部印發《關於實施全國中小學教師資訊科技應用能力提升工程2.0的意見》，要求教師主動適應資訊化、人工智慧等技術變革，積極有效開展教育教學。

VR技術正逐步與5G、人工智慧、大資料、裸眼3D、投影、全息投影等技術互相融合、互相促進發展。印度學校也將AR、人工智慧和虛擬現實VR整合到教學中。在印度，有的學校現在已經將雲計算，AR和虛擬現實VR結合到教學當中。 在過去的幾年裡，先進的科技應用已經改變了我們生活的方方面面。作為IT行業的領導者，印度一直站在這一技術的前沿，從銀行業到政府管理、農業乃至日常購物和食品配送等領域的技術都得到了統一。

而美國自2010年起便開始佈局STEM教育——即科學、技術、工程與數學教育，美國國內由13個機構組成了STEM教育委員會，透過改進學前至12年級教育方式、維持公眾和青年的STEM接觸效率、增加大學生STEM經歷、最佳化STEM服務團體、設計STEM研究生教育等方面來促進並深化STEM教育改革。

那麼，我們為何要大力推廣大力推廣人工智慧等科技教育呢？

“科學”不僅是學校的一個科目，元素週期表，或者波的特性。它是一種認知世界的方法，是接觸、探索與理解世界的關鍵方式。

在這個資訊爆炸的時代，成功不僅取決於所學的知識，還與處理事物的方式有關。對我們的年輕一輩來說，用知識與技能去武裝自己來處理資訊，收集證據、解決目棘手問題已成為當務之急。而這些能力，都可以在他們的學生時代從科技學習中獲得。

教育既是知識的傳遞，也是思維的傳授；而科技教育密切貼合著時代的浪潮，在傳輸知識的同時更幫助學生以更新、更深、更全面的眼光去看待世界與面前的問題。

2020年是不尋常的一年，全球的健康、貿易、經濟、文化、政治和科技領域，無不發生著深刻的變化。筆者所在的科技領域，也恰逢現代人工智慧（簡稱AI）發展10週年。前10年，人工智慧技術得到了長足的發展，但也留下許多問題有待解決。那麼，未來AI技術將會如何發展呢？本文將結合學術界、工業界的研究成果，以及筆者個人研究見解，從算力、資料、演算法、工程化4個維度，與讀者一起探索和展望AI發展的未來。

一

資料

我們首先分析資料的發展趨勢。資料對人工智慧，猶如食材對美味菜餚，過去10年，資料的獲取無論是數量，還是質量，又或者是資料的種類，均增長顯著，支撐著AI技術的發展。未來，資料層面的發展會有哪些趨勢呢，我們來看一組分析資料。

首先，世界網際網路使用者的基數已達到十億量級，隨著物聯網、5G技術的進一步發展，會帶來更多資料來源和傳輸層面的能力提升，因此可以預見的是，資料的總量將繼續快速發展，且增速加快。參考IDC的資料報告（圖1），資料總量預計將從2018年的33ZB（1ZB=106GB），增長到2025年的175ZB。

其次，資料的儲存位置，業界預測仍將以集中儲存為主，且資料利用公有云儲存的比例將逐年提高，如圖2、圖3所示。

以上對於未來資料的趨勢，可以總結為：數量持續增長；雲端集中儲存為主；公有云滲透率持續增長。站在AI技術的角度，可以預期資料量的持續供給是有保證的。

另一個方面，AI技術需要的不僅僅是原始資料，很多還需要標註資料。標註資料可分為自動標註、半自動標註、人工標註3個類別。

那麼，標註資料未來的趨勢會是怎樣的？

透過以上資料維度的分析與預測，我們可以得到的判斷是，資料量本身不會限制AI技術，但是人工標註的成本與規模很可能成為限制AI技術發展的因素，這將倒逼AI技術從演算法和技術本身有所突破，有效解決對資料特別是人工標註資料的依賴。

二

算力

我們再來看看算力。算力對於AI技術，如同廚房灶臺對於美味佳餚一樣，本質是一種基礎設施的支撐。

算力指的是實現AI系統所需要的硬體計算能力。半導體計算類晶片的發展是AI算力的根本源動力，好訊息是，雖然半導體行業發展有起有落，並一直伴隨著是否可持續性的懷疑，但是半導體行業著名的“摩爾定律”已經經受住了120年考驗(圖5)，相信未來5-10年依然能夠平穩發展。

不過，值得注意的是，摩爾定律在計算晶片領域依然維持，很大原因是因為圖形處理器（GPU）的迅速發展，彌補了通用處理器（CPU）發展的趨緩，如圖6所示，從圖中可以看出GPU的電晶體數量增長已超過CPU，CPU電晶體開始落後於摩爾定律。

當然，半導體電晶體數量反映整體趨勢可以，但還不夠準確地反映算力發展情況。對於AI系統來說，浮點運算和記憶體是更直接的算力指標，下面具體對比一下GPU和CPU這2方面的效能，如圖7所示。可以看出，GPU無論是在計算能力還是在記憶體訪問速度上，近10年發展遠超CPU，很好的填補了CPU的效能發展瓶頸問題。

另一方面，依照前瞻產業研究院梳理的資料，就2019年的AI晶片收入規模來看，GPU晶片擁有27%左右的份額，CPU晶片僅佔17%的份額。可以看到，GPU已成為由深度學習技術為代表的人工智慧領域的硬體計算標準配置，形成的原因也十分簡單，現有的AI演算法，尤其在模型訓練階段，對算力的需求持續增加，而GPU算力恰好比CPU要強很多，同時是一種與AI演算法模型本身耦合度很低的一種通用計算裝置。

除了GPU與CPU，其他計算裝置如ASIC、FGPA等新興AI晶片也在發展，值得行業關注。鑑於未來資料大機率仍在雲端儲存的情況下，這些晶片能否在提高效能效率的同時，保證通用性，且可以被雲廠商規模性部署，獲得軟體生態的支援，有待進一步觀察。

三

演算法

現在我們來分析演算法。AI演算法對於人工智慧，就是廚師與美味佳餚的關係。過去10年AI的發展，資料和算力都起到了很好的輔助作用，但是不可否認的是，基於深度學習的演算法結合其應用取得的效能突破，是AI技術在2020年取得里程碑式發展階段的重要原因。

1. 根據OpenAI最新的測算，訓練一個大型AI模型的算力，從2012年開始計算已經翻了30萬倍，即年平均增長11.5倍，而算力的硬體增長速率，即摩爾定律，只達到年平均增速1.4倍；另一方面，演算法效率的進步，年平均節省約1.7倍的算力。這意味著，隨著我們繼續追求演算法效能的不斷提升，每年平均有約8.5倍的算力赤字，令人擔憂。一個實際的例子為今年最新發布的自然語義預訓練模型GPT-3，僅訓練成本已達到約1300萬美元，這種方式是否可持續，值得我們思考。

2. MIT最新研究表明，對於一個過引數化（即引數數量比訓練資料樣本多）的AI模型，滿足一個理論上限公式：

上述公式表明，其算力需求在理想情況下，大於等於效能需求的4次方，從2012年至今的模型表現在ImageNet資料集上分析，現實情況是在9次方的水平上下浮動，意味著現有的演算法研究和實現方法，在效率上有很大的最佳化空間。

3. 按以上資料測算，人工智慧演算法在影象分類任務（ImageNet）達到1%的錯誤率預計要花費1億萬億（10的20次方）美元，成本不可承受。

結合前文所述的資料和算力2個維度的分析，相信讀者可以發現，未來標註資料成本、算力成本的代價之高，意味著資料紅利與算力紅利正在逐漸消退，人工智慧技術發展的核心驅動力未來將主要依靠演算法層面的突破與創新。就目前最新的學術與工業界研究成果來看，筆者認為AI演算法在未來的發展，可能具有以下特點：

（1）先驗知識表示與深度學習的結合

縱觀70多年的人工智慧發展史，符號主義、連線主義、行為主義是人工智慧發展初期形成的3個學術流派。如今，以深度學習為典型代表的連線主義事實成為過去10年的發展主流，行為主義則在強化學習領域獲得重大突破，圍棋大腦AlphaGo的成就已家喻戶曉。

值得注意的是，原本獨立發展的3個學派，正在開始以深度學習為主線的技術融合，比如在2013年，強化學習領域發明了DQN網路，其中採用了神經網路，開啟了一個新的研究領域稱作深度強化學習（Deep Reinforcement Learning）。

那麼，符號主義類演算法是否也會和深度學習進行融合呢？一個熱門候選是圖網路（Graph Network）技術，這項技術正在與深度學習技術相融合，形成深度圖網路研究領域。圖網路的資料結構易於表達人類的先驗知識，且是一種更加通用、推理能力更強(又稱歸納偏置)的資訊表達方法，這或許是可同時解決深度學習模型資料飢渴、推理能力不足以及輸出結果可解釋性不足的一把鑰匙。

（2）模型結構借鑑生物科學

深度學習模型的模型結構由前反饋和反向傳播構成，與生物神經網路相比，模型的結構過於簡單。深度學習模型結構是否可以從生物科學、生物神經科學的進步和發現中吸取靈感，從而發現更加優秀的模型是一個值得關注的領域。另一個方面，如何給深度學習模型加入不確定性的引數建模，使其更好的處理隨機不確定性，也是一個可能產生突破的領域。

（3）資料生成

AI模型訓練依賴資料，這一點目前來看不是問題，但是AI模型訓練依賴人工標註資料，是一個頭痛的問題。利用演算法有效解決或者大幅降低模型訓練對於人工標註資料的依賴，是一個熱點研究領域。實際上，在人工智慧技術發展過程中一直若隱若現的美國國防部高階研究計劃局（DARPA），已經將此領域定為其AI3.0發展計劃目標之一，可見其重要程度。

（4）模型自評估

現有的AI演算法，無論是機器學習演算法，還是深度學習演算法，其研發模式本質上是透過訓練閉環（closed loop）、推理開環（open loop）的方式進行的。是否可以透過設計模型自評估，在推理環節將開環系統進化成閉環系統也是一個值得研究的領域。在通訊領域，控制領域等其他行業領域的大量演算法實踐表明，採用閉環演算法的系統在效能和輸出可預測性上，通常均比開環系統優秀，且閉環系統可大幅降低效能斷崖式衰減的可能性。閉環系統的這些特性，提供了對AI系統提高魯棒性和可對抗性的一種思路和方法。

四

工程化

上文已經對人工智慧資料、算力、演算法層面進行了梳理和分析，最後我們看看工程化。工程化對於人工智慧，如同廚具對於美味佳餚一樣，是將資料、算力、演算法結合到一起的媒介。

工程化的本質作用是提升效率，即最大化利用資源，最小化減少資訊之間的轉換損失。打一個簡單的比喻，要做出美味佳餚，食材、廚房灶臺、廚師都有，但是唯獨沒有合適的廚具，那麼廚師既無法發揮廚藝（演算法），又無法處理食材（資料），也無法使用廚房灶臺的水電氣（算力）。因此，可以預見，工程化未來的發展，是將上文提到的算力與演算法效能關係，從現在的9次方，逼近到理論上限4次方的重要手段之一。

過去10年，AI工程化發展，已形成一個明晰的工具鏈體系，近期也伴隨著一些值得關注的變化，筆者將一些較為明顯的趨勢，彙總如下：

總結來說，AI工程化正在形成從使用者端到雲端的，以Python為程式語言的一整套工具鏈，其3個重要的特點為：遠端程式設計與除錯，深度學習與機器學習的GPU加速支援，以及模型訓練與推理工具鏈的解耦。與此同時，產業鏈上游廠商對開源社群的大量投入，將為中下游企業和個人帶來工具鏈的技術紅利，降低其研發門檻和成本，筆者認為微軟、臉書、英偉達3家上游廠商主推的開源工具鏈尤其值得關注。

五

結語

對於人工智慧技術過去10年發展取得的成就，有人歸因於資料，也有人歸因於算力。未來人工智慧技術發展，筆者大膽預測，演算法將是核心驅動力。同時，演算法研發的實際效率，除了演算法結構本身，還取決於設計者對先進工具鏈的掌握程度。

未來10年，科技界是否能用更少的資料，更經濟的算力，獲得真正意義上的通用智慧呢？我們拭目以待。