不是有沒有必要，而是必然。其實人工智慧並不是一個全新概念，早在六七十年代基本理論就已經完善，比如神經網路，卷積演算法等。只不過當時受硬體及其資料的限制，進展極其推廣速度很慢。近年來，隨著高階硬體的不斷髮展，網路資料及其巨量的積累，使原基礎理論得到有效驗證，並不斷改進具體演算法，使人工智慧能夠具有商業化可能性。而且，算是進入了快速發展階段。所以，人工智慧不是有沒有必要，而是發展的必然結果。

人工智慧作為新生事物解決了很多之前解決不了的問題，必然是好的，但是目前媒體把它過度神話了！

首先，目前的人工智慧根本上只是個演算法，依靠更多的有標記資料和更快的計算速度完成了以前完成不了的計算量。由於算力的驚人，可以找到人們之前未曾發現的特徵與規律。但是目前的演算法很大程度上還是暴力運算，發現的很多規律，特徵都是過度擬合的結果，是無效的。因此真正的智慧還遠遠未到！現在還是可以輕易駕馭

你是否曾將應用了人工智慧技術的“殺手級應用”投入大規模生產中？

實際上，這種情況較為少見。去年，全世界3182名資訊長（CIO）中，僅有4%表示他們已將人工智慧相關的應用投入生產中，或是在未來12個月內有此計劃。資訊長不一定了解企業中正在進行的每一個專案，但基本上這個數字的誤差不會超過它的兩倍。也許，8%的企業都已將這樣的應用投入生產中，但8%這個數字很可能是對實際情況的一種高估。

為什麼會出現這種情況？

今年6月27日，Gartner釋出了一項人工智慧技術成熟程度的研究，為企業架構師和科技創新者提供相關見解。該研究的重點在於人工智慧技術的成熟程度，而不在於人工智慧領域企業的發展狀況。

從表面上看，人工智慧領域在過去十年中取得了突破性的進展。不斷有新的、寶貴的機會湧現出來。在這十年中，在與人工智慧有關的研究、會議、研究生專案、初創公司、風險資金、公司中的併購（M&A）活動、人工智慧相關的工作釋出、專利申請上，我們都取得了很大的進步。

但我們看到的只是其中的一部分，還須考慮的是：

如今，偉大的研究發現過多地湧現，使得技術空間變得混亂。在很多情況下，當下的技術突破在下一季度或第二年就會過時；系統工程的指導方針（以及專業知識）較為缺乏；如今的人工智慧技術就像資訊通訊技術在1960年的發展狀況一樣，這種情況短時間內很難改變；最糟糕的是，由於缺乏新的、使用人工智慧技術的“殺手級應用”推動商務人士在這方面開展投資專案，人工智慧相關的應用投入大規模生產的程序近乎處於停滯狀態。

讓我們把目光聚焦在“殺手級應用”的“真空”狀態上。

我們向IT領導者或企業管理者詢問了人工智慧應用的問題，並向他們徵求文字或口頭回答，回答通常會分為以下四類：

第一， 決策支援/擴大化——幫助人們變得更加聰明

第二， 虛擬代理——熟悉使用者的文字或發言

第三， 決策自動化——任務自動化或最佳化

第四， 智慧產品——嵌入式的人工智慧

這幾類（先不說第二項）和老式汽車的市場非常相似——老式汽車的想法在十九世紀已經出現，在二十世紀早期出現了對應的產品。人們在熟悉的環境下可以更好地發揮想象。

因此，我們有例如：

二十世紀九十年代初的類似商業智慧化的產物（決策支援/擴大化）以“決策自動化”為特徵的任務自動化和任務最佳化，實際上，我們從計算機時代的開始就在這麼做了智慧產品——一個已經近乎沒有實際意義的、過時的標籤

客戶對虛擬代理存在著普遍的興趣。事實上，表示在人工智慧技術上進行了投資的客戶中，有三分之二提到了“面向使用者”（通常與聊天有關）的專案。但是除非縮窄這些專案的定義，這些專案要達成一定規模的難度非常大。除了幾家大型科技公司外，沒有哪家公司具備開發出一個可以回答所有人所有問題的全能聊天機器人的能力，洞察引擎（Insights Engine）在這方面比聊天機器人做得更好。而從目前的情況來看，這些大公司的產品也並不是那麼完美。谷歌的Duplex、亞馬遜的Alexa Challenge中的對話可能是目前最為智慧的，但企業是否會對這些專案大規模投資仍然懸而未決。

未來是難以預見的。除了聊天機器人之外，其餘專案都僅是在“老式汽車”上的改進。那些能夠讓企業開創使用人工智慧技術的新商業計劃的巨大突破在哪裡呢？

然而，行業、廠商、分析人員、諮詢顧問乃至全世界範圍內的企業，都並不瞭解這些巨大突破會是什麼。

這其中一部分的問題是，人工智慧最適合解決的問題，可能已超出那些想找到新的“殺手級商業應用”的人的能力和經驗認知。

回到商用計算機的早期年代（二十世紀中期），企業購買計算機，執行人們已在紙上處理了數個世紀的問題。當人們知道如何在紙上進行記賬，那麼將相同的邏輯應用到計算機上就相對容易了。

在如今這個人工智慧技術應用開始生產的早期時代，我們無意中失去了知道我們應該如何處理一些事情的能力。研究筆記中寫道：

“我們現在能夠用深度神經網路（DNN）為基礎的系統對照片做面部識別。人類（我們靈長類動物的祖先）已經有至少五千萬年的面部識別經驗，但總的來說，我們並沒有一套有效、系統的方法來進行面部識別。

我們只是運用人類的本能（不像科技開發者那樣），用我們神經系統中不同的、與生俱來的學習迴路來進行面部識別。其中具體的過程是模糊的。一個十五個月大的孩子是如何分辨出他父親和母親的圖片的？我們並不瞭解。日常的人類經驗不足以讓我們建立一套實現臉部識別的技術。”

我們在缺乏這樣的見解的同時，也缺乏實際經驗以驅動對相關應用的創造或開發。擬人法可能會讓我們誤入歧途。

這些侷限之外，我們仍要相信：

科學將以驚人的速度繼續進步；人工智慧技術將會被應用在更多產品中；到2020年，人工智慧技術將存在於基本上所有的新型軟體產品中；廠商將會用這些嵌入式的技術增加並擴大其產品功能，此後企業就會因商業型人工智慧的優勢進行投資，而非開發相關技術。

等待能夠帶動重大商業投資的“殺手級應用”被發現的過程中，我們將繼續以實際的、策略性的方式進行小型投資，為業務帶來實際價值。

當然有用，能代替人幹好多事情，能幫老百姓少跑路，讓資料多跑路，在人工智慧方面高危險的活都能讓人工智慧的機器人幹

人工智慧肯定是有用的啦，人工智慧其實大家並不陌生，早在三十年前，人類就能用計算機簡單的識別出一張圖片是貓咪的圖片，最近十年，因為深度學習的發展，人工智慧又被大家所熱談。

講一講一些實際的應用吧，五年前，我有個朋友找我說要開發無人停車場，那個時候還沒有足夠的商業敏感度，現在，在一線城市的停車場，幾乎全都是無人值守的了。

以前我們上網查資料，看新聞，都是人為安排給我們看的，現在基本都是機器推薦了，這也是人工智慧的一個應用。

如果你開過一些高階的點汽車，就會發現有自動剎車，自動泊車的功能，以後再也不用擔心倒車入庫了，未開，這個技術也會繼續普及，開車會更加安全。

還有非常多的應用，可能是你感受到的，也可能是感受不到的，像現有的智慧音響，也只是人工智慧的一個簡單應用而已，可能現在還不怎麼好用，但未來一定666

一些服務和需要體力行業都會透過人工智慧收益。

比如典型的例子

上海很多高速公路已經實現自動etc通關了，包括超市很多是自動付款。

很多小區實現了無人看守 刷臉進出小區。

銀行和醫院實現自助掛號 自助辦理 其實比起5年前 這些都是人工智慧帶來的影響。

但不會被人工智慧取代 但會幫助這些行業高效發展

1、人工智慧判斷犯罪可能，機器演算法可對多領域進行預測2、機器演算法預測未來，提高生活質量推動社會發展3、機器演算法預測未來，提高生活質量推動社會發展由此可見，機器演算法預測技術可以從51cto學習，給人們帶來了一些改變，推動了許多領域的發展然而這一技術剛剛興起，許多演算法和系統並未經過科學的認證和事實

世間萬物皆分利弊，人工智慧應用於各行各業，例如，我們手機中的語音喚醒，就包含了人工智慧的模式識別中的語音識別和語義處理，自然語言理解，都離不開人工智慧，還有無人駕駛，影象識別，人工智慧技術在我們生活之中，現在應用最廣泛的是模式識別和機器學習

廠商的那些所謂的玩具，其實更多的是一個比較簡答的語音識別，現在更多的是想小米、天貓黑盒之類的，所以我們考慮一個東西好不好，有沒有用，要看他將來的發展方向如何？看前景看未來，才知道這個東西有沒有用/