「核心觀點」

鄭爽與張恆的新聞火了，但我們可不是來聊這場鬧劇本身。危機博士注意到，當時炒得沸沸揚揚的、鄭爽經營的人工智慧公司已停止運營，而此前更有自媒體發表了《鄭爽進軍人工智慧領域，娛樂圈悶聲幹大事》的文章，不禁讓人感慨與思考，一旦人工智慧這種高科技，無門檻的讓大杆子打不著的流量明星摻和，是不是就距離階段性高點，甚至泡沫破滅不遠了呢？

大家好，我是危機博士。本期影片和大家探討，前些年火爆的人工智慧是否進入寒冬？

柯潔對決ALPHAGO

12015年人工智慧下圍棋贏了世界冠軍，後來，指揮交通讓城市擁堵有所緩解，他輔助我們駕駛汽車，和我們對話，預報天氣，甚至幫助我們點外賣，網購下單。人工智慧技術可謂參透到我們生活的方方面面，併成為各路資本追捧的物件。首先，我們必須瞭解什麼是人工智慧？

計算機科學家：約翰·麥卡錫

“人工智慧”一詞的提出者，約翰·麥卡錫說：人工智慧是研製智慧機器尤其是智慧計算機程式的科學與工程。它與使用計算機理解人類智慧類似，但人工智慧並不將它自己侷限於生物意義上的方法。意思就是：人工智慧是基於電腦程式設計出來的智慧程式，它不一定以人體肉身般的存在，但他可以擁有與人類類似的智慧。鄭爽和張恆的公司搞的是人工智慧嗎？

鄭爽的人工智慧科技公司

其實，鄭爽的上海鯨谷座人工智慧科技有限公司，以及其控制、張恆運營的鯨乖乖人工智慧公司主要是與一檔綜藝節目《這！就是鐵甲》相關，節目主要是選手透過遙控器，無線遙控基於遙控車改造的機器人對戰的內容，這些機器人和當下我們理解的人工智慧大相徑庭。這裡我們必須將人工智慧與傳統意義上的機器人分開理解。要知道，我們今天發展智慧機器的路線圖主要依託於上世紀現代科學的三論——控制論、系統論和資訊理論。

上世紀現代科學三論

今天我們主流的人工智慧是依託於資訊理論的概念，透過大資料，結合計算機的計算能力，而產生的機器學習，而鄭爽、張恆在綜藝節目上展示的機器人更偏向於控制論概念，單從節目中展示的遙控車看，與控制論集大成者——波士頓動力公司推出的機器人還相差甚遠。接下來，我們來解釋一下人工智慧的發展歷程。人工智慧是依託於現代強大的電腦計算機而產生的。

查爾斯·巴貝奇的解析機器

19世紀中葉，英國數學家查爾斯·巴貝奇發明了一款長30米、寬10米的蒸汽機驅動的分析機器，使用打孔紙帶輸入，採取最普通的十進位制計數。雖然當時市場反響平平，但為人類的計算機革命打下了基礎。之後，艾倫·圖靈、馮·諾依曼等計算機之父們，在上世紀三四十年代真正意義上把計算機發明出來。

艾倫·圖靈與馮·諾依曼

上面分析了，鄭爽、張恆的人工智慧公司搞得機器人和真正的人工智慧可能天差地別。所以，接下來，我們透過人工智慧的發展歷程，來介紹什麼才是當下主流人工智慧概念。誰發明了人工智慧呢？這裡有三個關鍵人物。

《模仿遊戲》劇照

50年代，密碼科學家圖靈在英國《心靈》雜誌上發表了一篇《計算機與智慧》的論文，引發了人類對於計算機是否應該具備智慧的思考，文中提到的“模仿遊戲”被後人定義為“圖靈測試”，並拍攝成卷福主演的電影《模仿遊戲》，而圖靈測試簡單地說：就是在不相見的情況下，人機對話，人無法辨別對話者為機器，即為透過圖靈測試。第二個關鍵人物名叫：麥卡錫。1956年，年輕的助理教授麥卡錫，拉著自己的小夥伴科學家明斯基等人，一起從洛克菲勒基金會要了一筆贊助費，在美國達特茅斯舉行了一場小型學術會。就是這場當時不起眼的小研討會上，麥卡錫與閔斯基提出了“人工智慧”一詞，所以，最終麥卡錫成為了主流認知的“人工智慧之父”。

人工智慧之父：麥卡錫

我們上面說到，當下的人工智慧其實可以理解為機器學習，而機器學習雖然在上世紀80年代就被提出，但在過去十幾年被一種叫做深度學習的技術主導，而這種技術就基於大資料，大資料則來自於科學家夏農提出的資訊理論，恰巧的是，夏農也參與了麥卡錫等人組織的達特茅斯會議。所以，夏農也是人工智慧這一概念的關鍵人物之一。

夏農與資訊理論

說了這麼多，人工智慧到底是如何執行的呢？分解一下，人工智慧由三部分組成，演算法、算力和大資料。

人工智慧的組成

舉個簡單的例子，如果把人工智慧比作F1賽車的話，計算機演算法就是經驗豐富的賽車手，在他的腦子裡早就知道哪裡加速，哪裡減速，哪裡超車，而算力就是賽車的發動機，要想跑的快，發動機必須動力十足，最後是大資料，它就等同於汽油，是人工智慧的能源，沒有汽油，再好的馬達，再頂尖的車手，都沒法馳騁賽道。

晶片的計算能力

所以，大資料輸送到計算機，藉助計算機的演算法程式，和算力，也就是我們的晶片的計算能力，學習大資料，並且產出我們想要的應用端結果，比如讓計算機學習10萬張各種各樣表述名稱的貓的照片，就能透過攝像頭，輕鬆辨別出哪隻貓是波斯貓，哪隻是英短、哪隻是暹羅貓。前面說了，這條技術邏輯是基於上世紀80年代提出的機器學習，在2006年之後，伴隨著多倫多大學的辛頓教授等人，透過模仿人腦編制的深度神經網路演算法。之後，學者們並聯計算機中央處理器CPU或者影象處理器GPU，學習海量資料，最終再識別物體，完成技術突破。

深度神經網路演算法

最終，在2012年之後，在資本的加持下與科技創新與創業的精神指引下，人工智慧掀起了一次技術浪潮，應用到了網際網路消費相關的領域。但你知道嘛？這可不是人工智慧第一次高潮了！人工智慧從1956年被提出到當下，經歷了三起二落。第一波人工智慧從上世紀50年代至70年代，當時主要提出兩種實現人工智慧的技術路線。第一條是希望透過模仿人類大腦思考，用計算機編制神經網路來實現人工智慧的學派，後來被成為神經學派或聯結學派，另一種方式則是寄希望於人類經驗沉澱下來的知識，溝通一種專家系統，這一學派被稱作符號學派。

神經學派：聯絡主義

符號學派：經驗主義

起初，兩個學派各有所長，均衡發展，後期聯結學派略勝一籌。但當時沒有足夠的資料儲存技術，計算機的運算能力有限，最終人工智慧還是沉寂了數十年。

鄭爽等流量明星搞人工智慧，真假不說，但噱頭夠大！上世紀末，IBM的人工智慧也是各種搞噱頭，但結局只剩嘆息。

IBM的深藍計算機奪冠

80年代，隨著新一代計算機的發明和各種演算法的進步，人類迎來的人工智慧第二次高潮。IBM的深藍計算機在智力答題比賽中奪冠，並在國際象棋大賽中贏了世界冠軍卡斯帕羅夫。但當時計算機算力有限，一臺計算機的算力還不如今天一部中檔次智慧手機的計算能力。最終，人工智慧進入了寒冬。

深度神經網路

第三次人工智慧浪潮就在當下。演算法方面，辛頓、本吉奧與樂昆三位教授創新與發展了神經網路，讓深度神經網路技術主導了當下人工智慧的發展，同時，基於人類經驗與知識的圖譜技術等也開始大規模應用在搜尋引擎、聊天機器人上；算力方面，過去十幾年，摩爾定律發揮很重要的作用，晶片計算能力在一個週期內會翻倍，同時，成本會下降一半，計算機科學家們透過並聯CPU，或者直接使用GPU，亦或是研發特定晶片，如谷歌基於TensorFlow框架研發的TPU，計算能力取得了長足進步。

摩爾定律的應用

但最關鍵的還是資料。伴隨著網際網路技術發展，以及智慧手機、手錶等可穿戴裝置、各類應用程式的普及，海量資料被儲存了下來，這為人工智慧發展提供了源源不斷的資源。最後，我們聊聊人工智慧是否又一次進入寒冬？這裡我們從人工智慧三要素，未來技術路徑，以及資本與商業應用，三個方面分析與預判。演算法上，最近幾年的突破非常有限，算力上，基於矽材料的芯片面領著摩爾定律失效的問題，矽晶片上電晶體排列面臨物理極限，我們只能設法最佳化，但問題是計算機計算執行時，我們並不知道每個電晶體的貢獻與利用率；在大資料的發展上，前幾年普遍認為5G的到來會讓我們進入資料收集的新時代，但5G時代帶來網速和頻寬的提升，但基於高網速、低延時等5G特性的商業應用並沒有突破，且各國資料立法也對資料的收集設定了界限。其次是技術路徑。過去十幾年，人工智慧主要方向在深度學習，未來，機器只通過視覺技術識別物體，只會將人類語言進行記錄和翻譯的單一模式行不通，而向掌握“聽說讀寫”等人類綜合行為的多模態轉變，任重道遠，這必須透過將機器學習、深度學習、知識圖譜等各類人工智慧技術交融才行。

最後是資本與商業應用。雖然人工智慧概念依舊火爆，但根據Pitchbook的資料，從2018年到2019年，人工智慧初創公司融資交易規模和交易數量都有所下降。2019年不僅風險投資交易數量下降1.3%，而且交易總額也下降了24%。而商業應用端，已經從前幾年主攻消費網際網路，向最近主攻工業網際網路的方向發展。人工智慧正在投入到製造業甚至是農業，如智慧工廠、智慧養殖場和農場、乃至於汽車製造的各個環節中。這些環節必定需要長時間投資與優秀人才投入，才能讓獲得技術賦能的。所以，影片最後，危機博士做一個預判，人工智慧短期會進入了一個小寒潮般的靜默期，在前幾年爆炒人工智慧概念之後，行業將進入與實體經濟產業融合的攻關期。未來，那些炒概念，不能將資金和人才投入真實的創新與應用端的公司必將被淘汰，未來，我們將迎來人工智慧時代的主升浪。

*本篇文章的影片版稍後推出，敬請期待！完 | 感謝閱讀