【制作|网易智能策划/编译|韩冰】去年3月，一个会下围棋的AlphaGo让人工智能火了起来。这个三月，要虐柯洁了柯洁的增强版AlphaGo会带来什么？作者的标题可能有点穿越，但即使柯洁最近在闭关中学会了新绝活，也不可能赢过AlphaGo。围棋人工智能的学习能力绝对比人类高出几个数量级。围棋随着时间的发展，不管是柯洁还是谁，人类只能被越来越虐。这就是“新进化论”带来的不可阻挡的“自然”规律。赛后柯洁还能这么自信吗？然而，对于真正的人工智能来说，AlphaGo也只能是昙花一现。深度神经网络给人工智能带来的是惊喜，而不是革命。百度等公司全力以赴的“紧张”，或许对它们的商业成功并没有太大帮助。拥有数万个GPU，吴恩达或许可以为百度带来一些令人惊叹的人工智能产品，但很难重现像莆田印钞一样的盈利能力。人工智能仅仅完成了从胎儿到婴儿的蜕变，但是来到世间，要成为人类，还要经历无数的磨难。不过，笔者并不想吐槽目前各大公司在人工智能面前的“疯狂”行为。通俗易懂地分析了让人工智能为世人惊叹的神经网络技术，以及人工智能在真实业务层面所面临的实际问题。让大家在观看柯洁与AlphaGo的比赛之前热身一下，科学客观的看待这场人机大战。为什么神经网络火了？神经网络并不新鲜。在AlphaGo之前，它只是人工智能算法的一个分支。神经网络中的许多算法已经存在了很多年，它不会像魔术一样突然发生。它最近开始受到关注，主要是因为可用计算能力（CPU、GPU、AI专用计算单元）的快速发展，使得海量矩阵乘法运算更易于测试、验证和迭代。但是Deepmind针对AI下围棋的神经网络优化确实很了不起，而且Deepmind断言同样的技术可以应用到其他领域。于是乎，不明真相的人真的以为明天人工智能就会来代替人类。各大互联网公司也顺势而为，第一时间发力人工智能业务。笔者并不怀疑DeepMind神经网络算法的通用性，但不同领域训练数据的获取在现实中仍然是一个无法解决的问题。而且，由于某些领域数据的复杂性，或许只有量子计算才能在人类寿命可接受的范围内结束训练。神经网络更像是解决图灵问题的关键。神经网络有两个主要优点。一是用相对较长的应用前训练时间换取应用中的实时处理。而是用训练数据的处理复杂度来换取预设逻辑的处理复杂度。而AlphaGo让人们相信，也许神经网络真的是解决完整图灵测试的关键。就宏观欲望而言，神经网络有望通过模拟现实中的生物思维，直接实现人工思维。人工神经网络是一种自适应机器，它模拟人脑完成特定任务或感兴趣功能的方式。它是由简单的处理单元组成的大规模并行分布式处理器。大自然具有储存经验和提供经验的特性。神经网络在两个方面与人类相似：1.神经网络获取的知识是从外部环境中学习的；2.相互连接的神经元的连接强度，即突触权重，用于存储获得的知识。现实生活中有很多问题是无法通过预设的逻辑来解决的。当问题不可预测时，比如手写字体识别；或者问题很容易改变需求；当处理任务只需要一个满意解而不是一个精确解时，这些情况对于人脑的模糊逻辑处理来说都不是问题。但这对计算机程序来说是一个难题。神经网络有大量的经验数据可供参考，或者任务本身可以产生足够的经验数据来完成一个最优解。它不保证任务100%正确，但可以像人脑一样给出经验性的解决方案。从模仿人类思维的角度来看，人工智能可能是所有机器学习算法中最通用的，也是最有可能达到图灵测试的途径。神经网络解决一切？这很疯狂，但在许多情况下，神经网络并不是人工智能的最佳解决方案。把神经网络用于任何问题都是神经病。这里可以举一个例子——基本的数字识别。不管是神经网络，还是基本的决策树，还是向量机，最基本的算法选择原则还是可以解决问题的。很多产品处理都使用了现在流行的循环神经网络算法，但是如果可以使用简单的预置逻辑、贝叶斯算法和向量机等就可以达到很好的效果，没有必要本末倒置。深度神经网络很可能成为未来解决人工智能问题的通用算法，但神经网络所需的大量数据的准备和整理也非常耗时。与其他机器学习算法相比，神经网络更有可能在应用时用大量的数据净化时间和训练时间来换取使用时的快速计算。比较各种算法的性能，神经网络并不是最好的解决方案。资料来源：（人工智能，Stuart-Russel）这里列举一些常用的机器学习算法，太无聊就不细说了。基于区间理论分布：聚类分析和模式识别、人工神经网络、决策树、感知器、支持向量机、集成学习AdaBoost、降维和度量学习、聚类、贝叶斯分类器。构建条件概率作为基础：回归分析与统计分类、高斯过程回归、线性判别分析、最近邻法、径向基函数核。基于概率图模型：包括贝叶斯网络和马尔可夫随机场近似推理技术：马尔可夫链、蒙特卡洛法（AlphaGo也用这种算法）、变分法。为什么人工智能科学家想出这么多方法？其实答案很简单，没有一种方法可以在任何场景下实现最佳解决方案。神经网络的普及并不意味着未来人工智能会朝着单一的方向发展。将神经网络与其他方法配对可能是更明智的选择。人工智能的实现问题吴恩达2014年被百度录用，百度开启了人工智能时代。可以说百度一直在模仿谷歌，但是在人工智能这件事上，百度真的挖走了谷歌大脑的核心人物。吴恩达在百度的三年时间，发表了近20篇论文，每篇论文要么融入百度现有的产品线，要么根据成果成立了一家初创公司。从吴恩达回归百度首款研发的问诊机器人，到近期推出的语音识别开发平台二期产品，百度在人工智能领域的进步有目共睹。虽然没有Deepmind那么震撼，但也成为了行业中的佼佼者。.如今，在AlphaGo的帮助下，各种人工智能公司如雨后春笋般涌现。不仅各种大数据公司摇身一变成为人工智能先行者，就连今日头条这种依赖数据挖掘的媒体公司，也宣称自己是一家人工智能公司。从表面上看，人工智能就像一座宝岛。千人竞渡独木桥，只为挖出岛上的宝藏。但所有人工智能公司面临的最大问题是如何变现。回过神来，这座岛上无金无银，似乎连一块像样的石头都没有。以百度为例。吴恩达算是人工智能图像识别领域的权威，但恩达同志却从未有过产品商业化的成功案例。斯坦福当教授的时候，得到了学校的支持。当然，GoogleBrain时期是有广告商支持的，实现起来从来没有任何压力。来到百度之后，产品化的步伐当然加快了，但也只能是被抬高的步伐。比如2015年推出的百度问诊机器人，推广中遇到的问题不算问题。本来靠着百度那套问诊卖药的逻辑应该会有不错的前景，但是去年的魏则西事件，基本上把百度靠医疗暴力捞钱的逻辑彻底砸烂了。于是，医疗事业部成了百度的医疗大脑，问诊机器人产品也只能成为鸡肋。当然，百度的部分语音产品在技术层面还是有不错的toB前景，但与百度在人工智能方面的体量和投入相比，这种前景不太可能成为赚钱的景象。开复同志说得好，AI创业的核心是人工智能科学家，但也要有一群懂得变现的人。这件事本身就很难，因为要把两拨思维完全不同的人放在一起，天天打架。目前至少国内的style喜欢挖各种名校的教授，有的基本不会编程，论文的代码就靠下面的同学来实现。人工智能货币化很难，你有一群做不出来的人回学校教书，所以货币化就像童话。人工智能的到来势不可挡，资本的进入将加速人工智能落地的进程。不过，一刮风，就没那么容易着陆了。人工智能的曙光并不遥远，但前路漫漫，黑暗无尽。怎么破？回去敲代码，做优化，一切还是产品。作者简介：刘冰涵，AI创业公司EditorAICEO，作者自嘲“人工智能领域最擅长写文章，写文章的人最懂人工智能”。免责声明：本文为网易智能工作室作者授权独家稿件。转载请在文章开头注明出处“聪明菌”和作者，并注明本文链接。必须调查违反者。
