前言：第四次工業(yè)革命是人工智能

之前我們一直判斷美國經(jīng)濟(jì)會進(jìn)入衰退，但美國經(jīng)濟(jì)沒有衰退，美國搞出了ChatGPT，相當(dāng)于一次真正的工業(yè)革命。之前我們對工業(yè)革命有個二次判斷失誤，一次失誤是以德國為主的工業(yè)4.0，搞機(jī)器聯(lián)網(wǎng)；第二次判斷失誤是搞iot物聯(lián)網(wǎng),物聯(lián)網(wǎng)代表代表第四次工業(yè)革命，代表未來趨勢，但真正的工業(yè)革命可能是AI。所以目前大家不敢創(chuàng)業(yè)、創(chuàng)新了呢，當(dāng)前進(jìn)入一個什么了一個無IP不商業(yè)，無AI不創(chuàng)業(yè)時代，今天如果不搞AI，拿到投資都不可能。

 可以大言不慚地說，我們是業(yè)內(nèi)最早在網(wǎng)上發(fā)文給工業(yè)4.0潑冷水的（參見舊文《給4.0潑冷水：制造企業(yè)應(yīng)該如何正確看待和開展工業(yè)4.0項目》，《工業(yè)4.0的冷處理》，《2021，和工業(yè)4.0說拜拜》），而且在各種場合和工業(yè)4.0的主流觀點唱反調(diào)，并建議企業(yè)謹(jǐn)慎投資工業(yè)4.0概念相關(guān)的項目。

我們反對工業(yè)4.0的非常重要的原因之一，就是它名不配位。把大數(shù)據(jù)，物聯(lián)網(wǎng)，數(shù)字孿生之類的技術(shù)說成是第四次工業(yè)革命，和蒸汽機(jī)（蒸汽革命），發(fā)電機(jī)（電力革命），計算機(jī)（信息革命）比肩過于牽強(qiáng)。就好比說四大發(fā)明有造紙術(shù)，印刷術(shù)，指南針和充電寶；四大美女有西施，貂蟬，王昭君和李小璐；四大天王有劉德華，張學(xué)友，郭富城和黃曉明... ...就像是三句半表演的第四位，承擔(dān)了全場的笑點。

所以我們一直認(rèn)為工業(yè)4.0絕算不上第四次工業(yè)革命，最有希望成為第四次工業(yè)革命導(dǎo)火索的技術(shù)是人工智能，其次是離我們還有些遙遠(yuǎn)的量子計算機(jī)。

我們看來，前兩次工業(yè)革命都是動力革命：工業(yè)1.0時代最主要的動力設(shè)備是水輪機(jī)（其實水力在人類制造業(yè)發(fā)展史中占有極其重要的地位，參見《工業(yè)0.0，一個被我們忽略的水力時代》）和蒸汽機(jī)；工業(yè)2.0之后，主要的動力源就變成了內(nèi)燃機(jī)和電動機(jī)。之后盡管出現(xiàn)了蒸汽輪機(jī)，燃?xì)廨啓C(jī)，沖壓發(fā)動機(jī)，核反應(yīng)堆等，但都不足以改變世界。下一次科技革命如果是動力革命，那么標(biāo)志性技術(shù)肯定非核聚變莫屬。工業(yè)3.0的標(biāo)志性技術(shù)是計算機(jī)和互聯(lián)網(wǎng)，工業(yè)4.0的標(biāo)志性技術(shù)是人工智能和呼之欲出的量子計算機(jī)，后兩次科技革命我稱之為“算力革命”。

即便量子計算機(jī)一時半會兒還出不來，但也絕不妨礙人工智能引領(lǐng)本輪科技革命。

  ChatGPT的橫空出世意味著初代人工智能已經(jīng)實現(xiàn)。經(jīng)過實測的人都會認(rèn)為ChatGPT說的是人話，認(rèn)為ChatGPT完全可以通過圖靈測試（即盲測聊天時讓人類無法分辨聊天對象是自己的同類還是和機(jī)器），即便有些問題受到人為的限制，在解除算法約束條件后，ChatGPT的表現(xiàn)只會更加出色。

所以既然ChatGPT能夠通過圖靈測試，那么說明人工智能已經(jīng)實現(xiàn)，這意味著第二次算力革命已經(jīng)開始，它將直接影響到包括工業(yè)和制造業(yè)在內(nèi)的各個領(lǐng)域。

  應(yīng)該說ChatGPT是專門針對語言邏輯這類范式問題的人工智能。除了自然語言的組織已經(jīng)看不出和人類的區(qū)別，ChatGPT真正厲害的地方是對機(jī)器語言的組織和生成。只要是標(biāo)準(zhǔn)的機(jī)器代碼它都可以生成于是我繼續(xù)循循善誘繼續(xù)引導(dǎo)，而ChatGPT似乎也馬上理解了，而且用中文給出了非常正確且清晰的原因描述。

  目前ChatGPT的聊天能力已經(jīng)空前強(qiáng)大，既然可以按照人類自然語言的描述生成計算機(jī)代碼，那么就可以自動運(yùn)行這些代碼，進(jìn)而控制機(jī)器，實現(xiàn)信息自動化。

  信息化的主要作用是解決繁瑣流程問題，比如各種審批流程，整理財務(wù)報表等等。如果工作流程比較復(fù)雜繁瑣，那么就需要上信息化軟件。現(xiàn)代企業(yè)的業(yè)務(wù)因為都比較復(fù)雜，所以信息系統(tǒng)幾乎是必須的。所以說數(shù)字化轉(zhuǎn)型是智能制造的基礎(chǔ)這句話一點沒錯。

 對于智能化的定義大家的分歧都很大，我的看法是：能夠用人工智能的方式解決決策問題的系統(tǒng)才算是智能化系統(tǒng)。

  既然我可以用Chat GPT生成數(shù)控機(jī)床的G代碼，就說明AI已經(jīng)作為一個通用性的工具，影響到工業(yè)領(lǐng)域了。按照我之前的定義，工業(yè)領(lǐng)域的人工智能才算得上第四次工業(yè)革命，所以Chat GPT的成功意味著工業(yè)4.0的開始。

人類的思維實際上就體現(xiàn)在語言上。思考就是自己和自己的對話。

想明白一件事其實就是被自己頭腦里的那個聲音說服了。

接受某個人的思想或認(rèn)同某個人的觀念，表現(xiàn)形式就是同意這個人說過的話和寫過的文字。

  因此，語言即思想。

 人工智能引領(lǐng)的第四次科技和工業(yè)革命已經(jīng)到來。掌握ChatGPT，對個人有什么好處，首先人人都可以成為程序員，你不需要在去學(xué)習(xí)各種編程語言，機(jī)器代碼，ChatGPT智慧會把人類的語言，要求變成機(jī)器語言。從用戶直達(dá)機(jī)器，省去中間產(chǎn)品經(jīng)理，程序員。一個不懂編程的人，也可以自己開發(fā)需要的網(wǎng)站。

 你不用在擔(dān)心全球旅游語言不通，AI人工智能翻譯軟件，可以無障礙讓你與任何國家的人交流；

  你也不用費(fèi)力再考駕照了，未來所有路上行駛的人工智能駕駛汽車，不是按照計算機(jī)導(dǎo)航指令行駛，而是模仿人類神經(jīng)網(wǎng)絡(luò)，快速學(xué)習(xí)能力，根據(jù)實際路況預(yù)判，超過人類任何老司機(jī)實現(xiàn)絕對的安全行駛；

 甚至你可以不懂繪畫、音樂、影視編輯，ChatGPT可以幫你做出任何超過你預(yù)期的作品。

  當(dāng)然ChatGPT可以做很多需要超強(qiáng)學(xué)習(xí)力的事情，目前已經(jīng)進(jìn)化到了GPT4，馬上到了GPT5，已經(jīng)超過人力目前最強(qiáng)大腦，大家可以想象下，未來包括宇宙探索，飛碟制造，生物醫(yī)藥，新能源、新材料創(chuàng)新，創(chuàng)造都可以成為人類最佳助手，但他永遠(yuǎn)代替不了人類的選擇與責(zé)任擔(dān)當(dāng)。

 

正文 

 

我們即將進(jìn)入第四次工業(yè)革命時代，其規(guī)模之大不可想象——任正非

第一次工業(yè)革命：蒸汽機(jī)時代；

第二次工業(yè)革命：電氣化時代；

第三次工業(yè)革命：信息化時代；

 

 

 

第四次工業(yè)革命，是AI帶給人類的顛覆性革命。可人工智能伴隨我們70多年，為什么今天才進(jìn)入AI革命紀(jì)呢？

因為AI大模型的出現(xiàn)，特別是生成式AI得到驗證后，通用性問題被解決：

人類和AI，將攜手創(chuàng)造一個全新世界。

 

我們正處于傳統(tǒng)信息技術(shù)時代的黃昏，和人工智能時代的黎明。

在過去的260年間，人類社會經(jīng)歷了三次巨大的科技創(chuàng)新浪潮，蒸汽機(jī)、電力和信息技術(shù)，將全球GDP提升了近千倍。每一次科技浪潮都通過某一項先進(jìn)生產(chǎn)力要素的突破，進(jìn)而引起大多數(shù)行業(yè)的變革：比如蒸汽機(jī)的出現(xiàn)推動了汽車、火車、輪船、鋼鐵等行業(yè)的巨大發(fā)展，140年前美國鐵路行業(yè)的惡性競爭史，就如同現(xiàn)今互聯(lián)網(wǎng)行業(yè)BAT之間的競爭。而鐵路行業(yè)發(fā)展、兼并所需的巨額金融資本，又驅(qū)動了華爾街的發(fā)展，逐漸成為全球的金融中心。

二戰(zhàn)之后以信息技術(shù)為核心的第三次科技革命迄今已逾70年，將全球GDP提升約60倍。其中可分為兩段：1950年-1990年，是半導(dǎo)體產(chǎn)業(yè)迅猛發(fā)展的時代，推動了大型計算機(jī)向個人PC的小型化；1990年至今是近30年的互聯(lián)網(wǎng)全球化時代，而互聯(lián)網(wǎng)時代又細(xì)分為桌面互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)兩段。

但隨著摩爾定律的失效和信息技術(shù)紅利徹底用盡，加上疫情黑天鵝影響，全球GDP衰退，引發(fā)并加劇了全球地緣政治和軍事沖突，開始向逆全球化發(fā)展。

所以未來到底屬于web3、元宇宙，還是碳中和？到底什么樣的革命性技術(shù)可以引領(lǐng)人類社會走出經(jīng)濟(jì)衰退、疫情和戰(zhàn)爭的影響，并將全球經(jīng)濟(jì)體量再向上推動增長下一個50倍？

我們的答案是，我們早已處于人工智能時代之中。就像直到2010年iphone4發(fā)布，絕大多數(shù)人也并未意識到移動互聯(lián)網(wǎng)革命早已開始一樣，如今人工智能其實也已廣泛應(yīng)用，比如到處遍布的攝像頭和手機(jī)人臉識別，微信語音和文本轉(zhuǎn)換，抖音動態(tài)美顏特效、推薦算法，家庭掃地機(jī)器人和餐廳送餐機(jī)器人，背后都是人工智能核心技術(shù)在過去十年不斷取得的巨大突破。

 

 

互聯(lián)網(wǎng)已經(jīng)是傳統(tǒng)行業(yè)。

互聯(lián)網(wǎng)技術(shù)作為過去30年最先進(jìn)的生產(chǎn)力要素，改變了全球的所有人、所有產(chǎn)業(yè)、社會經(jīng)濟(jì)，甚至是政治、軍事、宗教。

雖然互聯(lián)網(wǎng)的技術(shù)紅利已基本用盡，但我們?nèi)钥赏ㄟ^研究其歷史規(guī)律，來預(yù)測未來新技術(shù)發(fā)展的可能路徑。

30年的互聯(lián)網(wǎng)發(fā)展歷程總體可分為桌面互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)兩個時代，按產(chǎn)業(yè)滲透規(guī)律，又可分為信息互聯(lián)網(wǎng)、消費(fèi)互聯(lián)網(wǎng)和產(chǎn)業(yè)互聯(lián)網(wǎng)三大階段。

系統(tǒng)硬件都是最先起步，包括底層芯片、操作系統(tǒng)、聯(lián)網(wǎng)通信、整機(jī)等，進(jìn)而初步向媒體工具、文娛游戲行業(yè)滲透，因為這些領(lǐng)域最易受新技術(shù)的影響。當(dāng)2002年中國網(wǎng)民達(dá)到6000萬人，2012年中國智能手機(jī)出貨量達(dá)到2億部之后 ，互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)開始全面開花，滲透變革了直接to C的眾多行業(yè)，如零售消費(fèi)、交通出行、教育、金融、汽車、居住、醫(yī)療等。而當(dāng)用戶量進(jìn)一步上漲、新技術(shù)的滲透進(jìn)一步加深，企業(yè)服務(wù)、物流、制造、農(nóng)業(yè)、能源等to B產(chǎn)業(yè)被影響。

而這個過程中可以發(fā)現(xiàn)，移動互聯(lián)網(wǎng)時代對產(chǎn)業(yè)的滲透深度比桌面互聯(lián)網(wǎng)更深，桌面互聯(lián)網(wǎng)介入行業(yè)基本停留在信息連接層面，而到移動互聯(lián)網(wǎng)時代，眾多掌握先進(jìn)技術(shù)要素的公司開始自己下場開超市、組車隊、重構(gòu)教育內(nèi)容和金融機(jī)構(gòu)，甚至是賣房、造車。也有些公司雖然誕生在桌面時代，但成功抓住移動爆發(fā)紅利殺出重圍，比如美團(tuán)、去哪兒、支付寶。

抖音的崛起是中國移動互聯(lián)網(wǎng)時代的最大變數(shù)，也是數(shù)據(jù)通信傳輸技術(shù)不斷提升的必然，引發(fā)了用戶流量結(jié)構(gòu)的重組，進(jìn)而催生了一大批抓住抖音流量紅利崛起的消費(fèi)品牌，如完美日記、花西子等等。但最終都逃不過被平臺收割的命運(yùn)，就像當(dāng)年淘品牌的結(jié)局一樣。微信支付、支付寶的普及極大推動了線下連鎖零售的數(shù)字化程度和管理半徑，減少了上下游現(xiàn)金收款產(chǎn)生的風(fēng)險，促使其在資本市場被重新認(rèn)可，連鎖化率進(jìn)一步提升，比如喜茶、瑞幸、Manner等等。這兩條邏輯共同構(gòu)成了過去幾年的消費(fèi)投資熱潮主線。

 

 

如何評判一個新技術(shù)是否能引領(lǐng)未來的發(fā)展方向？

我們要看它能否從本質(zhì)上解放生產(chǎn)力、發(fā)展生產(chǎn)力。

蒸汽機(jī)之所以推動了第一次科技革命，是因為其極大的提升了勞動生產(chǎn)力，并將大量勞動人口從第一產(chǎn)業(yè)農(nóng)業(yè)的低級勞動中解放出來，進(jìn)入第二產(chǎn)業(yè)工業(yè)。電力加速了這一過程，并推動了第三產(chǎn)業(yè)服務(wù)業(yè)的出現(xiàn)和發(fā)展。信息技術(shù)將更多的人口從第一、二產(chǎn)業(yè)中釋放，進(jìn)入第三產(chǎn)業(yè)（如大量年輕人不再進(jìn)廠而去送外賣、跑滴滴），于是形成了如今全球第三產(chǎn)業(yè)GDP占比55%，中國第三產(chǎn)業(yè)勞動人口占比50%的格局。

機(jī)器人即是人工智能技術(shù)的硬件形態(tài)，在可見的未來，將第一二三產(chǎn)業(yè)的勞動人口從低級勞動中大比例釋放和替代，并在這個過程中推動全球GDP繼續(xù)百倍增長。

同時可大膽預(yù)言，以創(chuàng)新為職業(yè)的第四產(chǎn)業(yè)將會出現(xiàn)，而這個職業(yè)在人類的歷史長河中其實一直存在于第一二三產(chǎn)業(yè)的邊緣，不斷用突破性創(chuàng)新推動著人類技術(shù)的進(jìn)步，且社會生產(chǎn)力的提升促使該職業(yè)人群不斷擴(kuò)大。這大約能證明劉慈欣的技術(shù)爆炸假說來源。

人工智能從模塊上可分為感知、計算和控制三大部分，由表及里可分為應(yīng)用層、數(shù)據(jù)層、算法層、算力層，而隨著2012年芯片進(jìn)入28nm制程后的量子隧穿效應(yīng)導(dǎo)致摩爾定律失效，“每提升一倍算力，就需要一倍能源”的后摩爾定律或?qū)⒊蔀槿斯ぶ悄軙r代的核心驅(qū)動邏輯，算力的發(fā)展將極大受制于能源，當(dāng)前全球用于制造算力芯片的能源占全球用電量的約1%，可以預(yù)測在人工智能大規(guī)模普及的未來數(shù)十年后，該比例將會大幅提升至50%甚至90%以上。而全球如何在減少化石能源、提升清潔能源占比，從而確保減少碳排放遏制全球升溫的同時，持續(xù)提升能源使用量級，將推動一系列能源技術(shù)革命。關(guān)于該方向的研究可參考我們的另一篇報告《碳中和：能源技術(shù)新革命》。

 

 

早在第一次科技革命之前260年，哥倫布地理大發(fā)現(xiàn)就使西班牙成為了第一個全球化霸主。蒸汽機(jī)驅(qū)動英國打敗西班牙無敵艦隊，電力和兩次世界大戰(zhàn)使美國超過英國，信息技術(shù)又讓美國贏得和蘇聯(lián)的冷戰(zhàn)對抗，全球過了30年相對和平的單極霸權(quán)格局。

因此中國如果僅在現(xiàn)有技術(shù)框架中與歐美競爭，只會不斷被卡脖子，事倍功半。只有引領(lǐng)下一代人工智能和碳中和能源技術(shù)科技革命浪潮，才能從全球競爭中勝出。

盡管中國已經(jīng)躋身人工智能領(lǐng)域的大國，但是我們必須認(rèn)識到中美之間在AI領(lǐng)域仍然有著明顯的差距。從投資金額和布局上看，從2013年到2021年，美國對人工智能公司的私人投資是中國的2倍多。當(dāng)前美國AI企業(yè)數(shù)量領(lǐng)先中國，布局在整個產(chǎn)業(yè)鏈上，尤其在算法、芯片等產(chǎn)業(yè)核心領(lǐng)域積累了強(qiáng)大的技術(shù)創(chuàng)新優(yōu)勢。更關(guān)鍵的是，盡管近年來中國在人工智能領(lǐng)域的論文和專利數(shù)量保持高速增長，但中國AI研究的質(zhì)量與美國仍然有較大差距（集中體現(xiàn)在AI頂會論文的引用量的差距上）。

2013-2021年中美在AI領(lǐng)域私有部門（如風(fēng)險投資、個人投資等）投資金額上差距逐漸拉大

中國在AI頂會上發(fā)表的文章數(shù)量已經(jīng)反超美國，但影響力上仍然與美國有較大差距

因此，中國需要持續(xù)加大在AI領(lǐng)域的研發(fā)費(fèi)用規(guī)模，特別是加大基礎(chǔ)學(xué)科的人才培養(yǎng)，吸引全世界優(yōu)秀的AI人才。只有這樣，中國才能有朝一日趕超美國，在基礎(chǔ)學(xué)科建設(shè)、專利及論文發(fā)表、高端研發(fā)人才、創(chuàng)業(yè)投資和領(lǐng)軍企業(yè)等關(guān)鍵環(huán)節(jié)上的擁有自己的優(yōu)勢，形成持久領(lǐng)軍世界的格局。

 

一、AI發(fā)展簡史

 

 

人工智能的概念第一次被提出是在1956年達(dá)特茅斯夏季人工智能研究會議上。當(dāng)時的科學(xué)家主要討論了計算機(jī)科學(xué)領(lǐng)域尚未解決的問題，期待通過模擬人類大腦的運(yùn)行，解決一些特定領(lǐng)域的具體問題（例如開發(fā)幾何定理證明器）。

那么到底什么是人工智能？目前看來，Stuart Russell與Peter Norvig在《人工智能：一種現(xiàn)代的方法》一書中的定義最為準(zhǔn)確：人工智能是有關(guān)“智能主體（Intelligent agent）的研究與設(shè)計”的學(xué)問，而“智能主體”是指一個可以觀察周遭環(huán)境并做出行動以達(dá)致目標(biāo)的系統(tǒng)。這個定義既強(qiáng)調(diào)了人工智能可以根據(jù)環(huán)境感知做出主動反應(yīng)，又強(qiáng)調(diào)人工智能所做出的反應(yīng)必須達(dá)成目標(biāo)，同時沒有給人造成“人工智能是對人類思維方式或人類總結(jié)的思維法則的模仿”這種錯覺。

到目前為止，人工智能一共經(jīng)歷了三波浪潮。

第一次AI浪潮與圖靈和他提出的“圖靈測試”緊密相關(guān)。圖靈測試剛提出沒幾年，人們似乎就看到了計算機(jī)通過圖靈測試的曙光：1966年MIT教授Joseph Weizenbaum發(fā)明了一個可以和人對話的小程序——Eliza（取名字蕭伯納的戲劇《茶花女》），轟動世界。但是Eliza的程序原理和源代碼顯示，Eliza本質(zhì)是一個在話題庫里通過關(guān)鍵字映射的方式，根據(jù)人的問話回復(fù)設(shè)定好的答語的程序。不過現(xiàn)在人們認(rèn)為，Eliza是微軟小冰、Siri、Allo和Alexa的真正鼻祖。圖靈測試以及為了通過圖靈測試而開展的技術(shù)研發(fā)，都在過去的幾十年時間里推動了人工智能，特別是自然語言處理技術(shù)（NLP）的飛速發(fā)展。

第二次AI浪潮出現(xiàn)在1980-1990年代，語音識別（ASR）是最具代表性的幾項突破性進(jìn)展之一。在當(dāng)時，語音識別主要分成兩大流派：專家系統(tǒng)和概率系統(tǒng)。專家系統(tǒng)嚴(yán)重依賴人類的語言學(xué)知識，可拓展性和可適應(yīng)性都很差，難以解決“不特定語者、大詞匯、連續(xù)性語音識別”這三大難題。而概率系統(tǒng)則基于大型的語音數(shù)據(jù)語料庫，使用統(tǒng)計模型進(jìn)行語音識別工作。中國學(xué)者李開復(fù)在這個領(lǐng)域取得了很大成果，基本上宣告了以專家系統(tǒng)為代表的符號主義學(xué)派（Symbolic AI）在語音識別領(lǐng)域的失敗。通過引入統(tǒng)計模型，語音識別的準(zhǔn)確率提升了一個層次。

第三次AI浪潮起始于2006年，很大程度上歸功于深度學(xué)習(xí)的實用化進(jìn)程。深度學(xué)習(xí)興起建立在以Geoffrey Hinton為代表的科學(xué)家數(shù)十年的積累基礎(chǔ)之上。簡單地說，深度學(xué)習(xí)就是把計算機(jī)要學(xué)習(xí)的東西看成一大堆數(shù)據(jù)，把這些數(shù)據(jù)丟進(jìn)一個復(fù)雜的、包含多個層級的數(shù)據(jù)處理網(wǎng)絡(luò)（深度神經(jīng)網(wǎng)絡(luò)），然后檢查經(jīng)過這個網(wǎng)絡(luò)處理得到的結(jié)果數(shù)據(jù)是不是符合要求——如果符合，就保留這個網(wǎng)絡(luò)作為目標(biāo)模型；如果不符合，就一次次地、鍥而不舍地調(diào)整網(wǎng)絡(luò)的參數(shù)設(shè)置，直到輸出滿足要求為止。本質(zhì)上，指導(dǎo)深度學(xué)習(xí)的是一種“實用主義”的思想。實用主義思想讓深度學(xué)習(xí)的感知能力（建模能力）遠(yuǎn)強(qiáng)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，但也意味著人們難以說出模型中變量的選擇、參數(shù)的取值與最終的感知能力之間的因果關(guān)系。

需要特別說明的是，人們往往容易將深度學(xué)習(xí)與“機(jī)器學(xué)習(xí)”這一概念混淆。事實上，在1956年人工智能的概念第一次被提出后，Arthur Samuel就提出：機(jī)器學(xué)習(xí)研究和構(gòu)建的是一種特殊的算法而非某一個特定的算法，是一個寬泛的概念，指的是利用算法使得計算機(jī)能夠像人一樣從數(shù)據(jù)中挖掘出信息；而深度學(xué)習(xí)只是機(jī)器學(xué)習(xí)的一個子集，是比其他學(xué)習(xí)方法使用了更多的參數(shù)、模型也更加復(fù)雜的一系列算法。簡單地說，深度學(xué)習(xí)就是把計算機(jī)要學(xué)習(xí)的東西看成一大堆數(shù)據(jù)，把這些數(shù)據(jù)丟進(jìn)一個復(fù)雜的、包含多個層級的數(shù)據(jù)處理網(wǎng)絡(luò)（深度神經(jīng)網(wǎng)絡(luò)），然后檢查經(jīng)過這個網(wǎng)絡(luò)處理得到的結(jié)果數(shù)據(jù)是不是符合要求——如果符合，就保留這個網(wǎng)絡(luò)作為目標(biāo)模型，如果不符合，就一次次地、鍥而不舍地調(diào)整網(wǎng)絡(luò)的參數(shù)設(shè)置，直到輸出滿足要求為止。本質(zhì)上，指導(dǎo)深度學(xué)習(xí)的是一種“實用主義”的思想。實用主義思想讓深度學(xué)習(xí)的感知能力（建模能力）遠(yuǎn)強(qiáng)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，但也意味著人們難以說出模型中變量的選擇、參數(shù)的取值與最終的感知能力之間的因果關(guān)系。

二、AI的三大基石解析

如前所述，人工智能由表及里可分為應(yīng)用層、數(shù)據(jù)層、算法層和算力層。

1.算力

算力層包括具備計算能力硬件和大數(shù)據(jù)基礎(chǔ)設(shè)施。回顧歷史我們就會發(fā)現(xiàn)，歷次算力層的發(fā)展都會顯著推動算法層的進(jìn)步，并促使技術(shù)的普及應(yīng)用。21世紀(jì)互聯(lián)網(wǎng)大規(guī)模服務(wù)集群的出現(xiàn)、搜索和電商業(yè)務(wù)帶來的大數(shù)據(jù)積累、GPU和異構(gòu)/低功耗芯片興起帶來的運(yùn)算力提升，促成了深度學(xué)習(xí)的誕生，促成了人工智能的這一波爆發(fā)。而AI芯片的出現(xiàn)進(jìn)一步顯著提高了數(shù)據(jù)處理速度：在CPU的基礎(chǔ)上，出現(xiàn)了擅長并行計算的GPU，以及擁有良好運(yùn)行能效比、更適合深度學(xué)習(xí)模型的現(xiàn)場可編程門陣列（FPGA)和應(yīng)用專用集成電路（ASIC）。

當(dāng)前，人工智能的算力層面臨巨大的挑戰(zhàn)。隨著2012年芯片28nm的工藝出現(xiàn)，原先通過在平面上增加晶體管的數(shù)量來提升芯片性能的思路因為量子隧穿效應(yīng)而不再可取，摩爾定律開始失效。晶體管MOSFET這個芯片里最基礎(chǔ)的單元，由平面結(jié)構(gòu)變成立體結(jié)構(gòu)（由下圖中的Planar結(jié)構(gòu)轉(zhuǎn)向FinFET結(jié)構(gòu)，2018年之后進(jìn)一步從FinFET結(jié)構(gòu)轉(zhuǎn)向GAAFET結(jié)構(gòu)）。

三代MOSFET的柵極結(jié)構(gòu)演化。其中灰色代表電流流經(jīng)區(qū)域，綠色代表充當(dāng)閘門的柵極

芯片結(jié)構(gòu)的改變直接導(dǎo)致了芯片制造步驟的增加，最終體現(xiàn)為成本的上升。在2012年28nm工藝的時候，處理器的生產(chǎn)大概需要450步。到了2021年的5nm工藝時，生產(chǎn)環(huán)節(jié)已經(jīng)增加到了1200步。對應(yīng)到每1億個柵極的制造成本上，我們從圖中可以清楚地看到，從90 nm 工藝到7nm工藝，生產(chǎn)成本先下降后上升。這就使得摩爾定律的另一種表述形式——“同樣性能的新品價格每18-24個月減半”不再成立。未來我們很可能見到的情況是，搭載了頂級技術(shù)和工藝生產(chǎn)出來的芯片的電子產(chǎn)品或設(shè)備價格高昂，超過了一般消費(fèi)者的承受力度。

每 1 億個柵極的制造成本

圖片來源：Marvell Technology, 2020 Investor Day

不過算力層的這個變化讓半導(dǎo)體制造企業(yè)受益最大，因為只要需求存在，臺積電、三星、英特爾等幾家掌握先進(jìn)工藝的廠商就會持續(xù)投入資金和人力，不斷設(shè)計和制造新一代芯片，然后根據(jù)自身成本給產(chǎn)品定價。

想要徹底解決摩爾定律失效的問題，需要跳出當(dāng)前芯片設(shè)計的馮·諾依曼結(jié)構(gòu)。類腦芯片、存算一體、尋找基于硅以外的新材料制造芯片，甚至量子計算等等都是潛力巨大的解決方案，但是這些方案距離成熟落地還非常遙遠(yuǎn)（最樂觀地估計也需要幾十年的時間），無法解決當(dāng)下芯片行業(yè)的困局。在這段時期內(nèi)，行業(yè)內(nèi)為了提升芯片性能，開始廣泛應(yīng)用Chiplet技術(shù)，或者使用碳基芯片、光芯片等等。

 

 

Chiplet技術(shù)

Chiplet技術(shù)的原理有點類似搭積木，簡單來說就是把一堆小芯片組合成一塊大芯片。這種技術(shù)能夠以較低的成本制造過于復(fù)雜的芯片，并且保證足夠優(yōu)秀的良率，從2012年開始就逐步被使用。當(dāng)前Chiplet技術(shù)已經(jīng)能夠在二維平面上實現(xiàn)用不同的材料和工藝加工拼接的小核心，Intel等公司正在把Chiplet技術(shù)引入新的階段發(fā)展：在垂直方向上堆疊多層小核心，進(jìn)一步提升芯片的性能（例如Intel于2018年開發(fā)的Foveros 3D Chiplet）。不過Chiplet技術(shù)路線面臨的最大問題來源于芯片熱管理方面：如果在三維結(jié)構(gòu)上堆疊多層小核心，傳統(tǒng)的通過CPU頂部銅蓋一個面散熱的方案將無法解決發(fā)熱問題，因此可能需要在芯片的內(nèi)部嵌入冷卻裝置來解決發(fā)熱功率過高的問題。

碳納米管技術(shù)

使用碳納米管可能是另一個短期解決方案。這項技術(shù)屬于碳基芯片領(lǐng)域，具體來說就是用碳納米管承擔(dān)芯片里基礎(chǔ)元件開關(guān)的功能，而不是像傳統(tǒng)芯片一樣使用摻雜的半導(dǎo)體硅來傳輸電子。這種技術(shù)的優(yōu)勢在于導(dǎo)電性好、散熱快、壽命長，而且由于其本質(zhì)上仍然保留了馮·諾依曼架構(gòu)，當(dāng)前的生產(chǎn)工藝、產(chǎn)業(yè)鏈等匹配設(shè)施都不需要做出太大的調(diào)整。但是目前碳納米管的大規(guī)模生產(chǎn)和應(yīng)用還有一些困難，距離把碳納米管按照芯片設(shè)計的要求制造出來可能還需要幾十年。

短期內(nèi)，圍繞Chiplet技術(shù)在熱管理方面的探索，和碳納米管技術(shù)的靈活生產(chǎn)制造突破是算力層面上我們重點關(guān)注的機(jī)會。當(dāng)然，我們也要了解目前類腦芯片、存算一體和量子計算等終局解決方案的相關(guān)情況。這里為大家簡單介紹如下：

類腦芯片

類腦芯片的靈感源于人腦。類腦芯片和傳統(tǒng)結(jié)構(gòu)的差異體現(xiàn)在兩方面：第一，類腦芯片中數(shù)據(jù)的讀取、存儲和計算是在同一個單元中同時完成的，也即“存算一體”；第二，單元之間的連接像人類神經(jīng)元之間的連接一樣，依靠“事件驅(qū)動。

目前，類腦芯片的相關(guān)研究分為兩派。一派認(rèn)為需要了解清楚人腦的工作原理，才能模仿人類大腦設(shè)計出新的結(jié)構(gòu)。但是目前人類對人腦的基本原理理解得仍然很粗淺，因此這一派取得的進(jìn)展相當(dāng)有限。另外一派則認(rèn)為，可以先基于當(dāng)前已有的生物學(xué)知識，比照人腦的基礎(chǔ)單元設(shè)計出一些結(jié)構(gòu)，然后不斷試驗、優(yōu)化、取得成果，實現(xiàn)突破。目前這一派的研究人員依照神經(jīng)元的基礎(chǔ)結(jié)構(gòu)，給類腦芯片做了一些數(shù)學(xué)描述，也搭建了模型，并且做出了不少可以運(yùn)行的芯片。

存算一體

存算一體可以簡單被概括為“用存儲電荷的方式實現(xiàn)計算”，徹底解決了馮諾依曼結(jié)構(gòu)中“存儲”和“計算”兩個步驟速度不匹配的問題（事實上，在以硅為基礎(chǔ)的半導(dǎo)體芯片出現(xiàn)之后，存算速度不匹配的情況就一直存在）。存算一體機(jī)構(gòu)在計算深度學(xué)習(xí)相關(guān)的任務(wù)時表現(xiàn)突出，能耗大約是當(dāng)前傳統(tǒng)計算設(shè)備的百分之一，能夠大大提升人工智能的性能。除此之外，這種芯片在VR和AR眼鏡等可穿戴設(shè)備上有廣闊的應(yīng)用前景，也能推動更高分辨率的顯示設(shè)備價格進(jìn)一步降低。

目前，存算一體仍然有兩個問題沒有突破：第一是基礎(chǔ)單元（憶阻器）的精度不高，其次是缺少算法，在應(yīng)對除了矩陣乘法以外的計算問題時表現(xiàn)遠(yuǎn)不如馮·諾依曼結(jié)構(gòu)的芯片。

量子計算

量子計算是用特殊的方法控制若干個處于量子疊加態(tài)的原子，也叫作“量子”，通過指定的量子態(tài)來實現(xiàn)計算。量子計算機(jī)最適合的是面對一大堆可能性的時候，可以同時對所有可能性做運(yùn)算。為了從所有的結(jié)果中找一個統(tǒng)計規(guī)律，我們需要使用量子計算機(jī)進(jìn)行多次計算。不過由于退相干的問題，量子計算很容易出錯。目前量子計算的糾錯方法有待突破，只有解決了這個問題量子計算才可能被普遍使用。

當(dāng)前量子計算機(jī)體積過大、運(yùn)行環(huán)境嚴(yán)苛、造價昂貴。目前來看量子計算與經(jīng)典計算不是取代與被取代的關(guān)系，而是在對算力要求極高的特定場景中發(fā)揮其高速并行計算的獨特優(yōu)勢。中科大的量子物理學(xué)家陸朝陽曾總結(jié)道，“到目前為止，真正可以從量子計算中受益的實際問題仍然非常有限，享受指數(shù)級加速的就更少了——其他的僅有更有限的加速”。

總體而言，量子計算機(jī)的相關(guān)成果都只停留在科學(xué)研究的階段，距離實際應(yīng)用還很遙遠(yuǎn)。

 

2.算法

算法層指各類機(jī)器學(xué)習(xí)算法。如果根據(jù)訓(xùn)練方法來分類，機(jī)器學(xué)習(xí)算法也可以分成“無監(jiān)督學(xué)習(xí)”、“監(jiān)督學(xué)習(xí)”和“強(qiáng)化學(xué)習(xí)”等。按照解決問題的類型來分，機(jī)器學(xué)習(xí)算法包括計算機(jī)視覺算法（CV）、自然語言處理算法（NLP）、語音處理和識別算法（ASR）、智慧決策算法（DMS）等。每個算法大類下又有多個具體子技術(shù)，這里我們?yōu)榇蠹液唵谓榻B：

2.1 計算機(jī)視覺

計算機(jī)視覺的歷史可以追溯到1966年，當(dāng)時人工智能學(xué)家Minsky要求學(xué)生編寫一個程序，讓計算機(jī)向人類呈現(xiàn)它通過攝像頭看到了什么。到了1970-1980年代，科學(xué)家試圖從人類看東西的方法中獲得借鑒。這一階段計算機(jī)視覺主要應(yīng)用于光學(xué)字符識別、工件識別、顯微/航空圖片的識別等領(lǐng)域。

到了90年代，計算機(jī)視覺技術(shù)取得了更大的發(fā)展，也開始廣泛應(yīng)用于工業(yè)領(lǐng)域。一方面是由于GPU、DSP等圖像處理硬件技術(shù)有了飛速進(jìn)步；另一方面是人們也開始嘗試不同的算法，包括統(tǒng)計方法和局部特征描述符的引入。進(jìn)入21世紀(jì)，以往許多基于規(guī)則的處理方式，都被機(jī)器學(xué)習(xí)所替代，算法自行從海量數(shù)據(jù)中總結(jié)歸納物體的特征，然后進(jìn)行識別和判斷。這一階段涌現(xiàn)出了非常多的應(yīng)用，包括相機(jī)人臉檢測、安防人臉識別、車牌識別等等。

2010年以后，深度學(xué)習(xí)的應(yīng)用將各類視覺相關(guān)任務(wù)的識別精度大幅提升，拓展了計算機(jī)視覺技術(shù)的應(yīng)用場景：除了在安防領(lǐng)域應(yīng)用外，計算機(jī)視覺也被應(yīng)用于商品拍照搜索、智能影像診斷、照片自動分類等場景。

 

再細(xì)分地來看，計算機(jī)視覺領(lǐng)域主要包括圖像處理、圖像識別和檢測，以及圖像理解等分支：

• 圖像處理：指不涉及高層語義，僅針對底層像素的處理。典型任務(wù)包括圖片去模糊、超分辨率處理、濾鏡處理等。運(yùn)用到視頻上，主要是對視頻進(jìn)行濾鏡處理。這些技術(shù)目前已經(jīng)相對成熟，在各類P圖軟件、視頻處理軟件中隨處可見；
• 圖像識別和檢測：圖像識別檢測的過程包括圖像預(yù)處理、圖像分割、特征提取和判斷匹配，可以用來處理分類問題（如識別圖片的內(nèi)容是不是貓）、定位問題（如識別圖片中的貓在哪里）、檢測問題（如識別圖片中有哪些動物、分別在哪里）、分割問題（如圖片中的哪些像素區(qū)域是貓）等。這些技術(shù)也已比較成熟，圖像上的應(yīng)用包括人臉檢測識別、OCR（光學(xué)字符識別）等，視頻上可用來識別影片中的明星；
• 圖像理解：圖像理解本質(zhì)上是圖像與文本間的交互，可用來執(zhí)行基于文本的圖像搜索、圖像描述生成、圖像問答（給定圖像和問題，輸出答案）等。圖像理解任務(wù)目前還沒有取得非常成熟的結(jié)果，商業(yè)化場景也正在探索之；

 

總體而言，計算機(jī)視覺已經(jīng)達(dá)到了娛樂用、工具用的初級階段。未來，計算機(jī)視覺有望進(jìn)入自主理解、甚至分析決策的高級階段，真正賦予機(jī)器“看”的能力，從而在智能家居、無人車等應(yīng)用場景發(fā)揮更大的價值。

 

 

2.2 語音識別

 

第一個真正基于電子計算機(jī)的語音識別系統(tǒng)出現(xiàn)在1952年。1980年代，隨著全球性的電傳業(yè)務(wù)積累了大量文本可作為機(jī)讀語料用于模型的訓(xùn)練和統(tǒng)計，語音識別技術(shù)取得突破：這一時期研究的重點是大詞匯量、非特定人的連續(xù)語音識別。1990年代，語音識別技術(shù)基本成熟，但識別效果與真正實用還有一定距離，語音識別研究的進(jìn)展也逐漸趨緩。

隨著深度神經(jīng)網(wǎng)絡(luò)被應(yīng)用到語音的聲學(xué)建模中，人們陸續(xù)在音素識別任務(wù)和大詞匯量連續(xù)語音識別任務(wù)上取得突破。而隨著循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的引入，語音識別效果進(jìn)一步得到提升，在許多（尤其是近場）語音識別任務(wù)上達(dá)到了可以進(jìn)入人們?nèi)粘Ｉ畹臉?biāo)準(zhǔn)。以Apple Siri為代表的智能語音助手、以Echo為首的智能硬件等應(yīng)用的普及又進(jìn)一步擴(kuò)充了語料資源的收集渠道，為語言和聲學(xué)模型的訓(xùn)練儲備了豐富的燃料，使得構(gòu)建大規(guī)模通用語言模型和聲學(xué)模型成為可能。

 

與語音識別緊密關(guān)聯(lián)的是語音處理。語音處理為我們提供了語音轉(zhuǎn)文字、多語言翻譯、虛擬助手等一系列軟件。一個完整的語音處理系統(tǒng)，包括前端的信號處理、中間的語音語義識別和對話管理（更多涉及自然語言處理），以及后期的語音合成。

 

• 前端信號處理：語音的前端處理涵蓋說話人聲檢測、回聲消除、喚醒詞識別、麥克風(fēng)陣列處理、語音增強(qiáng)。
• 語音識別：語音識別的過程需要經(jīng)歷特征提取、模型自適應(yīng)、聲學(xué)模型、語言模型、動態(tài)解碼等多個過程。
• 語音合成：語音合成的幾個步驟包括文本分析、語言學(xué)分析、音長估算、發(fā)音參數(shù)估計等。基于現(xiàn)有技術(shù)合成的語音在清晰度和可懂度上已經(jīng)達(dá)到了較好的水平，但機(jī)器口音還是比較明顯。目前的幾個研究方向包括如何使合成語音聽起來更自然、如何使合成語音的表現(xiàn)力更豐富，以及如何實現(xiàn)自然流暢的多語言混合合成。

 

 

 

2.3 自然語言處理

 

早在1950年代，人們就有了自然語言處理的任務(wù)需求，其中最典型的就是機(jī)器翻譯。到了1990年代，隨著計算機(jī)的計算速度和存儲量大幅增加、大規(guī)模真實文本的積累產(chǎn)生，以及被互聯(lián)網(wǎng)發(fā)展激發(fā)出的、以網(wǎng)頁搜索為代表的基于自然語言的信息檢索和抽取需求出現(xiàn)，自然語言處理進(jìn)入了發(fā)展繁榮期。在傳統(tǒng)的基于規(guī)則的處理技術(shù)中，人們引入了更多數(shù)據(jù)驅(qū)動的統(tǒng)計方法，將自然語言處理的研究推向了一個新高度。

進(jìn)入2010年以后，基于大數(shù)據(jù)和淺層、深層學(xué)習(xí)技術(shù)，自然語言處理的效果得到了進(jìn)一步優(yōu)化，出現(xiàn)了專門的智能翻譯產(chǎn)品、客服機(jī)器人、智能助手等產(chǎn)品。這一時期的一個重要里程碑事件是IBM研發(fā)的Watson系統(tǒng)參加綜藝問答節(jié)目Jeopardy。機(jī)器翻譯方面，谷歌推出的神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯（GNMT）相比傳統(tǒng)的基于詞組的機(jī)器翻譯（PBMT），在翻譯的準(zhǔn)確率上取得了非常強(qiáng)勁的提升。

 

自然語言處理從流程上看，分成自然語言理解（NLU）和自然語言生成（NLG)兩部分，這里我們簡單為大家介紹知識圖譜、語義理解、對話管理等研究方向。

 

• 知識圖譜：知識圖譜基于語義層面，對知識進(jìn)行組織后得到的結(jié)構(gòu)化結(jié)果，可以用來回答簡單事實類的問題，包括語言知識圖譜（詞義上下位、同義詞等）、常識知識圖譜（“鳥會飛但兔子不會飛”）、實體關(guān)系圖譜（“劉德華的妻子是朱麗倩”）。知識圖譜的構(gòu)建過程其實就是獲取知識、表示知識、應(yīng)用知識的過程。
• 語義理解：核心問題是如何從形式與意義的多對多映射中，根據(jù)當(dāng)前語境找到一種最合適的映射。以中文為例，需要解決歧義消除、上下文關(guān)聯(lián)性、意圖識別、情感識別等困難。
• 對話管理：為了讓機(jī)器在與人溝通的過程中不顯得那么智障，還需要在對話管理上有所突破。目前對話管理主要包含三種情形：閑聊、問答、任務(wù)驅(qū)動型對話。

 

 

 

2.4 規(guī)劃決策系統(tǒng)

 

真正基于人工智能的規(guī)劃決策系統(tǒng)出現(xiàn)在電子計算機(jī)誕生之后。1990年代，硬件性能、算法能力等都得到了大幅提升，在1997年IBM研發(fā)的深藍(lán)（Deep Blue）戰(zhàn)勝國際象棋大師卡斯帕羅夫。到了2016年，硬件層面出現(xiàn)了基于GPU、TPU的并行計算，算法層面出現(xiàn)了蒙特卡洛決策樹與深度神經(jīng)網(wǎng)絡(luò)的結(jié)合。人類在完美信息博弈的游戲中已徹底輸給機(jī)器，只能在不完美信息的德州撲克和麻將中茍延殘喘。人們從棋類游戲中積累的知識和經(jīng)驗，也被應(yīng)用在更廣泛的需要決策規(guī)劃的領(lǐng)域，包括機(jī)器人控制、無人車等等。

 

 

 

2.5 算法的發(fā)展趨勢和面臨的瓶頸

 

近年來。處在機(jī)器學(xué)習(xí)也產(chǎn)生了幾個重要的研究方向，例如從解決凸優(yōu)化問題到解決非凸優(yōu)化問題，以及從監(jiān)督學(xué)習(xí)向非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)的演進(jìn)：

 

• 從解決凸優(yōu)化問題到解決非凸優(yōu)化問題

 

目前機(jī)器學(xué)習(xí)中的大部分問題，都可以通過加上一定的約束條件，轉(zhuǎn)化或近似為一個凸優(yōu)化問題。凸優(yōu)化問題是指將所有的考慮因素表示為一組函數(shù)，然后從中選出一個最優(yōu)解。而凸優(yōu)化問題的一個很好的特性是局部最優(yōu)就是全局最優(yōu)。這個特性使得人們能通過梯度下降法尋找到下降的方向，找到的局部最優(yōu)解就會是全局最優(yōu)解。

然而在現(xiàn)實生活中，真正符合凸優(yōu)化性質(zhì)的問題其實并不多，目前對凸優(yōu)化問題的關(guān)注僅僅是因為這類問題更容易解決。人們現(xiàn)在還缺乏針對非凸優(yōu)化問題的行之有效的算法。

 

• 從監(jiān)督學(xué)習(xí)向非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)的演進(jìn)

 

目前來看，大部分的AI應(yīng)用都是通過監(jiān)督學(xué)習(xí)，利用一組已標(biāo)注的訓(xùn)練數(shù)據(jù)，對分類器的參數(shù)進(jìn)行調(diào)整，使其達(dá)到所要求的性能。但在現(xiàn)實生活中，監(jiān)督學(xué)習(xí)不足以被稱為“智能”。對照人類的學(xué)習(xí)過程，許多都是建立在與事物的交互中，通過人類自身的體會、領(lǐng)悟，得到對事物的理解，并將之應(yīng)用于未來的生活中。而機(jī)器的局限就在于缺乏這些“常識”。

無監(jiān)督學(xué)習(xí)領(lǐng)域近期的研究重點在于“生成對抗網(wǎng)絡(luò)”（GANs），而強(qiáng)化學(xué)習(xí)的一個重要研究方向在于建立一個有效的、與真實世界存在交互的仿真模擬環(huán)境，不斷訓(xùn)練，模擬采取各種動作、接受各種反饋，以此對模型進(jìn)行訓(xùn)練。

 

• 從“堆數(shù)據(jù)”到研發(fā)低訓(xùn)練成本的算法

 

 

MIT Digital Lab的研究者聯(lián)合韓國的相關(guān)機(jī)構(gòu)在2020年發(fā)表了一項基于1058篇深度學(xué)習(xí)的論文和數(shù)據(jù)的研究。在分析了現(xiàn)有的深度學(xué)習(xí)論文成果后，研究人員提出了一個悲觀的預(yù)言：深度學(xué)習(xí)會隨著計算量的限制，在到達(dá)某個性能水平后停滯不前，因為在深度學(xué)習(xí)領(lǐng)域有這樣一條規(guī)律：想提升 X 倍的性能，最少需要用 X^2倍的數(shù)據(jù)去訓(xùn)練模型，且這個過程要消耗X^4倍的計算量。即便是10倍性能提升和1萬倍計算量的提升，這樣失衡的比例關(guān)系也僅僅是理論上最優(yōu)的。在現(xiàn)實中，提升10倍性能往往要搭上10億倍的運(yùn)算量。以今天地球資源的狀況看，想把一些常用的模型錯誤率降低到人們滿意的程度，代價高到人類不能承受。因此，在深度學(xué)習(xí)領(lǐng)域非常值得關(guān)注的是可大幅降低訓(xùn)練成本的新算法創(chuàng)新。

圖像分類、物體識別、語義問答等多個領(lǐng)域AI算法準(zhǔn)確率及對應(yīng)所需算力(Gflops）、碳排放量和經(jīng)濟(jì)成本（Today水平截止于2020年已經(jīng)發(fā)表的成果）

 

 

3.數(shù)據(jù)

 

數(shù)據(jù)層指的是人工智能為不同的行業(yè)提供解決方案時所采集和利用的數(shù)據(jù)。事實上，使用人工智能解決問題的步驟絕不僅僅包括搜集和整理數(shù)據(jù)。這里我們簡單介紹一下完整的流程和思路：

 

• 收集數(shù)據(jù)：數(shù)據(jù)的數(shù)量和質(zhì)量直接決定了模型的質(zhì)量。
• 數(shù)據(jù)準(zhǔn)備：在使用數(shù)據(jù)前需要對數(shù)據(jù)進(jìn)行清洗和一系列處理工作。
• 模型選擇：不同的模型往往有各自擅長處理的問題。只有把問題抽象成數(shù)學(xué)模型后，我們才能選擇出比較適合的模型，而這一步往往也是非常困難的。
• 訓(xùn)練：這個過程不需要人來參與，機(jī)器使用數(shù)學(xué)方法對模型進(jìn)行求解，完成相關(guān)的數(shù)學(xué)運(yùn)算。
• 評估：評估模型是否較好地解決了我們的問題。
• 參數(shù)調(diào)整：可以以任何方式進(jìn)一步改進(jìn)訓(xùn)練（比如調(diào)整先前假定的參數(shù)）。
• 預(yù)測：開始使用模型解決問題。

 

如果我們想利用人工智能解決的問題被限定在足夠小的領(lǐng)域內(nèi)，那么我們就更容易活動具體場景下的訓(xùn)練數(shù)據(jù)，從而更高效、更有針對性地訓(xùn)練模型。在金融、律政、醫(yī)療等行業(yè)的細(xì)分場景下，人工智能已經(jīng)逐步被應(yīng)用，且已經(jīng)實現(xiàn)了一定的商業(yè)化。

 

 

1.人工智能開啟第四次科技革命，在傳統(tǒng)三大產(chǎn)業(yè)勞動力大幅替代及釋放的前提下，以創(chuàng)新為職業(yè)的“第四產(chǎn)業(yè)”勞動者將成為主流，推動全球GDP繼續(xù)百倍增長。

 

2.作為人工智能的實體化，智能機(jī)器人將重塑生產(chǎn)協(xié)作關(guān)系，包括“勞動”在生產(chǎn)要素中的變革、全球制造業(yè)的格局重構(gòu)、人類在物質(zhì)世界及虛擬世界的精力分配……除經(jīng)濟(jì)外，甚至對軍事、政治、文化產(chǎn)生深遠(yuǎn)影響。

未完：待續(xù)：《機(jī)器人是人工智能的實體化》

資料來源：工業(yè)精神/吳昊陽、勢乘資本和光錐智能/謝晨星、王嘉攀、趙江宇 

編輯：可儀  審核：Xi/Sibo

 

產(chǎn)業(yè)招商專業(yè)自媒體【園區(qū)產(chǎn)業(yè)招商】

 

超過24000園區(qū)招商人關(guān)注了我們！

↑ 關(guān)注公眾號：園區(qū)產(chǎn)業(yè)招商

↑ 加入行業(yè)交流群（如群滿，請關(guān)注公眾號后加入）

本平臺提供產(chǎn)業(yè)園招商代理服務(wù)

【中南高科招商品牌：燈塔瓴科】

是全國領(lǐng)先的招商運(yùn)營平臺，成功運(yùn)營86城市、近200產(chǎn)業(yè)園區(qū)，以高效專業(yè)著稱。項目去化最快1個月，正常12個月。現(xiàn)向全國產(chǎn)業(yè)園區(qū)提供專業(yè)招商運(yùn)營代理服務(wù)。利用我們強(qiáng)大招商團(tuán)隊和數(shù)字化平臺招商，確保高質(zhì)量、快速完成招商。

【重點承接上海、蘇州、無錫、嘉興、杭州、寧波等區(qū)域產(chǎn)業(yè)園區(qū)項目】

園區(qū)代理業(yè)務(wù)對接 葛毅明 13524678515  微信同號