沈強(qiáng)

將門聚焦以機(jī)器智能、物聯(lián)網(wǎng)、自然人機(jī)交互、企業(yè)計(jì)算為主的技術(shù)創(chuàng)新，打造生態(tài)體系，助力商業(yè)創(chuàng)新應(yīng)用。最優(yōu)質(zhì)的企業(yè)是自帶數(shù)據(jù)生產(chǎn)能力的企業(yè)！

將門創(chuàng)投是一個科技投資機(jī)構(gòu)，同時(shí)也做開放式創(chuàng)新服務(wù)。開放式創(chuàng)新服務(wù)是幫助各行各業(yè)的龍頭企業(yè)，建立創(chuàng)新戰(zhàn)略，同時(shí)把生態(tài)系統(tǒng)里的最新技術(shù)有序地引入到公司發(fā)展戰(zhàn)略里。無論是投資，還是創(chuàng)新服務(wù)，我們一直聚焦在四個主要領(lǐng)域，即機(jī)器智能、物聯(lián)網(wǎng)、自然人機(jī)交互、企業(yè)計(jì)算。

人工智能這幾年很火，人工智能的三個要素是算法、算力、數(shù)據(jù)。在人工智能的創(chuàng)新場景里，強(qiáng)調(diào)算法和算力，而數(shù)據(jù)很少被提到。為什么？因?yàn)檫@部分很矛盾，如果做人工智能，要依賴大量的數(shù)據(jù)，初創(chuàng)企業(yè)往往沒有資源去獲取特別多的數(shù)據(jù)，無論是互聯(lián)網(wǎng)公司還是傳統(tǒng)公司，大量的數(shù)據(jù)都掌握在大公司手里。

怎么解決這個問題？在我們看來，具有優(yōu)質(zhì)數(shù)據(jù)的企業(yè)，都是具有數(shù)據(jù)生產(chǎn)能力的人工智能企業(yè)。

數(shù)據(jù)的獲得不一定要來自于大公司，比如，有很多醫(yī)療領(lǐng)域的公司開始做人體數(shù)字化，通過一些先進(jìn)的傳感器，做人體的生理指標(biāo)探測，用多普勒雷達(dá)技術(shù)探測人體，能低成本地獲取很多新數(shù)據(jù)。

從投資的角度看創(chuàng)新，我們會看到三個領(lǐng)域的創(chuàng)新：場景創(chuàng)新、算法創(chuàng)新、算力創(chuàng)新。

場景是所有人工智能實(shí)現(xiàn)價(jià)值的根基，單獨(dú)的技術(shù)很難創(chuàng)造價(jià)值。比如零售行業(yè)，無人零售店加深對用戶洞察的技術(shù)，能夠和后端的供應(yīng)鏈緊密地聯(lián)系在一起。

應(yīng)用人工智能的領(lǐng)域很多，我們把各個行業(yè)的應(yīng)用場景分為三個層次：操作層、運(yùn)營層、策略層。比如，對于汽車制造商，自動駕駛是導(dǎo)致生產(chǎn)關(guān)系改變的一個重大因素。自動駕駛使車越來越少地依賴于司機(jī)，不僅僅“誰駕駛”會發(fā)生變化，“誰買車”也會發(fā)生變化，買車的主體可能會由個人轉(zhuǎn)變?yōu)檐囕v運(yùn)營公司，所以汽車制造商的品牌策略可能要發(fā)生變化，這將是一個結(jié)構(gòu)性的變革。

而今，人工智能帶來的變化還有很多局限性，技術(shù)發(fā)展的初期總是很緩慢，但技術(shù)會有一個爆發(fā)期。

麥肯錫和埃森哲的多個研究部門，對全球的人工智能將帶來的影響做了分析。麥肯錫的報(bào)告顯示，到2030年，全球有4億人的工作將被人工智能代替。埃森哲的報(bào)告顯示，到2030年，在我國的整體GDP增加值里，有6萬多億美元將是人工智能帶來的增加值。

場景創(chuàng)新對于各行各業(yè)都很重要，人工智能帶來的場景創(chuàng)新大多跟硬件結(jié)合在一起。人工智能的用戶體驗(yàn)跟移動互聯(lián)網(wǎng)的用戶體驗(yàn)不一樣，它的大量體驗(yàn)將由硬件來完成這個交互過程。比如，有一家先進(jìn)的初創(chuàng)公司，可以通過像素做變焦，做一億像素變焦的鏡頭，無論你在多遠(yuǎn)的距離，都能夠通過感光元件大小進(jìn)行合并或者分裂，來更好地獲取人工智能的數(shù)據(jù)。

算法創(chuàng)新以深度學(xué)習(xí)模型為基礎(chǔ)。深度神經(jīng)網(wǎng)絡(luò)的發(fā)展開始于2010年，它的網(wǎng)絡(luò)越來越深，并且速度越來越快?；仡櫨W(wǎng)絡(luò)深度的發(fā)展過程，不僅精度越來越高，計(jì)算能力也越來越強(qiáng)，這就意味著對基礎(chǔ)設(shè)施的要求越來越高。人工智能應(yīng)用最多的是視覺，把物體像素精確地分開，74.7%的分辨精度距人的分辨精度（87%多）還有一定差距。

傳統(tǒng)的深度學(xué)習(xí)需要大量的數(shù)據(jù)標(biāo)簽，數(shù)據(jù)標(biāo)簽要耗費(fèi)極高的成本。深度學(xué)習(xí)的發(fā)展方向是從監(jiān)督學(xué)習(xí)到無監(jiān)督學(xué)習(xí)，在不需要數(shù)據(jù)標(biāo)簽的情況下找到數(shù)據(jù)之間的內(nèi)在關(guān)系。對抗網(wǎng)絡(luò)是深度無監(jiān)督學(xué)習(xí)發(fā)明以來取得的最大成績，比如，數(shù)據(jù)生成器和數(shù)據(jù)探測器。數(shù)據(jù)生成器偽造一些接近原始數(shù)據(jù)的數(shù)據(jù)蒙混過關(guān)，而數(shù)據(jù)探測器則經(jīng)過校驗(yàn)，通過彼此的攻防，使得系統(tǒng)達(dá)成平衡。

下面談?wù)剰?qiáng)化學(xué)習(xí)，強(qiáng)化學(xué)習(xí)展示出巨大潛力。比如玩一種游戲，系統(tǒng)剛開始不知道要做什么事情，經(jīng)過了120分鐘的學(xué)習(xí)，它開始慢慢地熟練，最后變成一個專家，并且自己學(xué)習(xí)出一種模式。

強(qiáng)化學(xué)習(xí)展示出巨大潛力，各種算法的進(jìn)步能夠幫助我們看到一個巨大的機(jī)會，不僅能夠做一些識別，而且能夠幫助我們定義，最終找到解決問題的思路。強(qiáng)化學(xué)習(xí)最好的例子，是AlphaGo Zero通過三天的訓(xùn)練，擊敗了AlphaGo Lee。

關(guān)于算力創(chuàng)新，算力創(chuàng)新需要智能芯片創(chuàng)新，智能芯片是人工智能的基石，算力不夠是人工智能發(fā)展的一個瓶頸。

人工智能進(jìn)入新時(shí)代，現(xiàn)階段人工智能發(fā)展的主要矛盾已經(jīng)轉(zhuǎn)化為實(shí)際應(yīng)用日益增長的計(jì)算需求和算力供給不平衡、不充分的矛盾。

端上智能將無處不在，但現(xiàn)在的能力還遠(yuǎn)遠(yuǎn)不夠，即將到來的新品將不斷提升端上的智能能力。

最近，地平線機(jī)器人發(fā)布了國內(nèi)第一款嵌入式人工智能視覺芯片。雖然，今天中國的AI芯片工業(yè)確實(shí)落后于美國，但我們應(yīng)該滿懷信心，我們應(yīng)該繼續(xù)支持有理想的初創(chuàng)企業(yè)的發(fā)展。

（根據(jù)演講內(nèi)容整理，未經(jīng)本人審核）endprint