【出品 | 網易智能 策劃/ 編譯| 秉翰 】去年三月一個會下圍棋的AlphaGo讓人工智能火了，今年三月準備虐菜柯潔的AlphaGo增強版又會帶來什么？筆者的標題可能起的有點穿越，但是柯潔就算最近閉關學會了新的獨門絕技，也不可能贏的了AlphaGo。圍棋人工智能的學習能力絕對超出人類幾個數量級。隨著時間的發展在圍棋這個項目上，無論是柯潔還是誰，人類只能越來越被完虐。這是“新進化論”所帶來的不可阻擋的“自然”規律。

[[186152]]

比賽以后的柯潔還能這么自信嗎？

然而，對于真正的人工智能來說，AlphaGo也只能是驚鴻一瞥，深度神經網絡為人工智能帶來的是驚喜，但并不是變革。百度等公司全力“發神經”對于他們商業上的成功也許并不能帶來什么助益。吳恩達帶著成千上萬塊GPU也許能為百度帶來一些令人驚喜的人工智能產品，卻難再現與莆田系印鈔般的盈利能力。人工智能只是完成了從胎兒到嬰兒的蛻變，降臨世上卻要經歷無數艱險才能為人。

然而，筆者并不是要吐槽目前各大公司面對人工智能大上快干的“神經病”行為。而是深入淺出的分析讓人工智能驚艷世人的神經網絡技術，以及人工智能在現實商業層面所面臨的實際難題。讓大家觀摩柯潔與AlphaGo比賽之前來個熱身，科學客觀的看待人機大戰。

為什么神經網絡火了？

神經網絡這東西并不是新鮮事物，AlphaGo牛X之前，也只是人工智能各種算法的一個分支。神經網絡中的很多算法已經存在很多年，并不是突然之間像魔術那樣出現而不可思議。最近開始吸引焦點，主要是因為可用的計算能力（CPU、GPU、AI專用計算單元）的快速發展，讓海量矩陣乘法運算更容易被測試、驗證和迭代。

但是Deepmind對AI下圍棋這塊的神經網絡優化確實讓人驚艷，而且Deepmind言之鑿鑿同樣的技術完全可以應用到其他領域。于是乎，不明真相的群眾們真的以為明天人工智能就要過來取代人類。各大互聯網公司也是順勢而為立即做起了人工智能生意。

筆者并不懷疑Deepmind神經網絡算法的通用性，但是不同領域的訓練數據獲取之于現實面還是無法解決的難題。而且某些領域數據的復雜度，也許只有量子計算才能在人類壽命可接受的范圍內結束訓練。

神經網絡更像是打開圖靈難題的鑰匙

[[186153]]

神經網絡有兩大好處，一是利用相對長的應用前訓練時間換取了應用中的處理實時性。而是用訓練數據的處理復雜度換取了預設邏輯的處理復雜度。而且AlphaGo讓人們開始相信，也許神經網絡真的是解決完全圖靈測試的鑰匙。

就宏觀的愿望來說，神經網絡是期望通過模擬現實中的生物思維來直接實現人工思維。人工神經網絡是對人腦完成特定任務或感興趣功能的方法進行建模的自適應機器，是一個由簡單處理元構成的規模宏大的并行分布式處理器。天然具有存儲經驗和使之可用的特性。神經網絡在兩個方面與人類相似：1、神經網絡獲取的知識是從外界環境中學習得來的；2、互連神經元的連接強度，即突觸權值，用于儲存獲取的知識。

現實生活中有很多問題并不能用預設邏輯來解決。當問題不可預測，如在手寫字體識別；亦或處理的問題很容易變更需求；處理的任務只需要一個滿意解而不是精確解的時候，這些情況對于人腦的模糊邏輯處理來說不是問題，但對于計算機程序卻是難題。而神經網絡通過已有大量可參考的經驗數據，或者該任務自身能夠產生足夠的經驗數據來完成一個***解。它不保證任務完成的100%正確，但可以像人腦一樣給出一個經驗***解。從模仿人類思維的角度來說，人工智能可能是所有機器學習算法通用性***的一種，也是達陣圖靈測試的最有可能途徑。

神經網絡解決一切？ 那是在發神經

但是很多情況神經網絡并不是人工智能的***解決方案。什么問題都拿神經網絡來套那是神經病。這里可以舉個例子-基本的數字識別。

[[186154]]

不管是神經網絡還是基本的決策樹，亦或是向量機，最根本的算法選擇原則還是能夠解決問題。很多產品處理都使用了熱門的遞歸神經網絡算法，但是如果能用簡單的預設邏輯，貝葉斯算法以及向量機等可以達到很好的效果，也沒有必要本末倒置。深度神經網絡很可能成為未來解決人工智能問題的通用算法，但是神經網絡所需要的大量數據制備整理也是曠日費時。神經網絡相較于其他機器學習算法更像是用應用前的大量數據凈化時間和訓練時間來換取使用時的快速計算。

各種算法的性能比較，神經網絡并不是***解。數據來源：（人工智能，Stuart-Russel）

這里羅列些常用的機器學習算法，由于過于枯燥不做具體展開。以間隔理論分布為基礎：聚類分析和模式識別，人工神經網絡，決策樹，感知器，支持向量機，集成學習AdaBoost，降維與度量學習，聚類，貝葉斯分類器。

以構造條件概率為基礎：回歸分析和統計分類，高斯過程回歸，線性判別分析，最近鄰居法，徑向基函數核。

以概率圖模型為基礎：包括貝葉斯網和Markov隨機場

近似推斷技術：馬爾可夫鏈，蒙特卡羅方法（AlphaGo也用到該算法），變分法。

為何人工智能科學家提出了如此之多的方法？其實答案很簡單，沒有任何一種方法可以在任何場景中達到***解。神經網絡火了，并不意味著未來人工智能就完全走向單一方向。神經網絡配以其他方法輔助可能是更明智的選擇。

人工智能的變現難題

[[186155]]

吳恩達2014年被百度招徠至麾下，百度開始了人工智能時代。你可以說百度一直在模仿谷歌，但是在人工智能這件事上，百度真的是挖來了谷歌大腦的核心人物。吳恩達在百度的3年時間里發表了近20篇論文，每項成果要么融入百度的已有產品線，要么依據成果成立一家初創公司。從吳恩達回到百度***個開發的醫療問診機器人到最近推出的語音識別開發平臺的喚醒二期產品，百度在人工智能領域的進步有目共睹，雖然沒有Deepmind般驚世駭俗，但也成為業界執牛耳者。

如今借著AlphaGo的東風，各種人工智能公司如雨后春筍般出現。不僅各種大數據公司搖身一變成為AI先鋒，就連依靠數據挖掘的媒體公司今日頭條也對外宣稱自己是一家人工智能公司。從外面看人工智能好似一座寶島，萬人爭過獨木橋只為在島上掘出什么寶貝來。但是橫亙在所有人工智能公司面前的***問題就是如何變現。回到現實層面，這座島上既沒有金子，也沒有銀子，看起來連塊像樣的石頭都沒有。

就拿百度舉個例子，吳恩達算是人工智能屆圖片識別領域的權威，然而恩達同志從未有過將產品商業化的成功案例。斯坦福做教授時靠學校養著，谷歌大腦期間當然由廣告商養著，從來沒有任何變現壓力。來到百度之后，當然產品化節奏有所加快，但也只能是被養著的節奏。比如2015年就已經推出的百度問診機器人，推廣上遇到的問題還不算是問題，本來靠著百度那一套問診和賣藥的邏輯應該有著不錯的前景，但是去年的魏則西事件基本將百度靠醫療暴力變現的邏輯徹底粉碎。于是，醫療事業部變成百度醫療大腦，問診機器人產品也只能成為雞肋。當然，百度的一些語音產品在技術層面還是有著很好的toB前景的，但這種前景相比百度的體量和對人工智能的付出，前景也不可能變成錢景。

開復同志說的好，AI創業的核心是人工智能科學家，但還要有一群懂變現的人圍在旁邊。這個事本身很困難，因為要把兩群完全不同思維，而且成天價值觀不一樣每天打架的人放在一起。目前至少國內的風格是喜歡挖各種名校教授，有的基本不會編程，論文代碼都是下面學生實現的。本來人工智能變現就難，你還弄了一群不行就回學校教書的人那變現就好似天方夜談。

人工智能的到來不可阻擋，資本的進入更會加快人工智能落地的進程。但是，大風吹起，想要落地就不是那么容易。人工智能的曙光就在不遠處，但是前路漫漫，黑暗無窮無盡。怎么破？回去敲代碼，做優化，一切還是產品說話。

作者介紹：劉秉翰，人工智能初創公司EditorAI CEO，作者自嘲“在人工智能領域最會寫文章，寫文章的里面最懂人工智能”。

聲明：本文為作者授權網易智能工作室獨家稿件，轉載請在文首注明來源“智能菌”、作者，以及標注本文鏈接，違者必究。