人機大戰停止瞭，AI 投資才方才開端

【內容擇要】當 AI 滲透到我們生涯的各個方面，我們並未發覺，其實不認為它是黑科技。將來它將在野生智能、大數據、新硬件，和新能源和新資料等范疇獲得運用，AI 投資才方才開端。

2016 年3月15日，人機大戰落下帷幕。Google 的 AlphaGo 4：1擊敗人類頂尖棋手李世石。閱歷瞭長達7天、熱熱烈鬧的全平易近大評論辯論，如今我們反而可以或許更沉著地聊起野生智能。

這沒有是消極，在棋類裡，機械有絕對上風

之以是此次 AlphaGo
和李世石的圍棋人機大戰吸收瞭全球的存眷，乃至被以為是野生智能的一個主要裡程碑，在我看來重要有兩個緣故原由：1、圍棋是最難的棋類遊戲；2、AlphaGo
用的是通用的野生智能體系。

起首，圍棋被以為是棋類中最難的，是棋類的頂峰。簡略點說，圍棋的棋盤空間異常大，下法異常多變。在象棋裡，有 “馬走日、象走田”
如許的劃定，但在圍棋裡，你能夠在圍棋棋盤的全部格子中下任何一個子，它沒有任何限定，比較圍棋和國際象棋的搜刮空間，圍棋的搜刮空間大得恐懼，分支系數異常大，盤算機沒法和從前一樣用暴力搜刮和評價函數的方法來下圍棋。

以下圖，圍棋的分支系數特殊大。

AlphaGo
用新的一套深度進修辦法——用天下上全部的有名棋譜拿來練習深度神經收集，然後用相似蒙特卡洛隨機的辦法在棋戰中摸索招數。早年，這類辦法受盤算資本所限，也就是說機械算不外來。此次機械做到瞭，並且是在最難算的圍棋上。從實際上講在全部有限空間的
Game Theory
義務眼前，根本上機械都可以或許完勝人類。然則，我認為這沒有是消極，在棋類裡，機械就是有絕對的上風，由於機械永久學得比人快，並且沒有會失足，機械永久做最優決議計劃。

AlphaGo 贏瞭李世石，大概將來沒有會有那末多人再去學圍棋瞭，由於學圍棋的代價大概沒有如去寫一個能把圍棋下的好的機械人有代價。

AlphaGo 贏瞭李世石的另外一重意義在於，AlphaGo 用的是一個通用的深度進修框架和引擎。援用 AlphaGo 開創人 Demis Hassabis
的原話，他們願望可以或許做出一套像生物體系一樣靈巧的自順應算法，僅僅經由過程數據就可以夠勝任任何義務。換句話說，除圍棋，AlphaGo 能夠做許多其他工作。

它辦理瞭一個很難的題目，並且用瞭一個通用體系。這兩點意味著野生智能大概對我們的將來發生深遠影響。

風趣的是，有人以為機械下棋贏瞭就贏瞭，人類在許多處所表示得比機械精彩。這類例子好像不勝枚舉，好比閉著眼睛用飯、經由過程臉色變更辨認人的心境，好比不消重復做人臉辨認就可以認出一小我。但在我看來，這些看上去異常智能、機械好像很難完成的義務，實在是人類在歷久退化中獲得的一種本能反響。

而人之以是須要履歷和直覺，是由於人腦的盤算才能有限。舉例說，我們常說的圍棋殘局的局面大概象棋裡的一些牢固陣法、打法，都是人在簡化我們所須要面對的一些盤算。這些直覺、紀律和履歷一定準確，倒是對人腦盤算才能的一種順應。遺憾的是，我們沒能弄清晰這些履歷和直覺背後的實在運作道理。好比，說話是個很精巧的器械，我們到底怎樣去懂得說話，它在我們腦中又是怎樣被懂得。假如我們能把所謂的直覺、履歷懂得透辟，並表達出來，沒有管從生物學角度，照樣數學、物理等各個學科的角度，我們一樣可以或許讓機械去學會這些器械。

在一個大的實際框架下，我以為人類全部的進修應當是一種基於數據的反應和決議計劃進程，固然這有待被證明。假如我們能清晰地說明全部人腦的進修和人腦對題目處置的方法，再給機械付與充足多的數據，我信任機械是可以或許在絕大多半范疇可以或許跟人類表示得一樣。在許多詳細情形下，這類說法過於簡略且沒有具現實操縱性，然則我信任野生智能的潛力。

誤區：低估技巧的歷久表示，高估技巧的短時間表示

AlphaGo 的成功真沒有是贏瞭4盤棋那末簡略。AI is eating the world.

2010年前後我還在斯坦福大學念書時，最熱點的學科是 software 編程，包含 iOS
編程、安卓編程，網頁編程。據我懂得本年在斯坦福全校最火的一門課是機械進修。

在我看來，再過幾年 AI 范疇的人材會愈來愈多，各個垂直范疇的 AI 創業項目也會愈來愈多。就像之前幾年我們一向說軟件重塑瞭許多行業（software
is eating the world），將來 AI 大概也會重塑許多行業（AI is eating the world）。

AI 的成長和運用之以是在本日變得異常可行並被民眾廣為接收，是基於數據的極大豐碩，壯大的盤算才能，再加上算法的優化和演化。

數據的極大豐碩。20年前，我們還沒有完整處在一個電子化、數字化、假造化的時期。本日，全球天天發生的數據大概是曩昔幾個世紀之和。20年前我們還用磁盤這類器械來貯存數據，本日我們每一個人天天在手機上能發生和傳輸的數據量是幾個 G。

盤算才能的大幅度進步和盤算價錢的大幅度降低。舉個簡略的例子，我們本日用來打 Angry Bird
的手機昔時都能夠發射火箭。得益於摩爾定律、並行盤算，和雲盤算的成長，如今我們每一個人可以或許 access
的盤算才能，大概說一傢至公司可以或許完成的盤算才能，指數級、幾個數目級的大於八九十年月人類可以或許完成的盤算才能。

20年前，許多事不克不及做是由於盤算才能不敷，人人要用許多很 tricky
的方法去盤算，但到瞭本日，我們有充足的盤算資本和盤算才能，基本不消去斟酌所謂的效力大概盤算難度。Google
這類公司在野生智能范疇的上風異常大，一個主要緣故原由在於它在盤算才能和人材上的積聚遠弘遠於其他公司和機構。

因為深度進修、機械進修算法的遍及和運用，所致使的算法演化。這些算法沒有是這兩年的新發明，它們經由瞭十幾年賡續的演化和優化，加上賡續地和現有硬件和盤算才能聯合，本日能力夠真正施展感化。

AI 仍舊是一個異常巨大、深遠的詞。跟 20年前一樣，本日的 AI
照樣不克不及去辦理許多工作。有一句話說得異常好，人們老是會去高估技巧在短時間內的表示，而低估它的歷久表示。以是，像 20年前一樣，如今我們不克不及等待 AI
在許多方面能給我們帶來許多本質的變更。但從久遠看，與 20年前比擬，底層基本舉措措施的長足成長讓 AI 技巧變得加倍可行、可用。

20 年前的黑科技，如今我們認為稀松平凡。當 AI
滲透到我們生涯的各個方面，我們其實不發覺，其實不認為它是黑科技。最典范的是我們天天都在用的搜刮引擎，它賡續地依據你的輸入和全部人的輸入來自我進修，去優化它的搜刮進程。它給每一個人的搜刮成果大概都紛歧樣。跟著互聯網內容的豐碩，它的搜刮成果也會變得紛歧樣。

再好比，如今我們天天看到的告白實在能夠懂得為是機械選完以後展現給我們看的。機械進修之前運用最普遍的處所就是在告白體系裡，不論是搜刮告白照樣電商網站裡的推舉體系，它背後的告白計謀和盤算都是用的機械進修的辦法。別的，人臉辨認、語音辨認，指紋辨認，也都是機械進修的結果。總而言之，野生智能已在深入地轉變著我們的生涯。

跟著技巧的成長，人的不雅念也在賡續轉變。而沒有像昔時人人更多的商量是能不克不及做一個像人一樣的機械人，大概能不克不及做一個像人一樣可以或許懂得人、可以或許和人對話的類人。本日，我們更多地在評論辯論，AI
技巧能不克不及在許多范疇裡、傢當裡給我們帶來分歧的結果。

將來 AI 會像水和電一樣，釀成基本舉措措施

機械進修成瞭熱點學科。 我認為 AI
在金融和醫療范疇會有很好的運用。金融范疇有充足多的數據，充足龐雜的體系，機械比人有上風，能做出更優的金融決議計劃。舉個簡略但一定適當的例子，機械完整能夠取代優良的生意業務員來依據對市場的斷定做出生意業務決議計劃，假如它可以或許像人一樣充足懂得我們所要購置的股票所屬公司的事跡和全部股票市場。

在醫療范疇也是一樣。假如有充足多的醫療數據，對病人有充足多的懂得，機械能夠比大夫做出對病人更有針對性的醫治計劃。

別的，野生智能在汽車范疇異常有大概在接下來幾年內完成而且獲得大范圍的運用。人會疲憊，人的反響才能有限，人的手和腳的調和才能、決議計劃的速率頻次遠遠落伍於機械。跟著電動汽車的遍及和野生智能技巧在車上面的普遍運用，我信任汽車的幫助駕駛體系會愈來愈成熟，直到末瞭走到無人駕駛狀況。這比擬久遠，短時間內機械幫助駕駛是一個異常好的偏向。

在資本上，至公司的上風很顯著，包含盤算才能的上風和人材上風。現階段精曉 AI 的人照樣稀缺資本，根本上幾傢至公司和幾間研討所把持瞭天下上絕大多半懂 AI
的人。以是說，至公司在底層技巧立異上會有異常大的搶先和上風。然則，對小公司而言，一個好的工作是，野生智能終極的代價沒有是說去發明一個通用的、無所事事的機械，而於用它賡續地在各個范疇做立異和運用。

我們看到 Google 開源瞭很多野生智能體系，包含之前的 Tensorflow 體系，另有此次的 AlphaGo。Google
願望做平臺，做底層的基本和辦事，它弗成能做完上面的全部運用。究竟哪怕 Google
有瞭最好的技巧，最好的人材，但在金融、醫療、主動駕駛等行業的某個細分范疇，紛歧定比小公司專註和懂得。

我認為接下來幾年大概這類創業公司會賡續冒出來。2012年，我返國介入開辦的野生智能公司出門問問應當算是中國創業公司中比擬早開端做野生智能而且願望把野生智能在一些垂直運用范疇落地的創業公司。在中國，比來幾年在野生智能范疇的創業愈來愈多。好比在語音辨認范疇，有雲之聲、思必馳；在圖象辨認范疇有
Face++、格林深瞳；前百度深度進修研討院（IDL）副院長餘凱做的地平線科技願望做 AI 時期的 Intel。

在外洋也有許多垂直范疇內裡運用的公司，好比說比來幾位斯坦福卒業生做的車的幫助駕駛被通用汽車收買瞭。因為 AI 教導遍及，AI
人材增加，加上至公司賡續地開源它們的 AI 體系，壁壘在漸漸降低，我信任將來 AI 會釀成一個基本辦事，像水和電一樣。

由於 AI 是一個由技巧驅動的范疇，它對技巧和過往履歷積聚有請求。我發明豈論在中國照樣外洋，大多半 AI
從業者本來都是在科研機構大概在黌舍裡做相幹研討的，大概在 AI 范疇狼子野心的 Google、秘聞深摯的 Microsoft 和 IBM
這類至公司擔負相幹職位。

AI 范疇的投資偏向是？

野生智能、大數據、新硬件，和新能源和新資料，我們把這些統稱之為由焦點技巧驅動的創業項目。任何產物技巧都有本身的成長周期，投資要看周期。

我們往回看，差未幾每5到10年會有一個大的技巧和產物成長周期。從 PC
到互聯網，再到挪動互聯網。我們如今處在挪動互聯網成長的中期大概說中偏前期，我們等待挪動互聯網時期持續還會有一些好產物出來，接下來我們會期待新的盤算平臺和新的產物技巧周期的湧現，我們基於此做一些投資結構和斷定。

關於這部門的投資，分享幾個我們比擬看好的偏向：

野生智能和它在垂直范疇的運用。包含硬件和算法聯合做辦理計劃的野生智能公司，和汽車智能化。從如今的汽車走到無人車，這中央是機械為人做幫助的階段，其間大概有一些主動駕駛的幫助體系，包含車上硬件的智能化和數據化。

新硬件平臺及它們在垂直范疇的運用。新硬件平臺包含機械人、無人機，乃至無人船，和這些硬件平臺在垂直范疇的運用。 AI 在產業大概 2B
偏向上的運用也是我們認為沒有錯的偏向。一個盡人皆知的究竟是，人力本錢上升異常快，許多行業和臨盆制作商對主動化和智能化的需求很大。

芯片、傳感器等焦點產業零部件的立異。團體的趨向就是加倍小型化，加倍廉價，加倍挪動化。我以為，小、廉價，無處沒有在，是進到智能時期的需要前提。在各個處所，我們須要充足多的傳感器和芯片，使得我們可以或許收羅到充足多的數據，有充足強的數據處置才能。

延長瀏覽： 大數據找投資、 智能傢居找投資、 智能硬件找資金