朋友圈有个常见句型。
今天很高兴来到XXX（地点），跟XXX（公司/行业）大佬热情交流，深受启发XXX（某行业大佬），学习到很多！感谢大佬。
一般说这种话的人，大概是什么都没学到。
我们已置身于信息爆发中，打开手机里边便充斥着对新技术，新时代的报道。
当看着字里行间写满了未来，我们欢庆着技术创新带来的无限憧憬，直到不假思索的说出“大数据”、“人工智能”、“神经网络”这样的词汇，麻木的叨念着“未来已来”。
实际上却对这些词汇的含义不求甚解，恐惧着技术变革以后的生活，哀悼逝去的美好时光。
当真正置身于变革的浪潮中，我们唯一学会的东西，可能就是什么都没学到。
人工智能，就是这样一场已经到来的浪潮，既熟悉又陌生。
商业化进程中，人才缺口巨大
早在1956年，“人工智能”这一术语便已经诞生。自这门新兴学科创立以来，其目的就是希望做出一台可以像人一样思考的机器，让计算机能帮助完成人类进行一些感知决策等问题。
在以往的影视作品中，人工智能要么表现成“终结者”式的人型机器，要么就是“天网”式的控制系统。无论形象如何，艺术的想象都选择把人类的智慧赋予给了冰冷的躯体。
如今经过60多年的发展，人们不再停留于幻想，人工智能产业已初见端倪。
自2016年起，人工智能相关的岗位招聘需求逐年递增，去年全国人工智能人才需求增长率已达41.19%。如此巨大的人才缺口，不仅显示出近些年来在专业领域里人才储备上的薄弱，在整个行业进入高速发展期的同时，对高端人才的依赖度也随之攀升。
有趣的是，当人工智能行业发展从青涩走向成熟，原本的晦涩难懂的“深度神经网络”也随着开源算法的增多，逐渐转变为一类编程技术工作，对从业者的要求也放宽许多。
正因为如此，在商业化的进程中反而加深了企业对高端人才的渴求。
人工智能，就是这么高端
这种转变很像现在的安卓系统。
安卓作为一种开源系统，仅能够正常使用是无法满足实际用户的需求的，所以深度定制的安卓优化系统成为当今智能手机行业的主流做法。
在不变中寻找差异化，根据自身情况优化使用体验就显得极其重要。
开源的神经网络算法也是如此。能用不是目的，如何与人工智能应用场景高度结合，优化软硬件使用效率才是目的。
在企业的角度上，拥有良好理论基础，能够完成算法创新的高端科研人才便成为炙手可热的焦点。
近两年，人工智能在商业发展上出现了爆发性增长，动辄数十万的薪酬也让许多人对这个行业趋之若鹜，可这仍然无法弥补高端人才短缺的现状。
在技术层面上的发展，仍然保持着原有速度缓慢前行。而且作为人工智能算力基础的芯片产业也即将进入“后摩尔时代”。在摩尔定律的黄昏中，芯片性能的增长速度明显放缓，人工智能的技术理论突破就显得更加重要。
罗马不是一天建成的，也没有哪一项技术可以在一天之内取得全方面突破。
至少在这个时代，我们还没必要担心出现控制人类的“天网”。
不是人工智能做不到，而是咱人类做不到。
不吹不黑，人工智能发展现状
在专业领域，普通民众一般会倾向于专家的观点。
霍金曾说过“人工智能会导致人类灭亡。”
马斯克则称人工智能是“人类生存的最大威胁。”
比尔盖茨的看法就要委婉许多“人类需要敬畏敬畏人工智能的崛起。”
提供AI聊天自动化服务的ADA公司总裁，迈克默奇也在近日表示“人工智能不应盲目发展。”
当然，这些观点表现出了技术大咖们的先见性，同时我们也应当赞同这种观点。
但是这些言论也在无意间，让许多民众高估了人工智能的发展现状。
自人工智能这一领域创立以来，研究方向便是从模仿人类开始，通过为程序定制规则去模仿人类。
在这样的研究方向上，如果只是进行下棋，语音识别等有规律的工作，人工智能还尚可应付。但这也暴露出另一个深刻的问题，人类的思考行为并不是简单的规则可以重现，这样开发出来的程序不过是规则的执行者，毫无智能可言。
人工智能的前景顿时陷入一片黯淡，发展方向也陷入泥潭。
于是人们便开始寻找一个可以解决“智能”问题的基本思路。
还记得小时候玩的下象棋游戏吗？在当时，人工智能就是这种程度的东西。
人工智能的发展，很慢
随后人们便发现，数学就是一个很好的思考方式。通过对海量数据进行统计，从而提炼出问题的发展规律便可解决较为抽象的问题。
在这一阶段生物识别技术取得了重大突破，数据分析和统计整理成为解决人工智能问题的一个方法论。
这种研究方法一直持续到今天，虽然它还不是人工智能的最优解，但是已经可以制造出能用的系统——可以进行深度学习的神经网络。
神经网络既然是通过数据和统计的方法实现智能，那么它需要解决的另一个问题就是海量数据的处理能力 。
神经网络算法对计算机硬件有着极高的性能要求，所以高昂的计算成本导致无法大规模普及，人工智能便成为只存在于实验室中的技术，人们也一直在等待芯片技术可以发展到能够承载神经网络算法的时候。
这一等，就是十几年。
就是在这十几年中，摩尔定律逐渐失灵，芯片技术的发展即将触顶。
在人们开始对人工智能不再抱有幻想的时候，有一位叫Jeffrey Hinton的神经网络研究者，他发现用于图形计算的GPU可以大幅提高神经网络算法的计算速度，人工智能才真正有了实用的可能。
人工智能，很厉害？
一直以来，深度神经网络的学习速度并不比人类快。拿现在最火爆的无人驾驶来说，正常人从零开始学习开车，到拿到驾照正常上路，学习时间也就是几十个小时。
可对于神经网络来说，想要它学会开车需要的上百万小时的行车数据，而且还不能保证安全。
只不过神经网络可以借助计算机的算力加速这一过程。
谷歌的AlphaGO的人机围棋大战能引起那么大轰动，就是因为AlphaGO在数周之内学会了存在极大变数的围棋，而且还漂亮的击败了李世石。
而它的继任者AlphaGO Zero在诞生后的36小时内，抛弃人类数据只凭借自身的增强学习便战胜了初代AlphaGO。
谷歌也向世界展示出一个事实，人工智能虽然还不是万能的，但是技术瓶颈并不在神经网络的学习速度上，而是在可以承载神经网络算法的芯片上。
所以，可以大幅提高计算速度的特种芯片，成为实现人工智能的关键突破口。
亚马逊、谷歌、Facebook、华为、阿里巴巴、百度等等，许多企业开始加紧开发自己的人工智能芯片，投身到这场正在发生的智能竞赛中。
这些就是目前人工智能的发展现状。是不是并没有想象中的那么高端？
人工智能的实现，有两种解法
或许有的人已经发现，云计算、大数据等炙手可热的概念实际上只是人工智能的一部分，而这些已经在我们的生活中随处可见。
从人工智能的整个产业链来看，芯片、传感器、大数据 在产业链的上游，是人工智能存在的基础；计算机视觉、语音识别、自然语言处理、机器学习等处于产业链的中游位置，是人工智能的实现技术。
而整个产业链的下游才是各个垂直行业和实际应用场景，现在能够预想到的有物流、医疗、金融、教育、家居、机器人、自动驾驶等，他们是人工智能的最终载体。
也就是说现阶段的人工智能，只能够处理特定问题，计算机只能模拟人类具有思维的行为表现，而不是真的懂得思考，其本质还是人类手中的工具。在专业层面上称之为弱人工智能。
与之相对的，就是仅存在于影视作品中的强人工智能，它们可以具有与人相同、甚至是超越人类程度的思考、感知、智慧等能力。冷冰冰的计算机拥有自主思想，能够独立决策。
人类目前的技术水平，只能勉强实现弱人工智能。前文中咱们也提到了，实现它的芯片现在还在研发的路上尚未出现。所以在AI芯片研发完成后，会不会再次撞到其他的技术壁垒上也未可知。
这也是现在人工智能的面临的另一个现状。
弱人工智能已经接近现实，强人工智能现在还没有方法论上的突破。弱人工智能本质上是仍然是工具，离开了具体的应用场景，它什么都做不了，就是个“人工智障”。
还没听说谁家的锤子成精了，没事砸东西玩。
所以现在有些无故制造技术恐慌的人，不是别有用心，就是麻木的随声附和。盲目的恐慌，抵触技术带来的改变也很不理智。
人工智能与恶意营销
现在火热的“人工智能”概念，大多是科技公司的自我营销。
去年科大讯飞的AI翻译就被爆出“造假”的内幕。据爆料称，AI同传翻译实际上是用同传翻译人员的内容冒充AI，所谓的“智能翻译”，不过是将同传翻译用机器语音读出来。
而随后科大讯飞的回应称，使用同传翻译人员属于人机耦合，可以降低翻译人员的工作强度，是未来的发展方向。
这正是应了一句话“有多少人工就有多少智能，智能不够人工来凑。”
当我们摒弃偏见，去掉伪装的外衣，“人工智能”还能留下多少智能呢？
现在，你还担心人工智能会代替人类进行工作吗？
留下你的看法，我们一起来聊聊吧。
——【THE END】——
閱讀更多 艾拜偵探社 的文章
