朋友圈有個常見句型。
今天很高興來到XXX（地點），跟XXX（公司/行業）大佬熱情交流，深受啟發XXX（某行業大佬），學習到很多！感謝大佬。
一般說這種話的人，大概是什麼都沒學到。
我們已置身於信息爆發中，打開手機裡邊便充斥著對新技術，新時代的報道。
當看著字裡行間寫滿了未來，我們歡慶著技術創新帶來的無限憧憬，直到不假思索的說出“大數據”、“人工智能”、“神經網絡”這樣的詞彙，麻木的叨唸著“未來已來”。
實際上卻對這些詞彙的含義不求甚解，恐懼著技術變革以後的生活，哀悼逝去的美好時光。
當真正置身於變革的浪潮中，我們唯一學會的東西，可能就是什麼都沒學到。
人工智能，就是這樣一場已經到來的浪潮，既熟悉又陌生。
商業化進程中，人才缺口巨大
早在1956年，“人工智能”這一術語便已經誕生。自這門新興學科創立以來，其目的就是希望做出一臺可以像人一樣思考的機器，讓計算機能幫助完成人類進行一些感知決策等問題。
在以往的影視作品中，人工智能要麼表現成“終結者”式的人型機器，要麼就是“天網”式的控制系統。無論形象如何，藝術的想象都選擇把人類的智慧賦予給了冰冷的軀體。
如今經過60多年的發展，人們不再停留於幻想，人工智能產業已初見端倪。
自2016年起，人工智能相關的崗位招聘需求逐年遞增，去年全國人工智能人才需求增長率已達41.19%。如此巨大的人才缺口，不僅顯示出近些年來在專業領域裡人才儲備上的薄弱，在整個行業進入高速發展期的同時，對高端人才的依賴度也隨之攀升。
有趣的是，當人工智能行業發展從青澀走向成熟，原本的晦澀難懂的“深度神經網絡”也隨著開源算法的增多，逐漸轉變為一類編程技術工作，對從業者的要求也放寬許多。
正因為如此，在商業化的進程中反而加深了企業對高端人才的渴求。
人工智能，就是這麼高端
這種轉變很像現在的安卓系統。
安卓作為一種開源系統，僅能夠正常使用是無法滿足實際用戶的需求的，所以深度定製的安卓優化系統成為當今智能手機行業的主流做法。
在不變中尋找差異化，根據自身情況優化使用體驗就顯得極其重要。
開源的神經網絡算法也是如此。能用不是目的，如何與人工智能應用場景高度結合，優化軟硬件使用效率才是目的。
在企業的角度上，擁有良好理論基礎，能夠完成算法創新的高端科研人才便成為炙手可熱的焦點。
近兩年，人工智能在商業發展上出現了爆發性增長，動輒數十萬的薪酬也讓許多人對這個行業趨之若鶩，可這仍然無法彌補高端人才短缺的現狀。
在技術層面上的發展，仍然保持著原有速度緩慢前行。而且作為人工智能算力基礎的芯片產業也即將進入“後摩爾時代”。在摩爾定律的黃昏中，芯片性能的增長速度明顯放緩，人工智能的技術理論突破就顯得更加重要。
羅馬不是一天建成的，也沒有哪一項技術可以在一天之內取得全方面突破。
至少在這個時代，我們還沒必要擔心出現控制人類的“天網”。
不是人工智能做不到，而是咱人類做不到。
不吹不黑，人工智能發展現狀
在專業領域，普通民眾一般會傾向於專家的觀點。
霍金曾說過“人工智能會導致人類滅亡。”
馬斯克則稱人工智能是“人類生存的最大威脅。”
比爾蓋茨的看法就要委婉許多“人類需要敬畏敬畏人工智能的崛起。”
提供AI聊天自動化服務的ADA公司總裁，邁克默奇也在近日表示“人工智能不應盲目發展。”
當然，這些觀點表現出了技術大咖們的先見性，同時我們也應當贊同這種觀點。
但是這些言論也在無意間，讓許多民眾高估了人工智能的發展現狀。
自人工智能這一領域創立以來，研究方向便是從模仿人類開始，通過為程序定製規則去模仿人類。
在這樣的研究方向上，如果只是進行下棋，語音識別等有規律的工作，人工智能還尚可應付。但這也暴露出另一個深刻的問題，人類的思考行為並不是簡單的規則可以重現，這樣開發出來的程序不過是規則的執行者，毫無智能可言。
人工智能的前景頓時陷入一片黯淡，發展方向也陷入泥潭。
於是人們便開始尋找一個可以解決“智能”問題的基本思路。
還記得小時候玩的下象棋遊戲嗎？在當時，人工智能就是這種程度的東西。
人工智能的發展，很慢
隨後人們便發現，數學就是一個很好的思考方式。通過對海量數據進行統計，從而提煉出問題的發展規律便可解決較為抽象的問題。
在這一階段生物識別技術取得了重大突破，數據分析和統計整理成為解決人工智能問題的一個方法論。
這種研究方法一直持續到今天，雖然它還不是人工智能的最優解，但是已經可以製造出能用的系統——可以進行深度學習的神經網絡。
神經網絡既然是通過數據和統計的方法實現智能，那麼它需要解決的另一個問題就是海量數據的處理能力 。
神經網絡算法對計算機硬件有著極高的性能要求，所以高昂的計算成本導致無法大規模普及，人工智能便成為只存在於實驗室中的技術，人們也一直在等待芯片技術可以發展到能夠承載神經網絡算法的時候。
這一等，就是十幾年。
就是在這十幾年中，摩爾定律逐漸失靈，芯片技術的發展即將觸頂。
在人們開始對人工智能不再抱有幻想的時候，有一位叫Jeffrey Hinton的神經網絡研究者，他發現用於圖形計算的GPU可以大幅提高神經網絡算法的計算速度，人工智能才真正有了實用的可能。
人工智能，很厲害？
一直以來，深度神經網絡的學習速度並不比人類快。拿現在最火爆的無人駕駛來說，正常人從零開始學習開車，到拿到駕照正常上路，學習時間也就是幾十個小時。
可對於神經網絡來說，想要它學會開車需要的上百萬小時的行車數據，而且還不能保證安全。
只不過神經網絡可以藉助計算機的算力加速這一過程。
谷歌的AlphaGO的人機圍棋大戰能引起那麼大轟動，就是因為AlphaGO在數週之內學會了存在極大變數的圍棋，而且還漂亮的擊敗了李世石。
而它的繼任者AlphaGO Zero在誕生後的36小時內，拋棄人類數據只憑借自身的增強學習便戰勝了初代AlphaGO。
谷歌也向世界展示出一個事實，人工智能雖然還不是萬能的，但是技術瓶頸並不在神經網絡的學習速度上，而是在可以承載神經網絡算法的芯片上。
所以，可以大幅提高計算速度的特種芯片，成為實現人工智能的關鍵突破口。
亞馬遜、谷歌、Facebook、華為、阿里巴巴、百度等等，許多企業開始加緊開發自己的人工智能芯片，投身到這場正在發生的智能競賽中。
這些就是目前人工智能的發展現狀。是不是並沒有想象中的那麼高端？
人工智能的實現，有兩種解法
或許有的人已經發現，雲計算、大數據等炙手可熱的概念實際上只是人工智能的一部分，而這些已經在我們的生活中隨處可見。
從人工智能的整個產業鏈來看，芯片、傳感器、大數據 在產業鏈的上游，是人工智能存在的基礎；計算機視覺、語音識別、自然語言處理、機器學習等處於產業鏈的中游位置，是人工智能的實現技術。
而整個產業鏈的下游才是各個垂直行業和實際應用場景，現在能夠預想到的有物流、醫療、金融、教育、家居、機器人、自動駕駛等，他們是人工智能的最終載體。
也就是說現階段的人工智能，只能夠處理特定問題，計算機只能模擬人類具有思維的行為表現，而不是真的懂得思考，其本質還是人類手中的工具。在專業層面上稱之為弱人工智能。
與之相對的，就是僅存在於影視作品中的強人工智能，它們可以具有與人相同、甚至是超越人類程度的思考、感知、智慧等能力。冷冰冰的計算機擁有自主思想，能夠獨立決策。
人類目前的技術水平，只能勉強實現弱人工智能。前文中咱們也提到了，實現它的芯片現在還在研發的路上尚未出現。所以在AI芯片研發完成後，會不會再次撞到其他的技術壁壘上也未可知。
這也是現在人工智能的面臨的另一個現狀。
弱人工智能已經接近現實，強人工智能現在還沒有方法論上的突破。弱人工智能本質上是仍然是工具，離開了具體的應用場景，它什麼都做不了，就是個“人工智障”。
還沒聽說誰家的錘子成精了，沒事砸東西玩。
所以現在有些無故製造技術恐慌的人，不是別有用心，就是麻木的隨聲附和。盲目的恐慌，牴觸技術帶來的改變也很不理智。
人工智能與惡意營銷
現在火熱的“人工智能”概念，大多是科技公司的自我營銷。
去年科大訊飛的AI翻譯就被爆出“造假”的內幕。據爆料稱，AI同傳翻譯實際上是用同傳翻譯人員的內容冒充AI，所謂的“智能翻譯”，不過是將同傳翻譯用機器語音讀出來。
而隨後科大訊飛的回應稱，使用同傳翻譯人員屬於人機耦合，可以降低翻譯人員的工作強度，是未來的發展方向。
這正是應了一句話“有多少人工就有多少智能，智能不夠人工來湊。”
當我們摒棄偏見，去掉偽裝的外衣，“人工智能”還能留下多少智能呢？
現在，你還擔心人工智能會代替人類進行工作嗎？
留下你的看法，我們一起來聊聊吧。
——【THE END】——
閱讀更多 艾拜偵探社 的文章
