每當(dāng)一個(gè)事物興起的時(shí)候，隨之而來的就是大量的觀點(diǎn)與推測，其中最受歡迎的往往是那些最大膽的;而后每增加一個(gè)論據(jù)，都會讓我們對這個(gè)觀點(diǎn)更加深信無疑。就像從Alpha Go戰(zhàn)勝李世石后，人工智能在輿論中強(qiáng)勢回暖，而后李彥宏在世界互聯(lián)網(wǎng)大會上的言論，也再度加強(qiáng)了人們對它的關(guān)注。不僅百度，馬化騰在2015年6月的演講中也說道：人工智能是我最想做的事情。馬云也在2015年5月內(nèi)部信中寫道：未來三十年云計(jì)算、大數(shù)據(jù)、人工智能等技術(shù)將會讓無數(shù)的夢想成真。
目前國際互聯(lián)網(wǎng)巨頭紛紛入場， 亞馬遜的 Alexa、蘋果的 Siri、微軟的 Cortana，作為人工智能的第一塊敲門磚，已經(jīng)被較為廣泛的使用;搜索、翻譯、地圖、無人車，深度學(xué)習(xí)的影子無處不在，人工智能正在重構(gòu)人類的生活。同時(shí)，伴隨互聯(lián)網(wǎng)的高速發(fā)展和底層技術(shù)的不斷進(jìn)步，人工智能所需的「能源」正在不斷完善。
1)數(shù)據(jù)量： 2000年至今，互聯(lián)網(wǎng)及移動互聯(lián)網(wǎng)的高速發(fā)展使得數(shù)據(jù)實(shí)現(xiàn)了量的積累，據(jù)IDC預(yù)測，2020年全球的大數(shù)據(jù)總量將為40ZB，其中有七成將會以圖片和視頻的形式進(jìn)行存儲，這為人工智能的發(fā)展提供了豐厚的土壤。
2)深度學(xué)習(xí)算法：多倫多大學(xué)教授Geoffrey Hinton(致力于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)研究)的學(xué)生在業(yè)內(nèi)知名的圖像識別比賽ImageNet中利用深度學(xué)習(xí)的算法將識別錯(cuò)誤率一舉降低了10%，甚至超過了谷歌，深度學(xué)習(xí)進(jìn)而名聲大噪。2015年，微軟亞洲研究院視覺計(jì)算組在該項(xiàng)比賽中奪冠，將系統(tǒng)錯(cuò)誤率降低至3.57%，已經(jīng)超過了人眼。
3)高性能計(jì)算：GPU響應(yīng)速度快、對能源需求低，可以平行處理大量瑣碎信息，并在高速狀態(tài)下分析海量數(shù)據(jù)，有效滿足人工智能發(fā)展的需求。
4)基礎(chǔ)設(shè)施成本：云計(jì)算的普及和GPU的廣泛使用，極大提升了運(yùn)算效率，也在一定程度上降低了運(yùn)營成本。IDC報(bào)告顯示，數(shù)據(jù)基礎(chǔ)設(shè)施成本正在迅速下降，從2010年的每單位9美元下降到了2015年的0.2美元。
與此同時(shí)，巨頭和創(chuàng)業(yè)公司也相繼投入資源和成本進(jìn)行商業(yè)化探索，但技術(shù)本身尚有足夠大的成長空間，當(dāng)前仍處于早期階段。
人工智能帶來的機(jī)會
我們看到，目前人工智能領(lǐng)域的企業(yè)主要集中于以下三個(gè)層面：
基礎(chǔ)層：關(guān)注人工智能基礎(chǔ)支撐硬件或數(shù)據(jù)平臺基礎(chǔ);
技術(shù)層：包括有關(guān)機(jī)器識別與深度學(xué)習(xí)的算法和技術(shù)設(shè)計(jì);
應(yīng)用層：包括通用應(yīng)用和行業(yè)垂直應(yīng)用等。
*圖片來源：易觀智庫
在極客幫創(chuàng)投創(chuàng)始合伙人蔣濤看來，大公司在這三個(gè)層面贏家通吃，而小公司只能依靠單點(diǎn)突破，以及在傳統(tǒng)行業(yè)優(yōu)勢上進(jìn)行突圍。
大公司(100億市值以上)的主戰(zhàn)場在于爭奪未來人工智能的制高點(diǎn)，這分為兩個(gè)方向，第一個(gè)方向是爭奪未來人工智能的入口，包括家居的入口、汽車的入口等等，這些未來的入口扮演著比較重要的交互作用，例如Google的語音交互，百度的百度大腦。
第二個(gè)方向是生態(tài)系統(tǒng)的競爭，入口很容易切換，那么就要通過生態(tài)提高切換成本，通過開源技術(shù)，通過推薦算法，當(dāng)然也要依靠于物聯(lián)網(wǎng)的延伸與發(fā)展。而像京東、當(dāng)當(dāng)這類的大公司，他們最大的競爭力在物流和海量的數(shù)據(jù)上，所以在技術(shù)上可以購買，但并不那么著急。
小公司的主戰(zhàn)場在垂直領(lǐng)域的應(yīng)用，通過人工智能的浪潮來改進(jìn)尚未完成移動化的行業(yè)。例如金融行業(yè)，它在人工智能時(shí)代的市場規(guī)模、空間應(yīng)該會比移動時(shí)代更加廣大;例如企業(yè)級的服務(wù)，現(xiàn)在在國內(nèi)處在非常落后的狀態(tài)。蔣濤說：“相對來說容易做的事情已經(jīng)做完了，剩下的事情都是硬骨頭，但我相信還會有跑出來大的公司，當(dāng)然有數(shù)據(jù)的公司會更容易跑出來。”
實(shí)際上，目前人工智能的應(yīng)用和落地方式還極其有限。幾乎所有人工智能的最新進(jìn)展都是通過一種類型來完成：輸入數(shù)據(jù)(A)快速生成簡單的回應(yīng)(B)，舉個(gè)例子：
這么一個(gè)簡單的輸入 A 和輸出 B 將改變許多行業(yè)，而構(gòu)建由 A→B 的技術(shù)被稱為監(jiān)督學(xué)習(xí)。A→B 系統(tǒng)發(fā)展速度很快，這其中深度學(xué)習(xí)很大程度上受大腦的工作原理啟發(fā)。但A→B 系統(tǒng)距離科幻片中存在情感的機(jī)器人還差得很遠(yuǎn)，人類的智能也遠(yuǎn)遠(yuǎn)比 A→B 系統(tǒng)高級得多。
那么 A→B 這個(gè)系統(tǒng)能做什么?關(guān)于其顛覆性影響，這里列一個(gè)法則：如果人類進(jìn)行一項(xiàng)思考時(shí)間少于一秒的任務(wù)，那么不遠(yuǎn)的將來或許我們能用人工智能自動化完成這項(xiàng)任務(wù)。
百度首席科學(xué)家吳恩達(dá)表示，人們在人工智能應(yīng)用方面已經(jīng)做了很多有價(jià)值的研究：在監(jiān)控視頻中檢測可疑行為、汽車即將撞到行人時(shí)自動急剎車、自動刪除網(wǎng)上的黃暴內(nèi)容，上述任務(wù)均可在一秒之內(nèi)完成。當(dāng)然，這些技術(shù)更適合與大的產(chǎn)業(yè)業(yè)務(wù)相結(jié)合。
互聯(lián)網(wǎng)實(shí)現(xiàn)了基礎(chǔ)設(shè)施可以跑、數(shù)據(jù)可以連，人工智能其實(shí)在另外一個(gè)維度上提升了我們整個(gè)的應(yīng)用效率，它試圖解決的是生產(chǎn)資料及勞動力上的問題。人工智能是產(chǎn)業(yè)智能化升級的強(qiáng)大工具，正在改變包括通信、醫(yī)療、教育等在內(nèi)的所有領(lǐng)域。
通信領(lǐng)域
通信網(wǎng)絡(luò)一般有兩大任務(wù)，一個(gè)是網(wǎng)絡(luò)的控制，一個(gè)是網(wǎng)絡(luò)的管理和維護(hù)。網(wǎng)絡(luò)控制就是怎么樣在一個(gè)通信網(wǎng)絡(luò)中進(jìn)行有效地資源調(diào)度，從而提高網(wǎng)絡(luò)的使用效率，更好地服務(wù)于用戶。網(wǎng)絡(luò)管理和維護(hù)就是準(zhǔn)確理解網(wǎng)絡(luò)需求，進(jìn)行最優(yōu)化的網(wǎng)絡(luò)設(shè)計(jì)及部署;并能夠?qū)崟r(shí)感知網(wǎng)絡(luò)狀況，及時(shí)排除故障。而人工智能會使得未來的通信網(wǎng)絡(luò)越來越不需要人，整個(gè)網(wǎng)絡(luò)的控制基本是全自動的，只需要很少的專家參與就可以把整個(gè)通信網(wǎng)絡(luò)的事情全部搞定。
醫(yī)療領(lǐng)域
李彥宏在介紹百度人工智能在醫(yī)療領(lǐng)域的應(yīng)用時(shí)，提到四個(gè)層次，分別是O2O服務(wù)、智能問診、基因分析與精準(zhǔn)醫(yī)療、新藥研發(fā)。
第一個(gè)層次：百度醫(yī)生現(xiàn)在已經(jīng)有50萬的醫(yī)生參與咨詢，累計(jì)有800萬人通過百度醫(yī)生平臺來獲得相關(guān)的醫(yī)療服務(wù)。
第二個(gè)層次：在智能問診的小測試中，百度醫(yī)生的診斷和北大國際醫(yī)院的醫(yī)生診斷，在80%的情況下是一致的，而且它可能在一些比較罕見的情況下表現(xiàn)更好。當(dāng)然這些技術(shù)除了對大量的醫(yī)療知識進(jìn)行機(jī)器學(xué)習(xí)外，也需要對病人表述的理解能力不斷地提升。
第三個(gè)層次：用基因來進(jìn)行治病，最大的一個(gè)問題是大多數(shù)已知的基因?qū)е碌募膊《际菃位驅(qū)е碌?，而這些病又大多是罕見病，大多常見病是多基因?qū)е碌摹Ｍㄟ^大量的計(jì)算，人工智能可以幫助醫(yī)生搞清楚一個(gè)病是由哪些基因共同作用導(dǎo)致的。
第四個(gè)層次：今天已知的、有可能形成藥的小分子化合物大概是10的33次方那么多，這可能比全宇宙所有的原子加起來還要多。這樣的一個(gè)量，怎樣用它的分子式跟產(chǎn)生疾病的蛋白去合在一起，用來治病?怎樣對未知的那些分子式進(jìn)行大量的篩選，找到有效的新藥?計(jì)算機(jī)科學(xué)、人工智能能夠在這方面有所幫助。
教育
教育行業(yè)其實(shí)是一個(gè)試錯(cuò)成本非常高的行業(yè)，誰也不會拿孩子的成績來做實(shí)驗(yàn)。醫(yī)療行業(yè)同樣如此，的確人工智能可以在圖像識別及診斷分析上給出建議，不過一旦出現(xiàn)醫(yī)療糾紛或因此而耽誤了病人的病情，責(zé)任由誰來承擔(dān)。
另一個(gè)方面，這兩個(gè)行業(yè)決策鏈條很長。它涉及的利益方很多，教育行業(yè)有學(xué)校、老師、家長、學(xué)生，在醫(yī)療行業(yè)就是醫(yī)院、醫(yī)生、病人。同時(shí)，這兩個(gè)行業(yè)又是國家相對高度管制的行業(yè)。
德聯(lián)資本合伙人賈靜表示，無論教育及醫(yī)療這兩個(gè)行業(yè)有多少困難，資本還是非常關(guān)注。因?yàn)闉榻逃敖】蒂I單的用戶，付費(fèi)意愿及能力都非常強(qiáng)。這條路雖然曲折，但前途特別光明。
實(shí)際上，教育行業(yè)要比醫(yī)療行業(yè)走得更靠前一些。目前在教育行業(yè)，已經(jīng)有許多人工智能技術(shù)應(yīng)用。比如人工智能深度參與到教、學(xué)、練、測、評的環(huán)節(jié)中，加快個(gè)性化教學(xué)的進(jìn)程。但這需要積累大量真實(shí)有效的數(shù)據(jù)，誰能在整個(gè)教育環(huán)節(jié)積累到足夠多的數(shù)據(jù)就有可能跑到前面。
另一方面，教育行業(yè)一直想解決的問題是如何在供給側(cè)做到規(guī)模又經(jīng)濟(jì)，老師該怎么培訓(xùn)和管理。那么人工智能介入教育行業(yè)，以前由老師來解決的問題，可能70%-80%由人工智能來解決。這就從生產(chǎn)成本上進(jìn)行了改革，根本上解決了生產(chǎn)資料和勞動力的分配問題，而不只是交易成本最小化。所以人工智能帶給行業(yè)的變革，要比移動互聯(lián)網(wǎng)大得多。
To C應(yīng)用
幾年前出來的一些人工智能公司，技術(shù)發(fā)展已經(jīng)相對成熟，比如科大訊飛，當(dāng)年剛出來做的產(chǎn)品并不是那么流暢，但現(xiàn)在做得已經(jīng)不錯(cuò)了。所以，技術(shù)差別不大的情況下，想要從技術(shù)上突破還是比較困難的，那就需要找到一個(gè)能夠激發(fā)用戶極致體驗(yàn)的點(diǎn)，看用戶的體驗(yàn)是不是超過了用戶對產(chǎn)品的期待。
比如做語音命令，亞馬遜Echo的一系列產(chǎn)品，拿到中國后就變成了純音響，用戶覺得這和漫步者差不多，它產(chǎn)生不了「哇」的這種感受，沒有這些感受就沒有辦法轉(zhuǎn)換成購買。一旦歸類錯(cuò)了，大家不會考慮花更多的錢來買一個(gè)同類的產(chǎn)品。
華創(chuàng)資本合伙人熊偉銘表示，在To C領(lǐng)域可以突破的將會是無人車，但會涉及到監(jiān)管問題。政府是否允許無人車在公路上跑，出了事故是算機(jī)器的責(zé)任還是人的責(zé)任，人們會有一些常識性的擔(dān)心。人類出于本能，對同類的信心要遠(yuǎn)遠(yuǎn)超出那些我們不了解其原理的事物。比如在醫(yī)療領(lǐng)域，雖然醫(yī)生資源十分短缺，但依然不會允許機(jī)器給人看病。沒有數(shù)據(jù)能證明機(jī)器的誤診率和醫(yī)生的誤診率是不一樣的，也阻礙了它進(jìn)一步的發(fā)展及商用化。
這個(gè)鴻溝不是不可能逾越，而是需要很長的周期。就像汽車確實(shí)比馬車更先進(jìn)，但也經(jīng)歷了1865年英國議會針對蒸汽汽車制訂的「紅旗法案」這種看起來很荒唐的階段，而未來無人車可能要經(jīng)歷一樣的道路。這其中，除了信心，制度監(jiān)管要占60%的因素。比如現(xiàn)在是不允許無人車在公路上運(yùn)行，無論這輛無人車做了多少實(shí)驗(yàn)，比如醫(yī)療領(lǐng)域，數(shù)據(jù)不能出醫(yī)院這一類法規(guī)還是大量存在。
如果無人車這么難的事都實(shí)現(xiàn)了，可能包括看病或者政府的行政事務(wù)會慢慢放開。創(chuàng)業(yè)者要找一個(gè)行政環(huán)節(jié)最弱的點(diǎn)先切入，慢慢到一些行政壁壘很高的市場中去。
熊偉銘是也最早看移動互聯(lián)網(wǎng)領(lǐng)域的投資人之一，他說：“現(xiàn)在無人車的發(fā)展已經(jīng)非常了不起了，這可能還只是一個(gè)小開始，但它發(fā)展到中期可能已經(jīng)超過了移動互聯(lián)網(wǎng)的小高峰。”雖然人工智能大潮可能不會像移動互聯(lián)網(wǎng)這么密集地爆發(fā)，但會比移動互聯(lián)網(wǎng)持續(xù)時(shí)間更長，一波接一波，發(fā)展到最后，這個(gè)領(lǐng)域會有巨大的成長和收獲。
在此他也給創(chuàng)業(yè)者提出建議，無論創(chuàng)業(yè)者進(jìn)入到To B還是To C的領(lǐng)域都要選好市場及切入點(diǎn)，因?yàn)樵跈C(jī)器學(xué)習(xí)上，它解決的是提高內(nèi)部效率的問題。“你會活得更好一點(diǎn)，但這并不能改變你所從事的行業(yè)或領(lǐng)域的市場大小。原來需要100個(gè)人干的事現(xiàn)在只需要10個(gè)人，但是一個(gè)公司能解決1000人的問題，那你加上人工智能的技術(shù)也只能解決那1000人的問題，只不過原來能賺10元，現(xiàn)在能賺100元。”
人工智能面臨的五大考驗(yàn)
在這場討論中，我們還得出以下結(jié)論：目前人工智能雖處于寒武紀(jì)的大爆發(fā)階段，但也很可能再度面臨寒潮。具體來說，人工智能可能會面臨這五大考驗(yàn)：
第一大考驗(yàn)：理論鴻溝很難逾越。
目前人工智能在學(xué)習(xí)上遵循的理論依然是上個(gè)世紀(jì)80年代提出的，人們并沒有從本質(zhì)上理解人類的學(xué)習(xí)原理，從監(jiān)督學(xué)習(xí)到無監(jiān)督學(xué)習(xí)的方法還在探索。如果將人工智能比作建造太空火箭，計(jì)算能力和數(shù)據(jù)是燃料，理論就是發(fā)動機(jī)。如果你有許多燃料但只擁有小功率發(fā)動機(jī)，你的火箭大概無法飛離地面。如果你擁有大功率發(fā)動機(jī)但只有一點(diǎn)點(diǎn)燃料，你的火箭即使飛上天也無法進(jìn)入軌道。
目前的人工智能技術(shù)多數(shù)都要依靠形態(tài)匹配，在監(jiān)督式學(xué)習(xí)下，輸入訓(xùn)練數(shù)據(jù)，每組訓(xùn)練數(shù)據(jù)有一個(gè)明確的標(biāo)識或結(jié)果。人們將預(yù)測結(jié)果與「訓(xùn)練數(shù)據(jù)」的實(shí)際結(jié)果進(jìn)行比較，不斷調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。
而無監(jiān)督學(xué)習(xí)中，計(jì)算機(jī)無需人類幫助的情況下，像人類一樣自己學(xué)習(xí)知識。計(jì)算機(jī)并不被告知怎么做，而是采用一定的激勵(lì)制度來訓(xùn)練機(jī)器人培養(yǎng)出正確的分類。無監(jiān)督學(xué)習(xí)方式是機(jī)器人工智能發(fā)展的關(guān)鍵技能之一。“目前朝著良性的趨勢發(fā)展，但還未達(dá)到我們希望的階段。”微軟亞洲研究院院長芮勇表示。
第二大考驗(yàn)：知識表達(dá)問題。
許多輸入的數(shù)據(jù)其實(shí)都經(jīng)過了人腦抽象，但大家看不到，就好比你看到地面上的竹子每一根都是獨(dú)立的，但它的地下莖聯(lián)系是非常緊密的。若要完成形式化知識結(jié)構(gòu)的搭建，是需要很多知識的，而機(jī)器中沒有人腦中的背景知識，所以數(shù)據(jù)中蘊(yùn)含的信息是不完整的，繼而計(jì)算不出正確的結(jié)果。
如果將這些信息補(bǔ)足，是有可能用機(jī)器處理的。但同時(shí)要看到的是這些信息很難補(bǔ)足，一方面是因?yàn)楹芏嗳四X中的知識難以形式化，另一方面，補(bǔ)什么補(bǔ)多少才能達(dá)到特定的效果，很難衡量。并且人腦輸出的信息帶寬太小，很難通過一個(gè)人來補(bǔ)足機(jī)器中沒有的知識，而多人協(xié)同又存在知識相互不兼容的問題。所以知識太多，知識難以形式化，人腦輸出太慢，成為了知識表達(dá)的三大障礙。
海云數(shù)據(jù)的首席數(shù)據(jù)科學(xué)家趙丹表示，目前大公司基本上通過知識圖譜來解決知識表達(dá)的問題，但這不是根本的解決方法。知識圖譜雖然能在小的特定領(lǐng)域解決一部分?jǐn)?shù)據(jù)稀疏問題，但圖譜本身也有稀疏的問題，并且依賴人工構(gòu)建，規(guī)模有限。遷移學(xué)習(xí)也能夠發(fā)揮一定作用，但目前還沒有把這些解決技術(shù)整合起來，形成一個(gè)完整的智能體系的理論架構(gòu)。
同時(shí)趙丹還認(rèn)為，深度學(xué)習(xí)的研究一定程度上已經(jīng)到達(dá)瓶頸期，現(xiàn)在到了需要將深度學(xué)習(xí)現(xiàn)有的成果轉(zhuǎn)化成產(chǎn)品的時(shí)候，比如Deepmind前段時(shí)間發(fā)布的唇語識別成果，再往前比如AlphaGo的博弈策略學(xué)習(xí)。“而形成產(chǎn)品是件很難的事情，像我們熟知的人臉識別，雖然已有不少創(chuàng)業(yè)公司做了好幾年，但現(xiàn)在仍然沒有生產(chǎn)出成熟的產(chǎn)品。工程上的坑不比研究上的少，如若跨不過去就沒有辦法做出產(chǎn)品。”
在科學(xué)理論上的進(jìn)步很多是偶然事件，說不準(zhǔn)下次會是什么時(shí)候。深度學(xué)習(xí)的成果轉(zhuǎn)換期，到下次深度學(xué)習(xí)的進(jìn)步期之間其實(shí)還是會有可能出現(xiàn)寒潮。
第三大考驗(yàn)：人才問題。
圖像識別方面的成就像一把發(fā)令槍，啟動了一場人才爭奪賽。有人曾說：“這個(gè)領(lǐng)域的人才戰(zhàn)相當(dāng)血腥，一流的人才就像NFL足球運(yùn)動員。”
谷歌在 2011年推出專注深度學(xué)習(xí)的谷歌大腦計(jì)劃(Google Brain Project)，2013年3月得到了神經(jīng)網(wǎng)絡(luò)先驅(qū)Geoffrey Hinton的加入，現(xiàn)在有超過1000個(gè)深度學(xué)習(xí)項(xiàng)目。
Facebook在2013年12月聘請了法國神經(jīng)網(wǎng)絡(luò)創(chuàng)新者Yann LeCun作為它的新AI實(shí)驗(yàn)室的帶頭人。平均每天使用神經(jīng)網(wǎng)絡(luò)翻譯來自超過40種語言國家的20億用戶的帖子，這些翻譯的內(nèi)容每天被8000萬用戶閱讀。
百度在2014年4月聘請了谷歌腦計(jì)劃的前負(fù)責(zé)人吳恩達(dá)作為它的人工智能實(shí)驗(yàn)室的領(lǐng)頭人，主攻語音識別等關(guān)鍵領(lǐng)域。
但蔣濤指出：現(xiàn)在人工智能領(lǐng)域的理論掌握在頂尖教授手上，但應(yīng)用的數(shù)據(jù)在公司手上。頂尖教授一般會有與同行進(jìn)行交流、發(fā)表研究成果的訴求，但公司的研發(fā)卻要求不能透露商業(yè)核心秘密，甚至要將這個(gè)科學(xué)家雪藏起來，比如蘋果現(xiàn)在人工智能的領(lǐng)導(dǎo)者是誰，我們都還不知道。這里面存在天然的沖突，很可能成為制約人工智能發(fā)展的瓶頸。
第四大考驗(yàn)：資本化問題。
由于人工智能是巨頭公司的天下，所以「被并購」是許多初創(chuàng)公司的宿命。當(dāng)前，谷歌、IBM、雅虎、英特爾、蘋果、Salesforce以及國內(nèi)的百度、阿里等互聯(lián)網(wǎng)科技巨頭公司布局勢頭「兇猛」，引發(fā)了一場全球范圍內(nèi)的人工智能投資收購熱潮。
根據(jù)風(fēng)投數(shù)據(jù)公司CB Insights的統(tǒng)計(jì)數(shù)據(jù)顯示，2011年起，拿到融資的人工智能創(chuàng)業(yè)公司里面有近一半(140家)都被收購了，其中2016年就有40家。主力買主是谷歌、Twitter、IBM、雅虎、英特爾和蘋果，谷歌以11次收購的成績位列榜首。
*圖片來源：CB Insights
然而，一些巨頭公司在并購人工智能初創(chuàng)公司的時(shí)候卻面臨著重重問題。專注于大數(shù)據(jù)人工智能領(lǐng)域投資并購的前海梧桐并購母基金總經(jīng)理馬春峰道出了自己看法：
首先，反觀目前國內(nèi)人工智能企業(yè)估值偏高，僅有2~3人的早期初創(chuàng)公司有時(shí)開價(jià)達(dá)1~2億元，較成熟公司的估值甚至比上市公司還高。這種高估值企業(yè)有時(shí)甚至讓產(chǎn)業(yè)投資者難以接受，結(jié)果導(dǎo)致某些上市公司和產(chǎn)業(yè)基金紛紛出海，布局硅谷、以色列等海外市場。
不過，上市公司或產(chǎn)業(yè)基金布局海外市場都需要考慮落地問題，這時(shí)候溝通成本、管理成本、人員適應(yīng)本地化成本便會增加。因此，如何降低成本成為布局海外市場的一大難題。
其次，上市公司在投資初創(chuàng)企業(yè)時(shí)多對其業(yè)績有要求，這就使得它們在投資并購時(shí)傾向于選擇較為成熟的AI公司。然而目前國內(nèi)人工智能領(lǐng)域的創(chuàng)業(yè)公司在整體效果上并沒有達(dá)到上市公司的期望值，許多初創(chuàng)公司的成熟度與上市公司自身業(yè)務(wù)發(fā)展的匹配度也不夠高。
所以，現(xiàn)在多數(shù)上市公司采取的方式是先在體外投資孵化，待孵化的公司成熟到一定程度時(shí)再裝進(jìn)上市公司內(nèi)部。
另外，有些上市公司自身也存在追逐熱點(diǎn)的問題，在并不具備布局大數(shù)據(jù)、人工智能產(chǎn)業(yè)的基因的情況下，但卻在積極布局。這使得被投資或并購來的公司不能匹配上市公司的業(yè)務(wù)、管理能力和戰(zhàn)略發(fā)展方向，反而導(dǎo)致初創(chuàng)公司的未來發(fā)展受到了限制。
第五大考驗(yàn)：安全問題。
這里面的安全不是某一項(xiàng)人工智能產(chǎn)品是否存在風(fēng)險(xiǎn)，而是對強(qiáng)人工智能何時(shí)出現(xiàn)的整體的考量。
其中，比較極端的觀點(diǎn)來自于未來學(xué)家雷·庫茲韋爾(Ray Kurzweil )，他提出摩爾定律的擴(kuò)展定理，認(rèn)為很多技術(shù)處于指數(shù)增長中;后來又發(fā)表奇點(diǎn)理論，預(yù)測技術(shù)在突破一個(gè)稱之為奇點(diǎn)的臨界點(diǎn)后將實(shí)現(xiàn)爆發(fā)性增長，在2045年左右會出現(xiàn)自己思考的人工智能。
當(dāng)然，在大多數(shù)行業(yè)專家看來這是個(gè)偽命題。吳恩達(dá)表示「人工智能毀滅人類論」就是炒作，目前我們的科技還停留在弱人工智能階段，強(qiáng)人工智能目只存在于科幻片。
對于人工智能的安全性，扎克伯格的觀點(diǎn)代表了中國創(chuàng)投界大多數(shù)的想法：我們過度擔(dān)憂人工智能，將阻礙人工智能實(shí)際的進(jìn)步?，F(xiàn)在擔(dān)憂人工智能的安全性，就如同兩百年前擔(dān)心要是以后有飛機(jī)了飛機(jī)墜毀怎么辦一樣。我們要先造出飛機(jī)，再擔(dān)心飛機(jī)的安全性。
