李開復:人工智慧領域,2018 年什麼值得投?

作者 | 發布日期 2017 年 12 月 19 日 7:15 | 分類 AI 人工智慧 , 新創 follow us in feedly

大多數當今青年的眼中,從 2016 年開始的人工智慧熱,似乎是人生經歷的第一次人工智慧浪潮。



但從技術角度講,這樣的說法並不準確。如果以神經網路的發展歷史來看,從 2012 年開始 Google 等網路公司在深度學習領域的突破,已是第三次人工智慧浪潮。

但前兩次技術領域的人工智慧浪潮,其實並沒有轉化成太多應用,也沒有為社會生產力帶來更多變革。

日前,在一場創新工場的閉門會,剛拜訪美國人工智慧界四巨頭的李開復,分享了自己對未來一年人工智慧在應用領域的看法。

李開復用 5 週時間跑遍美國和加拿大,先後拜訪了 Google、微軟、Facebook 和亞馬遜公司,同時還與人工智慧學術界三大巨頭 Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton 深入交流。

整理和沉澱與這些公司學者交流過程所得,再加上創新工場過去幾年對人工智慧領域的投資與理解,李開復認為在應用領域,人工智慧應用領域的浪潮分為四波,我們事實上已不知不覺迎來了前三波。

在李開復看來,人工智慧應用領域的浪潮在時間軸上是交錯的,並非一波接一波。始於 1998 年的 Google 和誕生於 2012 年的今日頭條同屬於第一波人工智慧應用,而這波人工智慧應用稱之為「網路智慧化」。

「網路智慧化」更像 AI 應用的初始積累,所有網站、應用、產品以資料為能源和燃料,資料越多,發展越快。過去 20 年裡,許多網路公司有幸積累了大量資料,因此在人工智慧技術演算法有突破之後,就會快速將原本在網路層面開展的業務快速人工智慧化。

舉一些例子,比如說美圖。這是一家創立很早的公司,剛開始不是 AI 公司,現在美圖介紹自己都是 AI 公司,有沒有發現過去 3 年你自動美化越來越美?這是因為用戶不斷貢獻資料、標記資料後,加上深度學習演算法做成的。

演算法如何知道你對一次 P 圖行為是否滿意?你自拍之後一般會有 3 個動作──移除、儲存或分享。移除表示這張照片不行,儲存表示一般,分享則代表很棒。機器會不斷分析,什麼樣的照片滿意,什麼樣的照片不滿意。

對第一波浪潮來說,無論投資人還是創業者,未來都很難說是好賽道。儘管今日頭條的崛起算是網路格局已定情況下的一次變數,但與其同時生長的滴滴、美團點評更固化了網路這大賽道。

想要透過人工智慧單點突破這樣的局面,有些困難。

第二波人工智慧應用浪潮,是適於 2004 年的「商業智慧化」。

之所以與第一波不一樣,是因為資料和應用都不直接來自網路,比如銀行、醫院、物流公司,對人工智慧的應用。

「商業智慧化」前提有兩點,一點是非網路公司在使用網路和電腦辦公之後,沉澱大量資料。第二點是,這些公司有意將這些資料格式化並加以利用。

在這個領域,發展最快也最天然的例子就是金融。因為金融本身就是由格式化資料構成的產業──「電腦在這個領域天生就比人類做得更好」。

股票一年之後不是漲就是跌,貸款不是還了就是沒還,所以只要能累計一段時間資料,發生過意外的人可能要收更多保費,貸款如果沒有還就少借。金融就是大量資料好標記,還有只要做得好,錢就到了。

另一個李開復認為很有價值的領域是醫療,人工智慧在醫療領域的發展可能會幫助人類攻克很多疾病。但病人隱私等問題,目前醫療資料在各國格式化和流通度都不高。目前,先進的電腦視覺在相對開放的影像醫學領域嘗試已得到一些成功。「但因為資料局限性,推進速度還較慢。」

第二波投資與創業機會在不同的領域,完全不同。比如金融領域的人工智慧雖然發展成熟,但機會也相對較少。醫療就還是尚未開墾的巨大市場。

進入到 2011 年才開始的第三波人工智慧應用浪潮,就是大多數我們驚呼「科幻」的領域了,也是商業巨頭最喜歡宣傳展示的那些。因為在這階段,人工智慧終於擺脫了虛擬世界,正式「入侵」我們。

第三波應用叫「實體世界智慧化」,達成的前提是越來越多資料採集和感測器──橘子本身沒有資料,貼上 NFC 標籤就有了;路本身沒有資料,裝上鏡頭就有了;人本身不是資料,但透過人臉辨識身分,就是了。

我們早就習慣一登入淘寶,淘寶就認識我是誰,然後建議我個性化商品。

但是現在,現實世界也可以這樣了。你進入一家超市,超市就辨識出是不是 VIP 用戶,給予特別的優惠,服務員可能也會和你打招呼。

這引領了中國零售的全新型態,創新工廠總結為 OMO 型態,即 Online-Merge-Offline──線上與線下全面融合。

這種型態下,不再只是線下購物用行動支付結帳,或線上買優惠券去線下消費,是無論用戶線上線下購物,都有幾乎完全相同的購物體驗,包括身分會員體系、個性化建議、貨源追溯和商品評價等。

第三波「實體世界智慧化」發展正當時,創新工場過去幾年也在這領域做了許多投資,無論技術領域的 Face++、教育機器人領域的小魚在家及無人零售領域的 F5 未來商店,目前都處於蓬勃增長時期。

第四波人工智慧領域的應用,稱之為「全自動智慧化」。

與 AI 軟體方面這兩年發展較快相對的是,與 AI 配套的硬體發展這些年突破並不多。所謂硬體的突破,就是指像科幻電影裡的機器人──為具備 AI 特徴的軟體打造的機器軀體。

人(的身體)非常靈活,非常不可思議,但大部分機器做不到,有的機器人好不容易會兩腳走路了,但一配合手開門的動作就摔倒了。人拿一樣東西時,知道不會擋住眼睛。但機械手臂運動時,可能就會不自覺擋住鏡頭。

我們出去郊遊,看到果園裡的草莓很好吃,一伸手就能摘下來。機器呢?不是把草莓捏爛,就是摘不下來。

雖然距離尚遠,但可以確定的是,「全自動智慧化」這波應用也必然成為現實。

自動駕駛就是一個較好的開始,「現在全世界都相信自動駕駛能達成,你去問車廠、工程師、投資公司,都會和你說這是最酷的事。當全世界的技術、業界和資本都相信並大量精力投入時,你會發現這個事情變成現實是必然的。」

相比技術上的難度,李開復甚至認為無人駕駛最大的障礙是法律、倫理等問題。

在這領域,創新工場已投資一些機器人公司、技術公司和完全不同方向的自動駕駛公司。

那麼,在接下來幾年裡,李開復博士究竟覺得 AI 領域有什麼值得投資的呢?他直接給了答案:

當然,具體情況也要具體分析。比如以晶片為例,創新工場認為現在就應當投資 GPU,但現實的情況是中國多家人工智慧晶片公司都是以 SoC / CPU 領域切入。

背後邏輯除了技術難度本身,還要考慮市場的飢渴度和目前產業的成熟程度。仍以晶片市場為例,目前在做人工智慧晶片的 CPU 廠商有很多,老牌的 Intel 和 AMD、行動領域入場的華為,直接針對無人駕駛的地平線等。

但 GPU 領域,輝達一家獨大。從產業的成熟度來說,卻是 GPU 創業公司更接近 tape-out。創新工場投資的比特大陸,過去製作比特幣礦機的過程中,已生產出十分類似 GPU 的產品。

同樣的邏輯適用自動駕駛領域,大多數無人駕駛技術公司認為 L4 自動駕駛有可能在 3 年內實現。但考慮到法律等因素,L4 自動駕駛真正成為一門「生意」可能還需要等 5~10 年。

當然,如果你不是投資而打算創業,甚至打算學習人工智慧之後投身相關產業,也可以參考上圖再做決定。

(本文由 PingWest 授權轉載)

延伸閱讀:

關鍵字: , , ,