大象不玩象棋
Deep-Sci："-sci-"源自拉丁语的"scientia"（知识）
小科
物语
+
对人工智能领域来说，我们或许也可以先从“语⾔消失、⼈机融合、神人觉醒”这样的大概念中收回目光，脚踏实地做好每一个应用先。
来谈谈人工智能产业。
先来看纵向，时间轴维度的人工智能发展。
它源于74年前。
1943年，人工神经网络的先驱，麦卡洛可和皮茨提出神经元的数学模型。
1950年，计算机之父，人工智能之父，阿兰·图灵，提出图灵测试。
1956年，斯坦福大学AI实验室，创办人约翰·麦卡锡提出AI一词。
1959年，AI领域的领导者与创新者，马文·明斯基创建了MIT人工智能实验室。
1970年，AI领域兴起乐观思潮，认为人类将在3~8年时间里，得到一台具有人类平均智能的机器。
……
1986年，Rumelhart和McCelland在《并行分布式处理》中提出了BP算法，用于光字符识别和语音识别软件。
1990年，“大象不玩象棋”论文发表，基于符号处理的模型遭到排斥，大家认为机器也需要实际躯体以便和世界交互。60年代的控制论得以复兴。
1997年，深蓝计算机系统战胜国际象棋世界冠军。
……
2011年，IBM开发Watson认知系统，人脑生物芯片开拓者。
2016年，AlphaGo战胜李世石。
……
人工智能在这六七十年的发展中，经历了两次寒冬。
第一次人工智能冬天出现在1970年到1986年。
在乐观思潮之后，人工智能陷入瓶颈。
其原因是人们当时对智能的理解和定义有局限性。
他们认为，当几乎解决了“困难”的问题时，“容易”的问题也会很快被解决，例如电脑视觉和常识推理。
实际情况是，对人类很难的事情，对计算机其实很简单；⽽取物、情感这类对人类很简单的事情，对计算机却很难。
而且，人们发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。
这里面存在两方面局限：
一方面，人工智能所基于的数学模型和数学手段被发现有一定的缺陷。
另一方面，有很多计算复杂度以指数程度增加，所以成为了不可能完成的计算任务。
第二次人工智能冬天出现在1986年到1997年。
原因主要是现代PC机的出现，计算机走入家庭，相对于现代PC，人工智能的专家系统被认为古老陈旧并且难以维护。
人工智能在经历了这两次寒冬之后，直到2000年前后，才迎来了新的曙光。
其中最大的推动因素是摩尔定律、新的数学模型和新的观念。
首先，摩尔定律让计算越来越强大，但是早期的人工智能研究更多被定义为数学和算法研究，所以强大的计算机很少被用在人工智能研究中。
而当这种越来越强大的计算能力被转移到人工智能研究后，就显著提高了人工智能的研究效果。
在新的数学工具方面，原来已经存在于数学或者其他学科的文献中的数学模型，被重新发掘或者发明出来。
比如基于神经元网络的深度学习算法。
人们对人工智能的研究和应用也同时开始趋于理性，人工智能的方向选择趋于实用性和功能性，这带来了一个新的发展路径。
同时，数学模型对自然世界的简化，有着非常明确的数理逻辑，使得理论分析和证明成为可能。
在这里，有必要提及布鲁克斯的《大象不会玩象棋》的论文，论文中对“新式AI”的理解和解释，对现代AI的发展有着深刻的影响。
布鲁克斯的前提是：对一个智能系统的表述必须构筑于真实的物质世界之上。用他自己的话说，就是“这个世界是它自己最好的模型”。
世界是鲜活的，并包含了所有必要的细节。
这意味着布鲁克斯的机器人将摒弃“传统”AI的层级结构，放弃对世界的符号化表征。
相反，“新式AI”机器人将掌握一系列彼此独立的预设技能。
如同一个人使用同样的四肢和同一双眼睛来玩篮球和走路一样，机器人用共同的传感器和执行器来获得多种技能。
有些技能是独立的，尤其是那些最高级的技能，因此即使出现失败，也不会导致其他技能停止工作。
所以，现代人工智能的繁荣，很大程度上依赖于人工智能任务的明确和简化。
再来看看横向，当前人工智能的产业结构。
总体来说，人工智能产业分为三大类。
首先是基础层。
基础层包含计算能力层和数据层。
计算能力层相关的，是云计算、GPU/FPGA等硬件加速、神经网络芯片等。
数据层相关的，则在于各行业/场景的一手数据。
其次是技术层。
技术层包含框架层、算法层和通用技术层。
框架层相关的操作系统都来自大型科技公司，比如谷歌基于DistBelief进行研发的第二代人工智能学习系统TensorFlow，以及Caffe,Theano, Torch, DMTK, DTPAR, ROS等框架或操作系统。
算法层则是大家耳熟能详的机器学习、深度学习、增强学习等各种算法。
通用技术层，是语音识别（ASR）、语音合成（TTS）、计算机视觉（CV）、⾃然语⾔言处理（NLP）、即时定位与地图构建（SLAM）等。
第三是应用层。
应用层包含应用平台层和解决方案层。
其中应用平台层比如行业应⽤分发和运营平台、机器人运营平台。
解决方案层相关的是，智能客服、智能助理、无人驾驶、机器⼈、自动写作等场景应用。
在每一个层面，都有相应的公司群。
而关于人工智能公司，投资人有话说：
首先，泡沫自然存在，警惕伪人工智能的同时，也不得不承认这个爆发了巨大能量的风口，其实是人类的心之所向。
其次，要重视“端”的价值，也就是，最好结合硬件，但是很多做所谓机器人的，确实很多是伪人工智能。
很重要的是，作为人工智能产品“学习”的过程必须是持续不断的，它应该每天都在变得“更加了解你”。
一个人工智能的产品，应该每天都是“新的”，与昨天是不一样的。
而他们对“好的人工智能项目”的要求，最关键的就是必须有原创的核心技术，含金量高，但不一定最好；有硬件，但不一定最好；但这家公司一定是把两者“揉”的最好的公司。
而后，才是市场需求、自己的技术平台以及技术、营销、销售队伍的配合战。
关于硬件，神经科学家AntonioDamasio在其对现代认知科学产生巨大影响的《笛卡尔的谬误》一书中说过，“自然并非仅使用大脑构建理性，还使用包含大脑的身体。”
换句话说，除了用大脑，我们还⽤身体思考。
人工智能产业的特点是：每一个变化都可能是一个大调整。
每一个调整，都可能是升级一个维度的突变。
诺⻉尔奖获得者Herb Simon说过，“人类不寻求实现决策的最优化，而是采取令人满意的结果。”
对人工智能领域来说，我们或许也可以先从“语⾔消失、⼈机融合、神人觉醒”这样的大概念中收回目光，脚踏实地做好每一个应用先。
▼ 不要再逃避
✨星星发亮是为了让每一个人有一天都能找到属于自己的星星
▼