【视频】高峰对话：人工智能将把人类带向何方？
2017年2月16日，由数据猿、中欧商学院、腾讯直播共同举办的《中欧微论坛|数据猿·超声波》活动在中欧商学院北京校区圆满落幕。本文为活动高峰对话环节的文字及视频版实录。
2017年2月16日，由数据猿、中欧商学院、腾讯直播共同举办的《中欧微论坛|数据猿·超声波》活动在中欧商学院北京校区圆满落幕。此次活动大咖云集，共吸引了600+人报名，并最终筛选出300+观众莅临现场，更有超过20000名观众收看了在线直播，开启了一场大数据、人工智能领域的头脑风暴，台上台下、线上线下共同畅想科技引领下的商业未来！
作为数据猿推出的主题为《大数据的2016，我的2016》2016—2017年度大型策划活动的一部分，在2016年底征稿期，活动就受到了100+大数据领域内知名企业的高度关注，收到了36位业内领袖的投稿，并入驻成为数据猿专栏专家。
— 视频版 —
— 文字版 —
以下是“高峰对话”环节的精彩文字版内容：
分享长度为15000字，建议阅读30分钟
主持人牟蕾：本次活动上的六位嘉宾所演讲的内容在人工智能和大数据产业里都是非常小的一个部分，只是想提供给大家一些新的思路。在过去的10个年头里，我们经历了一波又一波的科技热潮，从移动互联网、云计算、大数据、物联网到2016年非常火的人工智能。我不知道大家坐在下面是什么感受？反正我本人心里一直十分忐忑，一会儿觉得未来很美好，一会儿又在思考我们人类该怎么办？所以接下来我们再把方跃教授请到台上来，同时也有请我们的互动嘉宾杜宇甫、鲍忠铁、徐冰重新回到舞台，探讨一下到底人工智能将把人类带向何方？
方跃：在这里我准备了几个问题。首先，我想替中欧的学生来问第一个问题，在座的嘉宾都是搞技术的，那么对于我们企业来讲，不可能马上花费很大的精力全身心地投入到人工智能中，但会不会有这么一天，我们能够像微软一样，有属于自己的Office出现，使得我作为一个用户，会主动去买这个产品，或者按年来付费，并把这些技术应用到我的需求之中。我想听听几位嘉宾在这方面是怎么看的？这个年代是否离我们还很遥远？或是还会有另外一种新的商业模式出现，给我们企业带来真正的价值，使得我们每一个普通用户能够从中获益。
徐冰：这是一个非常好的问题，很多人都问我为什么去做2C，我们看到如果你真的做出量来，是一件非常“性感”的事。包括像人工智能也是一样，想要做出东西，需要非常非常大的投入。
作为一个技术的研究者，我们发现其实现阶段AI的最大效益在于效率的提升，而不是用户体验上的改善。目前在这个环节上，也有很多这样的技术，当我们把它做成模块化，做成比较稳定的云服务的时候，你就可以批量化地服务到各个领域了。一定程度上你可以直接获取到这项技术，第一你节省了成本，第二你节省了时间。而这种模式在现阶段已经出现了。
事实上，2C发展到一定程度同样也有机会，但是由于2C涉及到庞大的人口，在很多技术点上会非常多地依赖于这些环节。举个例子，比如说像无人驾驶，你这辆车在路上跑的时候，你永远预料不到有没有一些技能是这辆车原来没学过的？比如说特斯拉去年为什么出那个事故？原因是它撞了一辆白色的大卡车，它本身机器学习库里面就没有预料到会出现一辆白色大卡车，因为车体是白色的，且两个车轮非常高，就像一片云彩一样。这个算法就真的把它识别成了一个云彩。在做2C的时候，这样的案例非常多，因此就会导致现实中的用户体验与你当初设想的并不一致，而你测试的这个数据级也不能涵盖到所有的人口。
对于2B而言，在现阶段当它提出来一项相对来说比较通用化，不是特别定制化的需求的时候，你往往可以在市场上买到已经成熟的算法，至少可以直接用到你的产品里面去做实验，测试一下，感觉是不是已经做的比较好了？
杜宇甫：我非常赞同徐总的观点，从历史的车轮往下看，任何一件事情都是。我了解这个事件是从《三国演义》这本书开始的，打开第一页就是天下之事，合久必分，分久必合。
今天讨论人工智能能不能快速服务化？其实要看它不同的阶段，比如初期阶段、中期阶段和未来的高级阶段。初期阶段的时候，大家可能大部分在试水，某些服务有很多人是做不了的，但有些人可能能做，其中，以一种服务化的形式来做是比较好的。
等到后期经过不断的发展和演变，最终它的发展速度还是取决于其中能赚取的价值。就像云服务一样，云服务最开始并不是很普及，到最后企业更关注自己关注的事情，使其变成一种服务的形式，按需付费，就目前来看这种形式还是比较合理的。
鲍忠铁：传统企业怎么样去看人工智能？简单一点说，就是新兴科技的一些技术，比如大数据，它能够在三方面帮助传统企业：第一个它会提高你的收入；第二会降低你的运营成本；第三会提高你的效率。并且这些事情在过去几年已经发生了。传统企业拥抱人工智能，我认为可以用一个词概括，也是最近投资界比较热的一个词，人工智能就是个“服务”。基于你的商业模式、商业本质和商业前景去调用它的服务就可以了。或者你不需要自己花很多的精力，花很多人去开发它，因为有专业的公司去做这件事情，除非你是像BAT这样具有足够实力的大公司，或者你是大的银行，你有一万多的人员可以去做，普通企业拥抱它就可以了。
再比如智能客服。我举个例子，信用卡中心原来有五千万的信用卡用户，按正常的商业配比应该是五千个人，但它只配了两千五，另外两千五就完全用智能客服解决了。这两千五算他十万块钱一个人，这个价格也不算太高，但是两千五百个人能帮企业提升多少成本呢？
至于机器人跟人的区别，机器人可以72小时工作，节假日加班的时候，它也不要你加班费，这样就导致了很多制造业工厂，它一旦接收大量订单的时候，想要短时间内生产出所有产品，就需要72小时加班工作，这时候它只能依赖智能机器人了。这也是现在所谓工业4.0也好，或者西方的生产制造厂正在做的事情。
另外像徐总说的利用人脸识别技术，帮你去确定这个人的身份。这个时候如果人去看的话，假设每天有十万个人来申请你的信用卡，十万个人来升级产品服务的话，你需要配多少工作人员呢？但如果你用机器识别的话，它可能看得更准确，效率也更快，像人脸识别这种问题就不用人去看了，完全用机器就可以。
再回到话题本身，传统的企业在看人工智能领域发展的时候，认为它是个新兴技术，无论是互联网出现也好，大数据出现也好，智能生产线出现也好，都积极地去拥抱它，去关注它。你不关注也不行，因为你在这个领域中一定有竞争对手，如果你的竞争对手去关注它了，还引进了新的智能机器人、新的模型、新的技术，从而降低了成本、提高了收入和效率，那你的竞争优势就没有了。
所以未来企业的发展，有一部分来源于科技驱动，这个比例会越来越高，人工智能是其中一个重要的组成部分。所以我的建议是所有企业去关注这个趋势，然后找到自己可以要的服务和产品去做，不要惧怕它。
方跃：就目前而言，有一点我感触比较深，就是这几年技术发展的非常快。几年前技术还不是很成熟，对企业来讲，可能从投入产出等方面都不能达到一个好的效果。
但是这一年两年就不一样了，我们今天的嘉宾里没有做投资的，但是有几位已经谈到这个问题，很多传统企业所谓的“拥抱参与”事实上就是以投资的形式来参与的。比如高盛，大家知道它是一家投资银行，在这些年无论智能也好，大数据也好，一直很关注这方面的发展。所以它在几年前就以十几亿美元，投资了一家非常小的公司，那家公司就是做智能机器人的。机器人在处理数据的过程中，就是一个知识的积累，那么如果你用自然语言问它一个问题，比如美联储升息对我会造成什么影响等等，它会给你打份报告，这个报告当然是从全民性和时间上来讲的，比你带三个研究员去调研的效率要高的多。
再有一个问题，也是我的问题，我们以往包括互联网、计算机等，这些基本都是来自西方的技术。那么在人工智能和大数据领域上，我们国内和国外相比，优势在哪？我们还依然是一个跟随者么？还是说我们有可能在某种程度上已经成为了一个领导者？这也是一个很现实的问题，对于企业家来讲，我必须要了解这个领域到底发展到了什么程度，不能单一地只关注国内或国外的发展就够了，这样才能得到最先进最前沿的东西。对此我想听听几位嘉宾是怎么看的，大家都做技术，从你们的角度来看肯定和我们的想法不一样。
鲍忠铁：谈到人工智能领域，中国会不会走到世界的前列？是否会成为一个竞争者呢？我的观点是，它现在仍是一个有利的竞争者，但要说领导者的话，从我的经验和现在得到的信息来讲，还太远。因为一个行业或者一个企业能在世界上做到领导的位置，领先其他企业的发展，它需要一个综合的因素，比如市场的因素、技术的因素、人员的因素，还有各方面的因素等等，在这些因素上中国其实在某些领域还是有些欠缺的。
说回到人工智能，去年很多外界的媒体和产业人士说在人工智能领域，中国可以实现弯道超车。但是对于我这样一个从传统的银行业出来，到大数据公司，现在转向人工智能领域的创业者来说，我们最大的感触是，在技术领域，特别是在创新型技术领域，中国的公司发展比国外要艰难。
为什么呢？在硅谷，很多企业的创办初衷很简单，就是几个技术能人在大公司有某个技术路线没有被公司采纳，他们就出来了，然后继续用他们原来的技术路线去发展，创办了新的公司，最后他们会面临两种命运，一个就是被收购，他做的非常好，比大公司做的好，于是就被Google、Facebook收购了。第二个，就是他自己变成了独角兽，并且成功上市了。
但中国的创业企业都面临一个问题，什么问题呢？你被收购的可能性很低，你只能靠自己的IPO上市。这样的话，在创业的过程中，也许你已经完成了A轮、B轮、C轮……但是三年之后呢，你就会被压上一个特别大的紧箍咒，要谈收入。所有创业企业都要关注我怎么样才能提高自己的收入，怎么实现盈利，怎么让我的财务报表做的好看，最后我再上市。这是中国所有创业企业都面临的一个特别大的问题。
而在美国，纳斯达克也好，或者美国的股票市场也好，你不需要盈利，你只需要把你的故事讲好了，你只要把你的发展前景讲好了，照样可以上市，照样可以得到资本的注入。所以这两个资本市场是不一样的。
美国有一个特别牛的公司，3000多亿美金的市值，叫亚马逊，它上市17年都没有盈利。你想想在中国一个上市公司它如果连续3年都没盈利的话，就基本上被摘牌了。而亚马逊在美国上市之后，连续17年都不盈利，它照样可以发展得很大，照样可以吸收更多的资本。
所以人工智能也好，或者大数据产业也好，我认为中国是一个有利的竞争者，因为中国的应用场景特别丰富。但是谈到领导者，至少在我的观点中，我觉得还太远，还需要以后靠一些事件，靠一些企业去验证。
方跃：技术是一方面，那么我们产生的数据，相对欧美来说是不是也存在一定的优势呢？
杜宇甫：中国本土的数据在社会上还是比较多的，但是中国的人力成本整体上来看还是稍低一些。今天我们谈到了一个话题，就是互联网其实是产于国外，产于西方的，然后在中国这片土地上发展的比较迅猛。我比较赞同鲍总的观点，就是我们并不是领导者，但我们是一个强有力的竞争者，未来也有可能在这个弯道进行超车。
可以看到，今天从技术的角度来说，我们还有很多的地方没有去突破，没有太多的创新，目前大部分所谓的领先技术或是大数据，提出方都在国外，但是我们也看到很多华人在里面起到了很重要的作用。
然而事实上，也有很多东西在中国的确是绽放出了它的光彩，比如电商。国外也有电商，但中国电商发展得非常迅速，以至于超过了国外，这跟中国整体环境与西方环境的差异也有关。对于接下来的人工智能这盘棋，中国是否能超车也好，还是说能够有自己的一些东西也好，我个人还是比较看好的，因为在中国的整个经济环境和它的社会机会，以及基础设施上还是有可能成为领导者的。
徐冰：现阶段我也同意刚刚鲍总说的观点，其实中国是有机会去一搏的，也就是有机会实现弯道超车，因为它有几个现存的前提，或者说现阶段的优势：
第一是人才。我们现在看到的一些比较著名的深度学习模型都是中国人做的。目前国外很多大公司例如微软、Facebook等，他们的很多技术人才都是中国人。
包括在读的博士，或者已经陆续毕业的博士里，不管是在中国还是国外，其实相当一个比例全部都是中国的学生。因此从人才角度上来说，我们并不缺少能够做人工智能算法的人。
第二是数据。我刚刚也讲了中国14亿人口，每个人都是数据的生产器。在移动互联网时代，其实中国发展的非常好，甚至像微信等这些产品做得比国外还要好，并且在一定程度上汇集了大量的数据。此外，这些企业之间的合作以及跟政府之间的合作，说明大家对数据都抱有一个比较好的心态。另外在隐私问题上，国内比国外要开放很多。在美国，甚至在香港，我们仅仅去采集人脸照片都是违法的。因此在基本的数据源这个环节上，中国就有很大的优势。
第三就是基础环境。中国的发展非常快，大家想尝试新东西的意愿非常强，很多产业本身也有这样的需求。以金融为例，为什么国内互联网金融发展得这么疯狂？但是在香港却没有多少互联网金融的业务呢？香港本身银行的网点就非常多，基础的服务已经很完善了，因此人的需求没有到那个点。在国内我们说普惠金融，但是对于农村这些偏远地方来说，去银行办业务需要两、三个小时的路程，所以本身有这样的场景和需求。
有这三个环境摆在这里，不管是政府层还是企业层，只要找对投资方向，完全是有机会的。
但是我也看到一些现象，比如现在做深度学习研究的，一个典型的需求就是你要有基础设施。第一个建成深度学习训练基础设施的是百度，反而不是Google，Google是在百度之后才建的。可惜的是后来百度建深度学习的负责人去美国自己创业了，这是后话。
其实，在基础设施层有一个不好的现象，现在国内的企业很多开始依赖于国外发出的开源的这些算法框架，这就相当于在大家造基础设施的阶段，你偷了懒。
国内的操作系统专家是教你怎么用操作系统，但是国外的操作系统专家是教你会手写操作系统，这两个完全不一样。就现阶段而言，我们应该在基础设施层加大重视和投入，但是这些投入早期都是烧钱的，仅能看到短期的效益和回报。但是经过五年或者四年左右的时间，你往后的发力就会非常快。因此就要看你有没有这个强烈的意愿能够静下心来投入到基础设施层。
坦白讲，很多国外开源发出来的东西都是过时的版本，都是有了新版本之后，再把低配版本发出来。如果中国的人工智能一直依赖于国外开源出来的低配产品来做，我们将没有机会实现弯道超车。
方跃：刚刚我们前面讲到了IBM、贝尔实验室，当然他们现在也是因为成本的压力，业务的压力，完全放弃了基础的研究，不养数学家，不养物理学家了。我记得当年我到美国的第一个暑假的假期工作，去的就是GE。在那个年代， GE就已经开始做这种转折了，就是放弃养纯数学家、纯科学家。当时我去的时候，他们给这几百个科学家两个选择，要么你留下转型成为应用科学家，就是跟GE的直接业务相关的，否则就请你离开。因此很多科学家干了一辈子，却突然失业了。
所以大家看到很多新的项目都是从公司层面发起的，而不是完全从国家或者是大学来的。大家谈到这就是烧钱。你要想做这个，你就得真有钱，要不然你是没法做的。
最后一个问题，大家比较感兴趣，人工智能走到今天是不是会威胁人类？会不会像电影里的恐龙一样，它虽然是人类的基因培养出来的，但笼子没关住跑出来了，最后人也控制不住了。这一天会不会发生？这种趋势会不会存在？我们做人工智能，对这方面是怎么看的？
徐冰：人工智能恐慌论，其实是在前两年由包括霍金在内的一些非常著名的学者提出的。这里面本身蕴含的一个底层原因，是我们在做深度学习算法的时候发现的，我们发现人工智能学出来的一些东西，有时候我们理解不了，甚至超出了我们原来对它的预期，比如说下围棋，AlphaGo走某几步围棋的时候，这些围棋的选手是不理解它为什么会下这步棋的，以为是错棋，或者是Bug。
评论人认为AlphaGo在比赛的时候有几步实际上是处于劣势的，但是AlphaGo内部表示，它在所有下棋的环节中，下的任何一步棋都不影响我要赢的概率。所以这里面有很多已经超出了人的理解，我不知道你为什么会做这件事情？所以这里面反映出来的是一些算法层面的东西，我们人有时候控制不了这件事情的发生。
坦白讲，在短期来说，我们看不到任何一家公司有能力造出那样一个大而全的人工智能。我以前看过一个例子，就是一个机器人保姆，在看护婴儿的同时，还在煮饭，做烤火鸡，因为那天是复活节。再切换画面，这个机器人保姆把烤火鸡放到了婴儿床上，这里机器人就犯了一个错误，它把烤火鸡识别成了婴儿。之后婴儿会发生什么事情就不讲了。
这里面也存在一个安全问题，但是这个安全问题往往并不是因为机器导致的，有的时候有可能是因为人导致的。比如讲现在机器人为什么进不了家庭？为什么不能看护老人？现在从安全角度，有人如果操控了你的机器人，他可以操纵它做任何事，甚至把你的生命维持器都拔掉。
所以单纯从算法角度，从现在我们在做研究的这些人的角度上来看，我们没有任何理由去把机器人的算法往坏里做，往不可控的方向去做。但是坦白讲，这件事情也不是所有企业都可控的，总是有一些人有不一样的想法，这就是为什么美国成立了一个AI联盟，让 Google、微软这些巨头企业聚集在一起探讨，从安全角度，从伦理角度上，我如何控制现在领先的技术发展？这里面其实人为因素还是扮演着比较重要的角色。
杜宇甫：刚才也聊过这个话题，AlphaGo去下棋，后来它赢了，但是它有很多局限的部分。比如说如何羞辱一个机器人？你可以拿一只既像猫又像狗的狗，来问这个机器人，你说这是猫还是狗？对于一个两岁小孩子而言，他一下就能看出来，但对这个机器来说，它要调用好多之前学习过的图片，它要用很漫长很深度的算法，才能给出结论。
因此对机器人来说，对我们来说，它的发展需要一个阶段，但我不认为机器可以毁灭人类。因为在人类发展的历史过程当中，我们可以普世地去看，各种技术都是辅助人类做一些新的事情，从最开始的钻木取火，到今天的互联网基因革命，以及AI都是帮助人类来前进的。
但是我们反过来看到另外一个话题，它在无痛地截肢人类，我觉得这是一个很麻烦的事情。比如说在一百年前人类发明了马车，使得双腿开始变得无力。自从有了电脑之后，人类的记忆开始逐渐地下降。对我来说，我的手机现在可以记录电话号码，我基本上不会去记任何人的电话号码了。
我曾经看过一个调研报告，将这几年的出租车司机大脑和以前的出租车司机大脑对比来看，现在的出租车司机的大脑在逐渐的退化，他不会去记录现在的路况和路境，全部都交给了手机去做。人工智能未来代替的是人类的智能，我们的身体在不断地退化。现在来说，AI是提供了种种的判断资源，让你来进行判断。
下一步，AI将帮你对小事情进行判断，然后大的事情由你来决策。等到最后可能是由AI来帮你做出一些大的决策，这时候你可能会变得更加无力。那么我们应该怎么去应对这个问题呢？我觉得这是一件很重要的事情。可能你作为一个企业的老板，你说下面我要这么做，但是机器人告诉你要那么做，然后还举出了一大堆的例子告诉你，你是错的。在这种状态下，我们该怎么跟机器相处？我觉得是一个更值得思考的话题。
鲍忠铁：所有的新鲜事物刚出现在这个世界的时候，都会存在争议，它到底是利还是弊？十多年前的干细胞研究就是用于人体器官的培养，后来发展到克隆人，最后各个政府统一口径，克隆人是违法的，不允许任何研究的机构公开或者私下做克隆人的研究。这个人体干细胞在克隆人上就截止了。
AI也是一样。整个硅谷目前AI具有三大趋势，第一是深度学习，第二是聊天机器人，第三是无人驾驶。但是目前美国的监管机构和司法机构已经瞄准了无人驾驶，他们要去监管。为什么呢？这里有这样一个场景，当一个无人驾驶的汽车行驶在道路上，碰到一个闯红灯的老人，只有两种选择，第一选择是撞了这个人，因为他违反交通规则了。第二是它要保护行人，然后旁边就是悬崖，他只能开到悬崖里，但这样的话又伤害到了它的驾驶员。
AI在做这种判断的时候，与常人的判断标准是不一样的，有的人牺牲自己去救这个老人，对面如果又开来一辆大客车呢？大客车上面有50多位学生，他会牺牲这个老人还是牺牲这些学生？人会做这个判断，但是AI不会。在这种情况下，AI到底怎么抉择？是否违反道德违反法律？这是大家讨论的问题。
回到这个问题，AI到底对人类有害还是无害？在政府监督的情况下，或者在统一管理的情况下，包括这个AI联盟，它未来是无害的。但是如果这个联盟不奏效，任由AI自由发展，然后某些黑客自己做一些算法，专门抢别人的账户密码等等，这种情况下对人类就是有害的。
至于到底有没有害？坦白说，从西方的观点看，有害是大于无害的。我们可以看到10多年前的电影，20多年前的电影，斯皮尔·伯格导演的《人工智能》，包括后来的《机械姬》，还有《未来战警》，这些电影都告诉大家一个客观事实，就是AI的发展，或者智能的发展，或者智能机器人的发展对人类社会的影响，都是弊大于利。
方跃：谢谢三位。下面我们把剩下的时间留给听众，大家看看有什么问题可以提一下。
提问：我以前也是做机器学习的，我比较同意鲍总的意见。人工智能的利或者弊都是取决于我们人类的人性。我们人性有光明的地方，也有黑暗的地方，如果光从技术来看的话，很可能它就是脱离了我们人类道德社会的范畴，从哲学上就犯了形而上学的错误。所以我们也应该在道德的背景下去考虑AI的问题。把这个问题归结为一点，就是AI的发展，是不是可以在某种阶段上进行立法化，这种立法是不是应该基于我们道德的认识？
鲍忠铁：简单说，无论是火药的发明也好，还是演化到后面的原子弹、中子弹、氢弹等等。还要从历史来看，过去人类每两三百年发生一次战争，第一次世界大战到第二次世界之间仅相隔了四五十年。但从第二次世界大战到现在，已经将近60多年相安无事了，因为大家都有核武器了，你也打不了我，我也打不了你，互相制衡，从武装的角度来说，因为火药引进成武器，国家之间才得以制衡。
从AI角度来说，同样也需要这种制衡，没有任何一个势力，或者任何一个神人，可以决定AI的动向，顺带决定人类的命运。机器人的三个法则围绕着一个前提，机器人永远不能伤害人的生命。所以三大法则告诉我们，必须在人类监管的情况下，AI才能走向人类希望走的那个道路。所以说AI立法是必须的，只不过到现在为止我们还没有达到那个条件，因为想要立法的话，需要很多很多的条件，很多很多的场景，所以现在还没有达到那个条件。包括我刚才提的干细胞、克隆人的例子，只要到了道德和法律的争议点的时候，自然而然就会立法了。
提问：您好，方教授我想问一个问题，我们公司是专注于做薪酬决策的，一种是给企业做内部的薪酬绩效，另一种是开放给C端。我看到你前面PPT里有讲到智能同步，它是用在财务方面的。
而我们的人力资源应用，它开放给用户，用户的参与越多，我的数据模型增长的量就越快，一年的决策量大约是在2800亿次的规模。目前我们自己已经投入了6年两万多个小时，我就想了解一下美国有没有类似的或者相关的案例？或者您听完我的描述，你脑子里面的第一印象是什么？
前面用户都在讲，以后人工智能的发展是否会影响我们的饭碗？到底是好事还是坏事？我们不这么看，我们就看宏观和微观，如果我是一个双教育背景，三个专业的人，能够引领人工智能普及到大众的话，它是非常有利的，对教育、人力资源和企业服务，刚好是三个圈圈的焦点，非常独到。
我就想问一下，国外有没有类似的行业应用？因为人工智能应用在一个有边界,且范围非常明确的情况下，比如说金融领域，它是没有门槛的，但是如果应用在有摩擦的情况下，它会考虑到人和社会的变化，心理的素质等等，这个时候有很多不可控的因素在里面，对我们来说相当于是一个门槛，能够把我们的竞争对手给屏蔽掉吗？谢谢！
方跃：现在的应用场景还是很多的，如果从概念上讲，你需要数据。客观来说这里面还有一定的规律。如果有这两条的话，你通过数据分析，实际上还不需要走到智能那一步，采取传统的数据分析就能够挖掘出来很多的规律，这些规律往往是单纯靠我们的经验和传统判断无法实现的。
大数据分析就是一个所谓的个性化产品，这个个性化现在在各个领域都有很广泛的应用。比如教育行业，现在从小学到大学，包括我们中欧的教育，基本上是很难个性到每一个人的，我们的同学，他们每个人以前学习的专业不一样，有的学管理，有的学计算机，差距很大。工作十年，行业也完全不一样，可能我就是搞财务的，有的是搞技术的。
当落到中欧以后，第一年大家基本上都是被迫去修相同的课程，所以这里头差距非常大。我曾经搞了十几年的财务，你非要让我读基本财务，那是让搞计算机的那些技术人员学的。要解决这个问题，当然要了解每个人的需求，从现实中怎么来实现？这种时候就需要智能机器人了。
美国大概是去年还是前年夏天有一所大学就做了这个尝试，在选修课的时候，暑假不需要去学校，每天你做作业，老师会给你一些问题，你看你的书，到时候去考试就行了。当然只要你发了邮件，老师也会回答你的问题，但是你看不到这个老师，也不需要视频。一个暑假过完以后，这些学生会收到学校发来的邮件，邮件中是这么说的：我现在告诉大家，我们整个暑假的课程，200多个学生，没有一个老师，给你们解答问题的都是一个机器人。
它整个过程就是一个完全个性化的过程，换句话说每次留的作业之所以不一样，都是依据你的进展和你上次的理解程度，你上次做作业或者考试错的程度，然后把它个性化的。这个机器人也回答问题，当你给它发一个邮件问它问题的时候，它如果有95%的把握，认为能回答这个问题的时候就会回答，否则的话它会继续问你问题，一直到他弄懂了你的问题为止。如果问3次回答不上来的话，他就说对不起，你这个问题我回答不上来。所以一个暑期下来，没有一个学生知道是怎么回事。这个就是智能机器人现在能做到的。
具体到你那个行业，我不了解哪个产品会到这个程度，所以我没法直接回答。但是从概念上来讲，像我刚才说的只要你有数据，有规律，当你想做这种非常个性化的产品的时候，就会涉及到智能，这些在理论上都是能实现的。
提问：你好，我们是制药公司，也做公司内部知识产权。但是我想问的是，有了机枪以后，大家都在打堑壕战，之后有了坦克，堑壕战就不存在了。那么人工智能如果再往下发展的话，以后企业形态会怎么变化？或者说未来还存不存在企业呢？这将是一种什么样的趋势？请各位嘉宾给我一点提示。
鲍忠铁：不管有没有人工智能，过去几十年的企业发展印证了一件事情，就是产业度越来越集中。过去这个产业里面可能有上万家企业，经过一段时间发展之后只剩下几千家，再经过一段时间发展只剩下几百家，或者只剩下几十家。所以说人工智能只是强大科技力量中的一部分，未来世界产业的发展，包括中国也一样，中国的产业集中度其实是落后于美国的。对企业来说，未来所有产业都会面临一个问题，那就是集中化。如果你的企业在这个产业当中没有领先的优势，不利用科技，不重视人才，不重视数据，那么你的竞争力就会下降。
杜宇甫：我简单地从两个方面回答你：
第一是关于企业，我很赞同鲍总刚才说的，因为自从有了大数据，有了互联网，才让企业的所有东西都缩短了。比如有了互联网的购物，有了电商之后，它把货架变的无穷大，人们如今购物已经没有障碍了。未来在不同的行业当中，将会仅剩下一两家巨头，我觉得这是一个发展的趋势。
第二，刚才鲍总在演讲中也提到了，神人算法和普通人，我之前看过那本书，叫《未来简史》。工业革命创造出了有产阶级和无产阶级，对于个人来说，未来可能就是人工智能会把人分为有用阶级和无用阶级。
我看到这个观点之后，也对这方面进行了反思，我觉得说的还是很有道理的，一些低级的工作将会被机器所替代。
方跃：当无用阶级也挺好，有用阶级养无用阶级。
鲍忠铁：你要在10%的里面是OK的，但是你如果是那50%的人中的一个，共同拥有4%的财产的话，就会过的越来越贫穷，政府会保障你生存下来，但是你基本上就类似于一个圈养的生物了。
方跃：最起码没有发言权。随着时代的发展，效率的提高，一个人能养那99%的人，那就养着吧，只不过那99个人就真的没有发言权了。
杜宇甫：对，我就是这个观点。
提问：我是来自中欧EMBA2016级北京三班的同学，也是周末刚刚上完方教授决策理论的课。我想代表我们班很多同学问一个问题，因为在我们的班级里，有两个比较大的学生群体，一个来自于互联网创业公司，另一个都是搞投资的。
按照方教授给我们上课时讲的，包括今天论坛上也谈到了，近几十年间我们经历了几个比较重要的阶段，无论是从传统阶段、计算机发展、互联网时代的发展、移动互联网时代的发展，还是今天最主要的大数据的发展，我们都有幸参与其中。但是无论是计算机发展的时代，还是互联网发展的时代，还是移动互联网发展的时代，最初的时候大家都爱谈到泡沫，因为都看不懂。当所有人都看懂的时候，巨头已经形成，你可能会迷茫，会去想下一个时代到底是什么？
此外还有资金的问题，刚才一位嘉宾讲到，中国三年不盈利的话，资本很难去青睐你，无论从创业者来说，还是投资者来说，如果只讲一个偏好的话，你们会给创业者或者投资人哪些建议呢？谢谢！
徐冰：刚刚这位所提到的事情，其实我也有点感触，一个行业刚出现的时候，大家可能看不懂，当然有很多人趁着大家看不懂就吹一些泡沫出来。其实我们看到的确实是这样，因为现在有很多的算法，你可以以很低的价格买到，这些算法很多都是开源的初级算法，经过包装，然后就拿去做融资了。
这些都会涉及到一个环节，你到时候怎么挣钱？你赚钱的时候是持续保持赚钱？继续吹这个泡沫，还是真真正正找到一个模式再去赚？在中国，你很难凭借这么一个AI的故事就能拿到融资，包括我们最早开始做的，也都是算法为主，都是一帮博士在做这个技术，那个阶段真的没有人看得懂。
我们在2014年的时候跟大家讲深度学习，没有任何人能听懂深度学习是啥？甚至2015年都没有人听得懂。大家貌似感觉这是一个很厉害的东西，但是没有人会对这个东西有任何的感知，没有人感知这个东西的价值。
那么在这样一个阶段，企业应该怎么去策划呢？现在的机器人、虚拟现实、增强现实都很火爆，但是你找不到任何一家企业说，我已经有了过亿的订单，几千万的盈利，也不是说超出特别多，但是你至少到达这样的成绩，有吗？其实并没有。
但是一旦这样的企业出现了，你就已经追不上了。实际上在早期这个技术出现的时候，它很容易形成一个效应，所有最顶尖的科学家都集中在一家企业。第二就是所有的资本都容易集中在一两家企业。
坦白讲，这件事情的发生也会比我们想象的要快，当然不是吹嘘，我们去年12月份就公布了，已经获得了由万达投资的1.2亿美金。没有任何人预料到这个行业已经出现了独角兽企业。但我们从真正去做这个技术，这个产业应用，到产生收入，实际上也就是一年的时间，2015年跟大家讲技术，2016年跟大家讲商业。在这个速度之下，已经有非常非常多的人都错过了。
所以这其实还是一个蛮复杂的问题，有的时候我们在这个过程中也是在碰运气。我们恰好是在正确的时间点提出了一个正确的技术方向，深度学习恰好在这个时间点成熟，我们在第一时间没有做任何犹豫转向了这个方向。因为学术界也是有派系的，我在自己的研究方向做了十年，你让我转向一个崭新的技术方向，我相当于要推翻以前的研究方向，很多人是不愿意的。
2012年有一家公司出现了，叫DeepMind。DeepMind最开始是用深度学习去做游戏，Google在2014年用6.6亿美金买了它，这件事情没有人会意料到，2014年没有人看得懂的时候，你花这个价钱买了一个12人的公司，很多人说这个价钱出贵了。
但是Google分析说，全球范围内它发现能做深度学习的人不超过50个人，也就是说可以称得上深度学习专家的不超过50个人，能培养深度学习的人也非常有限。而现在这个阶段，做算法的人水涨船高，刚毕业的博士就能拿到百万年薪，在BAT，大家都在抢这样的人才。
当前这个环节没有足够的人去做这件事情，所以很快也会形成一个效应，一家公司集中了所有的人，而且可能很难出现第二个这样的公司。不要说百人的博士教授团队，就连20、30人可能都很难。但是你要说这个现象会不会持续很久？我相信在今年或是明年，大学里面如果设立了深度学习的专业，那么在4年后、5年后就会有所好转。因为市场有需求，学校开始培养这部分人，就像当时计算机一样，有一段时间计算机系毕业的人就是最火的。可能到后面一段时间就是做深度学习，做人工智能算法的人，比如做机器人的这部分人最火。
大家问现在做这个产业还有没有机会呢，我们发现实际上是有非常多非常多的机会的，因为这个产业非常巨大，它影响到的行业覆盖面很广，机会在哪？其实不是在算法上，算法上的机会非常有限，基本上核心算法的人才都被垄断掉了。机会是在应用端的。
未来不管是国内还是国外，都会有那么一两家公司专门提供算法，我完全可以不做算法了，买来之后直接做应用。在这些应用环节上，其实还有大量的机会，但我不敢说是创业的机会，还是投资的机会，现阶段，甚至2017年都会出现。因为已经有人持续比较稳定地输出好的算法了。
方跃：投资本身有风险，这是毫无疑问的。等你看到什么风险都没有的时候，这个机会肯定就丧失了。
所以又回到这个问题上了。你这个技术是不是只是一个临时的泡沫？还是真有可能带来价值和一个应用场景？最后它是不是真能为经济产生某种价值？最早的计算机就是为了科学计算，当时一个大的问题就是，有多少进行科学计算的人需要把一台机器摆在家里？你有那么大的运算量吗？而且这个非常专业，因为当时要写代码，所以就非常之难。如果计算机当时只停留在这个位置上，我想也确实没有太多的发展前景。
苹果刚出来的时候，他都搞不清楚这个计算机有什么用？但是他提到了一点，我的计算机设计一定要漂亮，要时尚，所以这个东西摆在桌子上最起码是个艺术品，有没有用以后咱们再说。所以说，一开始我们都会遇到这么一个问题。但是像人工智能，如果大家看到它具有很强的应用场景，那么自然它会有非常广阔的天地。确实最开始的那几个基础研究，是需要大量投入的，这个并不是谁都做的来的，但是把这些已经成熟到一定程度的技术深入到应用中，去搭建的这个过程，应该说风险会相对小一些，而且效率可能回报得更快一些。
鲍忠铁：我简单回答一下，投资人也好，创业者也好，其实最主要是看人。我也认识很多投资界的朋友，也看了一些文章，包括我们自己的团队，我们会遇到这样的一个问题。具有很高能力的团队，它会把很差的商业模式做到很好。但如果这个团队不行，或者人不行的话，也会把很好的商业模式做得很糟，于是就丢掉了那个风口。
所以投资人也好，创业者也好，其实最终都是在看人看团队。
杜宇甫：年前的时候，摩拜单车老大说了一句话：“如果我很赚钱的话，还要投资人干吗？我傻吗？”所以说在任何一个行业和任何一个公司最先起步的时候，总是存在那么多看不清楚的东西，但是有些东西是可以看清楚的。比如说这种技术是不是一个正在发展的朝阳性的技术？第二它是不是一个真正为社会解决问题的行业？第三今天80、90后占据着整个市面，是团体当中真正蓬勃发展的一代，这些人他们具备的知识体系和他们的状态是不一样的。
团队刚才也说了，我比较赞同的一点是，人真的非常非常重要，人很重要，机器次之。组织结构也非常重要，他是不是一个自下向上管理的，每个团队每个人都能发挥自己价值最大化的一个团队。此外，组织的结构形式也是非常重要的。
提问：我想问徐冰老师一个问题，在应用领域上，我们都知道金融和医疗的摩擦系数比较小，但是我们实际在操作这个医疗项目的时候，会发现医疗方面的数据壁垒比较多。所以您觉得摩擦系数小，小在哪？怎么样去解决医疗方面的这些问题？谢谢！
徐冰：谢谢，那我就根据我们目前在做的医疗这一块的一些阶段性的研究成果来跟大家做一个分享。大家都知道医疗产业的前景很大，但是现在我们遇到了一个比较大的问题，就是没有非常非常专业的人来给你标注这些数据。在和大型医院合作的时候，其实对方可以为我们提供很多的数据，但是这些数据没有足够有经验的医生给你标注出来，这个区域有病，那个区域没有病，而这恰恰就是做深度学习的基础环节，你要先教给这个机器这是正确的样本，那是错误的样本，它其实就是一个分类问题。
目前这个环节需要人先做一些工作。就相当于教你走路一样，要把这个东西标完。我们现在做一些简单的算法时候，比如人脸识别，也需要标注人脸数据，但是你随便找一个大学生都可以标，不依赖于特殊支持。而医疗数据不一样，因此这也是我们目前遇到最难的数据的结构化标准。同时，中外还存在比较大的差异，国外西医相对来说体系比较完整，所以它的结构化数据要多一些，包括病历在内也相对比较标准。但是在国内，我们能够找到的已经结构化好的，可以直接经过一些初步处理之后就拿来做学习的数据还非常非常少。
对于一些疑难杂症，可能全国的专家也就是那么十来号人，你让这些专家利用日常的时间帮你标注这个数据，让他标注这个区域是什么样的病，具体的指标给你标出来，这是不现实的。我们现在只能做到，一张照片是有病，一张照片是没病的，相当于只有一个标签，然后拿着这个标签去训练。机器也能够达到相对80、90%的准确率。
也就是说你给我一张你拍好的CT片，你问我你有没有肺癌？我可以告诉你有百分之多少的机率有，这个正确率当然有待改进，但想要改进，就需要你标注更多的信息，然而这些信息如果没有医疗方面的常识，是没有办法做到的。
目前想要在中国做智慧医疗，从数据层面上来讲，不光是医院可以帮你提供，现在很多做远程医疗的企业也都可以提供。因为所谓的远程医疗就是二三线城市没有这些专家，我把二三线城市的人拍的CT片，传到一线城市专家的电脑里，让他去诊断，然后把这个信息反馈回来，这是最简单的模式。我们可以接触到很多二三线城市拍的数据，然后也能拿到一些一线城市专家的数据。
所以说在智慧医疗的初级阶段，我们还是比较有优势的。而当真正落地下来，比如像SaaS服务一样，皮肤癌只要拿手机拍一下，就可以做一个基础诊断。
另外一个建议，大家可以看看国外的案例，国外本身在数据上就有一些比较明显的优势。现在很多的智慧医疗已经公布出了研究成果，比如哈佛、斯坦福等等。因为本身他相较国内而言已经提早打通了在数据端的闭环，所以他在做算法的时候，都是同样的算法，就是深度学习。网络结构上稍微做一些创新，能够更好地适配这个数据就可以了，性能上很快就可以做到一个相对来说比较合理的指标。
本次活动其他演讲嘉宾：
中欧国际工商学院经济学与决策科学教授 方跃
360大数据中心副总经理 傅志华
京东万象总经理 杜宇甫
TalkingData首席布道师 鲍忠铁
天云大数据CEO 雷涛
商汤科技联合创始人 徐冰
注：以上所有内容由数据猿编辑整理并发布，更多内容请关注数据猿获取实时动态。
后续数据猿将推出《中欧微论坛|数据猿·超声波》精剪版视频演讲，敬请各位期待！
—活动宣传片欣赏 —