機器智能3.0的發展史

（O Reilly是最先在這裡發文的作者 。James Cham是我今年的合作夥伴）

如果你對本文中企業這張表所涉及的內容感興趣，請參閱《哈佛的商業評論》The Competitive Landscape for Machine Intelligence）

大約在一年以前，我們發布了年度機器智能公司的landscape，自那以後我們參加了大量的活動。今年的landscape第三次的情形比兩年前的第一次，有更多的公司參加。但是對人工智慧的綜合性更加無益。因為所有的活動都只抓到了皮毛而已。

從過去兩年的情況看來， 我們的基金仍然被最初的機器智能問題所困擾—為了解決從安全性到招聘人才再到軟體開發等領域中35個意義重大的問題，我們已經投資了35家機器智能公司。（我們的基金注重未來的工作，所以有一些機器智能領域，我們比別人投資得更多）

同時， 機器智能的炒作方法花樣百出：「深度學習」這種辭彙等同於代表一系列意義非凡的突破（讓人驚嘆），但是就像 「大數據」一樣只是炒作辭彙而已（不是很好）。我們關心的是創始人是否能用正確的方法解決問題，而不是最花哨的辦法。我們更喜歡創始人使用思慮周到的技術。

去年最大的變化是什麼？我們從不同的人口中得到了inbound inquiries 。關於v1.0，我們從創始人和學者哪兒聽說的簡介都非常獨特。然後，私營和公共部門都出現了一派健康的投資者。現在，我們聽說一些公司以壓倒之勢試圖找出如何使用機器智能轉換業務的辦法。

這是第一次，"一站式"機器智能的堆棧進入人們的視野--儘管是在一兩年後才精美的形式化。堆棧的成熟可以解釋為什麼越來越多的名企更注重創建正統的機器智能能力。任何能隨機應變的人將本能的做出創建收購的決定，因此我們覺得早期對技術的嘗試和鋪設總比不嘗試好。

Ready player world

在遊戲的世界， 我們見過很多看上去令人印象深刻的技術，從 DeepMind 打敗Atari經典，到在世界上最好的OpenAI體育館中，任何人都可以在一系列的遊戲環境訓練智能代理。

遊戲世界為機器智能工作的開始提供了一個完美的地方（例如：限制環境，明確獎勵，容易得到比較結果，看上去令人映像深刻）——特別是強化學習。 在虛擬環境中乘坐無人駕駛車騎行一萬億英里比在真實的路上簡單得多。現在這種技術已經征服了遊戲世界正在往現實世界遷移。一個具有新聞價值的案例是將遊戲測試技術用於真實的世界，DeepMind使用神經網路使得 Google『 sdata centers more efficient。這隱藏的問題是：世界上還有什麼看起來像一個遊戲？或者世界上還有什麼我們能重新配置，使它看起來更像一個遊戲？

早期的一些嘗試很有趣。開發者們dodging meter maids (brilliant—amodern day Paper Boy), categorizing cucumbers, sorting trash, and recreatingthe memories of loved ones as conversational bots. Otto的無人駕駛車， 在他們的第一商業乘坐中運送啤酒， 就像 Grand Theft Auto的獎勵關卡，我們很期待明年會有什麼新的創造性應用。

Why even bot-her?

2016年， 聊天機器人的發布，不論好壞—在IOS和 Android的發布之後我們很樂意看到移動APP的發布，主要平台 （機器智能的案例， Facebook, Slack, Kik）都在競爭，希望程序開發者們能在他們的平台上開發。這就意味著我們將看到更多優秀的機器人， 但是也會有很多劣質的存在 — 這就是公共實驗的樂趣。

危險的是， 不像激增的移動APP（我們對這些產品的能力缺乏期待）假設有一個平台有接近人類水平的交流界面和我們交流。而大部分平台沒有， 這將導致明年的理想破滅，然後大部分平台也會迅速消失。

我們的基金會將如何對待這種新興領域，首先我們將每種技術分為兩種組件：對話式界面本身，幕後代理。你肯定不能只把球僅放在界面層上面，我們花了大部分時間在思考 behind-the-scenes 代理，它能否解決實際意義問題。

很多人質疑是否會有一個自動程序能管理所有的問題，老實說， 在很多基金領域， 我們對此並不贊同。我們當然不會相信會有一個機構甚至是一個界面能管理所有的問題， 目前， 機器人還只是白痴專家：就像恆星一樣是特定的應用程序。

我們已經寫了很多關於這一點，我們用框架思考代理如何轉變CEO以及支持她的員工們的想法。許多財富500強ceo僱傭一個調度程序，處理程序，一個研究小組，編輯，演講，個人採購，司機和專業教練。這些人中的每一個執行完全不同的功能，訪問完全不同的數據完成工作。bot / agent 生態系統中因為有很明確的贏家，他們會沿著這些線劃分非常利索的將類似的職責分離。（請注意，一些CEO 有一個類似參謀長的職位，用於協調所有功能，因此一個界面是有可能管理所有案例的）

在我們的landscape中，一些企業的機器智能功能將重新發明（大部分在界面層而不是會話機器人）

在大型企業中能成功使用機器智能是通過二進位演算法，就像用指頭彈電燈開關一樣。很難做，但是一旦機器智能做到了，整個企業就可以通過鏡頭看到一切程序的潛能。像Google, Facebook, Apple,Microsoft, Amazon, Uber, and Bloomberg 等企業（我們唯一的投資者）大舉押注在機器智能上，並普遍用於他們所有的產品中。

其他公司正在努力弄清楚機器智能能做什麼，正如1997年 董事會處理互聯網能做什麼一樣。為什麼企業將注意力放在機器智能上如此困難呢？ 因為機器智能和傳統的軟體業不一樣。和大數據不同，在哪兒你都能購買一項新功能， 機器智能卻取決於更加深度的組織架構和流程變化。企業需要反覆思考他們是否能信任機器智能的一次性分析，他們能否將神秘莫測的機器智能模型嵌入到核心流程中。團隊需要弄清楚如何測試新開發的功能，應用程序需要的調整。因此他們不止提供了一個系統記錄，還需要請教練學習輸入數據。

不像傳統的硬編碼軟體， 機器智能只給出了概率輸出。我們想讓機器智能基於不完整的信息作出主觀的決定（就像我們信任同事一樣）。但結果卻是，這種新的智能軟體也會像我們一樣犯錯誤，然後我們就需要思考什麼時候可以信任它什麼時候不可以。

要信任這種新型機器的決定還是很困難，也導致機器智能也比傳統的軟體更難落地。有一些人告訴我們說一個企業採用機器智能能否成功最大的預測辦法是， 該企業是否有首席執行官是高等數學學位。這些高管理解的機器智能不是魔術而是（硬）數學。

我們不知道如何區分機器智能的商業模式和有許可證的訂閱軟體之間的不同。不像傳統的軟體，我們仍然無法判定在哪兒部署機器智能的管理框架。正如Ajay Agrawal, Joshua Gans, and Avi Goldfarb這些經濟學家， 已經採取第一步措施幫助管理者理解機器智能的經濟意義、以及預測如何處會最有效。但是現在仍然有很多的工作要做。

在接下來的幾年裡， 危險的不是我們在反烏托邦式科幻電影看到的那樣，機器智能真正的危險是在機器智能的創造能力方面，高管們做出錯誤的決定。

Peter Pan snever-never land

我們一直在思考成為一家大型機器智能公司的成長之路。毫無疑問，已經有很多的機器智能公司被收購（Nervana被英特爾收購， MagicPony 被Twitter收購， Metamind被 Salesforce收購 ， Otto 被優步收購，Cruise被 GM收購，SalesPredict被Ebay收購，Viv被三星收購）這些大多數收購都是發生在公司初創早期。並以非常高的價格，這是為什麼呢？

創立公司並努力弄明白機器智能技術，這個探索的過程很辛苦，因此要賣掉公司就會很痛苦， 但是能使用這項技術，自助式服務的買家市場很小。如果你能了解到到這項技術對企業的增強能力，那麼你就能意識到囤積這項技術的價值。買家對機器智能公司說，把技術賣給其他公司還是算了吧， 因為我將買下你整個公司。

PeterPans說缺乏市場對於正在創業過程中的機器智能公司愈顯艱難，特別是同行技術供應商的成長。我們見過的成功進入正軌的公司，可以為一些企業或者只是新入行的公司把他們的技術打包成一個新的應用程序。（喜歡這種技術）我們標記了一些新的行業類別，我們相信這些創業公司有可能在今年的 landscape拉開差距。

Inspirational機器智能

當我們弄清楚，比起傳統軟體，機器智能能解決更多更有趣的問題。為此我們興奮不已，相信為了利益會有很多人機智的選用機器智能。

正如 Conservation Metrics 和 Vulcan Conservation 等確定的玩家已經使用深度學習保護頻危的動物物種；Thorn的團隊不斷努力提出有創意的演算法技術來保護我們的兒童免受在線欺詐。科技巨頭的慈善武器加入， 使得免費存儲， 計算甚至是開發人員的時間都成為非盈利項目。Google和非盈利組織合作開發Global Fishing Watch 通過衛星實時監測非法捕魚活動，啟動衛星軌道情報的觀測力（我們只是投資者）和Global Forest Watch 合作監測非法砍伐和其他森林退化的原因。創業公司也加入了此次行動， Creative Destruction Lab 機器智能加速器（和我們緊密合作）合作致力於早期疾病和傷害的預防工作。在一些領域，我們已經發現了一些活動， 但是我們更想看到機器智能協助老人的生活。

談到很多人為了利益使用機器智能，引用開源技術起到了關鍵作用。在過去的一年，我們看到OpenAI的啟動， 使得每個人都可以使用世界一流的搜索和環境， 以及TensorFlow 和 Keras越來越好的版本。非營利組織總是想少花錢多辦事，而機器智就能支持他們在不增加預算得情況下擴大任務範圍。這種演算法使得非盈利組織的低成本的規模也能負擔得起。

我們可以發現大學和公司智能庫的成長，例如， AI社會中 USC新中心，人類兼容AI的Berkeley中心，複合公司在AI上學習機器智能幫助人類的方式。甚至是白宮也加入了這次行動中：在圍繞美國進行的一系列研討會以後，他們發表了一篇48頁的報告，概述了他們推薦使用機器智能來安全、公正的解決社會問題。

值得一提的是， 我們還聽到了一些關於人工智慧在手工業的版本。人們用電腦視覺演算法來幫助他們，例如：為高級巧克力選擇最好的咖啡豆，寫詩，煎牛排，生成音樂劇。

好奇的想了解，如果你正著手機器智能的一項獨特或者重要的應用程序，那麼我們很想聽聽你的意見。

Looking forward

我們看到所有的這些活動正在持續加速，世界會給我們帶來更多開源、用於商業的機器智能模塊。還會有更多的數據， 更多願意學習這些方法的人， 更多值得解決的問題。我們正在想辦法多方位的解釋機器智能和傳統軟體的區別。、

代碼的價值和數據不一樣 ， 但是基於那些數據改善的代碼模型的價值呢？一旦我們深度了解機器智能，再回顧傳統軟體的領域，現在發生的一切僅僅只是一個開始，我們很期待明年會帶來什麼。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！