「人工智慧將重構幾乎所有行業」

人工智慧發端於上世紀五十年代，經歷了幾次繁榮與低谷，到2016年谷歌所收購的DeepMind公司的人工智慧AlphaGo贏得與世界圍棋冠軍的比賽，大眾對人工智慧的熱情被重新點燃，並且持續升溫。催生這波人工智慧熱潮的原因是產業發展的三個重要因素：超大規模的計算能力、大數據、機器學習尤其是深度學習演算法都取得了進展。

人工智慧正在並且將對商業社會產生怎樣的影響？我特別訪問了對現代人工智慧產生深遠影響的科學家于爾根?施米德胡貝教授（Jürgen Schmidhuber）。施米德胡貝教授實驗室在20世紀90年代初提出的一種叫「長短時記憶」的深度學習演算法（LSTM，Long Short-Term Memory）極大影響了深度學習和人工智慧的發展。DeepMind公司的聯合創始人之一也是他的學生。2014年，施米德胡貝教授創立了研究人工智慧的NNAISENSE公司（與DeepMind類似，方向都是通用人工智慧）。所謂通用人工智慧，是人工智慧的終極發展目標。相對於弱人工智慧（僅能解決某一方面專業問題的人工智慧）而言的，通用人工智慧通常指能夠解決不同領域中各類問題的人工智慧，並可以像人類那樣學習、決策和反思。

深度學習演算法的應用

施米德胡貝教授很高興的看到，目前數十億的用戶都在使用基於LSTM演算法的應用。目前市值最大的幾家上市公司：蘋果、谷歌、微軟和亞馬遜都在大量的使用這種深度學習演算法為用戶提供各種服務。例如，自2015年以來，LSTM演算法減少了49%的語音識別錯誤，極大改善Google語音識別功能，目前有超過20億部Android手機正在使用這項功能。同時LSTM演算法也顯著改善了谷歌翻譯的效果。蘋果公司的Iphone、亞馬遜的語音服務平台Alexa、百度和微軟也在使用LSTM演算法。此外，深度學習技術在其他領域也有廣泛的應用，比如LSTM還可用於識別視頻和手寫輸入、控制機器人、分析圖像、總結文檔、運行聊天機器人和智能個人助理系統，預測疾病、用戶點擊率、股票市場和大型工廠中組件故障。人工智慧將在醫療保健、工業、金融、法律等行業衍生出無數的應用。

哪些行業正在或即將被人工智慧改變

長遠的看，施米德胡貝教授認為人工智慧將重構幾乎所有的行業。

而就目前所知，人工智慧已經在醫療保健、金融、傳統行業的不同領域有所應用。其中廣告可能是受影響最大的行業，已經受到通過谷歌、百度、亞馬遜、阿里巴巴、facebook和騰訊用戶數據模式識別的巨大衝擊。

醫療保健行業也是目前受到深度學習演算法影響的行業之一。據世界銀行數據，全球醫療保健開銷佔全世界GDP的10％，而其中至少10％也就是大概千億美元用於醫療診斷，如癌症檢測、動脈斑塊檢測和X光片檢查等。龐大的市場吸引了很多創業公司以及IBM、谷歌等大公司嘗試通過人工智慧改善醫療診斷。通過人工智慧輔助醫療診斷不僅可以節省數十億美元，而且可能幫助許多目前無力負擔專家診斷的病人。由於人工智慧的應用，人們將會活得更長久、更健康。

2012年，施米德胡貝教授的團隊採用深度學習演算法贏得了乳腺癌識別檢測的比賽。這是深度學習第一次贏得醫學影像競賽，通過這種方式檢測癌症。通過快速神經圖像掃描的方法比以前的方法快了1000多倍。2012年，相同能力的計算機比現在貴10倍，也就是說，今天，人們可以用同樣的成本計算10倍的神經網路和數據。由於每隔五年計算成本就會減少90%，自上世紀30年代第一台計算機問世以來，基於這個規律，75年後的今天，同樣價格的硬體比當年的計算能力高出百萬億倍。按照這個規律，不遠的未來會出現與人腦計算能力相當並且在經濟上可負擔的設備。因此，施米德胡貝教授判斷未來通過神經網路進行的醫療診斷將遠遠超越人類。

NNAISENSE是施米德胡貝教授在德國和瑞士的學術實驗室的一個成果，這個名字的含義為：基於神經網路的通用人工智慧（NNAI）的誕生。這個公司的5位共同創始人相信，目前基於LSTM演算法的商業成功只是開始，通過元學習、人工好奇心與創造力、優化搜索程序和大型的強化學習神經網路的新變體，這樣一個通用人工智慧將會影響到每一個企業，最終超越人類。

目前這個公司的商業模式是：和不同的行業合作夥伴合作，為他們設計解決方案，在這個過程中，NNAISENSE基於神經網路的人工智慧學到新的技能，從而逐漸成為更加通用的問題解決者。最終使命是創造一個能夠持續在舊技能基礎上學習的新技能的通用人工智慧，最終學會更快的學習新技能。其中一些解決問題的技能是被AI自己通過人工好奇心發明出來的（施米德胡貝教授曾在1991年提出關於人工智慧好奇心與創造力的理論）。

NNAISENSE公司與世界最大的鋼鐵製造商安賽樂米塔爾（Arcelor Mittal）合作，採用深度學習演算法提高了鋼材缺陷的檢測效果。通過神經網路學習的方式分析相機拍攝的鋼產品的照片，比傳統的方法更準確和高效的評估鋼材質量。人工智慧這種模式識別的能力還可以應用到上千個產業中。

Quantenstein是NNAISENSE與德國基金公司Acatis的合資公司。Quantenstein使用機器學習來選擇股票和管理投資組合。Quantenstein新基金的目標是，在一定程度的波動下，取得高於MSCI世界指數3%的收益率。在從2006年1月開始的測試，Quantenstein獲得了高於MSCI世界指數5%的、年化12%的收益。Quantenstein與市場上其他基金的主要區別是：整個系統由人工智慧端到端驅動，沒有人的參與，人工智慧得到公司的基本數據以後，系統會給出投資組合及權重，並且系統會定期調整投資組合。傳統的長期價值投資系統，通常能夠進行價值投資的第一階段：選股。第二個階段還是需要用馬科維茨或者其他方法來確定投資組合中不同的權重。而Quantenstein的投資系統已經通過機器學習學會了第二階段，實現給定風險目標前提下的收益最大化。除了在智能投顧領域，人工智慧在金融產品營銷以及金融安全保障領域都有應用。

NNAISENSE最近還與大眾奧迪合作，製造了一款能夠自動停車的小型車。與其他自主駕駛汽車依賴激光、雷達等感測器根據預定參數尋找方向所不同的是，該系統使用攝像機來學習如何自行駕駛。

在實現通用人工智慧這一目標的過程中，NNAISENSE與各行業合作研究不同的問題，以測試在建系統的不同方面，並且為正在進行的研究計劃提供必要的洞察。儘管金融行業和汽車行業面臨不同的挑戰，但是，在這些看似不同的領域中，也存在一些共同的基本原則，兩者都需要通過基於高維度的數據來學習預測，並且學習根據這些預測去做出正確決策。

人工智慧並不是一個獨立的技術，而是結合各個行業的大數據應用到各個具體任務中的一系列技術。短期內，施米德胡貝教授很難確切的預知哪一個行業在接下來會經歷類似廣告行業的變化，也因為在很多領域例如保險、自動駕駛和醫療保健以及其他行業中還存在各種法律和道德方面的障礙。

施米德胡貝教授認為B2B是比較適合現階段商業人工智慧發展的模式。隨著最終目標的實現，AI可能會越來越多的B2C，但是目前階段為了更好的發展，B2B提供了最大的機會，因為某些大型公司擁有有趣的專業方面的大數據和富有挑戰性的課題，有助於令人信服地驗證AI的進展。

人工智慧與機器人結合的未來

現階段孩子甚至某些小動物比最好的自學機器人還要聰明。但是施米德胡貝教授認為，不久之後，人類將能夠製造出基於神經網路的AI機器人，通過逐漸學習，至少會像小動物一樣聰明，好奇並富有創造性地不斷地學習、計劃和推理，並將各種各樣的問題分解成快速可解決（或已經解決）的子問題。

一旦動物級的人工智慧可實現，距離實現人類AI的進程將進一步縮短：發展智力需要數十億年的時間，但相對的，只要數百萬年便發展出人類。技術演進比生物進化快得多，因為遭遇死胡同的速度要快得多。也就是說，一旦我們有動物級的AI，幾年或幾十年後，我們可能會有人類級別的AI，屆時每個企業都會改變，所有的文明都會改變，一切都會改變。

歐洲學術實驗室在人工智慧研發方面仍具優勢

談到十年內將出現什麼樣的突破性技術，施米德胡貝教授認為突破性技術具有不可預測性，目前看來，關於人工智慧和神經網路研究的大多數基本突破都是發生於上世紀規模不大的歐洲實驗室，而非公司，在未來，歐洲的小型學術實驗室依然具有科研上的優勢。但他同時認為，美國和中國的互聯網巨頭在技術的市場化方面取得了巨大成功，最終使得相關技術被數十億用戶使用。

AI在中國的優勢

施米德胡貝教授看到中國相關產業正在迅速發展。中國既有人工智慧和深度學習方面的優秀人才，也有相應的投資，因此在進一步發展人工智慧方面中國將發揮非常重要的作用。與此同時，對於近兩年高速發展的人工智慧行業，他並不認為行業存在泡沫，相反的，在他看來人工智慧行業剛剛開始。

來源：FT中文網

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！