摘要：「認知智能就像人類大腦一樣，感知智能就像眼睛、耳朵、鼻子一樣，最終 AI 實現需要認知智能和感知智能的打通。」

張鵬：我覺得現在的 AI 還是要開更多的竅，人身有七竅，AI 只有視覺、語音等一兩個竅是不夠的。

吳明輝：是的。認知智能就像人類大腦一樣，感知智能就像眼睛、耳朵、鼻子一樣，最終 AI 實現需要認知智能和感知智能的打通。人類之所以成為智慧物種，還在於知識。認知智能大腦不僅接入「七竅」的數據，還接入人類的先驗知識，才能實現 AI。

張鵬：目前深度學習不能解決所有的問題，而且它現在還是一個「黑匣子」，是不可解釋的。

吳明輝：對。我們要做的是，結合了人類專家知識和大數據、機器學習和深度學習等技術，打造出一個能夠被人類理解的智能系統，這套系統可以做「AI 推理」，讓 AI 的工作過程可以被人類理解。

張鵬：AI 時代的企業家應該從喬布斯身上學什麼？

吳明輝：蘋果的技術也不是每一項都很完美，喬布斯本人就是最優秀的產品經理。AI 產品經理需要綜合運用感知智能和認知智能的多項技術，根據不同業務場景的需求，去設計人類與機器之間的「人機協同」。當存在技術局限沒辦法精進 AI 演算法時，他要選擇去演進 AI 情商，避免出現「人工智障」。

人臉識別可以幫助破案嗎？

當然可以，我們能將罪犯的五官與嫌疑犯進行匹配、識別，而生活中攝像頭的輻射範圍也到了犄角旮旯。關於這個問題，這是最常見的思考邏輯。

但現實卻困難得多。首先，如果犯罪有影像資料，並非一定有助於識別五官，因為目前市面上 95% 的攝像頭都是低解析度。再者，蓄意犯罪的人大多會進行面部遮擋。

這個難題所代表的正是人工智慧正沿著技術軸心一步步上升時，其在商業中難以真正實現行業落地的困境。目前，對人臉識別及其重視的 AI 公司在技術發展上都取得了不小的成績。Face++聲稱最多可以通過 106 個點實現即便在快速移動的視頻流中，關鍵點依然能完美貼合人臉；百度 AI 平台給出的人臉識別準確率可達 99.77%。但人臉識別最常見的使用場景都需要被檢人的配合：機場排隊進行人臉識別、會議的安檢通道也需要對參會人員依次進行匹配。

當真正有擾亂秩序者出現，人臉識別的安防能力將在哪裡？無人駕駛何時能真正「無人」？翻譯機何時能夠真正代替翻譯？技術樂觀派都相信，只要不斷提高準確率，不斷訓練模型，不斷深耕人工智慧技術，這些問題就會迎刃而解。那時候，人臉識別不會有一點誤差，無人駕駛能識別所有障礙物，翻譯機將是世界公民。

商人身份的吳明輝則不贊成由公司來把技術做到極致。他認為，把技術做到 100%、99％是學校、科研應該做的事，而商業是如何讓 85% 的技術也能實現落地。

用「人工智慧」來扣起人工智慧的商業閉環

回到最開始的問題，這位父親是警察的北大計算機碩士給出了如何通過「85% 的技術」破案的答案，「我們可以把當時的這個人的比如體貌特徵拿出來，比如深藍色的襯衫、短髮、男性、沒戴眼鏡等等。如果這個人遮擋面部，比如帶了口罩跑進商場，換了一套衣服又該怎麼辦呢？這時候按照公安的邏輯推理，是觀察有沒有一個人沒有進去但是出來了。」

吳明輝認為目前 99% 以上的案件並沒有一個完整的高清的人臉識別，但利用數據依然可以破案，只要將人在具體行業中積累的特殊智慧交給人工智慧。他對極客公園創始人張鵬說：「互聯網上的數據非常多，快遞物流、消費記錄、身份信息等等。這些數據如果結構化了應用到行業裡邊，就可以變成知識，知識其實是效率更高的一種數據。比如，這些數據可以在公安情報人員辦案時使用，但這些數據是多元異構，需要有一套接近於破案時大腦思考模式的系統來幫助公安更好的使用這些數據。」

據中國互聯網路信息中心發布的統計報告顯示，截至 2018 年 6 月，中國網民規模已達 8.02 億人，互聯網普及率達 57.7%。其中，使用手機上網的網民數量為 7.88 億人。同時，中國的網路購物和網路支付用戶有 5.69 億人。外賣平台、社交網路、電商平台等應用繁榮的背後，越來越多的數據正在呈加速度累積。

2014 年，斯諾登事件出現後，吳明輝更加確定中國未來一定要有自主知識產權的軟體平台、數據平台。於是，從他的另一家公司「秒針」里調出 20 個人成立了一家能幫助人更好使用數據的公司「明略數據」，用「知識圖譜」的方式開發了全球第一個能做推理的人工智慧引擎「明智系統」，再結合不同行業的數據從而逐步構建公安大腦、金融風控大腦、工業安全大腦。吳明輝介紹說，這個引擎是結合了人類智慧和數據的關聯關係後打造出的能為人理解的知識體系，在這個知識體系的支持下所有 AI 演算法的效率會變得更高。

目前，明略數據已成功服務部分省級公安廳和市級公安局，中國人民銀行、交通銀行、光大銀行等金融機構，中國中車、上海地鐵等行業客戶。

吳明輝坦言，在技術上明略數據可能比不過很多頭部的 AI 創業公司，但其卻可以在真正的行業應用上遠遠跑在多數公司前頭，這背後的原因是他們能針對某個行業去定製人工智慧演算法。他說，絕大多數技術模組，比如做視頻、做語音，我們比他們（指專攻技術的 AI 創業公司）差點沒關係，他們做到 95%，我都不用做 94%，85% 就行了。85% 能幫助公安破的案就比他們多多了。

他認為 AlphaGo 是非常好的一個例子：「如果你不告訴 AlphaGo 一些人類的基本邏輯，它可能就傻算，耗大量的電費，但輸入規則和策略後，就完全不同。」

AI 時代的產品經理

貼近行業還有另一個好處，每天都將有新的數據反哺這個產品。「在設計產品過程中都面對的一個難題，就是一定要形成反饋。」吳明輝拿出了自己的一套產品理論，「廣義的人工智慧就意味著你這個系統可以自我迭代。但這件事情並不是一個科學家就能搞定的事情，因為整個迭代和進步是需要有商業環境的。正是出於這樣的原因，人工智慧的企業跟傳統的企業相比，不僅需要優秀的技術團隊，還要有強大的品牌拓展和營銷能力。」

他解釋說，就像我們給警察局提供的軟體，每天警察都能給到最新的數據反饋，來確定系統輸出的判斷是否有問題。比如，軟體提供的一些嫌疑人線索，最終這些人是不是真的罪犯，警察是會給反饋，而這些反饋數據將能使軟體優化、迭代。

數據對於智能產品而言是重要的原材料。同樣是耳熟能詳的 AlphaGo，其需要從大量的人類對戰棋局數據中學習出何種對弈方式。再者，視覺識別也需要大量有用的數據進行模型訓練。

正因為有如此多不同於市面上其他企業的產品見解，吳明輝將自己自詡為「企業級服務領域裡最靠譜的產品經理」。在他看來，AI 時代需要的產品理念已經與傳統互聯網時代有很多不同的地方，雖然仍有些一脈相承的思想，比如重視所服務行業賽道所對應的成本有多大。

「如果一個產品定義為 AI 的時候，大家對它有非常高的期望，如果有一點差錯，你就會覺得不好。但目前的機器學習幾乎不可能做到生產出完全不出錯的產品。」吳明輝說，「傳統互聯網，並沒有對『完美』如此執著的追求。」

這位產品經理給出了他的彌補方案：當沒辦法精進人工智慧的演算法時，只能選擇去演進 AI 情商，去通過一個巧妙的設計補回來可能出現的錯誤。

當電梯裡面擠滿了人，人會說：「不好意思，我擠一擠」。而機器只能靠 AI 演算法，評估空間大小，從而決定是否進入電梯。如果評估失誤，還可能出現擠壓到人的情況。吳明輝很自信地說，這時候的我們的產品設計是，在進去之前機器會先說「我年紀小，腿腳不靈，給請大家給我讓讓路。」

資本市場似乎也認可了吳明輝的這些策略。今年，明略數據宣布獲得 10 億人民幣 C 輪融資，華興新經濟基金、騰訊產業共贏基金是本輪投資方。而其 2015 年獲得矽谷天堂近億元投資 A 輪融資；2016 年 8 月獲得 2 億人民幣 B 輪融資，紅杉中國領投，分享投資以及矽谷天堂等跟投。

「這些產品想法都是通過燒錢和不斷地踩坑鍛鍊出來的。歷史上我融過投資人的錢也有幾十個億了，如果我從第一天不踩坑的話可能能省出三分之二來。」吳明輝說。不過，明略數據在 AI 領域落地的步伐讓他確定這些錢不是白燒了。■

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！