人工智能技術在突飛猛進地發展嗎？美國在人工智能領域的技術優勢是無可撼動的嗎？只會做應用創新的中國在這方面有什麼優勢？
創新工場CEO李開復在自己的新書《AI·未來》中回溯了人工智能技術的歷史，然後，給出了自己的回答。
長久以來，人工智能領域有兩個主要研發陣營：第一個陣營是規則式方法；第二個陣營是神經網絡方法。規則式方法又稱專家系統，這個陣營的研究人員相信，可以通過把相關領域人類專家的知識編寫進軟件，來促進人工智能的發展。比如早年做語音識別和自然語言翻譯的團隊，就請了很多人類語言學家加入。神經網絡陣營的研究人員則通過另一套方法來建立人工智能，他們不追求把人類專家的邏輯和知識教給軟件，而是把大量數據輸入人工神經元網絡，讓網絡自己去學習和識別規律。
舉個例子，如何讓人工智能識別出圖片中有一隻貓。規則式方法會先教會軟件人類的識別邏輯：如果圖片中出現了一個圓形，圓形上有兩個三角形，等等，那麼，這個圖片中就有貓。神經網絡陣營的做法是，把數百萬張標識了有貓和無貓的圖片丟給軟件，讓軟件自己去學習怎麼識別一張圖片中有貓。至於軟件的識別邏輯是什麼，人類不會去管，也沒辦法管。
人工智能在歷史上有過幾次低谷，其實都是因為，兩個陣營的研究人員走入了困境，沒有辦法再實現研究突破。而今天人工智能重新成為大熱領域，跟2006年前後人工智能專家傑弗裡·辛頓在神經網絡領域的突破有關。辛頓找到了有效訓練人工神經網絡中新增神經元層的方法。這項被稱為“深度學習”的技術，徹底改變了人工智能研究。深度學習算法，本質上是“使用大量來自特定領域的數據，為想要的結果做出最佳決策。其方法是讓系統使用這些輸入的數據，訓練自己識別數據和期望結果之間的關聯性。”
李開復說：“深度學習是過去50年來最大的飛躍，這種規模的進展幾十年只有一個。”他的判斷是，人工智能，已經從“發明的年代”，進入到“實幹的年代”。
所謂發明的年代，指的就是像辛頓這樣的科學家，不斷打破舊有的研究範式，推動技術向新的領域邁進。李開復說，不少人認為美國在人工智能領域仍然是壓倒性的優勢，原因就是，他們認為現在仍然處於“發明的年代”。而且，媒體對人工智能的報道，也助長了這種印象：人工智能研究在不斷取得突破性進展。
但事實上，在李開復看來，人工智能許多抽象的研究工作大都已經完成，研究中遇到的困難大都已經解決。很多所謂的里程碑，只是在把過去10年的技術突破應用到新的問題上。這個技術突破，最主要的是深度學習，此外還有一些類似於強化學習這樣的互補技術。“這種漸進式的改善和優化，其實是把深度學習在模式識別和預測上的強大能力，應用到種種不同的應用上。比如醫療、保險、開車、翻譯等。但是，這些改善和優化並不代表我們正在朝著通用人工智能的方向快速前進，或是出現了類似深度學習的重大技術突破。”
在資源分配上也是如此，雖然谷歌、亞馬遜、阿里巴巴、騰訊這樣的公司，都在人工智能上投入了很多資源，但大量資源是投入在對深度學習算法進行改進和微調，只有小比例的資源被投入到去發現下一個顛覆性技術的研發上。
在發明的年代，重要的成就由少數幾個頂尖思想家驅動，他們幾乎全部聚集在美國和加拿大。但是，自從深度學習出現以後，還沒有其他領域的研究人員或工程師達到過類似等級的創新。
而在實幹的年代，需要的是創業者、工程師和產品經理，需要他們把深度學習算法應用到真實世界，轉化成一家可以持續運營的公司。創業者、工程師和產品經理，不但硅谷有，在像中國這樣的地方也有很多。
隨著人工智能從“發明的年代”進入“實幹的年代”，還發生了另一項重要的轉變，那就是從專家的年代轉變為數據的年代。
李開復說，今天一個成功的人工智能算法需要三樣東西，分別是：大數據、強大的電腦運算能力，優秀但未必頂尖的算法工程師。而在這三者中，最重要的還是數據，因為，“當電腦的運算能力和工程師的能力達到一定門檻水準之後，數據量的多寡就成為決定算法整體效能與精準度的關鍵所在。如果喂入的數據量更多，即使是由一群中等水準的人工智能工程師設計出來的算法，表現也會比世界級頂尖深度學習研究人員設計出來的算法更好。情況已經不同，現在已經不再像以往那樣，獨家擁有頂尖的人才就能享有絕對的壓倒性優勢。”
從發明的年代進入到實幹的年代，從專家的年代轉變到數據的年代，都讓中國的弱點變得沒那麼重要，比如，中國頂尖研究人員不如美國；但讓中國的優勢得到加強，比如，中國擁有全世界最勤奮的創業者和工程師，也擁有全世界規模最大的數據。
科技有溫度，點擊下方，關注「 酷玩兒 」帶您發現新奇、好玩的科技！
閱讀更多 酷玩兒 的文章
