发帖
雷达卡
2016年，AlphaGo战胜李世石引爆了新的舆论点，人工智能（AI）以及其背后的机器学习（machine learning）、深度学习（deep learning）进入了更多人的讨论视野。HBO最近推出的人工智能题材连续剧《西部世界》又再次激发了人们对人工智能的关注，人们开始思考，未来的世界会不会真的有人工智能意识觉醒的那天。不过，在担心人工智能是否会打败人类之前，不妨先仔细思考一下人工智能是怎么产生的。
▌人工智能的驱动力是什么
就目前而言，人工智能的产生需要足够的硬件能力支撑、匹配的机器学习算法和充足的数据资源。人们常提到，大数据与人工智能将会是未来发展的两大趋势，这容易让人误解为这是两个平行、独立发展的领域。但实际上，大数据是人工智能发展的基础，人工智能的发展往往是紧随大数据的发展。按照华裔人工智能专家吴恩达（Andrew Ng）的说法是，数据是人工智能的燃料，如果只有很大的引擎（算法）而没有充足的数据作为燃料，人工智能这艘火箭是无法实现腾飞的。
按照各个时期不同的驱动力，我们可以将AI的发展分为三个阶段：数据技术驱动阶段、数据驱动阶段和情景驱动阶段。三个阶段的AI发展对数据的要求各不相同，但从总体上看，人工智能与大数据之间是同生同涨的有机关系。每一次人工智能的增长，大数据行业都起着重要的推动作用。数据量级的增长、计算能力的提升、存储效率的优化、数据可分析程度的提高……都在加快人工智能的发展。其中，数据是人工智能发展的一个重要的竞争优势来源。
▌人工智能1.0：技术驱动
人工智能发展的第一个阶段，是集中诞生基础理论的阶段。这个阶段奠定了人工智能发展的基本规则，并诞生了基本的开发工具，为日后人工智能的研发工具的升级开辟了先河。在这个阶段，技术的发展，尤其是算法的发展，成了推动人工智能进步的最大动力。达特茅斯会议之后，人们对于算法程序和语言开发投入了极大热情，掀起了人工智能发展的第一波高潮。
公认的人工智能发展起点是1956年于美国达特茅斯学院举办的第一节人工智能会议。尽管这次会议并未达成普遍的共识，但是却为会议确定了主题：人工智能。第一批的人工智能研究从此开始。
1946年，人类历史上第一台电子计算机ENIAC诞生，尽管它有点笨重，但是毫无疑问广泛应用于人工智能和计算机领域。计算机与编程算法的相继出现，从技术层面推动了人工智能的发展。研究者们乐此不疲地运用新的算法和计算工具去解决应用题、证明几何定理、学习和使用英语……每一次的成功都进一步增强了人们对人工智能的信心。他们甚至认为“在二十年内，机器将能完成人能做到的一切工作”。这一目标显然是高估了人工智能发展速度。
计算机性能的瓶颈、计算复杂性的指数级增长、数据量的缺失，使得人工智能的研究停滞不前，人们逐渐对人工智能的发展逐渐丧失信心，人工智能研究进入了第一个低谷期。
▌人工智能 2.0：数据驱动
人工智能发展的第二个阶段，是数据推动人工智能更新迭代的阶段。这个阶段，可获得和分析的数据飞速增长，不仅磨练和提高了计算的能力，使人工智能的大规模运算成为可能，并且也反过来倒逼了数据的采集、清洗和积累，以及相应的软硬件基础设施的发展——这些都带动了大数据行业的腾飞。大企业在这个阶段发挥出了规模优势，成为了推动人工智能发展第二波高潮的主要动力。
从1981年IBM推出第一台个人电脑起，到1993年美国政府宣布实施“国家信息基础设施”计划，也就是我们常说的信息高速公路，电子计算机与信息数据从实验室走进普通人的生活，人工智能的研究不再只是局限于实验室的理论，针对日常生活的具体应用也在不断增多。在这一阶段，数据主要从两方面来影响人工智能的发展：
一方面，大量的数据要求人工智能不断提高其计算能力。信息时代数据量的快速增长，对整个人工智能的处理水平提出了更高的要求。人类大脑对数据的处理是十分强悍的，人的大脑拥有几百亿个脑细胞，每个脑细胞大约有几百条脑神经，每条脑神经上又有几百个突触，每个突触的作用又相当于一块计算机芯片。
计算机人工智能如果想要实现与人类相似的智能水平，就必须要具备相应的计算能力。1997年，IBM“深蓝”在世界象棋中战胜世界棋王卡斯帕罗夫，最重要原因就是其强悍的数据处理能力。在研发过程中，IBM研制小组向”深蓝“输入100年来所有国际特级大师开局和残局的下法。“深蓝”每秒能够进行2亿次的运算，能够通过计算预判之后的12步，对比做出最优的决策。
另一方面，大量的数据也在不断地训练着人工智能。数据量的增加对人工智能而言，不是负担，而是财富，因为数据能帮助训练人工智能，使结果更加精准。回顾“深蓝”，令人惊叹的计算能力并不意味着它就是坚不可摧的。深蓝在1996年第一次挑战时，就以2：4败给卡斯帕罗夫。在之后的一年，研发团队引入美国特级大师本杰明，将他对象棋的理解变成程序教给“深蓝”。此外，在与卡斯帕罗夫每一场对战后，都不断挑战系统参数，强迫“深蓝”进行学习。
如果说主要作为实验室研究成果的“深蓝”并不足以说明数据对于人工智能的重要性，那不妨看看目前占据位居全球市值TOP5中的谷歌与亚马逊。谷歌的搜索引擎与亚马逊的智能推荐系统都是人工智能的具体应用领域，在大量数据的训练下，无论是谷歌的搜索结果，还是亚马逊的推荐结果，都越来越精准——这构成了两家数据公司的核心竞争力。
▌人工智能 3.0：情景驱动
人工智能发展的第三个阶段，是情境推动人工智能更深入到具体应用的阶段。随着人工智能的技术发展和数据积累，行业逐渐发现短期内通用智能和强人工智能是难以实现的，数据分布的情境化特性使得人工智能在特定情境下的垂直发展成为了可能。
这个阶段，新的实用情境的识别与发现，以及对该情境的人工智能解决方案的研究，极大的推动了人工智能行业的前进。移动互联网时代，各种移动终端设备的出现，使得数据呈现指数级的增长。相对于之前，现阶段的“数据”包含的信息量越来越大、维度越来越多，从图像、声音等富媒体数据，到动作、姿态、轨迹等人类行为数据，再到地理位置、天气等环境数据……按照以往数据处理的思路已经难以适应“数据”本身的发展。这对于人工智能应用者来说，既是惊喜，又是挑战，因为一个融合人类智慧、人工智能以及海量数据的智能数据时代已经来临。
在围棋领域战胜人类的AlphaGo已是人工智能的典型代表，但除了AlphaGo，人工智能研究中更多的是各种具体应用。2011年，苹果推出语音虚拟助手Siri，让人们开始体验“人机对话”，当用户懒得输入时，便可以直接询问Siri。尽管Siri刚推出时的回答经常让人啼笑皆非，但是大量的数据训练使Siri的语音识别越来越精准，反馈的答案也让用户越来越满意。2014年，亚马逊推出语音智能家庭管家Echo，人们无需触碰手机，就能直接唤醒Echo，让其完成指令，享受智能家居。
人们更能感受到的是生活中的各类推荐系统（比如图书、音乐、新闻相关的手机App），在搜集用户的个性化数据之后，利用机器学习，为用户反馈出独一无二的结果。一直将自己定义为科技公司而非媒体公司的“今日头条”便是利用数据获取成功的典型案例。大量场景化的数据为人工智能应用于各种情景提供了发展的土壤，没有数据就不会有智能。李开复也曾提到，人工智能更适合于拥有大数据、且数据量可以实现自我推动的公司，没有数据的人工智能是无法前行的。
情景驱动对应用型人工智能企业的数据处理能力提出了要求。企业不仅需要采集数据，还需要利用深度学习将这些数据转化为人工智能的“知识”，最后根据企业的需求，转化为相应的应用决策。
也就是说，应用型的企业至少要形成纵向的生态链，才能实现完成整个场景闭环。令人庆幸的是，有些公司提供的智能数据平台能够协助企业完成整个数据流程的服务，让企业无需重新开发一套自己的平台系统。以TalkingData的智能数据平台（SmartDP）为例，SmartDP能够提供数据管理、数据科学、数据工程的能力，企业能够利用这一平台与自己的具体产业行业相结合，全面利用数据创造更多商业价值。
▌结语
互联网的发展将大家带入了大数据的时代，而智能数据时代是大数据时代的新的阶段。人工智能与大数据一样，对社会经济起到赋能的作用，帮助人类感知、认知、分析和预测这个世界。
对于人工智能这艘火箭，算法是引擎，数据是燃料。当行业日渐开放，越来越多的算法选择了开源，此时数据便成为了影响人工智能成败的关键点。丰富、多维度的情景化数据使人工智能更多更深的被应用起来，而人工智能的深度应用，又产生了更加海量、精准、高质量的面向情景的数据，为模型的进一步优化提供了条件。
对于未来，我们相信，人工智能和大数据将会共同发展，给人类带来更加智能的生活。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
