在讲人工智能之前，我想向大家介绍一下我的一些背景：在30多年前，我就进入了人工智能领域。我是在1980年首先做的自然语言处理，1982年做的计算机视觉，1983做的语音识别，1985年做的人机对弈，1996年做的VR/AR……那时候我的这些选择基本上都是非常“糟糕错误”的职业选择，因为每一件事情，我都是在它的黄金时代之前。从这个事情上，其实我也想说，做计算机研究这个领域，还要在正确的时候选择正确的事情。
但现在是人工智能的黄金时代。为了说明这个问题，我还带一些实际的数据来跟大家分享。人工智能有很多分支，其中之一是机器学习，机器学习里面还有一个分支是深度学习，今天我更多的会用深度学习作为案例。
人工智能是一种工具
最近人工智能成为全球热门新闻话题，很多是因为大家看到AlphaGo在几个月前击败了李世石，最近在网上还传出年底之前它要挑战柯杰的消息。但有一点让我觉得很可惜：大家对这个话题讨论的重心都放在了人工智能是不是在模仿人脑，“奇点”是否即将来临这样的问题上，却没有真正关注人工智能对我们的现实影响。
“奇点”认为未来机器将有各种的智能、人类必须做一些事情来保护自己。但我认为人工智能要取代人还是一个非常遥远的事情。我们需要更关注的事情是人工智能是今天能够拿来用的工具，它能帮助人类解决问题，能取代重复性的工作，能创造商业价值。正因为这个理由，我认为今天我们进入了人工智能的黄金时代。
几乎所有思考模式可以被理性推算的工作岗位，在有足够数据支撑的时候，都会被取代。为什么AlphaGo这么厉害?就是因为它可以动用到几千台机器每天和自己对弈上万盘的围棋;以后为什么自动驾驶会这么厉害呢?因为它可以用它的各种的sensor在路上搜集数据，这不是任何一个司机可以匹敌的。
科普深度学习
深度学习是一种神经网络，它的特点是使用了多层网络，能够学习抽象概念，同时融入自我学习，而且收敛相对快速。
收敛快速可能是一种技巧。简单的来说，如果我们有很多笑脸，输入到一个神经网络里面去，最后你希望让机器能识别这是姚明，那是马云。但是要一次性学会这么多会比较困难，所以就需要用到一个比较快速收敛的技巧——自我学习。通过自我学习，机器会逐步从大量的样本中逐层抽象出相关的概念，然后做出理解，最终做出判断和决策。
比如它可以有好几层的nodes和connection，经过这些nodes和connection，它在每一个层次会感知到不同的抽象特征，且一层比一层更为高级。经过自我学习，从一个脸输进去再从同样的一个脸输出来，它就从里面抽象的学习到了一个人的脸重要特征。
深度学习的分层无监督训练
经过这个学习之后，再去做监督训练，对不足之处进行微调。例如，如果我输入了马云的脸，出来的却是王宝强，那训练系统就会报告错误，进行微调后，以便于下一次机器正确概率更高。
分层无监督训练
但也要注意overtraiNIng的问题，我们就对整个数学公式做一点微调，用大量的数据，不断重复。
深度学习在最初，训练速度慢，所以难进入工业级别或者应用级别，但现在，我们的计算机变的越来越快，另外也有了更多取巧的训练和识别做法，深度学习能被应用的领域越来越宽。人工智能大规模应用的时机已经到了。一个很简单的评估标准就是，我们的深度学习的机器，是不是超越人类的能力表现。
深度学习的应用领域
在过去的五年，深度学习的准确度从75%多提升到了97%左右，而人的表现准确率大概是95%。从95%到97%听起来只进步了2%，但实际上是把错误率降低了40%。如果这种进步持续，未来人工智能可以进入一些可应用的领域。这就是今天我讲人工智能进入黄金时代的证据：在很多领域，包括face++的人脸识别，Apple、Google，科大讯飞的语音识别，它们的认知水平将在未来几年的时间内超过人类。
深度学习的应用领域举例
深度学习首先可以应用于识别，包括人脸识别和语音识别等，这些可以用于安防，安检等。
人脸语音的数据来之不易，但是BI，商业的流程、互联网的数据却非常丰富。Google、百度很早就已经在搜索广告以及推荐系统里面充分使用了类机器学习技术，解决该推荐什么商品，一个商品怎么定价，在什么位置会卖的最多，应该把这样的产品卖给谁等问题。这一类的推销可以直接产生经济价值。
将智能用于炒股其实也是一个不错的选择。利用智能，可以随时来算一篮子股票和期货应该如何对冲。机器可以二十四小时不睡觉，每天都在算怎么能赚最多的钱。除此之外，深度学习的技术可以把各种的因素都融合进来，比如公司的高管变动，即时新闻，行业里变动……甚至你可以对一个智能系统说如果明天巴西发生了地震，什么股票该被购买。
银行保险方面，比如说贷款审批，可以通过机器来判断;医学方面，在诊断的完善上，是可以用机器学习来做。
前一阵我在美国碰到了一些科学家，他们正在用机器学习的方法来发明新药。将试验的排列组合交给机器，所有的实验都是通过机器学习精准进行。
在教育方面也有应用。智能化的教育系统会识别你的学习水平，然后根据你的水平确定学习内容。
人工智能将重塑亿万级别的领域
人工智能会重塑很多亿万级别的领域。当然这个不是明天就会发生。比如，在我们的计算架构上面，现在还是需要时间去做算法的改进提升，需要去研究如何部署云端架构，另外深度学习用时仍太长;有一些重要技术的推进，实际上是因为有了开源或者API或者标准的出现，但现在仍有很多方面还没有出现相关标准。当然Google的TensorFlow等提供了一些开源的方法，但是其实他们还没有真正的平台化。
在一些领域中，很多技术性问题可以在两三年内得到解决，但是还有很多问题并非如此简单，比如语义。语音识别是相对简单的：音进来，字出去，一个API就可以调动。但是音进来，确定是何种情境的语义出去就很难。
传感器一定程度来说是价格的问题、如何普及的问题。GoogleCar虽然很牛，但是正传感器实在太贵了。降低价格就需要量，但价格不下去量也起不来，要解决这个问题也需要一定的时间。
最后还有很多机械方面的问题。控制机械运动的算法，硬件运动后给出的回馈等等还需要一些开发。
人工智能帮助企业打造竞争力
深度学习的挑战
但是深度学习以及机器学习还面临很多挑战。这里有几个问题。
第一，目前仍然没有统一的平台。第二，深度学习的网络太大，需要海量的数据。第三，计算特别慢。第四，机器无法用人的语言告知做事的动机和理由。比如AlphaGo打败李世石，你要问AlphaGo是为什么走这步棋，它是答不上来的。
即便有如此多的局限，我们还是认为人工智能在很多领域可以迅速应用，并且可以帮助企业打造竞争壁垒。
第一，垄断大数据优势。关于数据需要注意的几点是，首先垄断性大数据不是公开的数据，不是剽来的数据，也不是买来的数据。其次，无标签的数据也不会给你带来优势。再次，人工给数据设置标签太慢。最好的数据是闭环的数据，所谓闭环的数据就是在你应用的时候可以捕捉到数据并且知道最终你的抉择对不对。我们投资的face++，它有和美图、阿里的合作，就一定程度形成了特别大的数据的优势。
第二，拥有庞大的机群。包括需要什么处理系统的支持，怎么去部署，用什么样的计算架构等。
第三，你要有一批特别懂的人。没有平台的时候，你就只能把一批人丢进去，让他们去解决特别大的问题。
第四，利用算法调节弥补平台缺失。当然这构成一个短期的竞争优势，从长期看，一旦大的人工智能平台出来，这种优势就不存在了。
人工智能如何快速商业化
第一，不要用人工智能去取代人。很多情况之下他只要能辅助人就可以了。
第二，要聪明的找到容错的用户界面。搜索引擎的精确度其实是很低的，但它在界面中给用户提供很多结果，而用户只要能找到他满意的那个，就会认为搜索引擎很棒。
第三，让用户提供自然的大数据。很多人把Siri当成一个搞笑工具，会问它诸如“你是男是女”这种无聊问题，苹果就把这些无聊的问题深度分析了一下，用于优化Siri，让它对正常问题的解答能让人们在一定程度上得到满足。人们满足了以后，就会继续的问，苹果也就可以得到更多的数据。
第四，关注局限领域。Google很伟大，它要做全天候全路况的无人驾驶，但我们完全可以先做一个用于局限领域的无人车，然后我们通过它获取数据，学习教训，不断改进。GoogleCar表现优异，但是它碰到一些极端的情况，比如大风大雨的漆黑天，就没辙了。既然如此，为什么我们不先考虑做一些可控环境下的商业驾驶项目?
人工智能的未来蓝图
大数据应用方面，现阶段我们已经看到很多互联网应用，BI、商业自动化马上也会使用相关的技术，未来几年，离钱最近、产生用户最多、产生价值最大的领域可能就是金融、医疗、教育，当然也包括任何有大数据的行业。
在感知方面，今天的人脸识别、语音识别已经做的蛮好。对于VR/AR，我们在短期还不是太乐观，但是随着它三五年以后慢慢得到普及，一定需要非常多的新的自然语言的界面。此外，我们大胆预测三到五年之内会有一个人工智能平台出现。
我们并不认可家庭机器人会很快出现，理由是消费者的期望值是最高的，今天机器人的技术，有时候会看起来太傻，另外价格也太贵，感应器不够灵敏。任何行业都要有经济理由来投资这个领域，不断迭代优化它的技术，再进入下一个阶段，所以机器人简单来说应该是工业、商业，最后普及到家庭，所以今天很多对家庭机器人过火的观点和做法我们是不认可的。
关于无人驾驶，我们的观点是虽然GoogleCar很伟大，但是因为它要去适应各种路况。我们认为可以先在局限环境中慢慢推进无人驾驶。
从长期看，未来人工智能会在所有的领域彻底改变人类，产生更多的价值，会让很多现在重复性的工作被取代，然后让人去做人真正应该去做的事情。
