《公司帝国》系列是团队开启的一个投资主题。我们会以一系列文章展现逻辑框架和核心观点。
第一篇文章：永不复苏的私人部门
在上一个系列『公司帝国』中，我们已经谈到：1、在新的150年里，公司帝国将以更强的姿态主导新规则，他们掌握了生产资料；2、这个时代最重要的生产资料，是人和数据。接下来，我们并行开启一个新的专题： 讲述『人工智能』这条发展主线，为大家发现投资机会。
作为最重要的生产资料，人，正在迎接最大一次进化危机：
体力上，人类，不如机器；
智力上，人类，开始落后。
1956年，人工智能概念诞生，蛰伏了60年，过程缓慢而令人失望。60年来，在智力金字塔顶端的科学家不断给机器注入生命。随着CPU这个『肉身』的进步，人工智能开始像九头蛇一样改变全世界。
2015年超越人类
1956年的一篇研究计划首次提及了人工智能这个生造词。人们希望，通过让机器『解决那类现在只有人类能解决、而且精心选拔的科学家团队解决它都得花上一整个夏天的问题』，人类将取得重大的进步。结果并不乐观。在大多数情况下，研究人员最终都会避免用『人工智能』这个词，他们更愿意谈论『专家系统』（expert system）或者『神经网络』（neural network）。
『人工智能』这个词的再度启用，还得追溯到2012年ImageNet挑战赛（ImageNet Challenge）。这项赛事，主要是为了鼓励人工智能领域的研究人员展示自动识别和标记图片方面的进展，说白了就是用百万计的图片来教计算机正确地『读图』。
计算机比赛成绩的进展之快，超乎想象：
- 2010年，正确率：72%
- 2012年，正确率：85%，『深度学习』（deep learning）拔得头筹
- 2015年，正确率：96%，超越人类（人类为 92%）
神经网络物理化实现
深度学习方面的先驱人物，蒙特利尔大学的计算机科学家约书亚·本吉奥（Yoshua Bengio）认为，2012年深度学习是一种突破，把以前本就存在的碎片拼凑在一起』，使用大量的运算能力和巨量的训练数据，把一个旧理念：人工神经网络（artificial neural network，ANN）提升到了一个新高度。
它在生物学上的灵感来源，是人工神经元（或者叫人工脑细胞）网络。
在生物体的大脑中，每个神经元都能被其他神经元输出的兴奋信号所激活，而它自己输出的信号则能激活其他神经元。
一个简单的人工神经网络拥有一个神经元输入层，通过它把数据输入到神经网络里，另外它还有一个输出层，用于输出结果，在输入层和输出层之间，可能还会有几个隐藏层，用于处理信息。（过去，在实践中，人工神经网络是完全在软件中模拟出来的。）
人工神经网络中的每一个神经元都有一组权重（weight）以及一个激活函数，用于控制它发射的输出信号。训练一个神经网络，就是要调整神经元的权重，以使特定的输入产生我们所希望的结果。1990年代初，人工神经网络开始取得了一些有用的成果，比如它可以识别出手写的数字。但让它们完成更加复杂的任务的尝试却遇到了麻烦。
在过去的十年中，新技术和对激活函数的简单调整，让训练深度神经网络变得可行。与此同时，互联网的崛起也让数十亿的文档、图片和视频可以被用于训练目的。所有这些工作都需要耗费特大量的数字运算能力。
2009年，一些人工智能研究团体意识到，专门用在个人电脑和电子游戏主机上、用于产生逼真图像的图像处理芯片（GPU）也很适合用来运行深度学习算法，因此，科学家们很容易地就获得了大量的运算能力。一支由吴恩达率领的斯坦福大学的研究团队发现，GPU可以把他们的深度学习系统的速度提升100多倍。突然之间，此前需要数周才能完成训练的四层神经网络，现在完成训练只要不到一天。
GPU生产商英伟达（Nvidia）的老板黄仁勋说，这是一种令人欣喜的对称格局，同一块芯片既可以用来为玩家呈现图形世界，又可以用来帮助计算机通过深度学习理解现实世界。
突然之间，整个科技行业开始关注人工智能。深度学习系统自此变得更加强大了：20或30层的神经网络不再罕见，微软的研究人员已经打造了一个拥有152层的人工神经网络。深度更深的神经网络能够完成更加高度的抽象工作、产生更好的结果，而事实证明，这些人工神经网络擅长解决范围非常广泛的问题。
能够开放学习知识
- 智能驾驶约翰·詹南德雷亚（John Giannandrea）是Google负责机器学习研究的主管，现在也负责管理搜索引擎。他说：『这个领域让人兴奋的地方在于，深度学习这一种学习技术能被应用在如此之多、各不相同的领域里。』Google现在正在使用深度学习来提升其网络搜索结果的质量、理解人对智能手机说出的各种指令、帮助人们用自己的照片来搜索特定的图片、为电子邮件给出自动回复建议、改进网页翻译服务的质量，以及帮助自动驾驶汽车理解周遭环境。
- 反垃圾邮件深度学习还有很多不同的特性。应用最广泛的一种功能就是『有监督学习』（supervised learning）。这是一种可以借助一组经过标记的范例来训练某种系统的技术。比如当被用于垃圾邮件过滤时，就有可能汇总一个包含了范例邮件的超大数据库，其中的每一封邮件都被贴上了『垃圾邮件』或者『不是垃圾邮件』的标签。一个深度学习系统就能被训练用来使用这个数据库反复地处理这些范例、调整神经网络内部的权重，以提升其评估垃圾邮件的准确率。这种方法最大的益处在于，它不需要有人类专家来制定规则清单，也不需要程度员来通过代码实现这些规则——系统会直接从标记过的数据中学习。
- 服务自动化这些用标记过的数据训练过的系统，正在被用来做图片分类、语言识别、发现信用卡交易欺诈、识别垃圾邮件和恶意软件以及定位广告等工作——在所有这些应用中，正确的答案都来自于此前大量的案例。Facebook可以在你上传一张照片的时候识别出你的好友和家人，并给他们加上标签，最近它还上线了一个可以为盲人用户描述照片内容（如『两个人、微笑、太阳镜、户外、水』）的系统。吴恩达说，还有大量的数据可以被用来进行有监督学习。采用这种技术之后，现在的金融服务公司、计算机安全公司和营销公司就都可以将自己重新定义为人工智能公司。
自我学习 机器人意识进化的开始
如果仅仅是把简单的服务自动化，根本谈不上威胁，而是人类的福祉。但是，另一种名为『无监督学习』（unsupervised learning）的神经网络训练技术，打开了一个潘多拉魔盒：
把一个神经网络暴露在海量范例面前，却不告诉它要寻找什么。所以这种网络就能学会识别特征、把相似的范例集合在一起，从而找出数据中隐藏的群组、联系或者模式。
无监督学习可以被用作搜索我们也不知道它是什么样子的东西：比如用它来监控可能和网络攻击有关的网络流量异常模式，或者检查大量保险索赔申请，以发现新型欺诈行为。
强化学习（reinforcement learning）则介于有监督学习和无监督学习之间。它主要训练神经网络与一个只以奖励形式带来偶然性反馈的环境进行交互。大体上，训练会调节神经网络的权重，以搜索出一种可以始终产生更高奖励的行为策略。
当然，机器人如果利用大量数据，无意识中发现什么巨大的可以利用的 Bug，造成灾难，也未可知。或者，进化出了自我意识。
多分支加速进化
- 在电子游戏上超越人类Google的人工智能公司DeepMind是强化学习领域的专家。2015年2月，它在《自然》（Nature）杂志上发表了一篇论文，描述了一个能够学习49种经典雅达利（Atari）电子游戏的强化学习系统——它仅使用屏幕像素和游戏得分作为输入，而输出则与一个虚拟控制器相连接。这个系统从头开始，把所有电子游戏都学会了，游戏水准达到了人类水平，在其中29个游戏中的表现甚至比人类更好。DeepMind创始人戴密斯·哈萨比斯（Demis Hassabis）表示，电子游戏是帮助进行人工智能研究的理想训练方式，因为『它们就像是真实世界的缩影，只不过更纯粹、更有约束力』。游戏引擎还可以非常容易地生成大量训练数据。在拿到认知神经科学博士学位并创建DeepMind之前，哈萨比斯就曾在电子游戏行业工作过。DeepMind如今正作为Google的人工智能研究部门运营。
- 在围棋上超越人类今年三月，DeepMind上了头条——它的AlphaGo系统在首尔举行的五局制围棋赛中，以 4:1 击败了世界最好的围棋选手李世石。AlphaGo是一个带有不寻常特性的强化学习系统，它由几个相互连接的模块组成，包含了两个深度神经网络，每一个都专注于不同的方面，就像人脑中的不同分区一样。其中一个通过训练，可以分析成千上万的棋局，并推荐部分有意义的走位，随后这些行动会被另一个神经网络根据一种随机抽样技术进行评估。由此，这个系统就把仿生技术和非仿生技术结合到了一起。几十年以来，人工智能研究人员都想论证哪一种技术方法更优秀，但AlphaGo同时使用了两者。哈萨比斯说：『这是一个混合系统，因为我们知道，要想解决智能问题，需要的不仅仅是深度学习。』
- 2025年，在大多数事情上超越人类哈萨比斯与其他研究人员已经开始着眼下一步计划了，也就是所谓的迁移学习（transfer learning）。它可以允许一个强化学习系统建立在先前获取的知识基础上，而不必每一次都要从头开始训练。哈萨比斯指出，人类可以毫不费力地做到这点。詹南德雷亚回想道，他四岁的女儿可以分辨出大小轮自行车也是自行车的一种，虽然她以前根本没见过这种自行车。他说：『计算机就不行。』最近被Salesforce收购的人工智能创业公司MetaMind则正在使用一种类似的方法，这种方法被称为多任务学习（multitask learning），也就是使用同一个神经网络结构来解决多种不同种类的问题，就好比把这件事的经验用在更好地解决另一件事情上。和DeepMind一样，MetaMind也在探索模块化的结构，其中有一种叫做『动态存储网络』（dynamic memory network），除去其它功能不提，它可以吸收一系列语句，然后回答有关这些语句的问题，同时推导出语句间的逻辑连接，比如：A是青蛙，青蛙是绿色的，因此A是绿色的。MetaMind还把自然语言和图像识别网络结合到了一个单系统之中，这个系统可以回答针对图像提出的问题，比如『这辆车是什么颜色的？』这种技术可以应用在客服聊天机器人，或是Salesforce的客户呼叫中心上。
以前，那些有前途的人工智能新技术往往很快就会失去活力，但深度学习不会如此。来自MetaMind的理查德·索赫尔（Richard Socher）表示，『这东西确实有效。』人们在没有意识到的情况下，就已经在每天使用它了。哈萨比斯、索赫尔以及其他人渴望实现的长期目标，是建立一个能够胜任许多不同工作的『强人工智能』（AGI，artificial general intelligence），而不是给每个问题都建立一套新的人工智能系统。索赫尔表示，多年以来，人工智能研究人员一直都只专注于解决那些特定的、有限的问题，但新的研究者却正在『拿起更为先进的、像积木一样的模块，把它们以新的方式拼接到一起』。即使他们之中最乐观的人也认为，要获得达到人类水准的强人工智能，至少还需要十年时间。不过哈萨比斯又说：『我们觉得我们已经了解了能让我们更加接近强人工智能等技术需要的十几项关键技术了。』
替代人类 人工智能巨头超级大战
人工智能加速进化，变得越来越有用，速度有多快？
Google：智能应答系统使用了两个神经网络来推荐回复邮件，它从当初的深度学习研究项目发展成一款真正的产品只用了四个月时间。
项目负责人索赫尔表示：『你在学术期刊上发表一篇论文，下个月就有公司在使用你的系统。』研究成果源源不断，进化速度飞快。
Nvidia：几乎每一个人工智能初创企业都在使用英伟达提供的GPU芯片进行神经网络训练。
老牌厂商：IBM、Google正在研发专门用来运行人工智能软件的、更快更有效的新型芯片。Google、微软和IBM都在网上免费提供语音识别、句法分析和图像分析等人工智能服务，这让初创企业可以利用已有的成果来形成新的人工智能产品和服务。
替代人类初现端倪。
- 300家公司的实践：来自IBM的古鲁·巴纳瓦尔（Guru Banavar）表示，各行各业中已经有超过300家公司建立起了使用IBM Watson系统的人工智能运行平台，所处理的事情从筛选应聘者到挑选葡萄酒应有尽有。
- 所有业务的AI+：所有这些人工智能的进步都将会不断改善他们每天使用的网络服务。搜索引擎将会生成相关性更强的结果，推荐也会更加准确。几年之内，所有事物都会有一定程度上的人工智能加入其中。人工智能技术将会使计算机界面变得更有对话性和预测性。
- 前方的突变：无人驾驶汽车正在飞快地进步；用不了多久，它们也许就可以代替出租车司机了。轮式或机载送货无人机也同样能与人类快递员竞争。改良后的视觉系统和机器人技术，则能让机器人为超市货架堆货，并在仓库里移动货品。各种意想不到的突破都还在孕育。
就像200年前，蒸汽动力机器让大量工人失去了工作一样，人工智能技术也会如此，而且，这一天正在加速逼近。
《公司帝国》系列是筹码团队开启的一个投资主题。我们会以一系列文章展现逻辑框架和核心观点。
第一篇文章：永不复苏的私人部门
第二篇文章：400年前最震撼的创业
