周鸿祎：错过了O2O，这一波人工智能你还要错过吗？

本文摘编自周鸿祎新书《智能主义：未来商业与社会的新生态》，转载自正和岛公众号。

资本寒冬，商业模式类创业创新遇冷。在这样的背景下，能够逆势而上受人关注的，唯有人工智能领域。它之所以受到持续追捧，是因为其成为新时代的基础设施，像水、电、网络一样成为所有企业的必需，这一点已成为共识。而对于当下，如何将人工智能落地、商业化，如何适应人工智能将构建的新商业生态，尚有分歧。

人类社会经历过的 PC 互联网时代、移动互联网时代，以及现在所处的智能硬件时代，技术发展和商业模式创新之间始终是相辅相成的关系。每当科技发展的红利被商业模式创新挖掘殆尽后，经济也随之步入寒冬，直到下一轮技术革命的出现，商业模式创新才能重新迸发生机。

现阶段移动互联网的商业模式创新已经挖光了 Web2.0 时代的技术红利，所有人都在寻找新技术，以期获得新的商业模式创新。人工智能技术无疑就是下一轮技术革命的焦点，假如未来的某一天，我们在这方面有了突破，那么新的商业模式也将涌现出来，带来一个甚至多个万亿级市场。

在我看来，未来通用人工智能生态圈的格局会是下面将要介绍的样子。

人脑芯片

2014 年 8 月，IBM 公司推出了一款名为 TrueNorth 的大脑原型芯片，TrueNorth 主要被用于计算机专业学习领域。TrueNorth 芯片集成了 100 万个神经元和 2.56 亿个突触，这相当于一只蜜蜂的大脑，而正常人的大脑大约包含 1000 亿个神经元和无法统计数量的突触。

量子计算

普通计算机存储数据的方法是根据晶体管电路的状态，而量子计算则是根据粒子的量子状态，使用量子算法来进行数据操作。通过量子计算，可以大幅提升并行计算速度。不过遗憾的是，这方面还没有出现研究成果，谷歌曾经在 2014 年开始研制量子级计算机处理器，他们希望为机器人提供一个可以像人一样思考的大脑。

仿生计算机

仿生计算机可以解决构建大规模人工神经网络的问题。普通的 CPU(中央处理器)、GPU(图形处理器)处理神经网络的效率很低，并且在占地、散热和耗电等方面都存在问题。专门的神经网络处理器可以很好地解决这些问题。在国内，陈云霁团队研发的寒武纪神经网络计算机依据仿生学原理，相比于主流 GPU，取得了 21 倍的性能和 300 倍的性能功耗比提升。

在图像、声音和面部识别系统变得越来越精准后，计算机也拥有了探察人的情感状态的能力，包括喜、怒、哀、乐、爱、恨、贪、痴等，并做出适当的反应。那么很多人会有这样的疑问：

机器人能否拥有像一个正常人那样独立思考的能力?

关于这个问题，我曾经与著名的互联网预言家、《连线》杂志前主编凯文·凯利有过一次交谈。在凯文的思想里：

未来的人工智能会产生自己的意识，这会为我们完全掌控它带来一定的困难，但不会形成毁灭人类的威胁。

绝大多数的人工智能都只会是工业人工智能服务型电器。

我对 360 的战略规划就是全线硬件产品向人工智能看齐，从图像识别技术和大数据技术两个方向深度拓展。目前，我们已经在中国和美国成立了相应的技术研发团队，并且还相继进行了一系列并购。

总的来说，360 在人工智能领域的整体规划可分为以下 4 个层次：

(1)最基本的硬件层面，研发、升级可以在云上、端上进行深度学习的专用芯片;

(2)面向大规模深度学习、训练的多机多卡软硬件平台，以及基于深度学习的各种人工智能的前沿算法;

(3)基于人工智能的各种智能硬件产品;

(4)在人工智能或者深度学习的基础上，使智能硬件具备自主学习能力。

作为 360 未来主推的大方向，我对人工智能的设想是无论在硬件还是软件方面，都将拥有自主学习功能。阿尔法狗赢了之后，我非常兴奋，我兴奋的不是人工智能在围棋上战胜了人类，而是它为我们所有人做了一次非常好的概念普及，让我们真实地感受到人工智能领域的成果。

但是，我所理解的人工智能并不会像阿尔法狗那样只表现在下围棋方面，也不会像好莱坞电影中那样可以威胁人类安全。人工智能就像工业革命之后所带来的新技术那样，为我们的生产、生活带来极大的便利。

虽然目前看来，360 智能摄像机还仅仅是一个小产品，功能也有限，但它只是一个开始。我的期望是在不远的将来，它能够根据面容区分出家人和陌生人，能够识别出你的表情是高兴还是悲伤，甚至还能在家里四处巡视，检查家里是否有漏水、漏气、漏电等异常情况。当发展到那个时候，它就是一个具备深度学习能力的智能家庭机器人了。

为了加速达成这一愿景，360 人工智能研究院院长颜水成正在带领团队研发新技术，并且做了以下布局：

1. 建立软硬件训练平台：360net

2. 稳定、低功耗的人脸分析系统

3. 车辆环境感知

• 建立软硬件训练平台：360net

DeepMind 公司曾经推出过 DQN 项目(Deep-Q-Network)，它是基于深度强化学习的游戏平台。

Deepmind 在 2013 发表 NIPS 文章《Playing Atari with Deep ReinforcementLearning》是公开的最早使用 raw pixels 作为输入的，用于解决 Reinforcement Learning(强化学习)的深度学习网络 DQN。在该文章中，作者在 atari 一系列的游戏上做了各种算法的比较，如下图所示：

在总共 7 个游戏中，有 6 个做到了算法中最好，其中还有 3 个做到了比人类专家还要好。

该文章中提到的 DQN 有两个特点：

1. 用来更新参数的 minibatch 是是从 replay memory(回放记忆)中采样出来的，而不是仅仅的用当前一个片段或者 session，这样能使得模型收敛性更好，否则会很容易训飞。

2. value 函数是一个多层网络。

我们从中受到了很多启发，并成功建立了一个基于软硬件的训练平台——360net。之所以构建训练平台，是由深度学习的本质决定的：要训练一个系统，大量的训练数据固然重要，同时快速的响应时间也必不可少。

（编辑：PHP编程网 - 湛江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!