自从去年阿法狗战胜了李世石开始，人工智能这个以前科幻小说里面的词开始频繁地出现在各种媒体和文章上，如何取代人类，是不是会像“终结者”电影那样最终把人类给干掉？我们这种平头老百姓关心这种问题是白搭。不过其中有没有投资的机会？甚至对于我们自己工作生活有没有什么启发？这是我觉得哪怕并不在科技行业都必须要关心的。

一口气读了王煜全老师在得到专栏上花了一周的时间介绍人工智能领域的前沿，我给自己的学习做一份笔记，如果你看完也觉得有收获的话，就恭喜你吧！虽然我相信大部分人是不感兴趣的。

这波人工智能热潮的来源是什么？

人工智能在大众媒体上的引爆点来自于Google旗下的Deepmind公司所开发的AlphaGo把围棋界顶尖高手们干了个遍，基本宣告人类棋手在围棋领域已经无法战胜电脑。人工智能这个概念早在十七世纪著名数学家莱布尼兹就提出过。实现人工智能有很多不同的算法，而这次主要是基于“深度学习”的算法。这个算法其实早在上世纪80年代就由以多伦多大学的Geoffrey Hinton教授为代表的学者们提出。但是当时压根就被视为异类，因为它的算法与其他非常不同。

深度学习要求把整个过程先进行分层，每一层的输出，成为下一层的输入。那每一层该怎么优化呢？这个问题直到2006年才算真正解决，2007年Hinton教授把文章发表在《认知科学趋势》这本学术期刊上则标志这深度学习的算法初步被完善了，这一轮的人工智能革命正式启动。但就算如此，依然有个问题。这个算法的结果相比其他的算法并不够好。主要障碍在于深度学习需要大量的计算能力。

真正让学术界对深度学习态度转变是由于两位斯坦福的华人教授，吴恩达教授发现了计算能力的问题，然后采用了英伟达的GPU，从而相比以前用CPU在计算能力上提升了上百倍（如今比特币挖矿用的就是大量的GPU），吴教授后来也成为了谷歌大脑的创始人。另一位李飞飞教授则是建立了一个图像识别资料库，每张图片都标注了图片内的内容，比如“这是山”，“那是水”等等。李教授用这个资料库来训练人工智能系统，结果在2012年举办的人工智能视觉识别比赛上，深度学习不但超越了所有的算法，并且第一次超越了人类。

让大众知道人工智能厉害的，就是Deepmind的AlphaGo，而这家公司的创始人是个超级天才，塞浦路斯和华裔新加坡人的混血，1976年出生的Demis Hassabis。

这位天才的简历是这样的：13岁成为国际象棋大师，16岁完成英国S level exams，但是放弃读大学，而是加入了一家游戏公司进行游戏开发。不过他还是决定上大学，结果21岁从剑桥全优毕业，22岁开了自己的游戏公司，又做出一批成功的游戏。到了29岁做腻了游戏，就决定到伦敦大学学院（UCL）攻读认知神经科学的博士，33岁（09年）时博士毕业，期间论文发表在《Science》杂志上并且被评选为全球十大科学突破之一。

他34岁开公司成了了Deepmind，口号是：首先解决智能问题，然后用智能解决一切其他问题。他们的突破路线是训练人工智能玩游戏，围棋就是他们眼中的一种游戏。结果在2014年，公司成立才4年时，被Google以4亿英镑收购，整个收购过程由拉里·佩奇亲自主持，因为谷歌要迅速在人工智能领域占据领先的高地。后面的故事，大家都已经知道了。

深度学习技术本身给予的启示

我不懂深度学习技术本身，但是发现他的思路却值得我们用在儿童教育或者创新教育领域。比如，有些人教孩子画画时，是教他每一笔该怎么画，怎么构图，怎么着色，有条条框框的限定，孩子甚至是通过涂色书来进行画图。而用深度学习的方法，我们不用去理会孩子到底是怎么画的，只需要在孩子每完成一幅画后，告诉他是好还是坏，给予一个正确的反馈就行了。或许一开始他画得并不好，但是只要给予孩子足够的时间，并且在每次画画后都给予好还是坏的反馈，他最终就能够成为一个不错的画家。深度学习正是依靠这样的方式，已经能够实现输入A画的内容和梵高“星空”这两幅图，就能够生成一幅“星空”风格的A内容的画作。

深度学习目前无法实现“普遍的智慧”，一个领域内的学习只能完成一个领域内的问题，而无法进行跨界。这里就牵涉到一个专和广的问题了。对于我们每个人自己的学习，如果想要专，那就得心无旁骛。但现实中，我们需要跨界的知识体系，很多问题其实可以从其他领域中获得灵感。所以这个阶段的深度学习依然与我们人类大脑有很大的差距。但本质上去启发了我们自己深度学习的本质。

这个本质我把它称为：“深度学习式的师徒传授”：在某个特定的领域，只要徒弟先掌握正确的学习方法（算法），有心去学（计算能力），并且得到足够的基本功内容，剩下“师傅”所要做的就只是关注反馈以及给予足够的时间即可。传统的师傅总是要手把手教徒弟，限制各种条条框框，期望徒弟通过模仿的方式来成为另一个“师傅”。而深度学习的结果是超越，而不是模仿。比如我团队中期望新同事们能够超越我，能够用他们自由去跨界寻找最适合自己的方法，而我则不断地给予短期结果的反馈，最终他们一定比我做得更好！

在孩子教育上，是否也是能够推导出类似的结论？现在的父母是管得太多，还是管得太少？反而，在学习方法、学习动力，以及在给予反馈上，父母是否也做得足够好了呢？我们并不需要去学习深度学习本身，其理念就足够我们去思考的了。

我们怎么去利用人工智能？

如同互联网技术一样，我们并不需要理解背后的内容，只需要知道如何使用即可。人工智能也是一样的。

谷歌等互联网巨头现在通过云计算和开放平台来提供足够的计算能力，并且人工智能算法很多也都开源，比如谷歌开源了人工智能开发系统tensorflow，结合他家的配套云计算硬件，就等于给了自来水源还给了水龙头，至于我们打水后怎么用，就是我们自己的事情了。

王煜全举了这么个例子。日本有位汽车系统设计师，他的父母经营一个黄瓜农场。农场最辛苦的环节在于黄瓜的分类，把成熟度不一、大小不一的黄瓜进行等级分拣，这个非常花功夫。于是他就基于TensorFlow系统开发了一个基于视觉识别的人工智能系统，给不同的黄瓜拍照，让人工智能学习不同大小的黄瓜分拣，然后在流水线上自动分拣进行，大大提高了效率。你看，“自来水”就可以是这样用的。

保持对科技最新进展的更新，我觉得就是让我们不被时代淘汰之余，还能够思考如何去好好利用。开放化平台已经成为一个趋势，科技巨头们的技术垄断路线是：让你轻易能用，从而离不开他。所以我们不需要过于担心科技的门槛，反而要小心自己的思维跟不上。有朋友称赞我们在保险领域把互联网运用得非常溜。而我想说，大家都通过水龙头打水，不会有什么太大的竞争优势，但是你若还靠挑井水喝，那么或许会被时代抛弃。跟上科技或许无法给予我们太大的优势，但是跟不上则一定有劣势。这就是我们需要了解科技动向的最大原因。

总结今日的分享

人工智能是个非常有趣的领域，能否找到投资赚钱的机会？王煜全的观点是：已经错过了创业最好的时期，但是会迎来更多应用层面的机会，就看各个企业是如何去运用了。这不是一个“用”或“不用”的选择题，而是谁能用好这个工具，谁就会有优势的问题。

给我启发的有这么几点：

1. 深度学习的算法也是我们自己学习方式的提醒，建立学习的方法，不断地输入、输出，获得反馈，然后再学习；

2. 我们每个人学习的效率，就取决于我们自己的“算法”是否高效，也取决于我们的动力是否足够（足够的计算能力）

3. 了解科技前沿，不但是开拓我们自己的思维，也是寻找自己创新机会的方式。

期望我自己的学习笔记对你也有所收获吧。以上内容都是学习王煜全在得到专栏《全球创新260讲》，若是内容有误，请提出指正，方便我修正自己的学习。多谢！