创新工厂李开复:AI+”有四个阶段

编者按:这是创新工场董事长李开复在2019上海世界人工智能大会上的主论坛演讲。

 

  此前对于AI开启的行业赋能,已经被很多次阐释、验证并不断产出成果。

 

  但对于“AI+”的发展路径、逻辑和未来,在李开复之前还没有人有过如此大道至简式的分析。

 

  或许跟李开复的履历和现在密不可分。他是80年代的计算机博士,论文成果就是AI领域的研究,是懂AI的科学家。

 

  他又先后任职微软、谷歌等巨头,完整经历了IT、互联网和移动互联网的演进,是继往开来的产业变迁一线参与者。

 

  现在AI复兴以来,他创办的投资机构创新工场已投资60家AI公司,其中独角兽就有5家。以及思考着作《AI未来》,在中美都成畅销读物,后又被印成多国语言,周游列国AI。

 

  所以这一次“AI+”4时代的思考,更是真正全球视野之下的分析。

 

  参考这个逻辑,或许还能解答另一个问题:

 

  AI公司如何发展?又会往哪里去?

 

  原演讲题为《“AI+”时代的到来》,小标题为后添加:

 

 

  尊敬的陈市长、王部长,各位嘉宾,今天我要讲的题目是《“AI+”时代的到来》。“互联网+”曾经是一个非常普遍的口号,今天我们要讲的是“AI+”。

 

  “AI+”是什么意思?我们可以看到在过去的每一波浪潮当中,我刚刚从日内瓦回来,和施瓦布教授(达沃斯世界经济论坛发起人)交流,我们看到的是第四次工业革命在过去的蒸汽机、电气化、信息通信技术和互联网基础上,AI将带来第四次工业革命,AI在各种不同行业都有应用。

 

  AI演进4浪潮

 

  在我的书《AI未来》当中,我们描述了四波“AI浪潮”:

 

  AI是数据驱动,海量的数据是AI成功的要素,所以第一波浪潮一定是互联网数据的这一波。

 

  第二波浪潮是金融和很多其他的有标准化产品机会的各种领域,所谓的商业智能化,数据仓库。

 

  第三波浪潮是AI将有眼睛、耳朵还有更多传感器可以听到,感受到人类更多的信息。

 

  第四波浪潮AI将能够动,有手有脚,有轮子,在制造方面,在机器人方面,在无人驾驶方面将带来很大价值。所以它将重塑各个行业。

 

  从互联网进入商业,进入实体世界,进入全自动的智能化,我们可以看到,下面的各个领域几乎涵盖了人类社会的所有的商业领域。所以“AI+”就是把AI赋能到这四波浪潮当中的一个机会。

 

  另外我们学术界朋友谈的一个重要话题就是深度学习是不是走到底了?我们做科研的人是不是该启动新的科研课题?这个答案是肯定的。因为深度学习进入了成熟期,我们在产业界开始使用它,但是在学术界确实需要再发明更多更好的技术。

 

  这个话题的另外一面在于,虽然说我们在学术界要发明更多更好的技术,取代深度学习的技术,但是这是不可预期的,因为科学发明无法预期什么时候发生。但是非常确定的是在工业界和产业界,我们把深度学习发扬光大还有非常大的机会。

 

  一个研究告诉我们,AI在传统行业的渗透率只有4%,如果说我们对比前两次巨大的革命,我们今天的AI的普及状态就和当年的“黄页”是一样的。“黄页”大家都知道吧,马云先生的第一次创业就是“中国黄页”,那个时候互联网普及率就只有4%。

 

  这一方面意味着AI应用还非常少,另一方面意味着,未来发展的机会非常大。虽然我们看到AI在安防等领域有一些落地,但实际上我们只要问周围的企业家朋友,你的公司有没有全面使用AI,我相信96%的回答是“No”。

 

  “AI+”4阶段

 

  如果说从我们投资角度来划分AI的四个时代,我认为分为:AI技术时代、AI B2B时代,AI+传统企业时代、以及 AI 无处不在的时代。

 

  最开始AI是很难的,只掌握在非常优秀的博士手中。慢慢的它越来越好用了,最近在创新工厂我们做了一次培训,仅仅4周的时间,我们招了600个当届的学生,让他们做出了包括无人驾驶、对话机器人等超级应用。这意味着AI门坎在下降,AI技术平台越来越好用,所以AI普及带来了更多工程师,他们可以赋能更多行业,这是驱动的一个重要力量。

 

  回到四个AI的阶段,我们可以和互联网时代对比。

 

  我们记得20多年前,互联网貌似是一个黑科技,当时雅虎等都是让人不可想象的技术,这些技术大家非常快的掌握了,我们开始买Web Server等互联网内部服务器的一些软件。

 

  再下面各个公司就建立了互联网部门,有了互联网专家来帮助公司寻找方向。当时我在微软,我们就建立了一个互联网部门,专门教公司的人怎么切入互联网,但是这个部门很快解散了,因为互联网无处不在。随着技术的普及,一定会从黑科技走向一个无所不在的过程。现在我们正处于第二和第三个阶段中间。

 

  什么是黑科技时代呢?我非常有幸98年在微软中国研究院(现微软亚洲中国研究院),带了一批我的同事们做了中国最早的AI的科研人员。在2005年,又带了一批非常优秀的工程师做了很多好的AI工作。

 

  非常有幸,我在黑科技的时代接触到了很多伟大的公司,包括很多在座的朋友们,当时是一个以科研为主,以博士主导,把AI技术作为切入点,再去寻找商业应用的第一个阶段。

 

  第二个阶段是AI公司开始做2B产品,比如说保险、银行、客服、金融、教育领域能做什么产品,教育产品能卖给学校,金融产品卖给保险公司五世或者银行,包括我们投的第四范式、旷视科技、追一科技、迅策科技等等,他们都是行业的产品的领跑者。

 

  非常有幸,创新工厂投出了60家AI公司,其中有5家独角兽,未来一年还会有3-4家独角兽诞生。这是第二阶段,把AI做成产品,变成2B的应用。

 

  第三个阶段,普华永道认为2030年AI将给全世界带来大约100万亿人民币的GDP提升。在中国,我们看到大约是在200万亿人民币左右,其中40万亿左右是AI赋能达到的,远远超过其他国家。

 

  一方面这是一个巨大的机会,所以要赋能AI的各主要传统行业。但是话说回来了,我们想想今天的AI独角兽,包括我们投的5家,包括今天早上的商汤科技,包括在座的科大讯飞等等的公司,都是很伟大的AI公司,但是这些公司一年就是几十亿的收入,如果说我们在国内要创造50万亿的价值,这绝对不是再去创1万家公司可以带来的。

 

  这些AI公司会继续创造价值,但是更大的价值一定是要把AI价值赋能传统行业,如果说2030年我们是传统行业是近200万亿规模,我们只要在这个基础提升20%、30%、40%,就可以达到50万亿的规模,50万亿的价值一定是来自于AI赋能传统行业,一定不是来自于黑科技,这是一个巨大的差别。

 

  AI赋能传统行业三种模式

 

  AI怎么去赋能传统行业呢?我这里有三种模式。

 

  第一种是优化赋能,也就是说你的公司的所有的运营一点不变,但是我用AI帮助大数据赚更多钱,省更多钱。

 

  第二种模式是流程化赋能,也就是说要改改赋能模式,帮你创造更大价值。

 

  第三种模式是重构颠覆整个产业。

 

  这里我有六个例子来介绍这三个不同的方式:

 

  第一个是BPO的例子。

 

  就是在企业级应用服务当中,我们做了很多外包,简单来说,所有外包给印度的工作都可以外包给AI,现在有一个新技术叫RPA,就是把一个软件放到你的机器上,学你做的事情,过一会儿,10%、20%、30%就不需要人做了,机器就可以做了。

 

  这个对产业的节省成本是巨大的。我们可以看到的一些BPO的例子,包括在财务、法务、人力资源方面节省重复性的白领劳动,可以节省最多91.2%的成本。

 

  另外一个例子就是呼叫中心,用语音识别的技术和最新的语音识别加自然语言处理的技术,可以处理80%打来的客服电话,而且它的客户满意度是超过人可以提供的,这是我们投资的追一科技所做到的。

 

  再讲一下流程的智能化。在零售合作伙伴身上,我们用AI来预测销售,每一个产品在每家商店,每一天可以卖掉多少,它有海量的数据进来,可以做非常精准的预测,降低了它的仓储,对接到它的物流,不但带来了仓储物流节省的钱,人员培训的钱,它的店长都可以AI化,一个公司扩张找店长是非常困难的,店长现在也可以AI化了。

 

  这队对一些零售类的公司应该是上亿的价值。这个我们就可以明显看到AI赋能传统产业带来的价值是超过一个AI公司本身的。

 

  再比如说用AI了解传统数据。左边是用AI来做卫星数据,了解地面上农作物的温度和湿度,预测每年的产量和价钱。各种植物等等。右边的例子是更加精确的用太阳的高度和阴影的强度来预算那些储油罐里面有多少油。这些在没有AI的时候是不能做到的,这些只是冰山的一角,后面还有更多的机会。

 

  下面一个例子就是投资了,我们知道很多投资都是靠人和基金来做的,你去买基金可能有100种选择,1000种选择,但是是千人一面的。而且不是针对你的风险承受能力来定制的。

 

  未来AI基金会有各种收入,刚刚讲到油的收入、农产品的收入,对每个公司的股票可以做精准的预知。对于每个公司今天的士气,一个分析员是不可能做到的,但是如果说我们可以把社交媒体上,每个人属于每个公司,他今天发出来的社交媒体信息是高兴的还是不高兴的,把这个作为一个员工情绪的指数再输给AI,用AI判断这个股票是应该买还是应该卖呢?

 

  这个例子我可以讲一千个例子给你,因为一个基金经理决策只是靠几十个,几百个因素,几千个因素,而AI可以用无限的数据,无限的因素,而且针对千人千面做出更高回报的投资。

 

  美国顶级量化基金有两家,已经达到了600亿美金的规模,已经超过了人的回报。未来这个取代会比人更好,在二级市场股票基金一定会更好,因为它对海量的数据分析能力一定远远超过人。

 

  最后一个更加神奇的例子,制药。

 

  今天的制药是靠化学、生物专家去拍脑袋想一些疑难杂症用什么新方法来治疗,未来我们可以用生成化学的方法,再加上AI自然语言处理和对抗网络去寻找哪些可能的药的新分子是可能可以最快通过动物试验和临床试验的。根据我们初步的看法,对一个药的发明可以加快4倍,整个制药行业也被重构了。

 

  对于一个传统行业,AI赋能价值是巨大的,传统行业面临各种挑战,主要的挑战是AI行业怎么懂AI赋能在哪里,他们怎么去找AI专家?

 

  这一点我们也有我们了想法,创新工厂和我们的子公司创新奇智现在对8个领域提出解决方案,这些专家怎么介入呢?我们希望扮演的角色不只是VC投资公司,我们希望成为传统企业的首席AI官,我们会进来帮助每个传统企业分析在你各个部门里面,哪一个部门用AI可以产生最大价值。

 

  我们会把技术卖给你,或者是把技术送给你,连源代码,甚至派人进来,就和传统的咨询顾问一样。咨询顾问按照小时收费,我们不用收费,我们直接进去投资你这个公司,所以我们投黑科技公司,投2B公司,下面我们准备投传统公司,用AI力量来为他们赋能。

 

  总结

 

  所以今天我的演讲是分三个重点。

 

  第一个是AI会影响所有行业,尤其是传统行。

 

  第二,只有那些拥抱AI的传统行业才能得到最大的增长。

 

  最后,中国的传统行业某些领域还不是领先世界的,但是反而有可以弯道超车的机会,因为他同时做到IT化、数据化和AI化,这一定会帮我们带来2030年的50万亿的价值。

推荐文章

如果说有一项技术彻底改变了 21 世纪,那一定是人工智能。Google 新掌门人 Sundar Pichai 曾说:“人工智能带给我们生活和工作的改变,甚至将超过火和电。”虽然噱头满满,但不可否认的是,人工智能正在翻天覆地的改变着人们的生活方式。以前只有在科幻小说中才能了解到的工具和生活方式正在人工智能的加持下,从各个角度渗透进我们的日常生活,并带动着技术进步、产业升级、推动市场经济整体快速发展。因此,正确理解人工智能的概念就变得非常重要。本文将帮助你理解人工智能的定义、阶段、类型以及研究领域。人工智能的定义1956 年,John McCarthy(1927~2011)在达特茅斯会议上提出了“人工智能 (artificial intelligence,AI)”一词。他将人工智能定义为:“制造智能机器的科学与工程。”‘The science and engineering of making intelligent machines.’人工智能也可定义为能够执行需要人类智能的任务的计算机系统的开发,如制定决策、检测对象、解决复杂问题等等。  人工智能的阶段很多文章都认为,强人工智能(Artificial General Intelligence)、弱人工智能(Artificial Narrow Intelligence)以及超人工智能(Artificial Super Intelligence)是不同类型的人工智能。其实更确切地说,它们是人工智能的三个阶段。弱人工智能(ANI)弱人工智能,又称为狭义人工智能。在这一阶段,机器并不具备任何思维能力,只是执行一组预定义的功能,如语音识别、图像识别等,是擅长单个方面的人工智能,类似高级仿生学。它们只为解决某一特定具体的任务而存在,大多是统计数据,从中归纳出模型。比如, AlphaGo 只会下围棋,并不能执行其他任务。  弱人工智能的例子包括 Siri、Alexa、自动驾驶汽车、AlphaGo、人形机器人 Sophia 等。到目前为止,几乎所有基于人工智能的系统都属于弱人工智能。强人工智能(AGI)强人工智能,又称为通用人工智能。不同于弱人工智能,强人工智能可以像人类一样应对不同层面的问题,而不仅仅只是执行一组预定义的功能。不仅如此,强人工智能还具有自我学习、理解复杂理念等多种能力。也正如此,强人工智能的开发比弱人工智能要困难得多。事实上,人工智能国际主流学界所持的目标也仅局限于弱人工智能。目前很少有人进行强人工智能的研究,也尚未形成相应的成果。  强人工智能还被许多科学家视为对人类生存的威胁, Stephen Hawking 警告称:“完全人工智能(Full Artificial Intelligence)的发展可能意味着人类文明的终结……人工智能一旦脱离束缚,会不断加速重新设计自身。而人类由于受到生物进化的时间限制,无法与之竞争,很可能会被取代。”超人工智能(ASI)当弱人工智能已经大部分实现,强人工智能正在通过深度学习不断逼近之时,超人工智能的概念呼之欲出。在这一阶段,计算机的能力将超越人类。目前,强人工能智能是电影和科幻小说中描述的一种假想情景:机器已经接管世界。  “人工智能(我指的不是狭义的人工智能)的发展速度快得令人难以置信。除非你能够直接接触到 DeepMind 这样的组织,否则你根本不会知道人工智能的增长速度有多快——它正以接近指数级的速度增长。在五年内(最多十年)将存在发生危险事件的风险。"——Elon Musk人工智能的类型当有人让你解释不同类型的人工智能系统时,你必须根据它们的功能进行分类。密歇根州立大学 Arend Hintze 将人工智能分为以下几种类型:单一反应型、有限记忆型、具有心智型以及自我意识型。单一反应型(Reactive Machine AI)这种类型的人工智能是最基本的人工智能系统,它仅基于当前数据运行的机器,只考虑当前情况。也就是说,反应型机器只能进行反应,它既没有记忆能力,也无法利用过去的经验来制定现在的决策。  反应型机器的一个典型例子就是著名的 IBM 国际象棋程序 Deep Blue 。1997 年 5 月,它以 3.5:2.5 的战绩击败了世界冠军 Garry Kasparov,成为首个在标准比赛时限内击败国际象棋世界冠军的计算机系统。Deep Blue 看似拥有人的智慧,实际上,它只关注棋盘上的现状,并在可能的走法中作出决策。除了遵守重复棋局不能连续出现三次的规定外,和经验丰富的人类不同,它对过去并没有任何概念。目前的人工智能,要么对世界没有概念,要么只对其执行的特定任务有极其有限、具体的概念。Deep Blue 的创新之处在于,它放弃了拓宽计算机可能考虑的棋路范围的这种思路。相反,开发人员找到了一种方法,让它缩小自己的“视角”,根据它对某些走法的结果进行评估,停止追求一些可能的走法。类似地,AlphaGo 也无法评估所有的走法,但它采用了比 Deep Blue 更为复杂的方法:使用神经网络来评估棋局的走势。这种类型的人工智能无法在专业领域之外发挥作用,而且容易被愚弄。它们无法通过交互的方式成为世界的组成部分。很显然,它们只是最基本的人工智能系统,并不符合我们对人工智能系统的未来预期,即能够与人类展开真正的互动,甚至对周围的环境作出真实的反应。有限记忆型(Limited Memory AI)有限的记忆,顾名思义,指人工智能可以通过研究以往的数据作出明智的决策。这种类型的人工智能具有短暂或临时的记忆,可以用来存储过去的经验并评估未来的行为。  自动驾驶汽车就是这种类型的人工智能,它利用最近收集的数据作出即时决定。例如,使用传感器识别过马路的行人、陡峭的道路以及交通信号等,从而作出更好的驾驶决策,这有助于防止交通事故的发生。然而,自动驾驶汽车的历史信息存在的时间很短暂,无法像经验丰富的人类驾驶员那样将其存储在“经验库”中。这种类型的人工智能,并不能构建全面的“表现”(representations),它并不能记住自己的经验,并学会如何应对新的情况。具有心智型(Theory Of Mind AI)心智理论,心理学术语,是人类能够理解自身及周围人的心理状态的能力。这一理论来源于哲学,进入心理学领域后,慢慢成为认知心理学与神经心理学的研究重心之一。心智理论是人类社会形成的关键,通过这一理论,人们可以更好地理解社交、互动的内在动力。试想,如果人类不能理解彼此的动机和意图,那么,相互间的沟通、合作就会变得异常困难,甚至毫无可能。  这种类型的人工智能较前两种更为先进,它在心理学中扮演着重要的角色,主要体现在对机器“情商”的开发上。如果人工智能系统真的能够与人类并肩行走,它们就必须能够明白,每个人都有思想和感受,理解人类预期,并由此调整自身行为,这正是我们目前的人工智能与未来的人工智能之间的重要差异。自我意识型(Self-aware AI)这是人工智能发展的最后一步:构建一套能够形成自我表征的系统。像 Elon Musk 和 Stephen Hawkings 这样的天才一直警告我们警惕人工智能的进化。让我们祈祷,我们永远不会达到这种人工智能的状态。因为,在这种状态下,机器将拥有自己的意识,它能够意识到自我,知道自己的内部状态,还可以预测他人的感受。当前,具有自我意识的人工智能离我们还有很远的距离。然而在未来,到达超人工智能的阶段仍存在可能。  人工智能的研究领域人工智能可以通过以下技术解决现实问题:机器学习深度学习自然语言处理机器人模糊逻辑专家系统  机器学习机器学习是一门借助机器解释、处理和分析数据以解决实际问题的科学。它的根源可以追溯到 1952 年就职于 IBM 的 Arthur Samuel(被誉为“机器学习之父”)设计的一款西洋跳棋程序。机器学习有三种类型,分别为监督式学习、无监督式学习和强化学习。毫无疑问,机器学习有助于人类克服知识和常识方面的瓶颈,而我们认为这些瓶颈会阻碍人类水平的人工智能的发展,因此许多人将机器学习视为人工智能的梦想。想了解有关机器学习的更多信息,你可以浏览以下博客:Machine Learning Tutorial for BeginnersWhat is Machine Learning? Machine Learning For Beginners深度学习深度学习是在高维数据上实现神经网络以获得洞察力并形成解决方案的过程。深度学习是机器学习的一个高级领域,可以用于解决更高级的问题,它是 Facebook、自动驾驶汽车、Siri、ALexa 等虚拟助手人脸认证算法背后的逻辑。想了解有关深度学习的更多信息,你可以浏览以下博客:What is Deep Learning? Getting Started With Deep LearningDeep Learning Tutorial: Artificial Intelligence Using Deep Learning自然语言处理自然语言处理是一门从人类自然语言中提取洞察力,以便与机器交流并发展业务的科学。它也是人工智能中最古老、研究最多、要求最高的领域之一。开发智能系统的任何尝试,最终似乎都要解决一个问题,即使用何种形式的标准进行交流。例如,比起使用图形系统或基于数据系统的交流,语言交流通常是首选。20 世纪四五十年代,人们使用有限自动机、形式语法和概率建立了自然语言理解的基础。但是,20 世纪五六十年代,早期使用机器翻译语言的尝试被实践证明是徒劳无功的。20 世纪 70 年代,当时的潮流趋于使用符号方法和随机方法。进入 21 世纪后,随着机器学习的兴起,自然语言处理迎来新的突破,并推动了随机过程、机器学习、信息提取和问答等现有方法的应用。比如,Twitter 使用自然语言处理技术来过滤推文中的恐怖主义的语言,Amazon 使用自然语言处理了解客户评论并改善用户体验。机器人人工智能机器人是在现实环境中行动的人工智能体,通过采取负责任的行动来产生结果。这一领域在计

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。