从乔布斯、马斯克到人工智能,AI带给我们的启发

活了这么久,我领悟到一个道理,就是我们总是无法随心所欲。怎么才算随心所欲,让世界没有秘密?这是电影《黑客帝国》的一段话。

世界变化得越来越快,而我们好像来不及反应。

如果没有互联网时代的到来,也许就没有《黑客帝国》这样的电影呈现。突然想写写这个时代的核心科技天才人物,给我们带来的科技变化。

传大的领导者都是伟大的学习者。

牛津大学研究人员先前在美国和英国进行研究显示,美国可能被机器人取代的职位比例为47%,英国为35%,中国为77%,日本为49%。

随着智能时代的到来,我们也开始对自己所属的行业工种产生新的审视,你现在所做的工作有没有可能在不久的将来变成机器自动化,让机器人取代,而我们要选择什么样的工作才能保证没有危机感,现在不光是人与人竞争。还有与这个大时代科技带来的创新的竞争。

工业时代最大的收获就是“执行力”而执行力务必是执行,按着一条条命令去严谨完成即可,他不需要你有过多的大脑分析,而只需要思考如何执行到位。

智能时代有可能将这种需要人工去执行的工种用自动化取代,而人们需要更多的是要有引领思维。

未来已来。

这就会逼着我们在很多行为上面做一些改变,看了一些关于马斯克和乔布斯的书,他们2个非常相似,喜欢设计,喜欢控制,追求细节上的完美极致。无论是乔布斯在设计手机上面的美学,还是马斯克发射火箭,都是在细节上达到了百分百,执行细节的苛刻,都贯彻到了骨子里。

关键是这样的大师级人物不论是从事哪一个行业都会十分出色,他们身上有一种多元化思考与实践,按现在的理解来说就是跨界奇才。

大师级人物,从来不拥有专业身份。马斯克是科学家、企业家、思想家,他的专业知识覆盖了火箭、工程学、物理学、人工智能、太阳动能源等学科领域,思想表达又像哲学家一样深刻而透彻。

马斯克的跨界能力来自超级阅读力。知识达到一定程度就是可以连接自动实现跨界并很好的运用。

乔布斯主张专注和简单。简单可能比复杂列难做到,你必须努力梳理思路,从而变得简单。苹果手机的设计界面,一开始黑白2种颜色整个界面只有一个开机键,真是少而简到了极致。

生活中的乔布斯,素食、禅修,冥想,样样都不是停留在语言上,他是在用真实的生活去参与感受,而不是停留在遵守各种宗教教条。

有趣的是乔布斯和马斯克在公司管理上面都很“暴力”,私下都被誉为“暴君”乔布斯最让员工可怕的是冷漠,而马斯克有点轻微的岐视智商不高的人。乔布斯不相信上帝,而马斯克是个连上帝都不愿意等待的人,他们都有着自己的追求和精神领空,在他们的世界中,所有人必须无条件的配合他们的指令。

暴君们只对待出色的人友好。实际上亚马逊的创始人贝索斯也是被员工认为很冷漠的人,在亚马逊任职十几年的管理人员说"贝索斯不是那种人,他不能容忍愚蠢,即使是偶然的愚蠢”。

无一例外,这些科技大佬们,都是从事自己热爱的事业,精力十足,并都有点偏执狂特质。在阅读这些人物自传时,也就理解了世界第一首富约翰·洛克菲勒写的《只有偏执狂才能成功》,还有安迪.格鲁夫写的《只有偏执狂才能生存》,看来偏执也是一种力量。

人工智能的出现与发展预示着世界上90%的人类工作将由机器人完成,未来穷人对富人和权力阶层的利用价值将逐渐消失,城市中心的住宅会变得低廉,能源采集来自光和风...人类从设计自己的生活,将逐渐升级为自我设计,新技术会赋予人们前所未有的能力。这是《人类简史》·赫拉利中的描写。

我们在享受着这些偏执狂一样的大佬们带给我们的科技感,同时也要思索自己对于社会的贡献在哪里,有没有可能被取代,如何让自己立足于不可取代的位置,随着人工智能的到来我相信这是每一个职场人士都会要去思考的问题。

如果人工智能真的来临,我们是否做好了准备,在从事被取代工种的我们又该何去何从呢。

2020年是沉重又特殊的一年,这一年发生了太多不寻常的事情,我想这场全世界的疫情会给我们每一个人不同的感受,让我们放慢了脚步,让我们学了会敬畏,学会了审视自己。但是不管怎样,我们还是要着眼未来,用发展的眼光看待2021年,更好的理解人工智能带来的启发。

2017年应该是人工智能最火的一年。智能家居、智能工厂、智能语音等。

我们试想一下如果人工智能用在中国的农业上是怎么样的效果。

美国是一个农业大国,通过视频可以了解到,他们工人在农场作业时用机器取代工人,一般一到三个人就可以管理好一个宠大的农场,在节省人工成本的同时经济收益得到了几百倍的增长。整个农场运作都是程序化的,按程序去操作即可。

如果人工智能用到我们的农业,智能化农业科研、生产、加工、销售于一体,实现全天候,反季节的系统化生产,这样增加了生产规模提高了生产基数,会不会降低普通人的生活购买成本,当然这只是我个人的小小想法,真正实现起来需要一些时间。不过在日本和美国已经有了显著成效。

另外,随着国内人口红利的消失,人工机器人的发展也可以很有效的拉动传统产业,补充劳动缺口。

人工智能会给我们带来什么样的启发呢,随着人工智能的到来,技术也就越来越被重视,参与到学习各种技术的人员会更多。智能设备与人类融合,通过数据会参与到我们的学习、记忆、分析和理解能力,甚至有可能会参与我们最后的判断与决定。

未来10年中,人工智能将会从以下方面改变我们的生活。

1、人工智能将成为更好的个人助理。如苹果手机Siri等 私人助理让很多人养成与设备对话的习惯,减少触碰屏幕的时间。除了提醒功能和进行网络搜索外,私人助理在家居领域也会有一番作为。通过软件语音可以打开或关闭家里的家用电器设备。

2、人工智能将能在危机来临时处理海量信息。

3、机器人将能互相沟通,并制定计划。这个场景可能需要实现的时间会相当长。

4、人工智能将能提前做出医疗预测。

5、无人驾驶汽车将能自行做出判断。现在的无人驾驶很难做出汽车面临一个两难选择的伦理判断,可能需要10年的时间研究。

6、刷脸成为普遍的识别方式,除了刷卡,刷手机,可能在登机、观影、登录邮箱等都可以利用人脸识别系统。

7、智能语音识别。

人工智能技术会对传统行业产生颠覆性影响,在国防、医疗、工业、农业、金融、商业、教育、公共安全等领域取得广泛使用,也将会产生新的业态和商业机会,引发产业结构的变革。

目前国内做得好的人工智能就是人脸识别和网络安全,坐飞机和高铁还有支付的时候,就感觉人脸识别很方便,但是其它方面的人工智能可能因为本人认知有限,并没有太多体会到。

相信不久的将来,人工智能会改变我们的生活,想想互联网红利期带给我们在交通支付购物点餐等生活服务中的众多便利,就更加期待人工智能的早点到来。

人类文明的永恒主题一直是“自由”,制度自由、经济自由、思想自由、空间自由、即便财富的魔力本质依然是自由。希望人工智能的到来,能加速让我们体会到这无限的自由。


推荐文章

人工智能行业研究报告围涵盖AI基础技术及终端产品研究范围:人工智能是一门综合了计算机科学、生理学、哲学的交叉学科。凡是使用机器代替人类实现认知、识别、分析、决策等功能,均可认为使用了人工智能技术。作为一种基础技术,人工智能在很多行业都有用武之地。既有人工智能+基础行业的概念(如人工智能+金融=Fintech),也有其具体应用行业的概念(比如机器人)。按照技术应用的不同场景,可以将人工智能分为基础技术类及终端产品类,本报告研究范围涵盖以下领域:研究目的:本报告将集中探讨:„ 人工智能行业整体的发展现状与技术发展趋势„ 各细分领域投融资热度与技术成熟度„ 巨头在人工智能领域的布局与策略„ 各应用领域市场规模、竞争格局、进入壁垒、产业链上下游构成„ 行业标杆的商业模式、核心竞争力、未来发展预期目 录 Contents一、人工智能行业驱动力1. 行业驱动——数据量、运算力、算法技术2. 政策法规3. 投资热度国际投资热度分析国内投资热度分析国内公司运营数据分析二、人工智能产业链与巨头布局分析1. 产业链构成2. 巨头布局开源平台布局芯片布局技术布局一、人工智能行业概述三、人工智能基础应用介绍与典型公司分析1. 语音识别2. 语义识别3. 计算机视觉目 录 Contents五、人工智能在各行业的应用介绍与典型公司分析1. 机器人2. AI+金融3. AI+医疗4. AI+安防5. AI+家居六、人工智能芯片介绍与典型公司分析六、人工智能行业趋势展望1. 人工智能各行业综述2. 人工智能当前发展瓶颈四、人工智能芯片介绍与典型公司分析1. 人工智能芯片适用性分析GPUFPGAASIC2. 人工智能芯片产业链分析3. 人工智能芯片典型公司分析人工智能行业概述CHAPTER 1 • 行业驱动——数据量、运算力、算法技术• 政策法规• 投资热度国际投资热度分析国内投资热度分析国内公司运营数据分析636Kr-人工智能行业研究报告2017年2月数据量、运算力和算法模型是影响人工智能行业发展的三大要素。2000年之后,数据量的上涨、运算力的提升和深度学习算法的出现极大的促进了人工智能行业的发展。• 海量数据为人工智能发展提供燃料要理解数据量的重要性,得先从算法说起。数据量和算法可以分别比作人工智能的燃料和发动机。算法是计算机基于所训练的数据集归纳出的识别逻辑,好的算法模型可以实现精准的物体和场景识别。数据集的丰富性和大规模性对算法训练尤为重要。因此可以说,实现机器精准视觉识别的第一步,就是获取海量而优质的应用场景数据。以人脸识别为例,训练该算法模型的图片数据量至少应为百万级别。2000年以来,得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生并存储的数据量急剧增加,这为通过深度学习的方法来训练计算机视觉技术提供很好的土壤。IDC数据显示,从2011年起,全球所产生的数据量已达到ZB级别(1ZB约为10亿GB ),海量的数据将为计算机视觉算法模型提供远远不断的素材。而关于数据量对提高算法准确率方面的重要性,更有学者提出:“It’s not who has the best algorithm that wins. It’s who has the most data. ”行业驱动力 · 数据量海量数据为人工智能发展提供燃料大数据训练模型 应用于具体场景算法模型 场景应用01020304050来源:IDC,36氪研究院2020数据量与准确率之间的关系 2009-2020年全球总体数据量(单位:ZB)20090%10%20%30%40%50%60%70%80%90%100%100 200 300 400 500 600 700 800 900 1000测试字符数量Window Memory-BasedPerceptron Naïve Bayes说明:window、memory-based、perceptron、naive bayes 均为不同算法来源:Stanford机器学习公开课,36氪研究院1.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析准确率736Kr-人工智能行业研究报告2017年2月人工智能领域是一个数据密集的领域,传统的数据处理技术难以满足高强度、大数据的处理需求。 AI芯片的出现让大规模的数据效率大大提升,加速了深层神经网络的训练迭代速度,极大的促进了人工智能行业的发展。AI算法的处理需要大量的矩阵计算操作,因此特别适合使用并行运算芯片进行数据处理。而传统的CPU一次只能同时做一两个加减法运算,无法满足并行运算的需求。目前,出现了GPU、NPU、FPGA和各种各样的AI-PU专用芯片。而其中, 出现最早的GPU为人工智能的发展做出了巨大的贡献。擅长并行计算的GPU大幅提升机器学习效率。在GPU出现之前,算法运行的速度是很慢的,即使是一个简单的神经网络数据的培训,也得花费几天、甚至几周的时间。 1999 年,Nvidia 公司在推销Geforce 256 芯片时,提出了GPU( 图像处理器) 概念。GPU是专为执行复杂的数学和集合计算而设计的数据处理芯片。它的出现让并行计算成为可能,对数据处理规模、数据运算速度带来了指数级的增长,极大的促进人工智能行业,尤其计算机视觉领域的发展。GPU与传统CPU相比,在处理海量数据方面有压倒性的优势。 据Rajat Raina 与吴恩达的合作论文 “用 GPU 进行大规模无监督深度学习” 显示,在运行大规模无监督深度学习模型时,使用 GPU 和使用传统双核 CPU 在运算速度上的差距最大会达到近七十倍。在一个四层,一亿个参数的深度学习网络上,使用 GPU 将程序运行时间从几周降低到一天。今天,数据处理速度不再成为制约计算机视觉发展的主要瓶颈。想要发挥专用芯片的计算优势,需要芯片结构和软件算法两者相匹配。目前的趋势是,随着对人工智能各类应用需求的不断增强,专门用于加速人工智能应用的AI-PU或将成为计算机另一个标配组件。行业驱动 · 运算力运算力的提升大幅推动人工智能发展世界上第一款GPU-GeForce 256 中科寒武纪即将投产的 “寒武纪”NPU Altera的高端FPGA 产品 Stratix 101.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析836Kr-人工智能行业研究报告2017年2月在深度学习出现之前,机器学习领域的主流是各种浅层学习算法,如神经网络的反响传播算法(BP算法)、支撑向量机(SVM)、Boosting、Logistic Regression等。这些算法的局限性在于对有限样本和计算单元的情况下对复杂函数的表示能力有限,对复杂数据的处理受到制约。以计算机视觉为例,作为一个数据复杂的领域,浅层学习算法的识别准确率并不高。该类识别原理多为通过寻找合适的特征来让机器辨识物品状态,由于这个处理逻辑是浅层的,不能穷举各种复杂的情境,因而算法拟合的准确率不高。深度学习突破人工智能算法瓶颈。2006年,Geoffrey Hinton 和合作者发表论文,“A fast algorithm for deep belief nets”,此后“Deep Learning(深度学习)”的概念被提出。以计算机视觉为例,深度学习出现之前,基于寻找合适的特征来让机器辨识物体状态的方式几乎代表了计算机视觉的全部。尽管对多层神经网络的探索已经存在,然而实践效果并不好。深度学习出现之后,计算机视觉的主要识别方式发生重大转变,自学习状态成为视觉识别主流。即,机器从海量数据库里自行归纳物体特征,然后按照该特征规律识别物体。图像识别的精准度也得到极大的提升,从70%+提升到95%。在短短几年时间里,深度学习颠覆了语音识别、语义理解、计算机视觉等基础应用领域的算法设计思路,逐渐形成了从一类训练数据出发,经过一个端到端的模型,直接输出最终结果的一种模式。由于深度学习是根据提供给它的大量的实际行为(训练数据集)来自我调整规则中的参数,进而调整规则,因此在和训练数据集类似的场景下,可以做出一些很准确的判断。行业驱动力 · 算法深度学习突破人工智能算法瓶颈72.00% 74.50%84.70%89.00%93.00% 95.00%60%70%80%90%100%2010 2011 2012 2013 2014 20152010-2015年 ImageNet 比赛图像识别准确率注释:ImageNet是计算机视觉系统识别项目。来源:36氪研究院过去 现在 未来Google translate语义识别准确率60%83.4% …注释:Google translate是语义识别项目。来源:36氪研究院1.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析936Kr-人工智能行业研究报告2017年2月 • 其他国家人工智能相关政策各国均在政策层面强调和推动人工智能的发展。其中,美国侧重于研发新型脑研究技术;欧盟主攻以超级计算机技术来模拟脑功能;日本则聚焦以动物为模型研究各种脑功能和脑疾病的机理。政策法规 · 国外政策加码,人工智能发展如火如荼国家 相关措施美国• 2013 年4 月,美国正式公布“推进创新神经技术脑研究计划”(BRAIN)。得到政府拨款1.1 亿美元,覆盖美国国家卫生研究院(HIN)、国防部高级研究项目局、国家科学基金会。• 2014 年HIN 小组制定了未来十年详细计划,预计每年投入3-5 亿美元开发用于监测和映射大脑活动和结构的新工具,十年计划共花费45 亿美元。欧盟2013 年初,欧盟宣布了未来十年的“新兴旗舰技术项目”——人脑计划(HBP),该项目汇聚了来自24 个国家的112 家企业、研究所和高校等机构,总投资预计将达到12 亿欧元。计划在2018 年前开发出第一个具有意识和智能的人造大脑.日本2014 年9 月启动大脑研究计划Brain/MINDS。该计划为期10 年,由日本理化学研究所主导实施,旨在理解大脑如何工作以及通过建立动物模型,研究大脑神经回路技术,从而更好地诊断以及治疗大脑疾病。来源:36氪研究院1.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1036Kr-人工智能行业研究报告2017年2月 • 国内人工智能相关政策国内近几年也出台了相关扶植人工智能发展的政策,积极推动人工智能在各个细分领域的渗透。2016年5月,国家四部委更是颁布《 “互联网+”人工智能三年行动实施方案》,明确提出要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平。政策法规 · 国内政策加码,人工智能发展如火如荼实施时间 颁布主体 法律法规 相关内容2015.5 国务院 《中国制造2025》提出“加快发展智能制造装备和产品”,指出“组织研发具有深度感知、智慧决策、自动执行功能的高档数控机床、工业机器人、增材制造装备等智能制造装备以及智能化生产线,统筹布局和推动智能交通工具、智能工程机械、服务机器人、智能家电、智能照明电器、可穿戴设备等产品研发和产业化。”2015/7/4 国务院《国务院关于积极推进“互联网+”行动的指导意见》明确提出人工智能作为11个重点布局的领域之一,促进人工智能在智能家居、智能终端、智能汽车、机器人等领域的推广应用。2015/7/9 中央办公厅、国务院《关于加强社会治安防控体系建设的意见》加大公共安全视频监控覆盖,将社会治安防控信息化纳入智慧城市建设总体规划,加深大数据、云计算和智能传感等新技术的应用。2016.1 国务院 《“十三五”国家科技创新规划》智能制造和机器人成为“科技创新-2030 项目”重大工程之一。2016/3/18 国务院《国民经济和社会发展第十三个五年规划纲要(草案)》人工智能概念进入“十三五”重大工程。2016/5/18国家发展改革委、科技部、工业和信息化部、中央网信办 《“互联网+”人工智能三年行动实施方案》明确了要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平,并且政府将在资金、标准体系、知识产权、人才培养、国际合作、组织实施等方面进行保障。1.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1136Kr-人工智能行业研究报告2017年2月 • 融资规模与成立公司数量总览咨询公司Venture Scanner统计,截止2016年Q2,全球人工智能公司已突破1000家,跨越13个子门类,融资金额高达48亿美元。而人工智能创投金额在5年间增长了12倍。投资热度 · 全球全球AI领域融资金额5年增长12倍62 96 66 68 64 138 125 102 186 283 211 141 321 555 394 942 769 398 911 485 6361,04911211322 2038 37 38 43 50634770 77 84 809284120100134

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。