第二节 从崛起到爆发：人工智能的进化路径

上一小节中，我们谈到了人工智能三大要素分别是算力、算法和数据。而人工智能的进化路径，同样也是基于这三大要素的崛起与爆发。

深度学习崛起

首先，我们要说的是，人工智能算法模型的演进过程。

20世纪80年代，一位叫作杰弗里·辛顿的英国学者，发表了一篇阐述多层神经网络训练方法的论文，主题是探索如何用计算机系统来模拟人类大脑。在此后的几十年里，无数人工智能领域专家都在研究，如何实现辛顿这篇论文里的愿景。多层神经网络训练就是我们现在所说的深度学习原型，也是人工智能技术的终极形态。

什么是深度学习呢？它是机器学习里的一个核心研究方向，其最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

虽然辛顿在深度学习领域做出了较大的贡献，却因为其模型运算结果不理想，一直无法获得学术界的认可，这一拖就是30年。转机出现在2012年，两位华裔科学家让深度学习突破了技术瓶颈，他们分别是斯坦福大学教授吴恩达和李飞飞。

作为当今全球人工智能领域最权威的学者之一，吴恩达不仅是斯坦福大学计算机科学和电子工程学的学术风向标，更因其一手创建并领导了谷歌深度学习团队，被业界誉为“谷歌大脑之父”。他通过研究发现，深度学习需要计算机拥有强大的运算能力，随即与英伟达公司展开合作，共同开发出了计算性能极强的图形处理器GPU，彻底解决了之前算力不足的问题。如今，这一芯片已被广泛用于人工智能研究的各个领域，为相关技术发展带去极大的算力支持。

另一位科学家李飞飞，则是当今人工智能领域成就最大的华裔女性，担任斯坦福大学红杉讲席教授，以及美国国家工程院院士。她的主要贡献在于参与建设了两个数据库：Caltech 101和ImageNet。尤其是ImageNet，已经成为当今全球最大的图像识别数据库。凭借这两个数据库，李飞飞成功开发出了视觉能力超过人类的人工智能图像识别系统。

他们的研究成果，间接证明了三个事实：第一，人工智能需要计算机系统极强的运算能力；第二，训练对于人工智能系统非常重要；第三，深度学习是人工智能系统中最合适的模型。

吴恩达和李飞飞的研究贡献，彻底改变了人工智能学术界对深度学习的看法。2012年，在斯坦福大学举办的一项人工智能算法大赛上，深度学习大放异彩，一举夺得桂冠。

至此，折腾了30多年的深度学习模型才奠定了自己在人工智能领域的地位，其在语音和图像识别方面取得的进展，远远超过先前的相关技术，也深刻影响了之后人工智能的研究方向。

其实，深度学习并不是人工智能唯一的运算模型，还有许多有价值的模型仍在试验当中，它们的应用范围相对较小。比如，美国科学家杰夫·霍金斯的记忆预测模型也比较出名，它的运算过程与人脑更加接近，但同样因为结果不理想而暂时不被外界认可。

又比如，决策树也是比较常见的运算模型。它主要被用来评价项目风险和判断其可行性。但缺点也很明显，它没办法处理一些连续字段，而且当数据类型较多时，需要先对数据进行人工分类和清洗，诸如此类的限制比较多。

算力：GPU挑大梁

实际上，传统的CPU芯片发展已经在2010年出现疲态，体积越来越小，晶体管越来越多，边际效益上已经很难再有大幅提升。就在这个时候，科学家们发现了图形处理器GPU。

经常玩电脑游戏的人应该知道，显卡主要是由GPU构成的，用于游戏图像的渲染。它里面的核心是一个叫作“shader”的运行单元，专门用于像素、顶点、图形等渲染，这恰好与人工智能的图像识别能力相匹配。

只需要为GPU加入可编程的功能，就能够承担与CPU同样类型的工作，从而弥补因CPU性能不足而导致的算力发展瓶颈。

人工智能的终极目标是模拟人脑，人脑大概有1000亿个神经元，1000万亿个突触，能够处理复杂的视觉、听觉、嗅觉、味觉、语言能力、理解能力、认知能力、情感控制、人体复杂机构控制、复杂心理和生理控制，而功耗只有10～20瓦。

功耗低、运算能力强是衡量芯片水平的主要指标，从这个方向去看，我们可以用直观的数字进行对比，体会一下CPU与GPU之间的差距：

如果每秒钟处理4.5万张照片，需要160个CPU芯片同时参与计算，而GPU芯片却只要8个。能耗差距也比较大，GPU的电力消耗只有CPU的二十分之一。

大家千万不要小看这样的技术进步，表面上它代表着人工智能领域的阶段性突破。从更深层次来说，这些数字的背后，代表着企业巨大的采购成本与运营成本。正是因为更有性价比的GPU芯片的应用与推广，彻底降低了人工智能领域的参与门槛。在这之后，许多中小企业甚至个人都敢于加入人工智能领域的竞争中来，从而推动了整个行业的良性发展。

数据：4G积淀，5G爆发

在算力得到大幅提升的同时，互联网产生与积累的海量数据样本，也是人工智能在此时爆发的重要原因。

在互联网时代，微信、微博和推特等社交网络的发展，汇聚了大量的用户资源，这些用户为各个平台带去了海量的个体社交数据。而淘宝、亚马逊和京东等电商平台的活跃，则提供了庞大的商品信息数据、消费者购物偏好和购买习惯数据。

实际上，目前人工智能领域最亟待解决的，就是数据获取的问题。拥有这些数据的大公司，可以将其作为训练数据投入相关算法模型系统中，收获人工智能的应用成果。所以，我们目前所看到的大部分人工智能企业，都曾经是互联网时代的头部企业。比如百度、阿里巴巴、腾讯、亚马逊和谷歌等，除了基础的技术优势之外，它们与小企业最大的不同，就是天然拥有一个实时更新的数据库，用来训练自己的人工智能系统。

至此，人工智能的三大要素已经具备。那么，接下来人工智能就能乘势而起了吗？答案是否定的。评价一项技术是否成熟的标准，就是能否顺利完成商业化落地。很多时候，这一过程远比技术研究更为艰难。

就拿国内人工智能的头部企业百度和科大讯飞举例。

百度的人工智能转型战略和谷歌类似。这家靠技术驱动的公司，一开始便投入大量的资源和资金，押宝技术门槛较高的无人驾驶领域，不断从全球高薪聘请专业人才。2013年，百度创建了阿波罗（Apollo）自动驾驶平台，并在之后的几年中不断发展壮大，还联合了福特、奔驰和微软建立开发者生态。

虽然阿波罗技术先进，但此后的商业化落地却不那么成功。首先，自动驾驶汽车缺乏足够的耐久性试验；其次，像激光雷达、传感器等重要零部件，完全达不到大规模量产的要求；最为重要的是，许多与百度合作的车企，对于自动驾驶技术的需求并不迫切，不过是想借着百度的名号“蹭一蹭”自动驾驶的热度去迎合市场。

而以语音人机交互为核心技术的科大讯飞，在创业之初也是在产业化上四处碰壁。董事长刘庆峰对此有过反思：“恨不得今天做个语音掌上电脑，明天又做个语音听写软件，后天再搞个工商查询系统。”经历了团队信心动摇、资金捉襟见肘和业务方向调整等一系列困难后，科大讯飞最终还是在电信运营商服务与普通话考试教育上，找到了产业化的突破口。

看完了百度和科大讯飞的案例之后，我们大概可以总结出目前人工智能企业面临的两大难题。

最直接的，就是持续不断的人才招募压力。我们知道，人工智能是一个更新速度很快的技术领域，今天一个新算法，明天一个新模型，企业需要不断地去追逐顶尖技术，才能收获市场的关注度。

那么，如何才能跟上市场的脚步呢？让员工现学肯定是来不及的，最简便的办法就是不断地招募最顶尖、最前沿的技术人才。招到了问题解决，招不到落后市场一截，这是许多人工智能技术型企业面临的问题。

另一方面就是利润兑现。企业不同于高校和研究机构，不可能无止境地进行投入。所有资金、人力和时间的投入，都需要在规定时间内看到回报。最近几年，尽管人工智能热度异常高，但没有几家企业收益能够让人满意，大部分还是“叫好不叫座”的状态。因此，我们也有理由相信，这一状态可能还会持续很长时间。

技术型企业正面临步履维艰的困境，但反观IT硬件消费领域，人工智能却呈现了另外一番景象。小米、苹果和大疆这些以硬件为主的厂商，凭借着敏锐的嗅觉，很快就以“轻技术”的形式切入了人工智能市场，并让智能手环、无人机和智能家居等许多智能化产品进入了千家万户。

其实这个过程并不复杂，品牌只需要在常规的IT硬件消费品中，加入一些智能化的科技元素，比如语音交互、智能控制和远程遥控等，就能很快与同类型产品拉开差距。

也许你会说，这些产品并不是真正意义上的人工智能，有些甚至只是概念炒作。但就像我们之前提到的那样，它们既有硬件入口，又有软件技术，完美地构成了一个人工智能产品循环。在这个基础上，企业可以进一步完成技术的升级迭代，越来越靠近真正的人工智能。需要强调的是，只有人工智能真正融入普通大众，成为人们日常生活中不可分割的一部分，它的产业化应用才算成功。

其实，对于人工智能，我们大可不必纠结太过遥远的未来，把现有的技术成果快速投入产业实践中去，才是人工智能获得成功的关键一步。