重新定义人工智能

重新定义AI：传统AI+数据+知识图谱+深度学习（机器学习、迁移学习、多表征学习）+旧产业=新产业；很多人误解AI=机器人、深度学习=机器学习；目前AI对应TOB与TOC行业但都缺乏用户应用场景与用户消费场景；如果把机器人当成玩具就会出现价格提不高、功能单一无趣勾引不了用户G点；

目前为止不缺数据与数据工具但缺乏高质量数据与即懂数据又懂业务的通用型人才；数据驱动在于数据，很多老板思维停留在互联网思维、工业时代的机械思维而不是信息大爆炸时代的数据思维；传统老板喊着互联网思维但做的事却不是互联网的零成本规模化的模式；

目前人工智能最难以突破的是模式识别；机器获得智能的方式和人类不同，它不是靠逻辑推理而是靠大数据和智能算法；新的产业需要新的思维模式，思维模式决定一切；

人工智能有泡沫，纯AI没有商业模式；计算机没有思维就不可能有意识，没有意识就不会有情感可言性，除非有高端自主学习的思维软件或系统出现（也就是虚拟人大脑）今天的AI局面是依托于计算机的计算能力增强加上互联网与移动互联网大量的数据爆发再配上深度学习的算法才得到如今看到的鼓吹AI爆发点；

但目前依然缺乏高质量数据，数据越大越杂越需要模式识别与切割分配多层交叉模型训练链接与训练跑通整个通道需要很长时间与过硬的芯片及硬件配置；

真正的人机对话目前至少还做不到；借助AI突破会出现两个方向：一是自动精准问答、二是自动精准推荐；我们都在谈大数据但是真正的大数据时代还没有到来但会很快；数据资产目前这个概念在法律上还非常模糊但不影响它的存在与商业化使用；

在云端的那些用户数据，用户应该有知情权和选择权，作为企业一方需要询问用户得到用户授权才能正常使用；未来软硬件都需要具备自主学习的能力；深度学习需要大量高质量数据训练固然重要但是快速响应处理时间也很重要，所以未来需要支持多机多卡训练系统；追求安全、稳定、低功耗也是这个系统需要的指标；

人工智能的发展也没有想象中那么快但是每个技术拐点都出现情况下才能连接各种产业发展进行爆发式猛烈的突破，至少目前消费级机器人在短时间内不可能成为爆发产业；比如市面上智能硬件企业过于强调互联网化服务导致背离了硬件本质；很多硬件并不像手机那样完全以手机应用内容为驱动的设备，所以失败也是正常的事；

硬件的产业价值规律和软件不同，所以不能提倡硬件免费思路；硬件产品对于你的物流、仓储、供应链要求等都是非常巨大的挑战；智能硬件依然得靠卖产品赚钱；以前那波互联网红利到现在这批移动互联网浪潮红利几乎被挖光了技术红利，目前属于智能硬件时代但真正智能的也是手机其他产品目前还没有真正的智能化，所以旧的商业模式或设计及思维都有固化老套了，所以必须静下心来思考未来的新商业模式；

物联网至今才发展3年，手机也是发展20年才有5年火爆期，那2014年才是智能硬件的开启之年；未来10年AI发展迈入到专用，后10年才到通用阶段；大数据概念最火的时间是2011-2014年；大数据的要想成功绝对不是由实现技术的某一方面而实现的，它需要把技术、人、流程糅合到一起，收集数据、储存数据、清洗数据、查询数据、分析数据和对数据进行可视化等工作是有分工的；

大数据发展有以下5个发展阶段：部署阶段、生态体系成熟阶段、大数据基础设施持续创新阶段、大数据分析与人工智能结合阶段、大数据应用加速发展阶段；

人工智能概念发展有60年，出现过人工神经网络、机器学习、知识表现、智能搜索、模糊逻辑等实现人工智能的方法；深度学习与大数据的结合可以不断提升新的人工智能算法；人工智能发展出现了两个分支一个是无规则计算机读取大量数据、依靠统计、概率分析等方法进行处理所实现人工智能；另一个是基于神经元网络的深度学习，使人工智能的能力不断提高；

计算机新的思维模式将会促进深度学习、增强学习、迁移学习、神经网络等技术的普及，而语音识别、图像识别、自主移动识别等通用技术一定会与深度学习能力整合，加速融入到各种创新产品中去；

做产品必须落到“刚需、痛点、高频”这六个字上；也就是说你制造出的产品必须是用户的刚需，必须解决用户的痛点，而且必须是用户高频使用的；没有需求就谈不上用户体验；通常每个硬件需要做到第三版的时候才能有点感觉，这就是前面失败不算是失败；在技术开发方面，开发硬件的难度确实要比开发软件大很多；

供应链把控也是一个关键问题：比如生产商在做测试阶段给你用最好的产品，到了批量生产阶段可能为了多赚钱就有用良品冲次品做给你，这样品质就得不到全面保障；很多企业为了创业而创业，为了做硬件而做硬件，所以它们把这些场景和需求无限放大；

互联网原本本质是：用户至上、体验为王、产品和服务是基础、免费、颠覆式创新；传统生意里只有客户概念（一手交钱一手交货的买卖，服务也不是很好），互联网起来后才有用户这个说法与体验这个词；发展演变趋势：顾客—客户—用户—

微博改变了信息传播规律，智能手机改变了传统的软件安装方式，这就是创新；听大多数人的建议，跟少数人交流，最后自己做决策—柳传志

人工智能并非复制大脑，只不过是达到对等技术；我们通常的思维往往是将机器和人分开来看来比较，是否考虑一下人机交互设计呢？把大脑分为旧脑：主要负责处理记忆、动作协调、嗅觉、视觉等感知系统；新脑：主要负责处理语言、运动、空间、推理、知觉等高级功能；大脑和计算机都能储存和处理信息，但是大脑和计算机之间相似性可没有那么简单；

大脑的记忆是层级结构和连贯有序的；技术演化进程不可避免地导致计算机能力的进化，反过来又扩展了我们的认知基础，使我们能够通过某一领域知识的广泛联系来了解另一个领域的知识；其实网络本身就为等级划分系统能力提供了一个恰当例子：网络包含大量知识同时又维持了其内在的结构；

人类发明工具是为了祢补自身的缺陷：比如发明口语、书面语到现在的计算机，我们的记忆是连贯有序的，我们可以按照记忆刻入的顺序获取，却无法倒序获取；也就是说我们可以直背字母表但不能倒背如流字母表（除非你是是从倒背字母开始记忆的，否则正常人是无法倒背如流的）但是我们的计算机可以检索提炼出来；

所以我们常常误解为意识就是记忆；意识不等于记忆；其实我们大脑并不储存图片、视频和音频之类的内容，我们的记忆是一种有序的图像记忆，而未能图像的部分会从记忆里慢慢淡去；

即便我们把一些名人图像遮住一部分，我们大脑还是有意识地识别出来那个名人照片但是我们的计算机图像识别不行；这就是意识与记忆不同之处，我们可以靠我们自身意识唤醒我们大脑的抽象想象力来连接曾经从大脑记录过的模糊图像来大概就是这样的意识辨别；

因此对于感知的意识体验实际上会因为我们作出不同诠释而改变也就是说我们思维一定成为固定模式那就很难具有突破思维局限性的空间想象力；

联想就是联接（关联+连接+链接=联接）+想象力（想象力来源于好奇心，好奇心来源于兴趣，兴趣来源于爱好：好奇心—兴趣—爱好—研究—探索—冥想—想象力）但是我们计算机有联接能力但没有想象力；我们大脑新皮质负责感官知觉，认知从视觉物体到抽象概念的各项事物和各种控制活动，以及从空间定位到理性思考的推理以及语言—主要就是我们所说的“思考”

虽然人类只拥有简单的逻辑处理能力，但却拥有模式识别这一强大的核心能力，这也就是为什么目前人工智能最难的就是模式识别原因；我们建立人工模式识别系统（比如语音识别、视觉识别系统）的工作都是用一维列表展现二维或三维现象；

感知—已知—认知：我们人工智能需要从感知（语音识别、图像识别、情感识别、自主移动等）迈进已知（知识图谱、深度学习、迁移学习、数据、各种统计模型、信息、语义料库）再迈进认知层级（推理、分析、整合、集合、处理、检索、提炼）

我们人类有两种思维模式：第一种是发散思维，即想法以一种不合逻辑方式相互触发；第二种是定向思维，当我们尝试解决问题或者组织一个严谨的答复时就会用到它；言语系统最适合识别语音，字符识别系统最适合识别印刷字体，图像识别系统最适合人脸、物体、图像识别处理；

比如语音认知研究需要包括语音科学家、语言学家、心理学家和模式识别专辑、计算机专家）我鼓励每个人将自己独特的技巧和术语传授给小组其他成员；遗传算法的关键：人类并不直接将解决方案编程，而是让其在模拟竞争和改善的重复过程中自行找到解决方案；

利用遗传算法模拟生物进化得出最优机制；利用隐马尔可夫层级模型模拟人类学习过程中起重要作用的皮质结构；要解决语言识别中的难题，遗传算法和隐马尔可夫模型的结合及其有效；

智能系统的完美结合则需要在准确的科学知识和数据的前提下，运用思维的模式识别理论构造思维软件来执行（思维模式识别就是人脑工作机制）对不同层级的智能进行综合使用联接；

企业决策模式从经验转向以数据为基础；

运营模式从产品转向以用户为核心；

合作模式从供应链转向以生态链为目标；

管理模式从层级管控转向以平台协作为体系。

通过建设低成本的云计算平台和企业研发微服务架构，可以支撑企业的业务创新和模式变革的灵动性要求，快速适应市场的变化；通过移动互联网，物联网和人工智能技术来实现人人互联，人机互联和机机互联，从而缩短企业和客户，员工和设备以及设备之间的智能协作；通过大数据技术的深入应用，实现决策的智慧化，生产的精细化，管理的扁平化和客户服务的深度可视化。