李国杰院士：AI创业公司如何摆脱被收购的命运「附雷克世界专访」

“人工智能已经炒过几回了，经历了几个夏天和冬天，忽冷忽热；现在终于到了秋天了，是收获的季节了。” 中国工程院院士李国杰近日在“2017中科曙光智能峰会”上，如此评价当前正热门的人工智能产业。

尽管到了收获的季节，尽管中国AI产业的发展速度举世瞩目，但是我们仍然面对AI基础设施建设不足，以及AI创业公司难以做大做强的问题。对于这些问题，李国杰院士有以下思考：

（根据李国杰院士演讲速记做了遵照原意的部分修改）

话题一：大数据、AI融入各产业将推动经济迈入新的繁荣期

现在是人工智能2.0时代，过去二十年算一代。但是，国际上通用的说法是人工智能已经经过了两波的发展。第一波是上个世纪50年代-80年代，是做编写知识搞逻辑推理为主。第二波是从80年代开始，以统计学习、概率推理为主，也就是人工神经网络为主，这里面的感知和学习能力比较强，但是抽象的能力比较弱，推理的能力也比较弱。从2010年开始做的是第三波，从2就是加强抽象的能力和推理能力，保持感知和学习能力，对环境有着更强的自适应性，与过去六十年相比，更加通用化，在各个行业里面引领着经济下一波大的浪潮。

我自己画了一个示意图，经济发展变化是有周期性的，比如从二战以后进入到第四波，就是以电子计算机、石化为主驱动的发展；到了第五波就进入了互联网，九十年代开始，移动通信，软件驱动经济发展。

大家注意，从九十年代开始那波到2008年金融危机的时候，经济形势已经开始走下坡路了，现在是经济的低潮期，整个增速是在2%左右，发展中国家也是平均5%左右。所以，过去十年正好是经济低潮的时候，也是研究最活跃的时间，所以今后的二十年，正好是人工智能技术基本创新爆发期，在今后的一、二十年会产生触发2030年开始的第六波的繁荣期。

这里得出什么结论呢？在未来10-15年，对经济贡献最大的可能不是大数据和人工智能的新技术，而是信息技术包括大数据和人工智能融入各个产业的新产品，提供个性化产品和服务的新业态，产业跨接融合的新模式，这些创新主要是和已知技术的新组合。任何新技术的推广需要10-20年的时间。在经济衰退的复苏期要特别重视基础性技术的发明，未来10-15年应力争在大数据和人工智能领域做出像电子计算机、集成电路、互联网一样的重大发明，但是重大发明是自己冒出来的，不是规划出来的。

历史上重大基础发明都是经过较长时间的技术改进和扩散之后才产生巨大经济效益，人工智能也不应例外。很多公司都预测，从2016年到2025年的10年内，关注汽车、消费品、电力、物流等行业的数字化转型有望带来100万亿美金。

    

话题二：人工智能和大数据基本是一回事 要重视AI的刚性需求

大家流行的说法，是人工智能=A+B+C。我个人的看法，人工智能和大数据基本一回事，A+B+C+D+E。A是算法，B是基本理论和基础设施，C是计算能力，D是领域知识，E是生态环境。

发展人工智能和大数据要重视大众的刚性需求，2011年我跟徐志伟写了一篇文章在CACM上发表了，与“Computing for the Masses”的追求一样，我们要努力实现“Big Data for Masses，AI for the Masses”，不能只关注高端消费人群。发展大数据与人工智能要重视大众的刚性需求（如健康、出行、安全等）。要满足大众刚性需求要有基础设施，过去工业化时代就是所谓 “铁公机”，铁路、公路、机场。信息时代的基础设施是互联网、云计算中心。到了智能化阶段的基础设施是大数据中心、机器学习训练平台等。大数据的存储分析和机器学习能力已成为新的基础设施需求，计算机能力的高低将决定人工智能产业和智能服务的水平。

话题三：公用的大数据分析平台和机器学习训练平台

目前，网络服务的龙头企业（BAT、滴滴打车等）都有自己的大数据平台，但智能软件和服务行业每个中小型创业公司都建立自己的机器学习训练平台，既无必要也不可能。各地双创园区要建立共享的大数据分析平台和机器学习训练平台，这是新时代的重要基础设施。

我国一半以上的HPC用于大数据和AI，过去HPC主要用于科学计算，现在HPC主要用于大数据分析和机器学习。2015年，HPC在数据分析与机器学习领域的应用只有27%，2016年达到了48%，今年有进一步提升。另外每个行业都需要AI，每个行业分别做是很累人的，有些东西是又有区别又有共性，我的想法是将来要有生产每个行业的AI引擎生产线，前面有公共的东西做局部化调整，有局部的参数调整，调完了以后出一个行业的AI引进来。

话题四：摆脱人工智能创业公司被收购的命运

人工智能创业公司只有两个命运：一个是被大公司收购，一个是倒闭。即使像科大讯飞这样的大企业，科大讯飞市值约700亿元，净利润不到1.7亿元，市盈率已经超过300倍，所以如何提高净利润是AI公司的一大困扰。

人工智能企业史说明，算法固然很重要，但是光有算法决定不了公司的命运。AI公司要在卖产品、授权、广告、服务模式中找到新的赚钱模式，或者另外开辟技术变成钱的商业模式。AI公司要做大做强，不但要有一技之长，而且要有自己的平台和特有的数据，软件和硬件都要有过人的实力。

现在的问题，我国人工智能应用技术与国外差距不大，有些应用领域已经超过美国。但是基础软硬件与国外还有较大差距。在全球企业2000强名单中，美国有14家芯片公司和14家软件公司，中国尚未没有一家，我讲的是以软件作为主要产业的公司。全球集成电路企业前20名没有一家中国企业。我国集成电路与国外仍有两代差距。

话题五：发展AI要打造完整的生态系统

所以人工智能产业要像一棵大树，必须扎根在系统结构和软件理论的深土中，发展人工智能不能停留在算法层面，要关注从算法、软件、人机截面到系统结构和芯片这一完整的产业链和生态系统。

发展人工智能和大数据，还是要特别重视基础的东西。中国人很重“名”，“名不正则言不顺”，信息领域不断创造新名词，一旦新名词（新学科）上升为国家意志，原来的基础学科就被边缘化，现在以“系统结构”和“基础软件”申请国家项目，已经很难拿到经费。去年国家自然科学基金计算机学科的4863项申请项目中，计算机科学的基础理论只有16项，计算机体系结构22项，程序设计语言及支撑环境13项，高速数据传输技术2项。但是，计算机图像与视频处理有439项，模式识别理论及应用357项，人工智能应用258项，这是巨大的反差。没有基础的话，将来还是难以扳回局面。

话题六：人工智能本质还是计算机科学

什么是人工智能？人工智能从科学上讲，它是计算机科学的前沿研究，从应用来讲，它是计算机技术的的非平凡应用。人工智能本就是计算机技术，现在很多人讲人工智能是新的科学，内容涉及脑科学、计算机科学、统计学、社会科学等。但是迄今为止，脑科学（神经科学）对人工智能的贡献很小，统计学对推动机器学习的崛起起了较大作用，但是没有人把人工智能看成统计学的分支。

所以目前来讲，人工智能本质上是计算机学科的一个分支，所以智能化的前提是计算机化，目前不存在脱离计算机的人工智能。所以说，没有计算就没有智能。

有人说信息化时代已经过去了，现在是智能化的时代，这恐怕不够全面，智能时代不是后信息时代，真正的后信息时代可能是生物时代。与其过分强调智能与数字化、网络化的区别，不如多强调智能化与信息化的联系，数字化和网络化没有做好，智能化就是空话。

我们吸取历史上的教训，既要重视智能应用的特殊要求，但是也不能忽视通用的计算机主流技术的巨大包容能力。

话题七：产学研的结合

中科曙光公司与人工智能的渊源已久，曙光公司是国家智能计算机研究开发中心创办的企业，是国家863计划智能计算机主题长期支持下成长起来的高技术公司，智能应用一直是国家智能计算机研究开发中心和曙光公司关注的重点之一。

上世纪九十年代在建立了国家智能计算机研究开发中心的中国科大分中心，专门从事语音识别/合成的评测，后来这个中心孵化出科大讯飞公司。

中科曙光和现在比较热门的芯片公司寒武纪是同根生的兄弟公司，寒武纪研究芯片不但用在华为的手机上，也用在了曙光服务器上。（即此次发布的“全球首款基于寒武纪芯片的AI推理专用服务器”。）

我们要特别注重知识的融合，钱老（编辑注：钱学森）说过“必集大成，才能得智慧”，人工智能是对付复杂性的科学，发展人工智能不能追求“另立山头，分道扬镳”，要跟其它学科密切融合。

如何看待领域知识呢？10月19日，谷歌DeepMind团队新成果，名为阿尔法元的机器完全靠增强型自我学习，训练3天就战胜了阿尔法狗，比分100：0。这表明在某些领域，AI不再需要人类知识。过去我们相信知识就是力量，现在有些领域数据和机器学习比知识和人类经验更有力量。

最后引用一段话，是美国曼哈顿负责人澳本海默在二战胜利以后说的一段话“我们得到了一棵硕果累累的大树，并拼命地摇晃，结果得到了雷达和原子弹……其全部精神实质在于对已知的疯狂而粗暴掠夺，而毫无对未知的认真而谦恭地探索”。

人工智能已经六十年了，我们是拼命摇晃这棵大树不变，还是怀抱对未知的认真和谦恭，自己新种几棵树苗？深度学习为什么这么有效，没有人讲得清楚。最近以色列科学家提出“信息瓶颈”理论，发现深度学习与量子物理的相似之处。

人工智能与大数据任重而道远，最后以一首诗结束这次报告：

莫言下岭便无难，

赚得行人空欢喜。

正入万山圈子里，

一山放过一山拦。

——宋•杨万里《过松原晨炊漆公店》

以下是专访问答

雷克世界：您特别强调了AI基础设施建设，但是如何去做好AI基础设施呢？和芯片还是有所不一样，AI时代系统研究需要和应用场景结合，可能是很难仅仅在象牙塔就能里面完成的，您怎么认为呢？

李国杰院士：人工智能在早年我读书的时候，流行的观点就是要做一些跟现在主流的计算机不一样的、所谓的智能的计算机。当时有一种观点，人都是用自然语言对话，我们编的程序不是自然语言，是面向机器的，面向机器的这些语言效率高，但不方便，编程不好编，他们想将来编程用自然语言编，人怎么想的就像写作文一样编，这很简单，想的挺好，这就是智能计算机的方向。

但是想是一回事，实际发展是另外一回事，后来八十年代后期的时候，芯片出来了，芯片走的这条路恰好相反，是从底层做起，做芯片、集成电路等就一统天下了，所以是从芯片领域从底往上发展。

再回头看，并不是我们这代人，比我们早的这批人，他们做计算机也是想模仿人的智能来做，上世纪五十年代也是假定人的思维可以精确的描述，用人工的方法做出来，但是后来冯•诺依曼发现模仿人脑做计算机，这是太阳底下最复杂的事情，所以就改了，从第一台计算机做起，就和模仿人的智能和人脑思维的做法分道扬镳了。

后来的60年下来，都是靠二进制等做法，和人脑没有关系，计算机发展的非常快，包括现在做的语音、图像识别，最重要的是识别快，芯片厉害了，我们统计过，我们现在做一款计算机芯片100多亿的晶体管，一分钱可以买到1千个晶体管，比沙子还便宜，这么强大的能力，所以这套东西在计算机里面就有一个主流的技术，这个主流技术不要的话，搞另外一套人工智能的办法，要特别小心这个事情，不要轻易的谈我不用这些方法完全搞一套新的东西，这个难度是极大的。

话说回来，人工智能和原来的技术处理是不是一样的？其实也不是一样的，人工智能里面有很多是动态的，是一些非确定的，和原来固定的东西不一样，原来是算法，和算法是固定的，人工智能的环境都是在变的，将来应对的负载是不一样的，我们现在遇到的问题，人工智能里面的一些很稀疏的图和原来做矩阵是不一样的，我们要考虑它的特殊性，这里面有一个难题，要做所谓的加速芯片，做的很特殊，就是你的市场是很窄的小市场。

而寒武纪他们的目标并不仅仅是做一个加速某一个应用的芯片，它是想做一个针对很多人工智能的比较普及的、比较通用的芯片，想做寒武纪的系统，和x86系统一样，他们也是想搞一套指令系统做的比较大的、比较广的人工智能，这是一个方向，但是能不能做得到，这还有一个过程，还有一段的路要走，就是芯片的设计等都要从专用的体系变成通用的体系。

雷克世界：您在演讲中提到人工智能的发展要注重刚性的需求，这有没有轻重缓急？您认为刚性需求主要是哪些方面？

李国杰：有一些人工智能是吸引眼球的需求，大家一乐就结束了。刚性需求比如涉及到人的健康、安全，都是刚性的，人工智能不完全把一个事情做的很快、效率高，更多的是带来很多方便，在GDP里面不一定那么容易反映出来，因为这是老百姓所需要的。我觉得现在关心残疾人、关心老人，这些弱势群体都是属于刚性需求。如果我们所有的努力都朝着高收入人群去做，必然导致两极分化，政府应该在这方面做一些导向。

雷克世界：您提到很多的人工智能的中国企业可能面临的结局就是被收购或者是倒闭的命运，为什么会这样，技术公司如何成功的商业化？

李国杰：将来，是会出来一些像现在的BAT一样的人工智能龙头企业，独角兽企业是会逐步成长的。但每个企业不是光靠一个算法就可以长命百岁，无非开始是卖产品，后来是像微软这样卖版权，后来卖服务，都能找到挣钱的办法，人工智能这些企业也要找到它靠什么挣钱，羊毛出在羊身上，但是也要找到这个羊，比如做广告是别人尝试过的，所以人工智能也要在这方面动脑筋，钱、现金流从哪来？

人工智能公司里还是以搞技术的人为主，未必能担当真正的企业家角色，需要真正有市场经验的人，帮助人工智能企业成长，这还是一个难题。

当然，人工智能肯定还会冒出很多新技术，任何新技术，尤其是比较重要的技术都会产生很大的市场，需要时间慢慢的成长，不是冒一个新技术马上就能变成几百亿的市场，这不太可能的。

我们看到国外的统计材料，一个新的技术出来转化成十亿的市场要二十年，变成一百亿的市场可能要三四十年。所以现在看起来，真正变成市场的技术，可能不是这几年变出来的，肯定在应有的技术方面能创新商业模式。人工智能公司要在这方面动脑筋，不光是技术上有新的发明，在商业模式上还要有新的创新，结合起来才可以把新的技术用好。

回复「转载」获得授权，微信搜索「ROBO_AI」关注公众号

中国人工智能产业创新联盟于2017年6月21日成立，超200家成员共推AI发展，相关动态：

中新网：中国人工智能产业创新联盟成立

ChinaDaily：China forms 1st AI alliance

证券时报：中国人工智能产业创新联盟成立 启动四大工程搭建产业生态“梁柱”

工信部网站：中国人工智能产业创新联盟与贵阳市政府、英特尔签署战略合作备忘录

点击下图加入联盟

下载中国人工智能产业创新联盟入盟申请表

关注“雷克世界”后不要忘记置顶哟

我们还在搜狐新闻、雷克世界官网、腾讯新闻、网易新闻、一点资讯、天天快报、今日头条、雪球财经……

↓↓↓点击阅读原文查看中国人工智能产业创新联盟手册