李開復：創(chuàng)新工場為什么看好人工智能？

　　在過去的十年華爾街交易員已經(jīng)一半下崗離職了。未來我們肯定會看到無人駕駛的車，當這一天來到的時候，世界上大約9%的人他們部分或者全部的工作就即將被取代。當然無人駕駛可能還需要十年的時間，但是十年不是很久。

　　怎么能做到呢?其實在這些領域里，人工智能不是模仿人類，也不僅僅是取代人類，所謂的人工智能就是用特別巨大的數(shù)據(jù)集看到一個人一生，甚至一百個人一生，也不能看到那么多的數(shù)據(jù)，然后用數(shù)個數(shù)據(jù)推算出邏輯、判斷和推測，來做比人好的判斷。阿爾法狗就是研究了幾百萬的棋譜和花無數(shù)小時的時間來打敗人類專家的。

　　有人說這個公平，一個棋手不可能花一百萬個小時研究棋譜。這不是公平不公平的問題，而是我們如何用人工智能做出人不能做的的。最近特斯拉出了一個問題，大家可以想想它有幾億小時在車的進行中，這些數(shù)據(jù)來難道不會做比人更好的司機嗎?這一天還沒有到，但是如果有一個司機做十億小時的練習，哪怕他開始像個孩子，學完以后難道不會超過人類嗎?

　　我們可以想像，如果有一個人臉識別的機器，它把全世界罪犯的臉都背下來了，有人能夠做到這一點嗎?所以從這個例子可以看到，我們不用絲毫的懷疑人工智能會全方面的超越人類。

　　但是這不是在所有的領域里，是在一些領域可以窮舉的領域，或者可以客觀分析的領域，或者有正確答案的領域，有大數(shù)據(jù)的領域，而且是有專家參與的領域，所以它會逐漸的發(fā)生，不會一次到位的發(fā)生。

　　我個人有幸在三十年前開始做人工智能，但是可惜的是當時數(shù)據(jù)不夠，所以并沒有做太多超越人類的事情。所以各方面我們可以看到對弈只是游戲的領域，它本身并不帶來巨大的商業(yè)價值。

　　更多我們在業(yè)界會看到的可能是感知，就是用算法，人工智能來做判斷或者反饋，這個時候機器就要動起來了。

　　我們可以看到過去七八年來有特別大的進步，這是為什么呢?這是因為在機器學習的領域有一套技術叫做深度學習。它是帶來了巨大的變革，今天可能沒有時間太解釋這套算法。但是簡單來說，就是過去人是需要一步一步地告訴電腦你該怎么走，該怎么做，之后人可能說我一步一步來教你可能會犯錯，可能不全面，可能也不適合計算機的結構，更適合人腦的結構。

　　但是是不是就是人來說，就先對人臉找眼睛、找鼻子、找耳朵，但是這個大概是所謂的專家系統(tǒng)，就是人告訴機器一切，然后機器來計算，這個大概是三十年前的技術。

　　大概十五年前的技術是人落找特征，機器學參數(shù)。這里就是人告訴他識別人的時候找眼睛、嘴巴，然后你再來計算。這個有一個提升，這是人機結合的學習。

　　深度學習的技術應該算是最近五年推出的技術，這個技術幾乎人都不參與了，特別神奇的地方，給看一億張臉，你自己看，該學習眼睛、嘴巴，還是別的事情，也許法令紋更重要，也許耳朵的大小更重要。我們不要假設人比機器更重要，我就把大量數(shù)據(jù)給你，讓你收取你認為重要的特征。

　　而且這些特征只有機器懂，人都聽不懂的。這就是阿爾法狗戰(zhàn)李達以后世石的時候，下出了人類頂尖棋手都沒有辦法看懂的步驟。這就是深度學習，它能自我學習，抽象的概念。

　　而且這個抽象概念超越了人類的想象，因為它用的數(shù)據(jù)集比人更大。它就像一個孩子，能夠自我學習，而且數(shù)據(jù)量夠大的時候，什么都學的會。所以這大概解釋了什么是深度學習。

　　深度學習，這是一個識別物體的領域，而且是有人標注的數(shù)據(jù)庫。我們可以看到大概僅僅在五年前，一個機器跟人的差別還是一個74%對94%的差別。如果算錯誤率的話，可能是六七倍的差別了，所以不太能夠用到實際的場景里。但是每一年都在快速的進步著，我們可以看到在2014、2015年的時候已經(jīng)超越人類，而且差距越來越大。

　　就是說當機器識別人臉，比人更厲害的時候，那些以識別人臉工作的人就要下崗了。同樣的，識別也超過了人，語音識別超過了人，像客服，比如每天打電話賣房地產(chǎn)產(chǎn)品的人，以后打電話的不是人了，因為機器比人更聽的懂。