2
雷鋒網按：本文摘編自周鴻祎新書《智能主義：未來商業與社會的新生態》，轉載自正和島公眾號。
資本寒冬，商業模式類創業創新遇冷。在這樣的背景下，能夠逆勢而上受人關注的，唯有人工智能領域。它之所以受到持續追捧，是因為其成為新時代的基礎設施，像水、電、網絡一樣成為所有企業的必需，這一點已成為共識。而對于當下，如何將人工智能落地、商業化，如何適應人工智能將構建的新商業生態，尚有分歧。
人類社會經歷過的PC互聯網時代、移動互聯網時代，以及現在所處的智能硬件時代，技術發展和商業模式創新之間始終是相輔相成的關系。每當科技發展的紅利被商業模式創新挖掘殆盡后，經濟也隨之步入寒冬，直到下一輪技術革命的出現，商業模式創新才能重新迸發生機。
現階段移動互聯網的商業模式創新已經挖光了Web2.0時代的技術紅利，所有人都在尋找新技術，以期獲得新的商業模式創新。人工智能技術無疑就是下一輪技術革命的焦點，假如未來的某一天，我們在這方面有了突破，那么新的商業模式也將涌現出來，帶來一個甚至多個萬億級市場。
在我看來，未來通用人工智能生態圈的格局會是下面將要介紹的樣子。
2014年8月，IBM公司推出了一款名為TrueNorth的大腦原型芯片，TrueNorth 主要被用于計算機專業學習領域。TrueNorth芯片集成了100 萬個神經元和2.56 億個突觸，這相當于一只蜜蜂的大腦，而正常人的大腦大約包含1000 億個神經元和無法統計數量的突觸。
普通計算機存儲數據的方法是根據晶體管電路的狀態，而量子計算則是根據粒子的量子狀態，使用量子算法來進行數據操作。通過量子計算，可以大幅提升并行計算速度。不過遺憾的是，這方面還沒有出現研究成果，谷歌曾經在2014 年開始研制量子級計算機處理器，他們希望為機器人提供一個可以像人一樣思考的大腦。
仿生計算機可以解決構建大規模人工神經網絡的問題。普通的CPU（中央處理器）、GPU（圖形處理器）處理神經網絡的效率很低，并且在占地、散熱和耗電等方面都存在問題。專門的神經網絡處理器可以很好地解決這些問題。在國內，陳云霽團隊研發的寒武紀神經網絡計算機依據仿生學原理，相比于主流GPU，取得了21倍的性能和300倍的性能功耗比提升。
在圖像、聲音和面部識別系統變得越來越精準后，計算機也擁有了探察人的情感狀態的能力，包括喜、怒、哀、樂、愛、恨、貪、癡等，并做出適當的反應。那么很多人會有這樣的疑問：
機器人能否擁有像一個正常人那樣獨立思考的能力？
關于這個問題，我曾經與著名的互聯網預言家、《連線》雜志前主編凱文·凱利有過一次交談。在凱文的思想里：
未來的人工智能會產生自己的意識，這會為我們完全掌控它帶來一定的困難，但不會形成毀滅人類的威脅。
絕大多數的人工智能都只會是工業人工智能服務型電器。
我對360的戰略規劃就是全線硬件產品向人工智能看齊，從圖像識別技術和大數據技術兩個方向深度拓展。目前，我們已經在中國和美國成立了相應的技術研發團隊，并且還相繼進行了一系列并購。
總的來說，360 在人工智能領域的整體規劃可分為以下4 個層次：
（1）最基本的硬件層面，研發、升級可以在云上、端上進行深度學習的專用芯片；
（2）面向大規模深度學習、訓練的多機多卡軟硬件平臺，以及基于深度學習的各種人工智能的前沿算法；
（3）基于人工智能的各種智能硬件產品；
（4）在人工智能或者深度學習的基礎上，使智能硬件具備自主學習能力。
作為360 未來主推的大方向，我對人工智能的設想是無論在硬件還是軟件方面，都將擁有自主學習功能。阿爾法狗贏了之后，我非常興奮，我興奮的不是人工智能在圍棋上戰勝了人類，而是它為我們所有人做了一次非常好的概念普及，讓我們真實地感受到人工智能領域的成果。
但是，我所理解的人工智能并不會像阿爾法狗那樣只表現在下圍棋方面，也不會像好萊塢電影中那樣可以威脅人類安全。人工智能就像工業革命之后所帶來的新技術那樣，為我們的生產、生活帶來極大的便利。
雖然目前看來，360智能攝像機還僅僅是一個小產品，功能也有限，但它只是一個開始。我的期望是在不遠的將來，它能夠根據面容區分出家人和陌生人，能夠識別出你的表情是高興還是悲傷，甚至還能在家里四處巡視，檢查家里是否有漏水、漏氣、漏電等異常情況。當發展到那個時候，它就是一個具備深度學習能力的智能家庭機器人了。
為了加速達成這一愿景，360人工智能研究院院長顏水成正在帶領團隊研發新技術，并且做了以下布局：
建立軟硬件訓練平臺：360net
穩定、低功耗的人臉分析系統
車輛環境感知
建立軟硬件訓練平臺：360net
DeepMind公司曾經推出過DQN項目（Deep-Q-Network），它是基于深度強化學習的游戲平臺。
Deepmind在2013發表NIPS文章《Playing Atari with Deep ReinforcementLearning》是公開的最早使用raw pixels作為輸入的，用于解決Reinforcement Learning（強化學習）的深度學習網絡DQN。在該文章中，作者在atari一系列的游戲上做了各種算法的比較，如下圖所示：
在總共7個游戲中，有6個做到了算法中最好，其中還有3個做到了比人類專家還要好。
該文章中提到的DQN有兩個特點：
1. 用來更新參數的minibatch是是從replay memory（回放記憶）中采樣出來的，而不是僅僅的用當前一個片段或者session，這樣能使得模型收斂性更好，否則會很容易訓飛。
2. value函數是一個多層網絡。
我們從中受到了很多啟發，并成功建立了一個基于軟硬件的訓練平臺——360net。之所以構建訓練平臺，是由深度學習的本質決定的：要訓練一個系統，大量的訓練數據固然重要，同時快速的響應時間也必不可少。
360net支持多機多卡（360人工智能研究院院長顏水成：多臺機器上多塊gpu一起訓練大數據），可以用100張卡或者幾百張卡連在一起對深度學習進行訓練，同時它還具有高度的兼容性和可擴展性，這意味著將來我們還可以吸納其他的深度學習模塊，來減少開發所需要的時間。對我們的人工智能業務而言，360net是至關重要的根基。
穩定、低功耗的人臉分析系統
360的人臉分析系統已經被應用到360手機、兒童手表、行車記錄儀上。此外，線上搜索也在一步步配置人臉分析技術。人臉分析系統可以對性別、年齡、表情等進行分析，當下直播行業的火熱，讓這套系統的前景非常可觀。
眾所周知，在人臉分析過程中，準確定位人臉上的關鍵點是驗證技術的一個標準，我們已經把這套技術應用到了360的產品當中。未來，360還將進一步提升人臉分析的準確度，這一切的基礎就是大量圖像數據的積累。
車輛環境感知
我們曾經招募了一個計算機視覺團隊，他們來到360之后，主要負責車輛環境感知方面的研究，主要是物體的分類、檢測和分割。這是360對無人駕駛汽車的布局，通過技術實現車輛和行人之間的精確定位，可以更好地輔助駕駛。
試想一下，在城市環境中，汽車可以自動進行車道線的檢測，同時預計出距離紅綠燈以及交通攝像頭的距離，保證汽車的安全。而在檢測出可行駛區域之后，就可以準確地預測道路車輛可移動的軌跡和范圍，這對于車的路線預判和選擇有巨大的價值。
當然，我對人工智能的設想建立在泛安全的基礎之上。這里所說的泛安全指兩個方面：傳統的線上安全和線下安全。線上安全處理的主要是大數據方面，線下安全則是人與智能硬件的交互。我們把信息傳遞給智能硬件之后，智能硬件要能理解我們的意圖，同時要把它的信息反饋回來。
安全是基礎，只有在安全的基礎上，我們才有可能考慮舒適、便捷的人工智能式生活。所以，360首先還是要利用IOT技術解決人們的家居安全和出行安全。對于做安全起家的360來說，人工智能是一個更適合我們的方向。
當手機行業熱潮來臨的時候，我們視而不見。
當O2O模式大行其道的時候，我們依然不為所動。
但是，當人工智能的概念進入我視線的那一刻，我的第一個想法就是要抓住人工智能這波浪潮，并為之肝腦涂地，在所不惜。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
