分析稱99%的公司在接觸AI誰能跑贏谷歌、微軟們？
即便有了TensorFlow或OpenAI等人工智能框架的支持，相比主流網(wǎng)頁開發(fā)人員，人工智能仍然需要深層知識和理解。如果你已經(jīng)建立了一個工作原型，你就可能是這個房間里最聰明的人。恭喜你，你成了高級俱樂部的成員。
在Kaggle上，你甚至可以通過解決現(xiàn)實世界的項目賺到可觀的收益。總而言之，這工作不錯，但光憑它是否足以讓你創(chuàng)辦一家企業(yè)？畢竟，你不可能改變市場機制。從商業(yè)角度來看，人工智能只是現(xiàn)有問題的另一種實施方式。客戶并不關心采取怎樣的實施方式，他們只關心結果。這意味著你不能僅僅通過人工智能來坐享其成。蜜月期結束后，你必須要創(chuàng)造價值。從長遠來看，只有客戶才最重要。
雖然你的客戶可能并不關心人工智能，但風投對此很關心。新聞媒體也同樣關注。很多行業(yè)都是如此。這種關注度上的差異可能會給創(chuàng)業(yè)公司制造一個危險的現(xiàn)實扭曲力常但你不要被騙了：除非你創(chuàng)造了通用的多用途人工智能，否則就沒有免費的午餐。即使你是風投的寵兒，你也必須為你的客戶走到終點。因此，讓我們也當一回駕駛員，看看我們?nèi)绾螢槲磥淼膱鼍白鰷蕚洹?/p>
主流人工智能列車
人工智能似乎與其他大趨勢不同，比如區(qū)塊鏈、物聯(lián)網(wǎng)、金融科技等。當然，它的未來是不可預測的。但幾乎所有技術都是如此。不同之處在于，我們作為一個人的價值主張似乎正處于危險之中不只是其他行業(yè)。我們作為決策者和創(chuàng)意者的價值正在被重新評估。這引起了人們的情感反應。我們不知道如何定位自己。
基礎技術的數(shù)量非常有限，大部分都可以歸類為深度學習，這構成了幾乎所有應用的基礎：卷積神經(jīng)網(wǎng)絡、長短時記憶網(wǎng)絡、自動編碼器、隨機森林、梯度增強技術，以及少數(shù)其他應用。
人工智能還提供了許多其他的方法，但這些核心機制最近已經(jīng)取得了壓倒性的成功。大多數(shù)研究人員認為，人工智能技術的進步將來自于這些技術的改進（而不是那些與之有本質(zhì)區(qū)別的方法）。出于以上原因，我們可以把這稱為主流人工智能研究。
任何真實的世界解決方案都由這些核心算法和非人工智能外形組成，來準備和處理數(shù)據(jù)（例如數(shù)據(jù)準備、功能工程、環(huán)境建模）。人工智能這一部分的改進往往會讓非人工智能的部分變得多余。這是人工智能的本質(zhì)，也幾乎是它的定義讓解決特定問題的方法過時。但是，這種非人工智能的部分通常是以人工智能為驅(qū)動的公司真正的盈利來源。這是他們的秘密武器。
人工智能的每一個改進，都使得這種競爭優(yōu)勢更有可能開源，而且每個人都可以使用。但也會帶來災難性的后果。就像弗雷德里克？耶利內(nèi)克曾經(jīng)說過的：每次我解雇一位語言學家，語音識別器的性能就會提升。
機器學習基本上已經(jīng)引入了下一階段的裁員：代碼被簡化為數(shù)據(jù)。幾乎所有基于模型、概率和規(guī)則的識別技術都是在2010年被深度學習算法淘汰。
現(xiàn)在只要用幾百行腳本（加上相當數(shù)量的數(shù)據(jù)）就能打敗領域?qū)I(yè)知識、功能建模以及成千上萬行代碼。正如上面所提到的：這意味著，在主流人工智能列車的軌道上，專有代碼不再是一種可防御的資產(chǎn)。
重大貢獻極其罕見。真正的突破或新進展，甚至是基本組成部分的新組合，這些只有非常有限的研究人員才有可能做到。正如你可能想到的那樣，這個內(nèi)部圈子的規(guī)模要小得多（開發(fā)者人數(shù)肯定少于100）。
這是為什么呢？也許這根植于它的核心算法：反向傳播。幾乎每一個神經(jīng)網(wǎng)絡都是通過這種方法訓練的。最簡單的反向傳播形式可以在第一個學期的微積分課程中學到，完全不復雜（但也不是小學水平的知識）。雖然這似乎很簡單或者可能是出于這個原因在50多年豐富多彩的歷史中，只有少數(shù)人能看到難點所在并質(zhì)疑其主要架構。
如果反向傳播能像今天這樣具有可見性，我們的成就可能會比現(xiàn)在的階段領先10年（計算能力除外）。
從70年代的普通神經(jīng)網(wǎng)絡到再循環(huán)網(wǎng)絡，到今天的長短期記憶網(wǎng)絡，庫卡機器人驅(qū)動器維修，都震動了人工智能領域。并且，它還只需要幾十行代碼！數(shù)代學生和研究人員經(jīng)過數(shù)學計算，計算出了梯度下降法，證明了它的正確性。但最后，大多數(shù)人點了點頭，說這只是一種優(yōu)化形式便繼續(xù)努力。分析理解是不夠的。你需要某種形式的發(fā)明家直覺來使之與眾不同。
要想擁有業(yè)界頂級研究水平絕非易事，因此99.9%的公司只是搭上主流人工智能列車，還無法成為業(yè)內(nèi)大佬。核心技術是由業(yè)界主要的開源工具集和框架提供的。為了達到最新的水平，專有方法會隨著時間的流逝而消失。從這個意義上說，絕大多數(shù)人工智能公司都是這些核心產(chǎn)品和技術的消費者。
列車通往何處？
人工智能（以及所需的數(shù)據(jù)）被拿來與許多東西進行比較：電、煤、黃金。這顯示出科技界有多迫切想要找到規(guī)律或趨勢。這是因為，這種知識對于規(guī)避一個簡單的事實所能對你的業(yè)務或投資造成的風險至關重要。如果你把你的事業(yè)建立在人工智能列車的軌道上，沒有什么能拯救你。
因為列車頭已向商業(yè)領域飛奔而去，只有少數(shù)情況值得考慮。
第一種情況，主流人工智能研究列車的運行速度將明顯放緩，甚至已經(jīng)停止運行。這意味著更多的問題類別無法解決。這也意味著我們下車后，必須為我們的客戶走到終點。這對創(chuàng)業(yè)公司來說是一個很大的機會，因為他們有機會開發(fā)專有技術，并有機會創(chuàng)建一個可持續(xù)發(fā)展的業(yè)務。
第二種情況是，主流列車在當前時期呼嘯前行。那就更不容易躲開它的前進勢頭或下火車了。人工智能高速發(fā)展階段中，個人方法的領域知識很可能被大公司開源。那么過去你所有的努力可能都變得一文不值。目前，像AlphaGoLINK這樣的系統(tǒng)，除了由開源框架提供的標準（vanilla）功能外，還需要很高比例的專利技術。如果我們在不久的將來看到具有相同功能的基本腳本，我不會覺得驚訝。但未知的未知是一類問題，下一波人工智能的發(fā)展浪潮便能解決。自動編碼和基于注意力的系統(tǒng)在解決這類問題上勝算很大。沒有人能想象出，哪個垂直領域可以通過這個解決。幾率：可能。
第四種情況，火車的速度更快。最后，奇點已近。現(xiàn)在已經(jīng)有關于這方面的書了。億萬富翁們一直在為之奮斗。我可能會再寫一篇關于它的文章。這里的終極游戲是人工通用智能。如果我們做到了這一點，庫卡機器人，一切賭注都結束了。
最后，還有黑天鵝事件的情況（黑天鵝指非常難以預測，且不尋常的事件，通常會引起市場連鎖負面反應甚至顛覆）。在車庫里的某個人發(fā)現(xiàn)了遠離了主流算法的新一代算法。如果這位獨行俠可以自己使用這種算法，我們可能會看到第一個自制的億萬富翁。但這種情況又從何而來呢？我不相信這種事可能會突然發(fā)生。它可能是主流技術和被拋棄的基于模型的算法的結合。2010年神經(jīng)網(wǎng)絡的興起，一些曾經(jīng)大有希望的方法（象征方法等）便失去了部分研究基矗目前在人工智能領域的研究也復興了其他相關研究領域。要找到一種不受歡迎且還未涌入大量研究人員的技術或算法已經(jīng)變得越來越困難。然而，可能會有一個局外人找到或復活一種改變游戲規(guī)則的方法。
誰能贏？
讓我們把所有這些都放在一起，最后問一個價值百萬美元的問題。答案不僅取決于以上種種情況，最重要的是在于你是誰。在這個等式中，業(yè)務的起始位置是一個關鍵因素，因為它的資源和現(xiàn)有資產(chǎn)是他們部署策略的關鍵。