第2章　智能机器入侵

2.1　无所不在的人工智能

人工智能已经在众多领域进行开发与初期应用，并作为底层基础技术对原有技术进行优化，使其更加智能化，满足不同用户的个性化需求，因而该技术将对传统各行业生态圈产生影响，特别是在劳动力结构、商业模式、产业链上下游关系等领域产生影响。

2.1.1　人工智能步入商业化

近年来，由于人工智能技术已经逐步得到应用，对人工智能的定义更加注重实证性。维基百科对人工智能的定义是：人工智能是对于任何能够感知周围环境并采取可以使其行为成功率最大化的系统的研究。简言之，人工智能就是一台可以模拟人类相互之间认知能力（如学习与解决问题）的机器。经过半个多世纪的发展，人工智能正处于第三次快速发展浪潮中，算法得到进一步优化，超级计算机运算能力屡创纪录，甚至在某些方面人工智能已经超越人类，这也引发了人们的担忧。人工智能技术已经逐步得到商业化应用，促进了经济、技术和商业方面的巨大变革，特别是各行业生态圈已经开始受到影响，原有的行业间关系发生变革，上下游关系发生变化，催生了一批新行业领域创业者。

（1）科学理论成熟。进入20世纪，人工智能概念得到明确，并在科学理论层面得到了跨越式的发展。1955年，达特茅斯会议召开，这次会议成为人工智能领域的标志性事件，催生了现在人们所熟知的人工智能。在此阶段的发展过程中，人工智能产生的理论基础已经发展得较为完善，例如，1950年，阿兰·图灵提出“图灵测试”，如果超过30%的测试者在隔开的情况下无法判断出被测试者是否为机器，则该机器被视为具有人类的智能；1951年，人类成功打造出第一个人工神经网络SNARC⁽¹⁾。

（2）实验室条件下研究。20世纪下半叶，人工智能在实验室中取得了一系列的进展。斯坦福大学研发出自动驾驶汽车，日本早稻田大学研制出能够与人进行沟通、演奏电子琴的机器人。然而，当时计算机的计算能力无法满足人工智能的发展，人工智能技术实现程度远低于公众的期待，第二次人工智能“低潮”随之而来。

（3）商业化。20世纪末至今，人工智能科学家一直致力于将人工智能应用于日常生活中，研发出可以与人类智商相媲美，甚至超越人类的人工智能机器人。人工智能已经成为众多新兴行业的技术基础，如机器人、大数据等，全球的互联网巨头已经投入人工智能研发领域，全球人工智能企业并购次数也随之呈现递增的趋势⁽²⁾，通过并购手段获取人工智能核心技术，完善围绕人工智能的生态系统。实际上，人工智能早已商业化，介入人类的生活，如Google翻译采用深度神经网络能够减少60%的翻译错误，新闻搜索APP今日头条可进行智能搜索排序，甚至连手机必备的淘宝客户端也已采用人工智能技术，包括个性化产品推荐、智能物流机器人等。此类的手机应用不胜枚举，未来的手机APP必将被人工智能技术全面侵占，以此来确保产品服务质量，提供差异化服务。

2.1.2　人工智能贯穿经济各领域

人类社会进入的人工智能时代实际上是互联网时代的延续。互联网时代，科学家建立起人类与机器人交流的各种机器语言，机器机械地按照人类的要求执行命令，输出结果。而人工智能时代的机器人与人的关系并未发生颠覆性的改变，从目前来看，人工智能产品仍是人类进行生产、创造利润的工具，唯一改变的是机器与人类交流沟通的方式更加符合人类的习惯，图像识别、自然语言处理等技术使双方的交流更加流畅。再加上超级计算机提供的强大计算能力，人工智能为生产效率提升所做出的贡献将远超互联网。

人工智能毫无疑问已经成为影响未来经济发展的重要力量，从谷歌、亚马逊等全球科技巨头到制造业、零售业领导者都在转变公司发展策略积极拥抱人工智能。2017年苹果开发者大会中，机器学习、人工智能贯穿所有产品，人工智能已经融入苹果生态圈中，苹果已经不甘于在人工智能方面的落后，发布了Core ML，这是能够用于移动端设备人工智能开发的API，目的是加速终端上运行的人工智能任务⁽³⁾。

中国人工智能技术的发展正迎头赶上美国，自2014年开始中国在深度学习领域发表的科研论文数量已经超过美国，占据领先地位。

据工信部统计数据，2016年中国人工智能市场规模达239亿元，预计2018年将有望超过380亿元。中国企业也力图在人工智能市场占据一席之地。

传统的互联网巨头BAT已经率先入场，通过介入人工智能技术优化业务流程，创新生态圈。阿里巴巴将人工智能与自身电商属性相结合，力图在电商领域建立从上而下的全流程人工智能服务，利用人工智能算法向用户推送产品信息，用户支付过程中不再依靠传统密码服务，而是采用“刷脸”技术支付，对一定区域订单进行预判，提前布局物流仓储服务，研发配送机器人解决“最后一公里”问题。百度公司在图像识别、深度学习、无人驾驶等技术领域都达到了全球领先水平，其中强化学习技术、自动驾驶技术和人脸识别技术被美国《麻省理工科技评论》评为2017年全球十大突破性技术。

人工智能“战场”也涌现出许多在技术领域傲视群雄的初创公司，如商汤科技在2014年人脸识别测试LFW系统中的准确率超过Facebook、Google，首次超越人眼识别水平⁽⁴⁾。中国人工智能初创企业有一半以上已经获得投资，其中不乏融资金额过亿元的企业。而有些初创企业已经不再满足于人工智能技术的突破，开始探索商业模式，如Face++。

2.1.3　智能时代的技术变革

人工智能技术将对互联网时代的技术造成冲击，以其前所未有的破坏力，通过深度学习、大数据、人机交互模式作为其他产业的基础技术手段对原有产业产生深远影响。搜索引擎是互联网时代的标志，最传统的网页排序算法是找出所有影响网页结果排序的因子，然后根据每个因子对结果排序的重要程度，用一个人为定义的数学公式将所有因子串联在一起，计算出每个特定网页在最终结果页面中的排名位置⁽⁵⁾，而利用人工智能技术的搜索引擎更像是与人类的对话，不仅能结合场景对搜索结果进行结构化处理获得更为准确的内容，提升信息搜索效率，而且能在历次的搜索中捡取搜索特征，利用大数据分析技术，在提高用户信息获取效率的基础上提供针对用户个人的服务。利用自然语言处理技术这一人工智能最核心的技术，搜索引擎已经能像人一样思考，通过对问题进行一步式解析与再处理，直接反馈给用户结果，无须对问题进行拆解。而随着自然语言技术的成熟，搜索引擎甚至能够结合已完成的搜索结果与用户进行同一问题的进一步探讨。此外，属于劳动力密集型的物流行业也正在被人工智能改变，机器人在人工智能技术的支持下进行包裹分拣、运输与派送，人类只需进行监管工作即可，所需劳动力急剧下降，但投递效率与精准度却远超人类。

人工智能技术是未来科技产品的底层技术，由四部分组成，认知、预测、决策和集成解决方案。认知技术包括自然语言处理、机器视觉等获取外界信息的技术；预测是指基于外界信息进行推理，如个性化推送；决策则是实现既定目标的手段；最终人工智能与家居等结合生成集成解决方案，如智能家居系统、自动驾驶系统⁽⁶⁾。

人工智能技术中处于认知阶段的技术主要包括自然语言、机器视觉、深度学习等，这三项技术已经在商业领域内得到不同程度的应用。

自然语言

自然语言的应用价值不仅仅体现在机器人与人简单的聊天功能，其应用范围极其广泛，包括智能家居领域、无人驾驶领域、机器人领域、商业分析领域等。自然语言处理技术能够改变人类与机器的互动方式，通过语言直接下达命令，缩小人类语言与机器语言之间的差距。

例如，在处理商业数据方面该技术将发挥重要作用。目前，在商业数据中隐藏着许多无法被目前技术手段进行利用的暗数据，包括短信息、文件、邮件、视频、语音、图片等非结构化数据。随着物联网的扩展，预计到2019年产生的暗数据将是传送至数据中心的269倍。直至今天，公司只使用了极其小部分的数据以辅助商业决策。

原有的分析工具与方法对于非结构性数据无法进行有效分析。自然语言处理技术的成熟可以使电脑能够直接理解决策者的需求并提供相应的答案，不再通过搜索关键字的方式获取信息。数据机器人可能在回答公司收入等问题时不仅仅是将所有数据筛选出来，根据其理解的问题对用户的使用意图进行推测，能够在筛选原始数据的同时组成完整的答案。根据IDC预测，截至2020年，相较于未对暗数据进行分析利用的公司，利用暗数据的公司将获得额外4300亿美元的收益。

机器视觉

机器视觉一直以来都是人工智能技术领域的热点之一。其中人脸识别潜在应用范围较广，最易于普及。相较于传统密码识别技术来说，人脸识别技术更具安全性，不易被破解，且能有效解决为提高密码安全性增加密码复杂程度带来的输入不便问题。此外，人脸识别的唯一性还能有效规避多个账号、多个密码，记忆不便的问题，提高解锁效率。

人工智能人脸识别机器人识别准确率已达到九成以上，算法准确率不断提升，推动人脸识别技术覆盖范围扩张。各大银行也在金融领域布局人脸识别技术，招商银行开启“刷脸”支付业务，人脸识别ATM也已通过验收。医疗领域的运用主要在发卡、医疗检查等领域，通过支持人脸识别的医院信息系统将自己的面部特征与医院就诊卡绑定，在医疗检查过程中通过人脸识别对患者进行身份核对以降低医疗差错的发生率。教育领域主要运用在监考系统中，通过精确对比考场考生、阅卷办公室人员脸部信息，防止证件伪造、替考等行为。同时，国内智慧城市不断深入发展，城市监控设施覆盖范围不断扩大，清晰度不断提升，摄像头密度不断加大，人脸数据采集阻碍降低，推动人脸识别在公共安全领域所发挥的作用不断扩大。

互联网巨头引领技术相关探索，预计人脸识别将应用于更加丰富的场景。公众的日常生活已经被大楼门禁、交通摄像头、银行安保摄像头等包围，无处不在的摄像头连接上人脸识别技术，原有的安防效果将被迅速放大，每个人的行为都能被监控。阿里巴巴同外界合作研发人脸识别技术以提高移动支付的安全性，腾讯各产品将逐步采用人脸识别技术，百度将人脸识别作为深度学习重点研究项目。

深度学习

2017年云上深度学习向端上转移的趋势亦将逐渐凸显，新一轮人工智能热潮或将实现移动端离线下的自主机器学习。根据德勤全球的预测，2017年超过3亿部智能手机——售出的超过1/5——将具备机载神经网络机器学习能力。这些计算机模型旨在模拟人脑结构与功能的方方面面，用各个组件来代表神经元及其互联情况。有了它们，智能手机即使没有连上网络也能执行机器学习任务。

过去的一年，移动端借助云端深度学习的发展实现了更智能化的用户体验。然而，云端智能也存在其局限性。首先，是对数据传输的依赖性，虽然目前智能技术已可在移动端实现，但其核心算法均需在云端完成，一旦网络中断，移动端将无法独立完成智能任务。这使移动端智能在医疗、无人驾驶、无人机等领域存在安全隐患。其次，云端庞大的服务器集群使每一项智能技术的实现消耗了海量电力。例如，移动端本身的非智能化会造成它毫无保留地传送数据于云端并执行任务，或是某项智能技术在终端的实现并不需要云端如此大的数据库运算。当无法计数的移动端非智能化地依赖于云端，云服务器对电力的消耗将是一个天文数字，造成不必要的能源浪费。

此外，人类生活对移动端与物联网设备的日益依赖，从需求的角度促进了云上智能向端上智能发展的态势。但现阶段端上智能的应用远远无法满足人们对人工智能的需求。端上智能的进一步突破需要硬件与技术在小型移动端的优化与配合。我们预测，适用于移动端的人工智能专用芯片和紧凑型神经网络算法将在2017年取得进展。

2.1.4　人工智能倒逼变革商业模式

劳动力结构变革，朝人机协作方向发展

伴随着人工智能逐步渗透入日常工作与生活，以人工智能为基础的一系列技术已经实现商业化应用并开启了取代人类工作的进程。未来50%的工作将被人工智能替代，且这一天将会很快到来。而在中国，这个数据是77%⁽⁷⁾。

技术发展的不断加快和机器自动化发展对人类劳动力的需求将会减少。蓝领和白领工作将蒸发，工薪家庭和中产阶级家庭受到进一步挤压。律师、记者、证券分析师，甚至程序员都将被取代。科学技术将以更快的速度进步，但这并不意味着大规模失业，而是劳动力结构的调整，人工智能的进一步深入将推动劳动力从简单、重复性的劳动中解放出来，从事更具有创新性质的工作。但这也意味着劳动力市场需求将从低技能岗位转入需要大学或高等学位的高技能职业⁽⁸⁾。

产业链上下游关系变革

传统制造业产业链中上下游的关系也将发生根本性的变革，特别是在生产与产品消费过程中。

在生产过程中，技术供应商与传统服务或产品厂商的结合将是未来商业发展的方向之一。利用新技术或产品将推动用户消费习惯转变，在打车软件还未普及之前，乘客直接到马路边等待路过的出租车，现在用户可以直接在软件上约车，推动了车辆共享，更加便捷高效。在人工智能时代，传统制造业企业在生产过程中已经开始与技术巨头进行合作。例如，传统家电品牌美的与地平线机器人合作开发智能家居、传统车企福特收购人工智能企业ArgoAI以开发人工智能虚拟司机系统，预计将在2021年推出全自动无人驾驶汽车。

在产品消费过程中，制造业也将面临巨大的变革。以汽车行业为例，传统车企将使通过经销商向消费者销售汽车的模式转变为向下游提供交通服务，一方面车企可以自行组建无人车队向消费者直接提供服务，另一方面车企也可能将车辆租赁给专业服务公司，再由服务公司向消费者提供统一的无人驾驶出行服务。

盈利模式转变：数据至上

海量数据是深度学习开展的首要条件。人工智能若拥有海量数据，通过不断学习甚至人类也会被人工智能碾压。在人工智能时代拥有大量数据的二流科学家取得的成就将超过数据短缺的一流科学家⁽⁹⁾。中国涉及人工智能领域的企业得益于人口众多、消费数据丰富、消费场景复杂等条件，能够得到更多的可用数据，中国在人工智能时代取得大成就可能远超互联网时代。大量的企业以数据为中心向用户提供服务，如智能家居生产企业通过传感器收集用户习惯进而准确把握用户需求向用户提供包括安防在内的服务。