來源 | 北大AI公開課
本文由AI前線（ID：ai-front）獨家整理首發，未經授權請勿轉載
2019年2月20日，北京大學“人工智能前沿與產業趨勢”正式開課。本學期的課程邀請到了商湯科技副總裁沈徽、馭勢科技CEO吳甘沙、微軟亞洲研究院副院長周明、360人工智能研究院院長顏水成、YC中國創始人及CEO、百度集團副董事長陸奇等14位來自產業界的大咖進行授課，AI前線作爲獨家合作媒體將全程跟進並對北大這14場公開課進行整理，敬請關注！
北大人工智能創新中心主任雷鳴作爲課程的發起人與主持人率先開講。作爲整學期課程的第一講，雷鳴從人工智能發展，到AI對生產力以及產業的影響，以及AI時代創造的諸多機會等方面，全面剖析了人工智能產業的發展現狀。
課程導師：雷鳴，天使投資人，百度創始七劍客之一，酷我音樂創始人，北京大學信科人工智能創新中心主任，2000年獲得北京大學計算機碩士學位，2005年獲得斯坦福商學院MBA學位。
以下爲AI前線獨家整理的雷鳴老師課程內容全文及PPT。
我的第一講叫做人工智能的革命和機遇。
在我眼裏，人工智能給社會帶來了非常大的變化。如果再過幾十年回頭看，我甚至會覺得，它對社會的影響應該比互聯網對整個社會的影響更加深遠，我把它等價到工業革命同級的層次上，因爲它們都對社會造成了極其深遠的影響。
我想從：人工智能影響的深遠性、人工智能浪潮爲什麼會發生、人工智能對產業各個方面的影響、中國公司面臨的機會，以及產業面臨的機會等幾個方面，做一個相對全面的介紹。
AI會深刻改變社會
第一部分我們講一下：AI會深刻地改變這個社會。
首先我們還是從學術上來講起。人工智能對很多人來說是一個老東西了，比如Neural Network（神經網絡）在很早以前就已經提出了，但是一直沒有什麼突破，直到最近纔有些進展。很多人說這個領域並沒有新奇的東西，可能就是煉丹術，或者又是一場泡沫，衆說紛紜，想法和觀點都很多。
當然，每個人可以有自己的觀點，我希望比較全面的講解下這部分內容。
我是從產業角度來看問題。回想互聯網的發展，整個互聯網的理論體系在互聯網誕生之前已經建立的比較完善了，而互聯網發展這麼多年，相對的理論並沒有什麼特別大的調整，但對社會的影響卻是越來越深遠。所以，我們不是從純粹的學術上去探討問題，而是從技術的落地，以及對我們的生活、對社會影響的深刻性上去探討這個問題。
智能發展的兩個重要階段
我們先從計算機視覺講起，這是現在發展最快的AI技術。
2013年，當時還是依靠模式識別來解決視覺問題的時代。那個時候人臉識別最好的成績全球是96.33%，而人類對人臉識別的一般識別率是99.1%，遠沒有達到人類水平。
而人工智能技術落地，我認爲有兩個重要的階段。
第一個階段，這項技術跟人相比，達到人類的水平了嗎？達到人類的要求了嗎？沒達到，對不起，我就根本不理睬你。所以，產業看技術發展是臺階式的，而學術看學術發展是連續、漸進的。對產業來說，一項技術達不到人類要求，那就還是沒用的。
以大學的錄取分數線做比喻，某個學生差0.5分和差50分有區別嗎？其實沒區別，因爲都錄取不了。同樣的，雖然每個人在學校學習成績是有差別的，但是對於工作的實用性來說，是沒差別的。
深度學習對於人臉識別起到了很大的提升作用，據瞭解已經在一些測試集上達到了99.7%的識別率了。我們看到人臉識別是落地非常廣泛的應用，現在不論景區、門禁還是網上支付，刷臉就可以了， 爲什麼？就是因爲它越來越準確了，它的錯誤率已經大幅度被壓低了，它有了商業價值。
接下來我們講一下AlphaGo，這個是造成人工智能領域集體狂歡的一個項目。在AlphaGo之前，人工智能僅僅是極少數人討論的內容，是隻有研究和從事相關工作的人之間纔會有的談資和話題，平常的百姓既不懂也不感興趣。到AlphaGo之後，大家都開始談論了。
第一個階段，我們認爲技術要跟人比、要超過人類、要有用。第二個階段，我們着重講一下人工智能進化的速度。
AlphaGo最早的時候是在歐洲打敗了歐洲冠軍，一位職業二段選手，也是個中國人；過了六個月之後，AlphaGo跟李世石下棋，只輸了一局，總比分4：1取得勝利。在此之後，網絡上出現了一個叫做Master的棋手，橫掃中日韓棋手，並保持60局不敗；隨後AlphaGo 2.0與柯潔對局，結果人類選手當然還是輸了。
AlphaGo 2.0當時的水平到什麼程度呢？讓三子而不敗。後來聶衛平發表感慨說：AlphaGo 2.0現在已經是是20段的選手了。AlphaGo現在變成一個統一的程序，不論圍棋還是象棋，用一個程序基本上全部擺平了。後來，不論是電子競技還是德州撲克、橋牌等遊戲，人工智能都可以搞得定，前不久DeepMind發表的一篇論文，也是AI在遊戲裏打敗了人類選手。
這幾個案例想告訴大家的是：AI一旦有足夠的數據，或者AI真的適應某個領域的話，它的演進速度是非常快的，比如圍棋從二段到九段，到孤獨就敗，再到現在不知道到幾段，很快就可以達成。歷史上看，棋聖級別的高手是鳳毛麟角，但是AlphaGo把整個圍棋界顛覆了。
說了這麼多，有人或許會有疑問：人工智能對社會到底有多大影響？它會下圍棋，但是不懂圍棋的平常人並不關心，雖然佔吸引到了觀衆的眼球，但是對生產力真的有促進作用嗎？
傳統生產方式被顛覆
在此之前，我們先來看另外一件事兒。這裏有一張圖，叫“全球人均收入按年代的數值圖”，來源於加州大學的教授Gregory Clark，這是對於全球的經濟歷史做的統計。
從勞動生產力的歷史來看，公元前1000年到公元1800年左右，就是在圖中工業革命的箭頭之前，以中國爲例，秦朝和清朝真的有很大變化嗎？除了穿的衣服有所變化外，房子還是那麼高，結構還是那個樣子，大家還是拿着鏟子鋤地，幾乎沒什麼太大變化。但是，從1801年左右，工業革命開始到今天，變化是翻天覆地的。短短兩百年的時間，一切都變了。我們今天的日常用品，我們居住的建築、用的電子產品，都是這兩百年的產物。
工業革命給人類帶來了前所未有的變化，如果反映到勞動生產率上，人均的勞動生產率在過去僅僅兩百年左右的時間裏提升了10倍，要知道在之前將近三千年左右的時間裏，勞動生產率幾乎沒有什麼改變。
很多時候我們會思考，爲什麼會這樣？我經常講，以史爲鑑，通過分析歷史去了解未來，我個人認爲，人類能有今天的進步，主要是人類的勞動形式發生了根本性變化。不同的勞動形式效率是不一樣的，在工業革命之前，人類去改造這個世界基本都是靠體力，效率是非常低下的，而工業革命用能源加機械替代了人的體能。
工業革命之後，人類改造世界不再靠體力，而是靠技能，勞動力發生了巨大的變化。我們可以認爲在農業社會的時候，務農的人佔到社會總勞動力的90%以上，這是一個概數，不是精確化的統計，但是量級上可以這麼理解。但是工業社會之後，體力勞動基本被抹掉了，今天從全球範圍來看，農業佔全球GDP的比例是3%左右，在美國，農業GDP佔比百分之零點幾。同時，務農人口占比也降至百分之一點幾。
所以回到前面的問題：智能會改變什麼？
從經驗來看，我個人認爲：智能依靠數據，再加上AI的一些算法，叫做智能化，利用智能化去替代人類的技能勞動，所有人類經過長時間培訓可以做好多事情，機器能做得更好。
現代社會勞動力約有90%都是從事技能勞動的，不論是司機、廚師或者是服務人員，都是依靠技能進行勞動的。有人提到了醫生，我個人認爲不全是，這個職業可以分成兩部分來看，不僅依靠技能治病救人，做科研的是醫生的一部分職責。
最終我認爲：隨着智能革命不斷的深入，會替代掉幾乎所有的技能勞動，進而把人類逼到另外一個地方，叫創新。
什麼叫創新？很多人覺得創新都是特別高大上，只有做教授的人才搞創新，或者做創業纔是創新，但實際上創新無處不在。未來的社會的主要價值體現在創新上，創新是做這個社會不存在的東西。創新可以創新是個產品，可以是一項服務，可以是個商業模式，也可以是個作品，但是一定要注意後面這個定義，不論創新的內容是什麼，一定要對社會的發展貢獻價值。它可以是提高了社會的勞動生產率，讓社會節省了時間，效率提升，也可以是讓人得到了一種滿足，比如遊戲、電影等娛樂產業。所以我認爲，未來社會將走上創新之路。
產業格局將徹底改變
我們再來看一下產業格局隨着智能發展會有什麼變化。
在農業時代，社會總財富里面農業財富佔了90%，雖然過去也有其他行業，但是相對於所有的農業產值來講，都只是消耗的很小，影響很小。但是在後工業時代，比如2011年的數據，全球農業總產值佔全球GDP的2.81%，不到3%，其他佔比高的產業都是新的，主要是工業和服務業。是農業萎縮了嗎？不是的，農業沒有萎縮，爲什麼會這樣呢？是因爲其他的產業增長得快。因此我們按前面的趨勢去類推，到智能時代時候，我們認爲農業、工業和服務業，這些靠技能、靠體力的產業，到智能時代之後，也會像農業一樣佔比下降，而創新型產業又會成爲社會的主要財富的聚集地，慢慢的佔比會越來越大，最終會佔到90%以上，都是創造性行業提供的社會價值，這個是我個人觀點。
剛纔我們講了智能對整個社會以及對人類的影響，它會把我們逼着離開技術性產業。這裏面插播一個有意思的小故事。
大家知道，計算機視覺在醫學影像上進展還是比較快的，計算機通過對患者醫療影像的掃描，可以直接給醫生一個判斷，不是輔助性的，而是可以直接給出結論的。這東西導致去年美國的醫學院的醫學影像專業報考率驟降，因爲大家很擔心：學醫讀到博士纔可以當醫生，學這麼多年之後，突然失業了怎麼辦？這件事導致了不少人很不安，從社會層面來說也反映出來：未來想靠學會一項技能，一直在一個行業裏工作，就能把自己的一生過的很好的機會可能沒有了，我們需要不斷的思考與創新。
還是以醫生這個職業爲例，我認爲醫生不會失業，因爲上面也說過：醫生有兩個職能，看病與研究。但看看病這個職能，如果是常見病，現在很多機器已經超過人了，並且很明確；但是在科研上，讓AI研究出某種疾病的解決方法，從算法上來說是完全做不到的。醫生會逐漸的轉向科研型、研究型醫生，而不是現在的看病型醫生。
爲什麼是現在？
AI發展三要素：算力、算法、數據
人工智能有老生常談的三要素：數據、算法和算力。我們會從這三個方面，分別進行講解，這三要素之間也確實有一些關聯性。
第一個就是數據。人類的數據，尤其是數字化數據，大致上是以每年50%的速度在提升。每個人電腦上的數據、網盤裏的數據都有了充足的空間，過去用內存卡可能還需要經常清理，現在大部分數據都存到雲上了，空間足夠使用，我們每個人的數據也是以每年50%的速度在增長。
我們再看一下另外一個東西——摩爾定律。
摩爾定律告訴我們：算力也是每1-1.5年翻一番。那麼這兩者之間有關係嗎？可以這樣理解他們之間的關係：隨着數據量的提升，算力會有所提升；同樣的，算力的提升，意味着可以處理更多的數據，它們之間是交織着在向前發展。有的時候是量變到質變的過程，雖然很多算法沒有本質的區別，但是因爲數據量能力的提升，很多之前沒法解決的問題，現在變得就可以解決了。比如說愛因斯坦寫出來的公式，在紙上只有幾行，但是應用在原子彈的研究上，最後的爆炸效果可能是巨大的。所以算力和數據量是一個交互發展的過程。
那麼算法呢？算法其實也在適應算力。很多有前瞻性的人會提出一些算法，但這些算法在當年的算力條件下還是無法解決問題，效果得不到最好的發展，只能停留在數學層面，它只能作爲一個假設而存在。但是一旦它真的能解決問題的時候，研究的人會越來越多，這一領域的研究也會突然蓬勃的發展。所以算法、算力和數據三者之間也是有相關性的。
接下來我們簡單說一下算法的發展歷程。早些時候，大量的算法是基於經典數學的，比如決策樹算法等等。因爲當時的算力有限，做不出複雜模型，所以解決的問題也非常有限。
在1989年左右，自然語言處理領域有一套基於概率的算法出現，包括貝葉斯算法，馬爾可夫過程等等。因爲自然語言比較複雜，這些算法疊加起來之後，解決了一些變量數量的問題，利用條件概率的一些方法，引起了一次算法的飛躍。
最近這次算法的巨大進步我認爲就是深度神經網絡。神經網絡在變量層面上又解決了另外一個問題，也就是函數複雜問題。什麼叫函數的複雜問題？可以這麼理解：一個函數做泰列展開之後，會展開很多項目，後面的項一直對函數的結果影響都很大，那這個函數就極其複雜。
我舉個例子，比如圍棋，一共就361個變量，每個位置，放一個變量，而且這個變量只能取三回：黑白和空。從變量上來說，三百多個變量並不是那麼複雜，而且有取值限制，但這個函數很難解出來，我們只能無限逼近最優解，而現實世界中的問題都不是一個公式就可以搞定的，只會更加複雜。
爲什麼人類解決問題需要依靠經驗？經驗就是通過實際的情況不斷的調整大腦來製作模型，之後再去擬合，才能做得越來越好。而深度學習可以理解爲，它也有這個能力，給它的數據越多，它就做得越來越好。
下面這個圖正好接上我剛纔講的內容。
左邊這個圖是吳恩達教授在一次國際會議上發表的一篇論文中的內容，他認爲隨着數據的增長，傳統的學習算法都會有天花板。
什麼叫傳統學習算法？一般傳統的學習算法，要麼事先假設的函數的複雜性是有限的，要麼變量鎖死了。某種意義上來說，當它達到了上限之後，給它再多的數據也學習不了。但是深度學習展現出的學習能力，起碼現在來看跟人類還是可比的，只要不斷的給它添加數據，它就會學的越來越好。現在我們還沒有看到盡頭在哪，還可以再加數據。
所以通過數據量的增加，能夠展現出深度學習的無窮能力。最近這一年自然語言處理髮展的非常迅猛。以前由於算法的理解能力有限，得到的都是特別不如人意的結果，但是現在做得模型幾乎是顛覆了過去的所有的方面，比如OpenAI近期發佈的號稱是最強NLP模型的GPT-2。所以很多時候，技巧問題是一方面，而狂拼數據量與算法，也是可以做得非常好的。
2017年，谷歌與CMU聯合發佈的論文討論了模型容量的重要性，他們發現在視覺任務上，性能會隨數據量級的提升而線性提升，這意味着在目前的數據基礎上提高10倍的數據量，整體性能就能夠提高約10%，而模型可以保持不變。因此，模型容量很重要，模型要大，數據要多，這兩個東西疊加起來，最後的效果就會好。
人工智能帶來的機會
最後，我們講一下人工智能對於未來的意義和發展。
機器人
我們觀察到一個現象：硬件發展往往比軟件發展的週期要長，速度要慢。雖然有時候理論上的複雜度並沒有那麼高，但實際上，因爲硬件的投入成本比較高，嘗試成本非常高，它的進展反而是緩慢的，但是最終都會走到這一步。
現在有很多領域，尤其是很多工廠已經很少使用人工生產了，都是大型的生產線，升級成爲智能化生產線。目前機械臂、自動生產線等技術都在逐步往前推進，最後這些技術整合起來，會不斷的把製造業、農業等產業的生產都變得自動化。
自動駕駛
自動駕駛領域現在又有了些進展。L4級別的自動駕駛已經可以在一些特定場景下落地，完全的自動駕駛被認爲會在未來5到10年落地。在幾年前，我們講自動駕駛的時候，疑問還很多，比如撞了人怎麼辦？但今天，包括中國美國在內的很多國家都給了無人駕駛車的試運行許可。所以我們經常說：不用特別杞人憂天。在我的觀點裏，凡是對社會有用的，終將被證明是有用的。當這些東西的安全係數達到一定程度，自然就會推廣開來。
智能醫療
醫療健康領域，現在AI醫學影像在中國已經有至少四家，估值在10億人民幣以上的AI影象公司在推廣。在美國的話，FDA已經批准了一些AI設備可以直接商用。中國的相關部門也是在在論證這個問題，一些許可也正在路上，因爲畢竟是一個新鮮事物，大家都比較謹慎一點。
我們認爲，智能醫療的發展也是一個不可逆的趨勢，並且會從醫學影像開始。在過去一個月，吳恩達發了一篇論文，運用人工智能深度學習的方法去看心電圖，來對患者心電圖做出判定，比如說有沒有房顫或者其他心臟問題，準確率是超過專業醫生的。這類東西我們認爲都在逐漸的變得可辯駁，實際效果是好的，剩下就是一個時間問題，雖然在一些領域走的快的，有些領域走的慢一點，但是最終我們認爲，所有好的技術都會逐漸的發展落地。
智慧金融
另外就是智能金融方面，金融領域是一個相對重要，但是還是比較封閉的領域。從數據量來看，金融很早就進行了產業化，只要有充分的訓練數據，很多模型還是可以訓練出來的。這個領域有幾個特別好的應用場景，其實是可以解決社會問題的，比如中小企業貸款應用場景，因爲中小企業貸款量太小，調查、審覈等等流程又非常麻煩，但是現在有了大數據時候就不一樣了。
依靠巨大的數據優勢，加上適當的算法，數據只要夠大，算力只要夠強，就相當於手握金礦。同時，由於金融領域在快速的迭代，一些金融分析師、信息採集整理人員可能會被智能產品替代。
服務機器人
家庭機器人領域也十分值得關注。最近非常熱門的智能音響是個初期產品，它未來的發展路徑叫做個人電子助理，衣食住行、日常消費等等都可以經過它，這也註定了無數個公司要在這塊花最大的力氣搶下它，競爭是非常激烈的。這類產品做到最後不僅僅是一個硬件，或者一個算法的比拼，而又是數據的較量。
我們看一下全球的情況。今天全球市值前10的企業有7家都是互聯網公司，試想下，未來20年後，市值前10的企業會不會人工智能公司呢？但今天很多公司已經聲稱自己是人工智能公司了，但是我們強調的是，從會有很多新公司涌現。從軟件時代到互聯網時代，圖中只有微軟和蘋果是超過40年曆史的企業，剩下那些都是“小朋友”，年齡只有20歲左右。從另外的一個角度也可以看到，這個世界上的“百年老店”越來越少了。
AI的發展路徑
AI的發展路徑我認爲有這樣幾個要點：
低技能行業到高技能行業；高數據行業到低數據行業；經濟效益高的行業到經濟效益一般的行業。
可以這樣理解：
從低技能行業到高技能行業，低技能行業算法簡單，於是就可以儘快落地，比如停車場的車牌識別，但是爲了解決更復雜的問題，就要向高複雜度的技能行業發展。
從高數據向低數據發展，金融就是個典型的行業，因爲數據量大，所以AI發展的速度也比較快，與之相反的是缺乏數據的農業，因爲大部分農民種地依靠的是經驗，幾乎沒有數據，計算機學不出來，所以要向低數據行業發展。
從經濟效益高到一般行業，以自動駕駛汽車爲例，大家這麼拼命這麼去做？首先因爲經濟效益太高，你只要能夠訓練系統開一輛車，就可以開所有的車。在中國也就意味着能夠得到交通、運輸、物流三個加起來將近20%GDP的市場。而中國的醫療健康只佔了6%的GDP，與交通運輸領域相比，經濟效益相對較低，所以未來發展會向這類領域推進。
我們再從其他角度講一下人工智能的實用價值。我們認爲，人工智能機器學習的水平跟人相比，只有超過人類，才具備替代人類工作的能力，在AI接近人類水平的時候，產業價值很快就會展現出來了。
AI能力發展要找對時間，但是還有一個特別重要的點，叫成本收益問題，爲什麼呢？因爲一款AI產品即便做的比人好，但是比人貴還是不能被接受，比如說自動駕駛汽車，如果同等配置的價格比一般非自動駕駛的車輛要高出很多倍，那也不會有太多人選擇。
我們認爲所有智能產品都可以做到，只是成本問題，而且人工智能的成本永遠都是下降的，同等價格的算力只會越來越便宜，但是人工成本一定是升高的，因爲僱傭AI人才的費用一定會上漲。
AI時代企業的機會
我們認爲，AI時代科技公司的機會還是很多的。
對於大的科技公司來說，主要是拿自己的數據，做各種各樣的處理，看它的商業價值。很多人認爲，小公司是不是沒機會，因爲小公司沒數據。但實際上，從人才的角度來說，優秀的人，到一定的時候是願意去創業的，他們成功的可能性是很大的；從數據角度來看，其實並不用比別人的數據大，比如農業、工業、醫療等等領域，大家都沒數據，都是兩眼一抹黑，那就可以做，比如人臉識別、醫療影像識別等等。
最後，從機器角度來看，最關鍵的就是錢。但是錢這個事情是最不用擔心的，你只要證明能賺錢，就一定不缺投資。
傳統產業還有沒有機會？也有，我們認爲傳統產業如果有數據，還是可以去做點事情的，跟科研機構合作也好，做投資也好，都可以有所作爲。但傳統產業自己建立一個AI團隊是不是合適的？我認爲原則上是不合適的，因爲很難留住人才，由於企業文化等各種問題，很多AI人才或者互聯網人才到傳統企業裏面都待不長。因此我認爲，傳統企業與科技公司進行合作或者投資相對來講是更划算的。
AI時代的中國機會
首先，AI時代中國和美國是兩個非常有力的勢力，其他國家都不是太靠譜。
歐洲生於憂患，死於安樂。南歐四點鐘以後連商店都關門了。其次，歐洲現在很多國家由於各種複雜的問題也變得比較混亂了。
一海之隔的日本在創新的進度上，明顯被落下來。日本是個典型的精益求精的國家，它做微創新很好，但日本人活的比較講規矩，在一個公司要幹一輩子，都不敢跳槽，也不敢創業，我覺得不容易，寸步難行。其他國家基本可以忽略。
美國優勢還是非常明顯的，我列舉了一些：
美國的科技積累極其深厚，人才儲備世界第一，並且科技沉澱深厚。其次，它其實不是美國市場，而是全球市場，任何一個科技公司的收入，美國大部分都佔一半，或者不到一半，它在全世界都很有市場。
當然，美國面臨的挑戰也是很大的。一是中產階級帶來的政治挑戰，二是美國現在國內形式也不好。其次，美國最近在貿易等各個方面的一些動作，不像以前抱着開放的心態做生意。
中國也有這樣幾方面的機會。首先是廣闊的市場，中國是全球最大的商業化市場，叫漢文化圈，市場越大，越支持創新；其次是技術跨越式的進步，由於中國從現金支付直接跨越到了移動支付時代，在技術的升級上也得到了飛躍式的提升；從技術追趕的角度來說，中國大學的提名提升很快，優質人才的比例也不斷在提升，在論文的貢獻等方面已經超過了美國；在創新能力上，中國以前比較落後，靠模仿國外的軟件發展，但是最近這些年形勢發生了反轉，一些國外的企業開始模仿中國的技術產品；另外就是中國投資，2017年的數據，中國的AI投資大概是在全球是排第一的，佔到全球早期AI投資的48%，美國是38%。
最後，我覺得在未來發展，尤其是AI這一塊，還是有很多的機會，無論是中國還是全球。
我們處在一個關鍵的轉折點，我認爲，在現在這個社會變化很快的時候，選擇比努力更重要，我想說的不是努力不重要，是因爲跟你一樣優秀的人基本上都跟你一樣努力，但是選擇定終身，你進了什麼行業，就決定了你的未來，你只有選正確的社會發展方向才真正能做出事情來。
怎麼去理解社會的發展方向？這個極其的重要，我個人認爲在未來，AI在任何產業都將產生顛覆性的影響，抓住這個大方向，就跟20年前，應該不顧一切的加入互聯網產業中來一樣，無論你是幹什麼的都挺好，你的能力在有機會的地方纔可以得到更大的施展和釋放。
這也是我們開這堂課的一個目的，希望大家能瞭解，或者理解這個社會在發生什麼，科技怎麼影響社會。希望大家不僅僅是學到一點知識，知識什麼時候都可以學，我希望你能學到一些能影響你的判斷、你對未來的理解、對自己的發展規劃的東西，這些東西對你的人生影響相信會更大的。
第一節課就講到這裏，謝謝大家。
Q&A
Q1.當摩爾定律達到天花板之後，計算力不能再提升了，人工智能的發展將會受到什麼限制？（比如無法處理無人駕駛在現實中遇到的複雜場景）那人工智能的發展趨勢又會變成什麼樣？
這個結論到現在是不成立的，這個定律在歷史上被質問過很多回，好像又到天花板了。我告訴大家幾個潛在的提升：
第一，英偉達的CEO黃仁勳提到，GPU作爲未來算力主要提供者，在未來的10年不用擔心增長，GPU的複合增長是很快的，現在不是單CPU的時代了。
第二，現在在工業計算領域，全球有些創新企業在做，用光的特性能把計算速度再提升千倍左右，現在這個還在實驗階段，雖然光芯片還沒有真正的到實用階段，但是這個方向本身理論證明還是可行的。
第三，量子計算，它徹底顛覆了現在我們對計算的所有理解，約50個比特的量子的算力可以達到世界上最大的超級計算機的算力乘以2，或許非常難理解，但是理論上就是這樣。這是一個全新的領域，如果量子計算真的解決了，那人類計算的未來什麼樣，我們很難想象，那時候就不是摩爾定律會打破的問題，或許有個新的定律冒出，計算幾乎是跟水和空氣一樣，隨便用。
Q2.神經科學領域認爲目前的人工智能沒有實現真正意義上的 “智能”，而更多的是人工，人工智能近幾年內有望實現真正的智能嗎？
一般來講，人工智能分爲兩個概念，強人工智能與弱人工智能。
比如在一個狹窄的垂直領域內只做一件事情，比如只會聊天不會下棋，或者只會下棋不會開車，缺乏泛化能力，這叫弱人工智能。強人工智能是指，這個程序跟人一樣，什麼都能學，什麼都學的會。
我認爲中間會加一層，就是在由弱到強的過程中的過渡，叫做常識人工智能。原來我認爲常識人工智能可能需要10年左右，但現在來看，或許有可能提前，非常值得期待。
Q3.創業要有什麼準備？時間應該花在什麼地方？到底應該準備什麼？
我的想法是：
如果你不打算出國深造，學習這一塊不一定要真的是自己什麼都會，不求甚解是可以的，真正創業的話，不需要自己碼代碼，自己做算法，但是你沒有這些基礎知識，你在做決策的時候，會出巨大的問題。在學習掌握上，你要知道這個東西能幹嗎，但不一定自己能做什麼。
至於時間應該花在什麼地方？到底應該準備什麼？我個人認爲，有幾個點：
第一，多關注一些創業動態，嘗試理解創業前沿的趨勢。所有的東西都是有時間窗口的，比如BAT三家公司的創始時間分別是1998、1999、2000；蘋果和微軟這兩家巨無霸大公司的創始時間分別是1975年、1976年。這個社會真的是有窗口的，你得去理解這個事，你也可以去蒙，也可以去分析。
要去理解某個技術對一個產業本身是不是根本地解決了一些問題，它的能力到底能解決什麼東西，有沒有實際用途，而不是什麼火了就去盲目地做什麼，要根據社會的發展，根據大家對社會的觀察理解，學習一些東西。
還有最後一件事情，多結交一些非本系的好朋友。中國創業，最難找的就是合夥人，找自己的同宿舍很好，但是你們太像了，找不同的好朋友挺好的。但是最忌諱的是，因爲商業走到一起，你是做市場的，我是做技術的，咱們倆一起幹，結果這個東西大部分是不歡而散，公司也弄得很慘，也不是說沒有成功的，但是相對比較困難。
因爲中國沒有職業經理人的這個概念，創始人本身對企業能力是非常強的，這中間會產生很多的矛盾。這個矛盾有一個堅實的信任基礎就好解決，沒有的話，最後公司會變得非常難受，因爲創始人矛盾導致公司分崩離析的案例太多了。大學的時候多交幾個好朋友，尤其是非本系本學院的，這樣對你有好處。
更多內容，請關注AI前線
