周鸿祎:错过了手机行业热潮,错过了O2O模式大行其道,这一波人工智能你还要错过吗?-阿里云开发者社区

开发者社区> 雷锋网> 正文

周鸿祎:错过了手机行业热潮,错过了O2O模式大行其道,这一波人工智能你还要错过吗?

简介:

雷锋网(公众号:雷锋网)按:本文摘编自周鸿祎新书《智能主义:未来商业与社会的新生态》,转载自正和岛公众号。

资本寒冬,商业模式类创业创新遇冷。在这样的背景下,能够逆势而上受人关注的,唯有人工智能领域。它之所以受到持续追捧,是因为其成为新时代的基础设施,像水、电、网络一样成为所有企业的必需,这一点已成为共识。而对于当下,如何将人工智能落地、商业化,如何适应人工智能将构建的新商业生态,尚有分歧。

人类社会经历过的PC互联网时代、移动互联网时代,以及现在所处的智能硬件时代,技术发展和商业模式创新之间始终是相辅相成的关系。每当科技发展的红利被商业模式创新挖掘殆尽后,经济也随之步入寒冬,直到下一轮技术革命的出现,商业模式创新才能重新迸发生机。

现阶段移动互联网的商业模式创新已经挖光了Web2.0时代的技术红利,所有人都在寻找新技术,以期获得新的商业模式创新。人工智能技术无疑就是下一轮技术革命的焦点,假如未来的某一天,我们在这方面有了突破,那么新的商业模式也将涌现出来,带来一个甚至多个万亿级市场。

在我看来,未来通用人工智能生态圈的格局会是下面将要介绍的样子。

人脑芯片

2014年8月,IBM公司推出了一款名为TrueNorth的大脑原型芯片,TrueNorth 主要被用于计算机专业学习领域。TrueNorth芯片集成了100 万个神经元和2.56 亿个突触,这相当于一只蜜蜂的大脑,而正常人的大脑大约包含1000 亿个神经元和无法统计数量的突触。

周鸿祎:错过了手机行业热潮,错过了O2O模式大行其道,这一波人工智能你还要错过吗?

量子计算

普通计算机存储数据的方法是根据晶体管电路的状态,而量子计算则是根据粒子的量子状态,使用量子算法来进行数据操作。通过量子计算,可以大幅提升并行计算速度。不过遗憾的是,这方面还没有出现研究成果,谷歌曾经在2014 年开始研制量子级计算机处理器,他们希望为机器人提供一个可以像人一样思考的大脑。

周鸿祎:错过了手机行业热潮,错过了O2O模式大行其道,这一波人工智能你还要错过吗?

仿生计算机

仿生计算机可以解决构建大规模人工神经网络的问题。普通的CPU(中央处理器)、GPU(图形处理器)处理神经网络的效率很低,并且在占地、散热和耗电等方面都存在问题。专门的神经网络处理器可以很好地解决这些问题。在国内,陈云霁团队研发的寒武纪神经网络计算机依据仿生学原理,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。

在图像、声音和面部识别系统变得越来越精准后,计算机也拥有了探察人的情感状态的能力,包括喜、怒、哀、乐、爱、恨、贪、痴等,并做出适当的反应。那么很多人会有这样的疑问:

机器人能否拥有像一个正常人那样独立思考的能力?

关于这个问题,我曾经与著名的互联网预言家、《连线》杂志前主编凯文·凯利有过一次交谈。在凯文的思想里:

未来的人工智能会产生自己的意识,这会为我们完全掌控它带来一定的困难,但不会形成毁灭人类的威胁。

绝大多数的人工智能都只会是工业人工智能服务型电器。

我对360的战略规划就是全线硬件产品向人工智能看齐,从图像识别技术和大数据技术两个方向深度拓展。目前,我们已经在中国和美国成立了相应的技术研发团队,并且还相继进行了一系列并购。

总的来说,360 在人工智能领域的整体规划可分为以下4 个层次:

(1)最基本的硬件层面,研发、升级可以在云上、端上进行深度学习的专用芯片

(2)面向大规模深度学习、训练的多机多卡软硬件平台,以及基于深度学习的各种人工智能的前沿算法

(3)基于人工智能的各种智能硬件产品

(4)在人工智能或者深度学习的基础上,使智能硬件具备自主学习能力

作为360 未来主推的大方向,我对人工智能的设想是无论在硬件还是软件方面,都将拥有自主学习功能。阿尔法狗赢了之后,我非常兴奋,我兴奋的不是人工智能在围棋上战胜了人类,而是它为我们所有人做了一次非常好的概念普及,让我们真实地感受到人工智能领域的成果。

但是,我所理解的人工智能并不会像阿尔法狗那样只表现在下围棋方面,也不会像好莱坞电影中那样可以威胁人类安全。人工智能就像工业革命之后所带来的新技术那样,为我们的生产、生活带来极大的便利。

虽然目前看来,360智能摄像机还仅仅是一个小产品,功能也有限,但它只是一个开始。我的期望是在不远的将来,它能够根据面容区分出家人和陌生人,能够识别出你的表情是高兴还是悲伤,甚至还能在家里四处巡视,检查家里是否有漏水、漏气、漏电等异常情况。当发展到那个时候,它就是一个具备深度学习能力的智能家庭机器人了。

为了加速达成这一愿景,360人工智能研究院院长颜水成正在带领团队研发新技术,并且做了以下布局:

  • 建立软硬件训练平台:360net

  • 稳定、低功耗的人脸分析系统

  • 车辆环境感知

  • 建立软硬件训练平台:360net

DeepMind公司曾经推出过DQN项目(Deep-Q-Network),它是基于深度强化学习的游戏平台。

Deepmind在2013发表NIPS文章《Playing Atari with Deep ReinforcementLearning》是公开的最早使用raw pixels作为输入的,用于解决Reinforcement Learning(强化学习)的深度学习网络DQN。在该文章中,作者在atari一系列的游戏上做了各种算法的比较,如下图所示:

周鸿祎:错过了手机行业热潮,错过了O2O模式大行其道,这一波人工智能你还要错过吗?

在总共7个游戏中,有6个做到了算法中最好,其中还有3个做到了比人类专家还要好。

该文章中提到的DQN有两个特点:

1. 用来更新参数的minibatch是是从replay memory(回放记忆)中采样出来的,而不是仅仅的用当前一个片段或者session,这样能使得模型收敛性更好,否则会很容易训飞。

2. value函数是一个多层网络。

我们从中受到了很多启发,并成功建立了一个基于软硬件的训练平台——360net。之所以构建训练平台,是由深度学习的本质决定的:要训练一个系统,大量的训练数据固然重要,同时快速的响应时间也必不可少。

360net支持多机多卡(360人工智能研究院院长颜水成:多台机器上多块gpu一起训练大数据),可以用100张卡或者几百张卡连在一起对深度学习进行训练,同时它还具有高度的兼容性和可扩展性,这意味着将来我们还可以吸纳其他的深度学习模块,来减少开发所需要的时间。对我们的人工智能业务而言,360net是至关重要的根基。

  • 稳定、低功耗的人脸分析系统

360的人脸分析系统已经被应用到360手机、儿童手表、行车记录仪上。此外,线上搜索也在一步步配置人脸分析技术。人脸分析系统可以对性别、年龄、表情等进行分析,当下直播行业的火热,让这套系统的前景非常可观。

众所周知,在人脸分析过程中,准确定位人脸上的关键点是验证技术的一个标准,我们已经把这套技术应用到了360的产品当中。未来,360还将进一步提升人脸分析的准确度,这一切的基础就是大量图像数据的积累。

  • 车辆环境感知

我们曾经招募了一个计算机视觉团队,他们来到360之后,主要负责车辆环境感知方面的研究,主要是物体的分类、检测和分割。这是360对无人驾驶汽车的布局,通过技术实现车辆和行人之间的精确定位,可以更好地辅助驾驶。

试想一下,在城市环境中,汽车可以自动进行车道线的检测,同时预计出距离红绿灯以及交通摄像头的距离,保证汽车的安全。而在检测出可行驶区域之后,就可以准确地预测道路车辆可移动的轨迹和范围,这对于车的路线预判和选择有巨大的价值。

当然,我对人工智能的设想建立在泛安全的基础之上。这里所说的泛安全指两个方面:传统的线上安全和线下安全。线上安全处理的主要是大数据方面,线下安全则是人与智能硬件的交互。我们把信息传递给智能硬件之后,智能硬件要能理解我们的意图,同时要把它的信息反馈回来。

安全是基础,只有在安全的基础上,我们才有可能考虑舒适、便捷的人工智能式生活。所以,360首先还是要利用IOT技术解决人们的家居安全和出行安全。对于做安全起家的360来说,人工智能是一个更适合我们的方向。

当手机行业热潮来临的时候,我们视而不见。

当O2O模式大行其道的时候,我们依然不为所动。

但是,当人工智能的概念进入我视线的那一刻,我的第一个想法就是要抓住人工智能这波浪潮,并为之肝脑涂地,在所不惜。


本文作者:李尊


本文转自雷锋网禁止二次转载,原文链接

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
+ 订阅

秉承“关注智能与未来”的宗旨,持续对全球前沿技术趋势与产品动态进行深入调研与解读。

官网链接