1、 乌镇世界互联网大会 数据赋能 智能无限 中国人工智能发展报告 2016 DT 大数据产业创新研究院（DTiii）AI 研究中心 2016-11-18 1 数据赋能，智能无限 中国人工智能发展报告 2016 目录 前言 .2 一、 人工智能的新时代到来：情境驱动时代 .4 1、 人工智能发展历史 .4 2、 人工智能市场预测 .9 3、 数据视角下当前 AI 的技术布局 . 11 4、 AI 解决的痛点与存在的不足 . 14 5、 AI 对人类社会的影响 . 16 二、无数据不 AI . 17 1、 数据与 AI 的关系 . 17 2、 新的商业竞争范式 . 19 三、行业全景与企业玩家分类

2、. 21 1、 数据视角下的中国人工智能行业全景 . 21 2、 中国企业玩家分类及各自的速赢策略 . 24 四、未来人工智能的发展趋势以及对策. 27 1、 中国人工智能行业发展趋势 . 27 2、 中国人工智能行业玩家的应对策略 . 30 3、 对中国监管者的启示 . 31 2 前言 今年以来又出现了很多热词， 不止大数据， 人工智能 （AI） 、 深度学习 （deep learning） 、 机器学习（machine learning）、AR、VR形色的创业团队鲸吞了市场上相当一大部分 的投资。所有这一切好像跟我们相关，但好像离商业价值又那么远，他们之间到底跟数据有 什么关系，有没有可能

3、给其他行业创造价值？ 移动设备已经成为人类身体的延伸。 我们每天手机使用时长将近四个小时， 好像历史上 第一次有这么一件东西跟着人在一起， 它甚至已经变成人体的一部分， 它默默在后台记录着 我们，不管上网，还是在现实生活中，在家中，在上班，在吃饭，在旅游，在消费，我们所 有的足迹都在被默默地记录下来。好像数据行业迎来了历史上最好的时刻数据爆发的 时刻。 但是，这已不是一个单纯的积累数据量的时代，这个新的时代，对计算提出了更高的挑 战。 第一，这些数据并不是所有的都被存储和收集。除了摄像头和话筒，一个手机携带的传 感器数量多达 16 个。这大量的隐形数据的采集、运算、存储、传输等等领域依然存在着

4、巨 大的障碍。 第二，如何从大量的数据里面解读人的动作，识别人的场景是更加重要的一个问题。现 在的很多数据都是非结构化的情境数据，例如图像、声音、姿态、动作等等，需要人工智能 的帮忙从中间提炼有价值的信息。 所有的世界上顶尖的技术公司都在做一件事情， 就是尝试 用算法用机器学习去还原人在现实生活中的动作，不管视觉、听觉、姿态、感知还是做一些 基础的工作，现在语音识别的技术，图象识别的技术都在大规模的发展。但是为什么当数十 3 亿大脑神经元彼此传递信号时，就会出现喜爱、恐惧或者愤怒的主观感受呢？对此，我们依 然一无所知。人工智能对世界的认知还停留在早期阶段。 2016 年，谷歌旗下的 Deepm

5、ind 公司研发的人工智能围棋程序 AlphaGo 以 4:1 的比 分战胜了世界冠军李世石， 震惊了世界。 围棋因为其复杂性被认为是机器最难战胜人类的领 域，但 AlphaGo 通过深度学习和神经网络技术赋予了机器“直觉”以及自我学习能力，最 终征服了围棋， 成为了人工智能史上的又一里程碑， 也让我们对人工智能的未来中充满了信 心。 人工智能作为一门交叉学科和科学前沿， 至今尚无统一的定义， 但不同科学背景的学者 对人工智能做了不同的解释： 符号主义学派认为人工智能源于数理逻辑， 通过计算机的符号 操作来模拟人类的认知过程， 从而建立起基于知识的人工智能系统， 其主要代表成果是风靡 一时的专

6、家系统；联结主义学派认为人工智能源于仿生学，特别是人脑模型的研究，通过神 经网络的联结机制和学习算法， 建立起基于人脑的人工智能系统， 其主要的代表成果是风头 正劲的深度学习； 行为主义学派认为智能取决于感知和行动， 通过智能体与外界环境的交互 和适应， 建立基于 “感知-行为” 的人工智能系统， 其主要代表成果是独树一帜的强化学习。 其实这三个学派分别从思维过程、脑结构、身体三个方面对人工智能做了一个阐述，目标都 是创造出一个可以像人类一样具有智慧，能够自适应环境的智能体。 数据促进了人工智能的发展。AI 技术的过去与现在的最大区别并不是算法上的区别， 而是相适应的计算能力、原始数据和处理速

7、度现在都有了，因此 AI 技术现在能大放异彩。 目前人工智能在识别，包括在认知，产生很大进展的原因首先是数据量带来的。本报告主要 将工智能视为通过合成智能以研究智能特性的计算机科学的一个分支， 并着重从人工智能 和数据的关系角度出发，分析了人工智能行业的发展现状与趋势，并给出建议。 4 一、 人工智能的新时代到来：情境驱动时代 1、 人工智能发展历史 A. 世界发展综述：三个阶段 纵观人工智能的发展历史，大致可以分为三个阶段。第一个阶段叫技术驱动阶段，第 二个阶段叫数据驱动阶段，第三个阶段叫情境驱动阶段。 人工智能 1.0：技术驱动 人工智能发展的第一个阶段，是基础理论诞生集中的阶段。这个阶段

8、奠定了人工智能 发展的基本规则，并诞生了基本的开发工具，为日后人工智能的研发工具的升级开辟了先 河。在这个阶段，技术的发展，尤其是算法的发展，成了推动人工智能进步的最大动力。 尤其是达特茅斯会议之后，人们对于算法程序、语言的开发投入了极大热情，掀起了人工 智能发展的第一波高潮。在这个阶段的历史性事件有： 1936 年 英国数学家阿兰图灵发表了一篇文章用于证明只用一种只需要对 0 和 1 两 个数进行处理的通用计算机，就可以实现任何以演算式表达的数学问题。这种机器被命名 为“图灵机”。成为了现代计算机的理论基础。 1950 年 阿兰图灵出版计算机与智能。书中提到用来检验机器智能是否与人类 相当的

9、“图灵测试”：如果一台机器能够与人类展开对话且不能被辨别出其机器身份，那 么，就称这台机器具有智能。同年，科幻作家艾萨克阿西莫夫提出“机器人三定律”，为 人工智能的设计与制造提供了准则。 5 1956 年 第一节人工智能会议在美国达特茅斯学院召开，标志着人工智能领域正式 诞生。同年，艾伦纽厄尔和赫伯特A西蒙开发出了一个名为“逻辑理论家”的程序，能够 证明数学原理中的 38 个定理，其中某些证明比原著更新颖和精妙。 1958 年 约翰麦卡锡发明了 Lisp 编程语言，后来被广泛运用于人工智能和计算机领 域。 1963 年 美国国防部高级研究计划局（DARPA）给麻省理工学院、卡内基梅隆大学 的人

10、工智能研究组投入了大量经费，人工智能的研究迎来了第一个高潮 1964 年 麻省理工学院的丹尼巴洛向世人展示，电脑能掌握足够的自然语言从而解 决了开发计算机代数词汇程序的难题。 1965 年 约瑟夫魏岑堡建造了 ELIZA一种互动程序，它能以英语与人就任意话 题展开对话。 1969 年 斯坦福大学研制出 Shakey一种集运动、理解和解决问题能力于一身的 机器人。 1973 年 英国数学家詹姆斯莱特希尔报告称人工智能最多只能在棋类游戏上达到比 较有经验的业余选手水平，永远无法胜任常识推理和人脸识别这样的工作。导致英国政府 大幅缩减了对人工智能的研究投资。同时 DARPA 也对美国人工智能研究感到

11、失望取消了 卡内基梅隆大学人工智能研究的投资，人工智能第一次陷入寒冬 1979 年 第一台电脑控制的自动行走器“斯坦福车”诞生。 人工智能 2.0：数据驱动 6 人工智能发展的第二个阶段，是数据推动人工智能更新迭代的阶段。这个阶段，可获 得和分析的数据量级的增长，不仅磨练和提高了大计算的能力，使人工智能的大规模运算 成为可能，并且也反过来倒逼了数据的采集、清洗和积累，以及相应的软硬件基础设施的 发展，推动了大数据行业的腾飞。大公司在这个阶段发挥出了规模优势，训练数据的获取 和积累，成为了推动人工智能发展第二波高潮的主要动力。在这个阶段的历史性事件有： 1982 年 物理学家约翰霍普菲尔德证明使

12、用神经网络可以让计算机以崭新的方式学 习并处理信息。同时戴维鲁梅哈特推广了由保罗韦尔博斯发明的反向传播算法（BP 算 法），是的大规模神经网络训练成为可能。使人工智能迎来第二波高潮。同时标志着人工 智能正式进入了数据驱动时代。 1983 年 世界第一家批量生产统一规格电脑的公司“思考机器”诞生。 1987 年 人工智能硬件设备遭遇突然挫败，原因是苹果公司和 IBM 公司设计的一系 列台式计算机性能稳步提升，赶上了人工智能设备，甚至还有价格上的优势，以至于没有 人选择人工智能设备了。人工智能再次陷入低谷。 1994 年 西洋跳棋程序 Chinook 打败了世界排名第二的人类选手廷斯利。 1997

13、 年 IBM（国际商用机械公司）制造的电脑“深蓝”击败了国际象棋冠军加 里卡斯帕罗夫。“深蓝”在 1 秒内能够计算两亿种可能的位置，可搜索并估计随后的 12 步棋。 2000 年 互动机械宠物面世。麻省理工学院推出了会做数十种面部表情的机器人 Kisinel。 人工智能 3.0：情境驱动（进一步推动新技术驱动，通用性 AI/超级 AI） 7 人工智能发展的第三个阶段，是情境推动人工智能更深入到具体应用的阶段。随着人 工智能的技术发展和数据积累，行业逐渐发现短期内通用智能和强人工智能是难以实现 的，数据分布的情境化特性使得人工智能在特定情境下的垂直发展成为了可能。这个阶 段，新的实用情境的识别与

14、发现，以及对该情境的人工智能解决方案的研究极大的推动了 人工智能行业的丰富和前进。在这个阶段的历史性事件有： 2005 年 Stanford 开发的一台机器人在一条沙漠小径上成功地自动行驶了 131 英 里，赢得了 DARPA 挑战大赛头奖。同年，波士顿动力公司的专家创造了四腿机器人大 狗。这个项目是由美国国防高级研究计划局资助的，源自国防部为军队开发新技术的任 务。 2010 年 塞巴斯蒂安特龙领导的谷歌无人驾驶汽车曝光，当时已经创下了超过 16 万千米无事故的纪录。 2011 年 苹果公司发布手机语音助手 Siri，它可以“理解”人类讲的话并根据用户的 偏好从网上搜索信息，为用户导航，播报

15、天气，或是推荐附近的餐馆，甚至与客户进行简 单的聊天。 2013 年 谷歌 Atlas 机器人公开亮相。Atlas 是一个双足人形机器人，由美国波士顿 动力公司为主开发，和由美国国防部国防高等研究计划署（DARPA）的资助和监督。这个 身高 6 英尺(1.8 米)的机器人是专为各种搜索及拯救任务而设计。 2016 年 谷歌旗下的 Deepmind 公司研发的人工智能围棋程序 AlphaGo 以 4:1 的 比分战胜了世界冠军李世石，震惊了世界，围棋因为其复杂性被认为是机器最难战胜人类 的领域，但 AlphaGo 通过深度学习和神经网络技术赋予了机器“直觉”以及自我学习能 8 力，最终征服了围棋

16、，成为了人工智能时尚的又一里程碑，也让我们对人工智能的未来中 充满了信心。 2016 年 苹果用户可以正式更新全新的 iOS 10 系统，更新后的 iOS 系统可以让用户 随意找到在任意时间和地点、有关任意人或事物的照片。iOS 10 系统利用了人工智能神经 网络技术，用户每次拍摄照片的 0.1 秒内会进行约 110 亿次运算，可以找出照片中的人物 是谁，甚至以及他们处于什么样的情绪。 2016 年 谷歌 DeepMind 改进了深度学习算法使其变为单次学习，让人工智能可以 仅通过一个例子就辨认出图像中的事物。 B. 国内人工智能行业发展 中国的人工智能发展始于改革开放年代，也经历过这三个阶段

17、。中国人工智能的发展 在汲取西方先进科学技术的同时，也发展出了自己独特的模式方向，以及惊人的速度。 我国是从 1978 年才开始人工智能课题的研究，主要在定理证明、汉语自然语言理 解、机器人及专家系统方面设立课题，并取得一些初步成果。我国也先后成立中国人工智 能学会、中国计算机学会人工智能和模式识别专业委员会和中国自动化学会模式识别与机 器智能专业委员会等学术团体，开展这方面的学术交流。此外国家还着手兴建了若干个与 人工智能研究有关的国家重点实验室，这些都将促进我国人工智能的研究，为这一学科的 发展作出贡献。纳入国家计划的“智能模拟”研究始于 1978 年；1984 年召开了智能计算 机及其系

18、统的全国学术讨论会；1981 年起，相继成立了中国人工智能学会（CAAI）等学 术团体；1986 年起把智能计算机系统、智能机器人和智能信息处理（含模式识别）等重 大项目列入国家高技术研究计划；1993 年起，又把智能控制和智能自动化等项目列入国 家科技攀登计划。进入 21 世纪后，有更多的人工智能与智能系统研究获得各种基金计划 9 支持，各个领域的人工智能的创业团队鲸吞了 2015 年以来的一大大部分创业资本市场， 在中国掀起了人工智能的发展高潮。 在关于人工智能理论研究方面，国内学者除沿袭国外三大人工智能学派理论之外，具 有代表性的还有：我国人工智能学科的主要奠基人、中国人工智能学会的主要

19、创始人之一 涂序彦提出的广义人工智能（GAI），北京邮电大学钟义信教授提出的机制主义理论，北 京师范大学教授刘晓力倡导的以“认知是算法不可完全的”理念为基础的研究纲领等。现 在，我国已有数以万计的科技人员和大学师生从事不同层次的人工智能研究与学习。人工 智能研究已在我国的深入开展，必将为促进其它学科的发展和我国的现代化建设做出新的 重大贡献。 2、 人工智能市场预测 根据 IDC 新的一份全球半年度认知/人工智能系统开支指南，认知/人工智能解决方案 市场在 2016 年 2020 年预测期内的复合年增长率（CAGR）将达到 55.1%，认知计算和 人工智能（AI）在各行各业中的广泛应用将推动其

20、全球收入从 2016 年的近 80 亿美元增加 到 2020 年的 470 多亿美元。 根据国外调查机构 Tractica 的统计预测数字，到 2024 年人工智能的市场规模将达到 406 亿美元，也就是 2700 亿人民币。2015 年，人工智能市场规模为 490 亿元，还不及 2024 年的 1/8，整个人工智能市场将呈现出爆炸式增长。 经济学人发表文章显示，大型公司在加紧收购 AI 创业公司，招聘科研人员，文章也写 道，在 2015 年，大型公司在 AI 企业上共花费了 85 亿美金，是 2010 年的 4 倍。根据 CB Insights 统计，仅在 2016 年上半年，200 家 A

21、I 企业筹资高达 15 亿美元。 10 从下表可以看出，各家研究机构对于人工智能的市场普遍报以乐观态度，整个人工智 能市场将在 2020 年达到了百亿级别的量级。 表格 1 各家研究机构对于全球人工智能市场规模的预测 统计机构 全球人工智能市场规模 Transparency Market Research Transparency Market Research 预测，2016 年的全球人工智能市 场规模预计为 1260 亿美元。到 2024 年，全球人工智能市场规模将 突破 30610 亿美元。 Tractica 2015 年，全球人工智能市场规模达到 73.7 亿美元。Tractica 预

22、测， 到 2024 年全球人工智能市场规模将到达 406 亿美元，2015 年的市 场规模不及 2024 年的 1/8. BBC Research 全球智能机器市场规模在 2015 年达到了 66 亿美元。 而 2016 年的市 场规模将到达 74 亿美元。 同时， BBC Research 预测全球人工智能市 场规模将以每年 15%的增长率扩大， 到 2021 年该规模将突破 150 亿 美元 IDC IDC 预测，全球人工智能市场规模将从 2016 年的近 80 亿美元增加 到 2020 年的 470 多亿美元。根据 IDC 新的一份全球半年度认知/人 工智能系统开支指南，认知/人工智能解

23、决方案市场在 2016 年 2020 年预测期内的复合年增长率（CAGR）将达到 55.1%。 注：由于各统计机构对于人工智能市场的定义不同，导致市场规模统计数值出现差异 在中国，人工智能市场也将成为一个百亿元人民币的市场，并极大的推动其他相关产 业发展。 11 表格 2 各家研究机构对于中国人工智能市场规模的预测 统计机构 中国人工智能市场规模 艾瑞咨询 根据估算，2015 年中国人工智能市场规模约 12 亿人民币 ，参考全球规 模及主要公司增长率估算，年增长率约 50% ，2020 年中国人工智能市 场规模将突破 91 亿人民币。 新智元 100 2015 年， 中国人工智能产业规模进一步

24、扩大， 达到 69.33 亿元， 同比增 长 42.65%。预计 2016 年，中国人工智能产业规模将达到 95.61 亿元。 此后，在无人驾驶及机器人等应用的推动下，人工智能产业规模快速增 长， 预计 2018 年将突破 200 亿元， 并带动相关产业规模增长超过 1000 亿元。 DTiii AI 研究中心 截至 20205 年，中国 AI 行业规模将达到 964 亿元人民币。 注：各统计机构由于统计时间不同，同时，对人工智能市场的定义不同，导致市场规模统计数值出现差异 3、 数据视角下当前 AI 的技术布局 那么在这个拥有巨大潜力的市场中，各家企业是如何划分各自领域的呢？ 经过几十年的发

25、展，人工智能的研究领域已经扩展到了自然语言处理、模式识别、图像 识别、 数据挖掘、 机器学习、 智能接口技术、 智能信息处理等。 其中， 数据挖掘、 模式识别、 机器学习和信息处理是构的核心技术，实现信息的采集、分析、处理和反馈等功能。 具体来说，现有 AI 领域按照技术划分可以分为如下类型： 1） 虚拟助手：代表企业有微软、 APPLE、Next.IT、ejenta、X.ai、sher.pa、Genee、 HiOperator、Viv、mobile ROI 12 2） 机器学习： 包括应用层面和分析层面。 代表企业有 DeepMind、 Vicarious、 Bonsai、 Preferre

26、d Networks、Skymind、H2O.ai、Uptake、Indico、第四范式、ayasdi、 Criteo、everstring、DBnetworks、Algorithmia、6sense、CustomerMatrix、 ALPACADB、Graphlab、bigml、iCarbonX、nervana、arago、谷歌、百度、 Facebook、NVIDIA、IBM、微软、腾讯 3） 计算机视觉： 包括应用和基础的采集层面。 代表企业有 Clarifai、 Affectiva、 ViSenze、 Ditto Labs、谷歌、Facebook、微软、腾讯 4） 智能机器人：代表企业有

27、 ABB Robotics、ANKI、Fanuc、KUKA Robotics、3D Robotics、 大疆、 tingbot、 savioke、 IBM Watson、 Softbank、 Neato Robotics、 图灵机器人、rethink robotics、iRobot、Cyberdyne 5） 手势识别：代表企业有微软、谷歌、eyeSight、gestigon 、gesturetek、Omek、 vicoVO 6） 自然语言处理： 代表企业有谷歌、 Facebook、 微软、 APPLE、 X.AI、 Api.ai、 Maluuba、 Synapsify、 KITT.AI、 Ar

28、ria NLG、 Automated Insights、 AppTek、 iSpeech、 verbio、 VoiceBase、inbenta、ARRIA、Digital Reasoning、Automated Insights 7） 语音识别： 代表企业有 IBM、 谷歌、 Facebook、 科大讯飞、 promptu、 voci、 promptu、 EasyAsk、思必驰、云知声、Api.ai、speechmatics 8） 情景感知计算: 代表企业有 APPLE、 cleversense、 semusi、 EnFind、 origo、 grokr 9） 推荐引擎：代表企业有谷歌、百度、

29、eXenSa、nara、Utrip、Tipflare 13 10） 硬件支持： 代表企业有英特尔、 NVIDIA、 IBM TrueNorth、 Wave Computing、 Deep Vision、 ALCES、Ceva、TeraDeep、Kneron、寒武纪、深鉴科技 由于人工智能的发展需要数据的训练，那么这些人工智能相关的技术如果按照数据处 理和应用的生命周期（感知-收集、链接、准备，认知、分析，预测-指导行动）来划分， 可以归结成三大类人工智能技术： 1） 基础类人工智能技术：这类人工智能技术解决了数据的基础层工作，包括了采集和 存储，具体来说，视频内容识别，通用性计算机视觉，情境感

30、知计算，语音识别， 自然语言处理等技术属于这个范畴。 2） 分析类人工智能技术：主要指用数据训练算法提供服务的公司，包括了给人提供算 法的公司，和提供算法服务的平台（例如 tensorflow 等），这里通用性机器学习 是主要的技术。 3） 应用类人工智能技术：主要指采用情境化的数据在某一固定领域使用的人工智能技 术，包括了应用，虚拟助理，应用层机器学习，应用层计算机视觉，推荐引擎，手 势控制，语音翻译，智能机器人等技术 按照上述的分类方法，我们可以得出目前 AI 技术的产业布局如下图所示： 14 图表 1 数据思维下当前 AI 技术产业结构图 4、 AI 解决的痛点与存在的不足 由于数据的情

31、境化特性，目前的 AI 应用水平主要是弱人工智能，即在特定的情景，基 于情景化的数据，完成特定的目的或功能。目前来说，现有的 AI 发展面临着以下几个痛 点： 1） 缺少训练数据：虽然已经积累了大量的数据，但是平均到每家企业上，可获得的数 据来源还是较为单一。 由于商业竞争壁垒的存在， 这些数据之间很少能够形成交叉。 因此，为了满足数据多源性，企业不得不求助于建立数据生态，以丰富培养人工智 能必要的训练数据来源。 2） 缺少情境应用：目前只有少数的几个数据可以被积累和分析的情境可见人工智能的 快速发展，例如智能驾驶，机器人等，其他很多情境还是非常沉寂。这是因为能够 被采集到的数据不到实际产生信

32、息量的 10%，这其中能被分析的数据更少之又少。 这些数据大部分沉寂在情境中，非结构化数据更多，对计算能力等提出更高要求， 15 还没有合适的技术将其转化成可分析的数据。因此，寻求合适的应用情境并深入建 立培养人工智能的数据基础成为一大痛点。 3） 商业化路径较远：目前大多数的人工智能的发展还依赖于国家技术军备战略的推动 以及资本的推动，真正能够实现自主造血能力的企业几乎没有。首先因为弱人工智 能本身的特点， 使用情境较为垂直和狭窄， 商业上难以形成横向复制达到规模优势； 其次，在人工智能目前发展阶段，其数据的基础积累、准备、算法的训练都需要投 入大量的前期资源，这对任何企业来说都是一项巨大的

33、投入，依靠既有开源来解决 商业问题已经成为一种习惯，很少为其付费。因此，人工智能的商业化道路目前还 比较远。 4） 通用人工智能/强人工智能还很远： 从各个分析企业的角度来说， 通用型人工智能、 强人工智能的实现还需要很长时间。虽然 AI 应用能使一些任务变得自动化，但人 类判断全部交由算法负责这种情况几乎不可能发生。更现实的方法是，使用数据科 学和工程不断完善并提升人类的判断质量。当数据十分充足，依靠统计学的方法进 行决策是恰当且合理的。当没有数据或拥有的数据十分有限时，采用群体智慧和其 他心理学方法能够更好地进行决策。“智能”数据应用将把日程工作自动化，从而 空出更多时间让人类专家专注于需

34、要他们专业判断的工作，以及从事社会认知 （social perception）和共情等非认识能力的行动。比如：保险公司也可以使用深 度学习系统将估算受损汽车的成本修理费用变得自动化，让人类保险雇员有更多时 间完成更加复杂和需要更多经验的客服。但在可以预见的未来，人类仍将是“决策 过程中的一部分”。 16 5、 AI 对人类社会的影响 从本质上来说，人工智能和大数据一样，是社会发展的赋能因素。人工智能改变了生 产工具，提高生产效率，形成新的生产关系，主要起到以下几个作用： 1） 改变经济租：从数据的角度来说，数据是一种特殊的资源。人工智能需要利用这种 资源来培养， 就等于占用了数据的租， 因此

35、AI 可以被看成是一种独特能力。 所以， 人工智能的“智能”程度，与该人工智能的经济租直接相关，也与该人工智能的价 值相关。这让人工智能得以成为一种新的竞争力的来源：能够利用这种能力的企业 能够获得竞争壁垒，获取超额价值。 2） 改变交易成本：从数据的角度来说，人工智能加快了数据传播的效率，极大的提炼 了信息的内涵，降低了信息不对成，也减少了由于时间压缩不经济带来的巨额交易 成本。这会极大的提高交易的频次，也会使整个市场竞争趋于激烈化，价值趋于量 级分化有人工智能的企业将以更低的交易成本获取更多的差价。 因此，人工智能将对整个社会形成巨大而深远的影响： 1） 社会公平：人工智能首先从就业和资源

36、分配上影响到社会公平的平衡。近日，麦肯 锡（McKinsey）调查了美国 800 多种工作岗位的 2000 多种工作，表示：面对人 工智能的挑战，相比于脑力劳动，体力劳动从业者面临的失业风险更大。而在体力 劳动中，那些更依赖“可预测的体力劳动”的职业需要的自动化程度更高，也面临 更大的失业风险。所谓“可预测的体力劳动”，就是诸如食品制造、焊接等流水线 的工作活动， 这些工作主要是重复操作， 基本可以预测下一个动作要做什么。 而“不 可预测的体力劳动”，如建造、林业、畜牧业等，面临的失业风险更小。自动化的 程度越高，被机器人取代的风险也就越高。而相比之下，包含脑力劳动的工作就难 17 取代得多。

37、通过调查与分析，麦肯锡得出了以下几个难以被机器人取代的工作：教 育培训工作；医疗工作，特别是那些要求较高专业技能、直接接触病人的工作，比 如牙医；知识性工作，包括管理工作。而一些原本难以获取资源接触教育的人可能 会极大的面临被取代工作的风险。 2） 安全：形色的辅助诊断工具帮助人类健康跨入了一个新的发展阶段。然而人工智能 也会对社区安全形成一定的风险隐患。在日前纽约公布的一项人脸识别计划能够将 成千上万的人的图像和数据上传到一个庞大的数据库中为政府所用。然而，这其中 也存在巨大的风险，无数无辜的人会被误认为是恐怖分子，尤其是技术识别更加不 精确的有色人种。并且，人工智能的大规模使用对涉及到的严

38、重隐私问题也形成了 一大安全隐患。 3） 商业竞争：毋庸置疑，人工智能会极大的改变商业竞争的范式和架构。美国美林银 行预测，2025 年以前，人工智能的“每年产生的创造性破坏的影响”可能会达到 14 到 33 万亿美元，其中包括因人工智能实现了知识工作自动化，导致雇佣成本减 少的 9 万亿美元，制造业和医疗护理开销减少的 8 万亿美元，以及部署无人驾驶汽 车和无人机后因效率提升增加的两万亿美元。麦肯锡全球研究院（McKinsey Global Institute）说，人工智能正在促进社会发生转变，这种转变比工业革命“发 生的速度快 10 倍，规模大 300 倍，影响几乎大 3000 倍”。 二

39、、无数据不 AI 1、 数据与 AI 的关系 18 从下图历史发展的轨迹上可以看出，每一次人工智能的增长，都因为大数据行业有着 至关重要的推动，数据的量级的增长、计算能力的提升、存储的便捷化、数据的可分析程 度提高，都在加快人工智能的发展。数据和人工智能之间有着千丝万缕的联系，是同生同 涨的有机整体，可以说，大数据是人工智能发展的一个重要的竞争优势来源。 图表 2 AI 的三阶段发展与数据的关系 数据来源：DTiii AI 研究中心 人工智能和大数据一样，对社会经济起到赋能作用的程度。人工智能，主要是帮助人 自动的感知，认知，分析和预测世界（感知-数据采集，认知-数据识别，分析-数据分析， 预

40、测），它在数据的基础上诞生，情境化的数据产生情境化的 AI 应用，需要海量、精准、 高质量的训练数据。 反过来，人工智能又能促进数据的发展，它本身又提高了数据的收集速度和数据的质 量，尤其是非结构化数据的结构化处理，对数据数量与质量提出了更多的要求，推动大数 据产业的发展。人工智能的三种主要技术，都需要专有类型的数据：机器学习需要大量的 19 标签样本数据；模式识别偏重于信号、图像、语音、文字、指纹等非直观数据；人机交互 则需要积累大量的用户数据。 2、 新的商业竞争范式 随着人工智能的发展沿革，我们进入了一个新的竞争时代：智能数据时代。在新的竞 争时代里，需要遵循新的竞争范式。 智能数据，不

41、同于传统的数据，就是添加了人工智能和人的智慧的数据，这个名词的 出现，揭示了数据、人和机器三者之间的有机联系。这种有机联系赋予数据更多价值，赋 予数据心智。现阶段的“数据”与以往的数据已经有很大不同。数据内容包含的信息量越 来越大、维度越来越多，从图像、声音等富媒体数据，逐渐过渡到人的动作、姿态、行为 轨迹，再加上地理位置、天气、社会群体行为等等，按照以往处理数据的思路已经难以适 应“数据”本身发展的速度。一个融合人类智慧、人工智能以及海量非结构化数据的智能 数据时代已经来临。 这个时代最重要的三个要素是：数据、AI，人的智慧。除了前文说的人工智能和数据 之间的有机联系之外，人的智慧在其中起到

42、了关键的调节作用：人用智慧训练和监督 AI， 帮助 AI 更快更聪明的解决问题，少走弯路。例如，谷歌在语音识别领域取得了很大的突 破，但这背后的原因是谷歌建立了几十亿音频的库，而且用人类的智慧标注它，所以可以 用算法，用人工智能找到模式，甚至可以区别口音不同。图像也是同样的：过去几十年 里，其实人类花了大量的时间去标注这些图像，我们才能在图像里面切割识别出各种各样 的物体，没有这些人的智慧现在人工智能是达不到这样。 因此我们可以将这三个因素之间的关系总结为下图： 20 图表 3 智能数据时代人工智能、大数据与人的智慧的关系 AlphaGo 战胜人类被视为 AI 历史上的里程碑事件。大家看到 A

43、lphaGo 战胜了李世石， 但是不知道别后的故事。在这场比赛中，关键的获胜因素有两个： 第一，要有足够的数据支撑。AI 要模拟人，它首先要知道人在面对不同事情的时候是怎么 去把握的，而这种判断和把握的能力就是出自于成千上万的海量数据得出的结果。 第二，要有人类的智慧。Alphago 在下棋的时候“聪明”得像一个人，大量的数据提供了 它“思考”的来源。但 AI 不是由大数据一手决定的，还有人的经验和智慧；AI 会发展成什么 样子，打个园艺的比方来说：大数据是土壤和养分，AI 是植物，而人就是园丁。土壤和养分让 植物长得好，但也离不开人的修剪和培养。代表 AlphaGo 跟李世石坐下来对战的那个人本身 就是六段的高手，他在训练 AlphaGo 时，后来我们也交流过，加入了大量的人工智慧，加入 了大量的人为规则，让它少走弯路，这些都是被人忽略的。在目前的情况下更现实的还是要引 入很多专家的智能，人的智慧，在数据科学以及数据工程不断完善的情况下，去提高 AI 的水 平。 这故事对我们厘清人与机器的关系有些启发。今天的机器，运算性能和效率绝非人脑 可比。在做同样一道题时，即便是计算机使用笨办法来求和，速度也一