当前位置:首页 > 消费电子 > 消费电子
[导读] 2019年11月,在中欧国际工商学院北京校区25周年校庆科技论坛的现场,王维嘉与华大基因CEO尹烨、正安康健创始人梁冬进行了以“科技、商业与未来“为主题的讨论,他的表达和他书中的观点一脉相承。

 2019年11月,在中欧国际工商学院北京校区25周年校庆科技论坛的现场,王维嘉与华大基因CEO尹烨、正安康健创始人梁冬进行了以“科技、商业与未来“为主题的讨论,他的表达和他书中的观点一脉相承。

王维嘉是数字信号处理、人工智能(AI)、移动网络专家,斯坦福大学电气工程系博士,曾在斯坦福大学师从人工智能鼻祖之一、美国国家工程院院士伯纳德·威德罗。现在,王维嘉的身份是硅谷风险投资人,主要在美国和中国从事人工智能及医药领域的风险投资。他说在看了30家中美公司后,王维嘉得出的结论是,无人驾驶是一个不适合目前人工智能的应用。

2019年初,王维嘉写了《暗知识:机器认知如何颠覆商业和社会》一书,向大众普及人工智能知识,王维嘉说:“我写这本书的一个目的是给人工智能降温”。

在接受经济观察报记者独家专访时,针对人工智能热中的一些误区,王维嘉说,人工智能并不适用于所有行业,只适合应用于需要寻找相关性的领域,在这些领域,人工智能可以做得比人更好,比如,下围棋、图像识别、寻找蛋白质的三维结构等等。

王维嘉长期在硅谷从事人工智能和医疗行业的投资,他认为,过去20年的互联网是商业模式创新,只要有商业训练,都可以投资。对于高科技公司的投资,如果投资晚期,也并不需要懂技术。而高科技公司的早期投资者,必须懂技术。

王维嘉指出,互联网时代的特征是toC,能够“赢家通吃”,人工智能是toB,无法“赢家通吃”。人工智能的泡沫来自于,投资人把互联网时代“赢家通吃”的思维搬到了人工智能时代,对没有网络效应的人工智能公司,给出了能够“赢家通吃”的公司的估值。

目前,人工智能的核心技术仍主要来自美国,中国在快速追赶;在应用方面,中美两国各有特色,除了人脸识别,王维嘉认为,未来医疗图像领域中国也会超过美国。王维嘉也提醒,现在深度学习大热,企业都扎到了这个方向,但是深度学习有其局限性。如果不在基础科学层面探索新的方向,中国在科技领域可能很难追赶美国。

对话

祛魅人工智能

经济观察报:对于基于深度学习的人工智能已经达到瓶颈的说法,我们应该怎样理解?

王维嘉:过去人们夸大了人工智能的作用,也夸大了对它的恐惧。实际上,人工智能就像一个偏科的人,今天的人工智能,在某些领域是特别厉害,但在另外的很多领域是不行的,关键是要挑准应用它的行业。比如,在人脸识别方面,人工智能已经超过了人的准确度,人工智能还可以在金融、大健康领域有效的应用。但是,将人工智能应用到无人驾驶是不合适的,人工智能就像一只会认路的狗,狗的认路能力比人强,但是它不能开车。

所以,一定要清楚人工智能的局限和边界,然后找对应用人工智能的场景,人工智能还有很多可以应用的领域,目前人工智能还没有开始和这些行业结合。因此,虽然有局限,人工智能应用仍然有很大的商业前景。

经济观察报:基于神经网络的人工智能有局限性,很多问题解决不了,那么有没有可能会出现一些新的方向的人工智能能够冲破这些局限?

王维嘉:美国已经有很多大学,甚至有些公司已经在研究完全不用神经网络的新的人工智能,比如,有一种新方法叫“概率语法图”。

做研究是应该这样去探索。但是,从做生意的角度,因为神经网络已经证明在解决很多问题上是非常有效的,应该先找这种技术上已经证明的方法作为解决方案。比如,你知道神经网络在人脸识别方面非常有效,你可以想是不是应该去做原理相同但还没有人做的医疗图像识别、癌症的早期筛查,而不是作为一家公司去探索一个新算法。因为这风险太大,不是一家公司应该做的,我们做风险投资也不会投这样的公司。基础研究的探索应该由大学来做,由国家来提供资金支持,这个社会是有分工的。

经济观察报:一种说法认为中国在人工智能方面的一个优势是有大量的数据,而且给数据打标签的人力成本更低,这种所谓数据上的优势,真的是中国在人工智能方面的优势吗?

王维嘉:这是一个很大的误区。人工智能的数据问题分三种情况:第一种,不论多少数据都没用。比如,无人驾驶,谷歌的数据全世界最多,11年开了10亿英里,但是还是不能穷尽所有的驾驶场景。

第二种,数据不仅没用,而且有害。比如,AlphaGo下围棋,AlphaGo是学了人类的残局,学会了之后打败了李世石。后来谷歌又搞一个AlphaGoZero,完全不学人类残局,只告诉他围棋规则,他自己两台机器对弈,自己摸索,最终AlphaGoZero打败了学习人类经验的AlphaGo。这说明,人类经验,也就是数据,不仅没用,而且有害。

第三种,才是数据越多越好,但是也有极限,数据的作用呈边际效用递减。比如人脸识别准确度已经达到99.5%,再提高,比如99.6%、99.61%,增长变得非常慢。这相当于如果你有一万张人脸图片,我有1000张,你一定比我强。但是,如果你有10万张,我有5万张时,我们的差别不大。当你有100万张,我有20万张时,我们就几乎没差别。

还要看不同的场景,有的场景1万张足够,有的可能3万张足够,有的可能10万张才够,再多就没意义了。美国有3亿人口,中国是它的4倍多,在绝大多数情况下数据已经够了。

我刚从英国回来,英国的卫生大臣告诉我们,英国的医疗数据是全世界最好的,因为英国由国家来提供医疗保险,6500万人口的医疗数据,完全统一,非常干净。美国是找不出这样的数据的,所以,虽然英国的人口比美国少很多,但是它医疗数据的质量远高于美国。

人工智能的中美差距

经济观察报:您常年在中国和美国看项目,您觉得这几年两个国家创业的大环境有什么区别?

王维嘉:第一,中国的原创技术非常少,大部分还是应用。比如一家人工智能公司,实际上算法是开源的,和硅谷相比,真正自己的核心突破不是没有,但非常少。

第二,中国公司的估值远高于美国,同样做一件事,比如做AI芯片,美国公司可能估值1亿美金,中国公司可能就要20亿美金。我认为这是未来的一个很大的隐患,一定会造成一级和二级市场倒挂,就像WeWork。

这其中投资人要负很大责任,因为他们不懂技术,于是跟风,踩热点,都害怕错过这趟车,没有独立思考、独立分析,看不懂公司的本质,不清楚公司到底能不能赚钱。所以风险投资行业大部分是赔钱的,就是这个道理。

经济观察报:现在有说法认为中国的人工智能已经很强,可能和美国是并驾齐驱,甚至认为人工智能是中国弯道超车的一个方向,中国和美国在人工智能方面的差距究竟是怎样的?

王维嘉:可以简单分为两个层面,第一个层面是是核心技术,也就是算法和芯片。就算法而言,过去神经网络的核心算法都是在加拿大和美国完成,中国的贡献非常少,几乎为零。

现在最主要的芯片来自两家公司,英特尔(Intel)和英伟达(NVIDIA)。目前中国和美国有上百家芯片公司想做边缘计算,比如用于手机和汽车里的摄像头内部的芯片,这方面大公司还没做,很多小公司在做,未来可能会有一两家公司跑出来,不会太多,因为芯片行业资本非常密集,一旦成功后规模效应巨大。

第二个层面是应用,中美各有千秋。比如,人脸识别方面中国一骑绝尘,美国连在后面吃土的资格都没有。因为人脸识别的技术并不复杂,但中国的市场太大,每一个城市都有这方面的需求,而人脸识别在美国基本上没有市场,在欧洲也没有太大市场。于是中国巨大的市场的基础上,中国的人脸识别公司就越做越好。

无人驾驶方面,大家都遇到问题了。美国比中国做的好一点,比如对比谷歌和百度,时间上,谷歌11年前开始做无人驾驶,百度大概是6、7年前开始,大概差了一半的时间。资金投入上,谷歌在无人驾驶上的投资大概每年几十亿美金,百度我不知道,但我相信一定不会超过谷歌的投入,百度做无人驾驶的人数也没有超过谷歌。无人驾驶方面美国做的更好,但是现在大家都遇到了困难。

两个国家的市场是不一样的,比如制药,在中国做AI新药发现就不容易做,因为制药需要药厂的数据,中国的药过去都是仿制药,做新药是这两年才开始的。中国没有新药研发的基础,就没有人工智能学习的数据,因此这方面美国遥遥领先。

我认为,在医疗图像方面中国有可能会领先,因为中国政府对扶贫和普惠医疗的重视有可能会加速这个过程。医疗图片处理最大的应用场景是在二三线城市,甚至是县一级乡镇级,现在X光机、CT都能买得起,问题是片子照出来以后大夫看不懂,因为没有经验,但是你拿到北京,大夫太忙根本看不过来。如果机器能够达到北京协和医院医生的水平的话,这就能大规模地解决中国的基层医疗的问题,而且也不贵。所以医疗图像方面我非常看好中国,这种医疗图像美国国家是不管的,都是私人企业、医院自己在做。

所以具体每一个产业都不一样,在应用上各有千秋。核心技术美国领先中国追赶,但追赶得很快,因为科技上有这样一个趋势,一个技术一旦突破了以后,它就会慢慢进入平台期,它不是永远在改进,电脑、汽车、飞机都是这个道理。

现在的趋势是一个新的技术刚出现的时候,中国的差距非常大,但这个技术本身的变化很慢,中国很快就赶上了。比如美国推出PC时中国还什么都没有,现在联想是世界第一;互联网时代,谷歌、雅虎成立时,中国还是什么都没有,现在中国的互联网也是全世界最领先的。现在美国的人工智能技术已经比较稳定,没有什么太大的突破了,所以中国能很快赶上。

但是问题在于,中国手机赶上美国的时候,美国出现了人工智能,等中国人工智能赶上的时候,美国不知道会有什么新东西出来。因为美国有大批的人在去探索不同的方向。

下一个趋势谁能引领?如果中国想引领的话,就必须有这种自由探索的空气和自由的学术环境,大家能够有奇思幻想。因为基础科学,不是靠砸钱或者靠政府支持就能做出来的,一定要鼓励学生能够独立思考,鼓励科研人员能够独立地探索,然后给他们足够的支持,哪怕这是一个很不靠谱的方向,或者希望很小的方向,也应该支持他们,这样才有可能去引领趋势。

社会影响

经济观察报:进入人工智能时代,一定是这些懂人工智能技术的人能够获得最大的商业利益,那么会不会产生收入差距加大或者是财富更加集中的问题?

王维嘉:任何一次技术进步都会造成财富差距的增大。法国经济学家托马斯?皮凯迪写了《新资本论》,他说财富差距增大的一个重要原因是资本的收入比工资收入增长的要快,我觉得他不太懂技术,他不知道其实过去这100年,造成财富差距增大的最主要的原因是技术。

互联网就是这样,马云成立了淘宝,他成为首富。但是作为用户的剁手党,使用淘宝的过程并不能赚钱。再比如我们小时候是看省篮球队的比赛,有了大众媒体以后,我在电视上看到NBA打球,原来省篮球队赚的钱都给到了乔丹、姚明。绝大多数技术都是起到这样财富聚集的作用,这不是人工智能的特点,PC、互联网、手机都起到了这样作用。

经济观察报:人工智能会使这个情况加剧吗?

王维嘉:人工智能现在看来有可能。原因是,比如汽车制造是代替了人的腿,人工智能是代替了人部分的脑的功能。但我觉得可能人工智能聚集财富的效应不如互联网。

因为互联网的特征是赢者通吃,比如搜索引擎,全世界除了中国都是使用谷歌。中国的电子商务只有淘宝、京东几家,社交也只有一个微信。

但是人工智能是ToB,ToB的特点是不能赢者通吃。如果不能占有整个市场,你的财富的量就是有限的,和赢者通吃的财富的量相比就更小。人工智能由于他ToB的特征,它的财富聚集效应要小于互联网。所以我觉得根本不用担心。

对于今后20年的人工智能影响,王维嘉的预判是:第一,符合三个判断标准的行业会受到人工智能的影响:一是不管是服务业,还是制造业,这个行业会产生大量的流程数据;二是数据必须足够的复杂;三是这个行业要很有钱。第二,很多行业和职业一定会被人工智能取代,比如,金融领域的小额放贷,现在蚂蚁金服完全是机器在放贷,因为机器在分析信用数据上一定比人要精确得多,要快得多,成本也要低得多。第三,今天的人工智能基于神经网络,完全不可能取代人,更不可能让我们人类变成机器的宠物,在它具有自我意识之前,它不可能具有人类的智慧。

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
换一批
延伸阅读

随着人工智能(AI)模型变得越来越复杂,数据量不断攀升,数据中心正在通过改变系统架构,来实现更快、更高效的处理。

关键字: AI 连接器

近日举办的GTC大会把人工智能/机器学习(AI/ML)领域中的算力比拼又带到了一个新的高度,这不只是说明了通用图形处理器(GPGPU)时代的来临,而是包括GPU、FPGA和NPU等一众数据处理加速器时代的来临,就像GPU...

关键字: FPGA AI 图形处理器

西门子作为制造业数字化转型成功的代表企业之一,面对生产、服务与业务增长等挑战,积极拥抱AI、自动化等新兴技术,优化企业业务流程,打造企业数字化技术新基座,开拓出更多业务转型思路。

关键字: 自动化 AI 数字化

2024年3月20日,2024中国闪存市场峰会(CFMS2024)在深圳宝安前海·JW万豪酒店盛大举办。本次峰会以“存储周期、激发潜能”为主题,共同探讨在供需关系依然充满挑战的大环境下,未来存储市场的变化,以及如何挖掘产...

关键字: SSD 存储 AI

随着科技日新月异的进步,语音识别技术已成为人工智能领域的一项核心突破。这项技术旨在模拟人类听觉系统,通过复杂算法和模式识别手段将连续或离散的语音信号转换为可理解的文本或指令信息。本文深入探讨了语音识别技术在多个领域的广泛...

关键字: 语音识别 人工智能

随着人工智能和信息技术的飞速发展,语音识别技术已经从实验室走向了现实生活中的各个角落,成为人机交互领域的重要组成部分。语音识别产品不仅丰富了我们的日常生活,也正在深刻地改变着众多行业的工作模式和服务形态。

关键字: 语音识别 人工智能

近日,胡润研究院发布《2024家大业大酒·胡润全球富豪榜》。70岁的钟睒睒财富比去年缩水9%,以4500亿元连续第四次成为中国首富,位于全球第21位,同比下降6位。44岁的黄峥财富比去年增长71%,即1600亿元,是今年...

关键字: 钟睒睒 AI

在当今大数据和人工智能时代,机器学习作为核心的技术驱动力,正以前所未有的速度改变着我们的生活和工作方式。从基础的数据分析到复杂的决策支持系统,机器学习模型的成功构建和应用离不开一套严谨的流程。本文将详尽阐述机器学习过程中...

关键字: 机器学习 人工智能

机器学习作为人工智能领域的核心技术,其应用日益广泛,从搜索引擎优化到医疗诊断,从金融风控到自动驾驶等众多领域均发挥着重要作用。深入理解并掌握机器学习的关键步骤是成功构建高效模型和解决方案的基础。本文将详细阐述机器学习的主...

关键字: 机器学习 人工智能
关闭
关闭