朱日和八一阅兵TalkingData CEO助理，TDU执行校长。中国人民大学商学院企业管理系2010级管理学博士，香港中文大学管理学系博士后，研究方向为战略管理、公司治理。曾先后供职于德电咨询、埃森哲（中国）有限公司，方向为TMT行业战略咨询。杨慧博士多年关注互联网领域，曾参与国家科技部商业银行信息科技风险监管支撑计划。她在研究期间，走访了包括腾讯、网易、易车网等多家互联网企业采访中高层人员。目前她在此领域的出版物有《互联网时代的新创客》，《互联网时代·新战略全景-New Strategic Landscape under Internet》以及《体验互联网新思维》。

　　11月9日的微课邀请到了TalkingData CEO助理，TDU执行校长杨慧和大家一起讨论大数据领域中人工智能的发展方向。分别从人工智能市场发展，大数据与人工智能的紧密联系，行业前景与企业玩家分类，未来人工智能的发展趋势及对策几个角度进行探讨。

　　人工智能发展的历史可以分为三个阶段，技术驱动阶段、数据驱动阶段、情境驱动阶段。在技术驱动阶段基本算法的发展，成为了推动人工智能进步的最大动力。尤其是在1956年著名的达特茅斯会议之后，人们对于算法程序语言的开发投入了极大的热情，掀起了人工智能发展的第一波高潮。

　　数据驱动阶段是数据推动人工智能更新迭代的一个阶段，在这个阶段里可以获得并进行分析的数据成量级的，成几何级数的增长，不仅提高了大量数据的计算能力，使人工智能的大规模运算成为可能，并且反过来倒逼了数据的采集，清洗和积累，以及相应的软硬件设施的发展，推动了整个大数据行业的腾飞。值得提起的是像思科、IBM这种大公司在这个阶段发挥出了规模的优势，训练数据的获取和积累成为了推动人工智能这第二步发展的主要的动力。但是也可以看到，实际上这一波发展也是因为一些存储设备硬件的发展高度的集成化所带来的。

　　在情境驱动阶段技术进一步的推动了创新，并且人类把AI的发展从特有性目标推到了通用行为目标，这个阶段是情境来推动物质，能深入到更具体的应用的。随着人工智能技术发展和数据的积累，行业逐渐发现短期内通用智能和强人工智能有把数据分布成情境化的特性，这使得人工智能在特定情境下的垂直发展成为了可能。我们现在看到的大多数人工智能，其实是情境化的垂直型的。比如说自动驾驶汽车、人类识别、智能投顾，实际上都是在特定的某个使用情境里的人工智能。

　　纵观人类社会与大数据行业和人工智能的行业的发展，可以发现一个规律，大数据行业和人工智能行业之间，其实是同生同长的一个关系，每一波人工智能行业的成长其实背后都是大数据行业成长在起到一个决定性的作用。

　　根据ABC最新的一份全球半年度的认知和人工智能系统开支指南，人工智能解决方案的市场在2016年到2020年预期内的符合年增长率将达到55.1%，认知计算和人工智能在各行各业中的广泛应用，将推动起全球收入从2016年的近80亿美元增加到2020年的470多亿美元。各家研究机构对于人工智能市场普遍抱以乐观态度。

　　硬件技术主要是以一些前置性的计算芯片厂家为代表，比如英特尔、寒武纪、地平线机器人，它们使得数据的前置处理成为可能。数据收集的入口，极大程度地减少了后期处理的复杂程度。图像或者声音在硬件端就能够得到结构化的这处理，便于后期进行分析。在硬件技术中主要接触的是一些在人的理解和分析的层面无法去直接进行处理的数据，比如说人在进行图像处理的时候，没有办法同时看一百万张图片，但是机器就可以帮我们，从这一百万张图片里面去挑选出拥有我们定义的特征的图片，例如暴力，图片的寻找。

　　分析类的人工技术主要指进行数据训练，提供算法的服务类的公司。它被称为应用类的人工智能技术，当数据采集分析完毕，变成了一个结构性的数据集下，接下来跟实际的商业里面的应用情境结合起来，让它能够直接的自动化帮助人们去解决一部分问题。

　　应用建模主要也是比较有情境化的场景，包括虚拟助理，应用层的机器学习，应用层的计算机时间，推荐引擎，手势控制，语音翻译。智能机器人技术是这个层面主要的核心技术。

　　虽然已经积累了大量的数据，但是平均到每家企业来说，可以获得的数据来源还比较单一。由于商业竞争中存在壁垒，这些数据之间很少能够形成交叉，但同样一条数据所包含的维度越多，那么这条数据的价值在越多，能够形成的因子更多，所以为了满足这个数据的多元性，企业不得不求助于建立一个数据生态，丰富培养人工智能所必要的训练数据的来源。

　　这是因为能够被采集到的数据量占人类生活中所产生信息量的10%左右，在这其中能够被分析的数据更是少之又少。这些数据大部分都沉浸在情境中，所以这对计算能力提出了更高的要求，而且对于用合适技术转化成可分析的数据也提出了更高的要求。

　　目前来看大多数的人工智能企业还是处在一种叫好不叫做的阶段。虽然看上去比较酷炫，但是实际上能够落地的企业落地的情境少之又少。更多人工智能的发展还依赖于国家技术、军备战略的推动和资本的推动，真正能够实现自主造血能力企业几乎没有。

　　科幻类电影中那些有情感，能够独立解决问题，能够识别甚至预测人类社会发展的人工智能叫做强人工智能。虽然AI的应用使一些人物变得自动化，但是人类判断全部交由算法负责，这种情况几乎不可能发生。更现实的方法是可能是使用数据科学和数据工程，不断的完善和提升人类判断的质量和速度。

　　人工智能对整个社会的发展来说是一种赋能的因素，它对人类社会的影响，本质上来说是对效率的影响。人工智能改变了生产工具，提高了生产效率，形成了新的生产关系。随着人工智能发展我们进入了一个新的竞争时代，这叫智能数据时代。在这个新的竞争时代里，我们需要遵循的是新的竞争反噬。这里提到了一个重要的概念叫智能数据，不同于传统的数据，这种智能数据就是添加了人工智能和人类智慧的这个数据这个名词的出现，结识了数据人和人工智能，或者说我们说机器，这三者之间的游戏的联系。这种有机的联系能够赋予数据更多的价值，赋予数据心智。

　　人的智慧人工智能与数据之间其实起到了一种关键的调节作用。人用自己的智慧去训练和监督人工智能，帮助人工智能更快更聪明的解决问题，比如说谷歌在语音识别领域取得了很大的突破，但是这背后的原因是谷歌建立了几十亿音频的数据库，而且重要的是用人类的智慧去对这个数据进行标注，所以算法才可以去识别。过去的几十年里是花了大量的时间去标注这些图像，这个图像是猫，那个图像是狗，我们才能在这个图像里面去切割识别出各式各样的物体。

　　因此，在这样一个智能数据时代，只有有机的结合这三者，并且利用了这三者各自的价值，站在新的时代获取这个优势。这样的新的商业性的范式我们可以用一个公式来表示我们称之为智能数据时代的贝叶斯法则，也就是说商业价值的获取需要数据和人工智能，并且人的智慧三者一起才能够形成。

　　数据本身没有意义，AI本身没有智慧，是人让其有了一有了智慧，所以我们可以说无数据部AI ,诬告人工智能数据为本AI是核心人是关键。

　　人工智能企业的纵向上发展是基于技术发展打通的，在横向发展上常常覆盖的是一些数据准备度比较高的行业，比如说金融医疗交通指的生活和制造等等。

　　速赢，就是占领整个市场，并且快速形成壁垒。硬件驱动者的速赢关键的就是它的硬件集成性，计算能力和一体化的能力，比如说GPU的计算能力是毋庸置疑的，如果深度学习，没有GPU的计算加速就会不会发展得这么快，为了在市场上占有一席之地，各大硬件厂商会争相推出适合集体学习的硬件设备。

　　典型的传统互联网行业，它们是把握数据供给和需求的端口类企业，这类企业的这个速赢关键因素是数据和需求的差距和采集。每个行业都会生产出不同类型的数据，但是数据类型单一，数据缺乏系统治理，无法形成数据资产，所以在企业应用数据的过程中不可避免地需要各种外部数据，这就产生了数据的需求。它们应该着眼于数据的治理和收集，对每个行业的数据需求进行合适的理解，并且针对这些理解进行数据的分析，构建一个数据市场，资产积累到一定程度就会形成壁垒，掌握上下游玩家的数据流向。

　　由于开源社区的活跃，算法本身实际上已经没有办法形成较高的竞争壁垒了，很多开源算法包其实已经能够满足大部分用户的需求，这些企业现在生存是比较尴尬的，所以它们应该尽快的去找到一个比较垂直性的行业或者是情境，来优化和提高这些算法的效率。有些平台可能会让自己的算法科学化，把自己的研究的算法放到这个平台上，按照使用者的这个调用的次数来进行收费，而且算法科学本身就是数据科学，这种人才是非常紧缺的，所以企业最后往往是通过人才服务的形式来进行变现。

　　是指在某一个行业或者某一个智能化应用的领域垂直来探索数据，并且把自己的数据运用到自己的产品终端的科技服务公司。比如今日头条就是这样的公司。

　　是指能够建立起跨行业、跨业态，并且能够贯穿数据处理的生命周期的平台型玩家或者是智能数据公司。这类公司通常具备极强的平台技术能力，通过平台向合作伙伴提供数据整合能力、数据分析的算法能力，并且最终在平台上实现横向的差异化纵向专业一体化的数据应用服务能力，它们能够快速地建立起行业壁垒。

　　从数据流通的角度来说，人工智能行业的价值链会存在一个微笑曲线，数据交易市场的完善与分析算法的趋同，使得中间的这两个环节的附加值不断降低，而数据供给侧与解决方案侧就会形成附加价值最高的两个峰值。因此占据特别的数据来源，形成数据集，将别人无法结构化的数据进行结构化的转化。

　　传统企业会根据自身的数据结构，人工智能在业务中的实用性，选择像项目国家或者是讲师他往下转型总监来说，在中国将会实现一大多小、两极分化的竞争态势。