1. 深度學習
1.1. 深度學習是當前人工智能熱潮的技術基礎
-
1.1.1. 深度學習是機器學習的一個研究分支，借鑑的是概率統計（建模、學習）的方法
-
1.1.2. 機器學習是通過計算模型和算法從數據中學習規律的一門學問，在各種需要從複雜數據中挖掘規律的領域有很多應用，已成為當今廣義的人工智能領域最核心的技術之一
-
1.1.3. 隨着算法的進步、算力的發展（GPU、FPGA、ASIC）和數據的指數級增長，多種深度神經網絡在大量機器學習問題上取得了令人矚目的成果，深度學習掀起了機器學習理論、方法和應用研究的一個新高潮
-
1.1.4. 深度學習的發展最早可追溯至1943年心理學家沃倫·麥卡洛克(Warren McCulloch)和數學家沃爾特·皮茨(Walter Pitts)提出的神經元數學模型
-
1.1.5. 1958年，弗蘭克·羅森布拉特(Frank Rosenblatt)提出感知機模型
-
1.1.6. 1974年，保羅·韋伯斯採用反向傳播算法來訓練一般的人工神經網絡
-
1.1.7. 1982年，約翰·霍普菲爾德提出Hopfield網絡，這是最早的遞歸神經網絡(RNN)
-
1.1.8. 1990年，楊立昆提出了深度學習常用模型之一—卷積神經網絡(CNN)
-
1.1.9. 2006年，傑弗裏·辛頓正式提出了深度學習的概念
1.2. 深度學習與相關機器學習技術的進步，使得計算機不再需要明確的編程，而是通過“吸收和分析”海量的數據來完成自我訓練，並可對未知的數據做出預測
-
1.2.1. 自2006年誕生以來，深度學習持續受到學術界、產業界的廣泛關注
-
1.2.2. 從2011年開始，谷歌研究院和微軟研究院的研究人員先後將深度學習應用到語音識別上，使識別錯誤率下降了20%～30%
-
1.2.3. 2012年，傑弗裏·辛頓團隊在圖片分類比賽ImageNet中，使用深度學習打敗了谷歌團隊，並將圖片識別錯誤率降低了14%
1.3. 深度學習在圖像、語音、自然語言處理等領域獲得了極為廣泛的應用，奠定了新一輪人工智能發展的基礎
-
1.3.1. 近幾年來深度學習備受關注，與20世紀80年代的專家系統、日本第五代計算機開發幾乎類似，被學術界和產業界視為實現人工智能長期願景的主要途徑
-
1.3.2. 深度學習的理論基礎是人工神經網絡，而人工神經網絡的理論研究早在機器學習的浪潮出現前就開始了
1.4. 在目前，以深度學習為基礎的弱人工智能技術在自然語言處理、機器翻譯、圖像識別、語音識別等方面取得了巨大成功
1.5. 目前，學術界和業界基本拋棄了以邏輯推理和啓發式搜索為主的研究方法，深度學習這一機器學習的分支成為人工智能領域的熱門方向
1.6. 新技術在成熟應用前需要經歷5個階段
-
1.6.1. 技術促動期
-
1.6.2. 過高期望的峯值
-
1.6.3. 泡沫化的低谷期
-
1.6.4. 穩步爬坡期
-
1.6.5. 實質生產的高峯期
-
1.6.6. 傳統Gartner技術循環曲線
1.7. 三次人工智能浪潮
-
1.7.1. 第一次浪潮時間段約為1956—1974年，其核心是符號主義（邏輯主義），當時最大的成果是邏輯推理、啓發式搜索
-
1.7.1.1. 1956年，卡內基梅隆大學的LT程序證明了《數學原理》第二章的38條定理
-
1.7.1.2. 1963年，經過改進的LT程序證明了《數學原理》第二章的52條定理，該程序隨後被改進成GPS
-
1.7.1.3. 第一次浪潮中產生的方法可以説是基於知識驅動或模型驅動的，主要建立在基於“if-then”結構的人工設定的形式邏輯基礎上
-
1.7.1.4. 這一階段的成果幾乎無法解決實用問題，計算能力也嚴重不足，導致人們對人工智能的未來產生失望，社會資本開始退出，政府資助不斷下降，最終引發第一輪人工智能寒冬到來
-
-
1.7.2. 第二次浪潮時間段約為1974—2006年，這一時期符號主義與連接主義同步發展
-
1.7.2.1. 1974年，保羅·韋伯斯(Paul Werbos)提出了反向傳播算法（back propagation algorithm，BP算法），使得多層人工智能神經元網絡的學習成為可能
-
1.7.2.2. 1982年，約翰·霍普菲爾德(John Hopfield)提出可用作聯想存儲器的互聯網絡—Hopfield網絡
-
-
1.7.3. 第三次浪潮從2006年開始至今，其核心是深度學習的突破
-
1.7.3.1. 2006年，傑弗裏·辛頓(Geoffrey Hinton)、楊立昆(Yann LeCun)和尤舒亞·本吉奧(Yoshua Bengio)發表了多篇關於“深度神經網絡”的文章
-
1.7.3.2. 2015年12月，微軟亞洲研究院在ImageNet計算機識別挑戰賽中憑藉深度神經網絡技術的突破，獲得圖像分類、圖像定位以及圖像檢測全部三個主要項目的冠軍
-
1.7.3.3. 2016年3月，谷歌DeepMind開發的人工智能程序AlphaGo以4:1的戰績擊敗韓國圍棋職業九段選手李世石，被認為是人工智能發展的重要里程碑
-
2. 第三次人工智能浪潮的顛覆性和侷限性
2.1. 進入21世紀以來，全球依次經歷了信息化時代、大數據時代，目前正過渡到智能化時代
2.2. 作為一種顛覆性技術，人工智能的廣泛應用將對現有社會體系產生深刻的影響
-
2.2.1. 人工智能將推動生產力迅速提升，為人類探索未知世界提供無限可能
-
2.2.2. 人工智能的廣泛應用也會帶來網絡信息安全、法律與倫理道德等諸多方面的問題
2.3. 現有的人工智能技術離實現通用人工智能、強人工智能還有很大差距
2.4. 在算法、算力、數據這三駕馬車的拉動下，人工智能以超乎想象的速度進步，不斷顛覆着社會生產生活的各方面
2.5. 人工智能企業分類
-
2.5.1. 第一類專注於核心技術(core technologies)，涉及領域包括人工智能、深度學習、機器學習、圖像識別、語音識別、自然語言處理等
-
2.5.2. 第二類專注於企業經營(rethinking enterprise)，涉及領域包括銷售、安全、欺詐檢測、招聘、市場、智能工具等
-
2.5.3. 第三類專注於產業界(rethinking industries)，涉及領域包括廣告、農業、教育、金融、法律、製造業、製藥業、油氣業、自動駕駛、醫療等
-
2.5.4. 第四類專注於人類拓展(rethinking humans)，涉及領域包括增強現實、姿態計算、情緒識別、機器人等
-
2.5.5. 第五類專注於支持性技術(supporting technologies)，涉及領域包括硬件、數據收集、數據處理等
2.6. 人工智能已經滲透至社會各行業、各領域，智能翻譯、智能選股、自動駕駛、智能搜索、定理證明、指紋識別、人臉識別、語音識別等相關應用已經無處不在
2.7. 人工智能的顛覆性影響，正在於其多學科融合、高度複雜的特性會引發科學技術產生鏈式突破，帶動各領域的創新能力快速躍升
- 2.7.1. 未來，所有的企業或許都可以被稱為人工智能公司，因為當人工智能時代來臨時，所有的事情、所有的業務都可以進行數據化、連接和運算，並且隨之產生的智慧也可放置於雲端，為人所用
2.8. 人工智能偽造技術
-
2.8.1. 可對社會秩序的各個層面構成嚴重威脅
-
2.8.2. 在社會生活層面，“人工智能偽造技術”使日常生活所用的合同、契約、證書及相關法律文本的防偽鑑定面臨新的困難
-
2.8.3. 在司法層面，“人工智能偽造技術”將可用於偽造證人證言、視聽資料、電子數據及鑑定意見等虛假證據，為司法證據的鑑定採用和非法證據排除帶來新的困難
-
2.8.4. 在公共安全層面，“人工智能偽造技術”為不法分子從事違法犯罪活動提供了便利條件
2.9. 人類對於人工智能的認知產生了顯著變化
-
2.9.1. 因為符號主義和初始的連接主義都是對人類大腦活動的模仿，並沒有合理借鑑大腦產生智能的機制，最終導致結果不盡人意、人工智能項目紛紛落馬
-
2.9.2. 深度學習的成功，表明受大腦啓發的人工智能是其能夠得以廣泛應用的根本原因
-
2.9.3. 深度學習不僅依賴計算能力和大數據技術的進步，更加依賴卷積神經網絡(CNN)等模型和參數訓練技巧的進步
2.10. 算法、算力、數據是深度學習成功的先決條件，但深度學習在算法、算力、數據以及認知層面均存在瓶頸問題
2.11. 人工智能的發展存在數據瓶頸、泛化瓶頸、能耗瓶頸、語義鴻溝瓶頸、可解釋性瓶頸和可靠性瓶頸
-
2.11.1. 人工智能有智能沒智慧：智慧是高級智能，有意識，有悟性，可以決策
- 2.11.1.1. 而人工智能缺乏意識和悟性，缺乏綜合決策的能力
-
2.11.2. 人工智能有智商沒情商：機器對人的情感理解與交流仍處於起步階段，距離科幻電影中跟人類談情説愛的人工智能還差很遠
-
2.11.3. 人工智能有計算沒算計：人工智能系統可謂有智無心，更無謀
-
2.11.4. 人工智能有專才沒通才：會下圍棋的AlphaGo不會下象棋
-
2.11.5. 四有四無
3. 人工智能泡沫
3.1. 與學術界的客觀審慎不同，政府機構、社會資本、民眾對於人工智能的熱情，導致人工智能宣傳被誇大，很多初創企業也有蹭人工智能熱度的嫌疑
3.2. 2000年左右的互聯網泡沫經歷
-
3.2.1. 1994年，World Wide Web的出現，讓互聯網第一次真正走進了公眾的視野，這一充滿市場想象空間的新興產業迅速籠絡了大量資金
-
3.2.2. 2000年，互聯網行業沒有像人們期待的那樣發展，反倒是遭遇了千年蟲的打擊
- 3.2.2.1. 千年蟲等問題的出現，讓人們意識到互聯網技術的發展還只處於初期階段，很多商業模式還不夠成熟，很多問題也沒有解決，這直接引發了互聯網泡沫的破滅
-
3.2.3. 2000年3月10日，納斯達克指數達到最高點5048.62點，隨後開始掉頭向下，到2002年10月9日見底於1114.11點，指數跌幅超過77%
3.3. 困境
-
3.3.1. 人工智能技術在很多領域的應用成熟度有限，許多產品滿足不了市場需求
-
3.3.2. 人工智能領域的風險投資卻如火如荼，跟風現象時有發生
3.4. 人工智能泡沫論的主要論點
-
3.4.1. 人們對於人工智能改變生活的預期與人工智能的現實能力不匹配
-
3.4.1.1. 汽車生產商對全自動駕駛(Level 4)的實現時間盲目樂觀
-
3.4.1.2. 特斯拉和谷歌預測將於2018年實現全自動駕駛
-
-
3.4.2. 資本界和媒體對人工智能的理解與人工智能現實能力不匹配
-
3.4.2.1. 部分資本界人士和媒體對人工智能的理解較為片面，對人工智能現階段的能力認識不足
-
3.4.2.2. 扭曲的信息在網絡中被多次傳播，逐級放大，最終導致社會整體認知的缺陷
-
3.5. 在可以預見的未來，新型人工智能算法、算力和大數據技術或將不斷取得新突破，人工智能也仍將持續保持高速發展態勢
-
3.5.1. 第三次人工智能浪潮可以解決的問題已大大拓展，我們對人工智能未來的發展應該持有樂觀的心態
-
3.5.2. 未來一段時間，人工智能的發展或將呈現冰火兩重天：有能力的公司加速擴張，沒能力的公司迅速潰敗
3.6. 歷史上，很多研究領域都經歷過從萌芽期、發展期、泡沫期，到最後迴歸正常的過程
-
3.6.1. 2000年互聯網泡沫破滅後，互聯網的發展重新回到正軌，此後更是催生了谷歌、亞馬遜、Facebook等互聯網巨頭的崛起
-
3.6.2. 新型算法、先進算力、大數據技術的發展，必將引領人工智能更新一輪熱潮的發展，泡沫也必將成為人工智能理性發展的墊腳石
