第1章 人工智能
1.0 這次，狼真的來了
我們已經投資了很多區塊鏈相關項目，但是作為一個計算機科班出身的投資人，人工智能（AI）才是我心中的真愛。真正能改變世界的是人工智能，其他任何科學技術對人類社會的影響都不會比它大。
這輪人工智能發展正在帶來一場范式革命
1956年，在達特茅斯學院舉辦的一次會議上，計算機專家麥卡錫提出“人工智能”一詞，這件事被視為人工智能的起點。從那時起，人類對人工智能的態度一直處于懷疑與恐懼之中。2016年，AlphaGo與李世石的對決以及波士頓動力機器狗的出現，更是讓人工智能得到公眾的廣泛關注。
這輪人工智能的發展是一場“改造世界的范式革命”。范式革命帶來的變化在于：人類過去依靠知識以指令性方式改造世界，而在未來，人類很可能會不再具備掌握知識的能力，轉而以一種描述性的方式改造世界。
這種變化可以用“當代人工智能之父”楊立昆（Yann LeCun）的一段話解釋：“世界上的大部分知識將由機器提取出來，并且將常駐于機器中。”
過去，人類改造世界的流程是：首先依靠觀察和實驗提取知識，然后總結規律，而后制定規則、制造工具，最終改變世界。
現在人類要做的就是：提出需求，并提供海量數據訓練機器，讓機器總結規律，然后根據這些規律制定規則，最后人類和機器共同按照這種規則驅動工具、改造世界。
未來，機器可以形成一個閉環，即自動獲取數據、生產數據——總結規律——制定規則——生產工具——改造世界。人類只需要提出訴求或者結果，把過程交給機器來執行，讓機器解決人類的需求。現在已經有越來越多的機器可以自動獲取數據、生產數據，甚至可以自行提出需求。
一個正在發生的事實是：機器總結出的規律，有些能被人類理解，有些卻不能被理解。從更長遠的角度看，人類不再需要理解事物運行的內在規律，只需要掌握獲取規律的方法論。
投人工智能的依據：這次，狼真的來了
20世紀90年代以前的人工智能研究被稱為“符號智能”，科學家們用機器做推理，邏輯簡潔清晰。20世紀90年代以后個人計算機（PC）開始普及，人工智能發展為“計算智能”，人們開始用機器嘗試歸納、模糊邏輯，甚至希望計算機具備某種直覺能力。
在不同的時期，人工智能的主流思想、理論框架、計算框架和典型應用都不同。
目前人工智能的主流思想是深度增強學習，其中深度學習可以理解為“從紛繁蕪雜的世界中提煉出特征的有效方法”，增強學習則是相當于在一張白紙上創造出一條路徑并借此完成某項任務。AlphaGo就是深度增強學習的一個成功代表。目前主流的理論框架是生物科學、控制論以及數學的理論框架。計算框架則是“人工智能芯片+云計算”，很快還會加入霧計算。典型應用是智能機械。未來兩三年智能機械可能是一個熱點，人臉識別、智能駕駛都包含在其中，這也是相關公司估值奇高的原因。
人工智能的發展如同狼來了的故事，一次又一次觸動著人類的神經，只是這一次，狼可能真要來了。
第一，早期人工智能研究發現了一個悖論：人類覺得很難的問題，機器覺得很簡單；人類覺得很簡單的問題，機器覺得很難。這被稱為“莫拉維克悖論”。大家認為，機器和人類大腦處在完全不同的兩條路徑上。但是現在，機器開始表現出人腦所具備的一些特點，比如直覺，而且機器正在展現出遠超人類能力的趨勢，AlphaGo先后擊敗李世石和柯潔就是一個例子。
第二，人工智能開始展現出不依賴于領域知識（Domain Knowledge）的通用性。借助于增強學習的理論框架，機器可以“在白紙上作畫”。
第三，人工智能開始體現出高度類似人腦的工作機制，這意味著目前人工智能在朝著正確的方向發展。
以卷積神經網絡（Convolutional Neural Network, CNN）為核心的深度學習框架、移動互聯網產生的數據爆炸以及摩爾定律（集成電路上可容納的元器件的數目，每隔18～24個月便會增加一倍，性能也將提升一倍）和云計算所催生出來的海量計算能力，是人工智能發展水平如此驚人的技術推手。
人類與人工智能正處在不平等的競爭之中。
第一，人工智能獲取知識的速度比人類快。在AlphaGo與李世石的比賽中，李世石贏得第四局后，AlphaGo在一夜之間又和自己下了100萬局。
第二，人工智能傳播知識的速度比人類快。在使用中文這樣的高效編碼時，人類個體之間傳輸信息的速度大約為500bps，而4G LTE的傳輸速率是500Mbps，是人類的100萬倍。并且電腦通信速度的增加符合摩爾定律，每18個月翻倍，而人類基本保持不變。
第三，機器一旦掌握某種知識或能力，就可以隨時運用，而人類的能力會受到記憶、心情等因素的影響，不能隨時調用。
投資人判斷人工智能項目的角度：推手和產業鏈
機器學習框架、數據、算力是人工智能的三大推手，也是投資人在人工智能領域投資的思考角度。
第一，能夠發明新的機器學習框架，或者能夠把深度學習（DL）和增強學習（RL）結合到一起組成團隊，這絕對值得關注，因為他們極有可能取得石破天驚的成果。
第二，目前的人工智能實際上是“數據智能”，擁有海量數據和能夠生產數據的項目值得關注。
第三，擁有一定算力的項目同樣值得關注。
從產業鏈角度看，我們可以將人工智能的產業鏈劃分為三層，分別是基礎架構層、技術提供層和應用層。
基礎架構層是巨頭的天下。加拿大一家初創公司在英偉達圖形處理器（GPU）上做的驅動比英偉達自己做的驅動都好，最后被英偉達收購了。所以類似項目最后都是并購退出，這既考驗投資人的能力，也要看運氣。
技術提供層會集中于企業級應用服務（To B）業務。大家都知道To B業務不好做，在業務上很難具備超越競爭對手的能力，更多的還是要看銷售情況。所以在技術提供層的項目更適合風險投資（Venture Capital, VC），可以驗證銷售情況，之后再按照正常的To B業務進行投資。
應用層要進行“行業優選”。所有行業都會被人工智能改變，但不同的行業被人工智能改變的速度和時間點不同，投資人必須做出判斷，判斷方法如下。
第一，數據越完備的行業越容易被取代。
第二，結果反饋越迅速的行業越容易被取代，因為結果反饋越迅速越容易訓練模型。
第三，行業的付費意愿要足夠強。
第四，涉及安全的行業被人工智能替代的速度會慢一些，比如煤礦、化工行業。
第五，群眾的心理接受門檻要低。某些事情交給人工智能去做，群眾會不放心。這一點與政府監管和社會融資意愿都有很大關系。智能交通就是一個典型的例子，現在投資純無人駕駛項目是有風險的，這類項目不僅非常貴，而且在監管、法律和群眾接受心理等層面都面臨問題，尤其是無人駕駛造成的交通事故，可能很難界定責任。假設未來有一個乘客乘坐了優步（Uber）的無人駕駛出租車，遭遇了交通事故，責任歸誰呢？優步、擁有優步所有權的金融租賃公司、汽車生產商、車內運行軟件制造商、車載雷達制造商、導航服務提供商、這輛車的科研人員等，都有可能為這起事故負責，打官司的話也會遭遇很多麻煩。所以在我看來，某些行業里，人工智能可以用來做輔助，但不能做決策，交通和醫療行業就是典型。
使用以上標準來觀察，目前互聯網、零售、廣告是第一波被人工智能取代的行業。零售電商的倉儲物流、智能導購和客服都采用了人工智能技術。我在淘寶上搜一個產品，相關的廣告會在全網各處如影隨形。
金融和安防領域也是應用人工智能的典型，它們數據完備、反饋迅速、付費意愿強烈、民眾接受門檻低，而且和醫療行業相比，它們所受的監管并不嚴。
智能制造是我們比較關注的領域，由于它和制造業相關，隨著政策的變化，會有越來越多的政府部門關注并支持智能制造行業。
夏翌 元一九鼎創始合伙人。14歲入讀中國科技大學少年班，曾在硅谷多家企業從事研發工作，盛大資本金融行業負責人、漣漪投資創始人。2017年與九鼎投資共同成立元一九鼎。