打開未來之門：三大樞紐型創(chuàng)新

一、中國進入5G 革命下半場

5G，也就是第五代移動通信技術(shù)的簡稱。它同互聯(lián)網(wǎng)革命一樣，會給經(jīng)濟活動帶來“底層邏輯”的變革，比3G、4G技術(shù)的影響力范圍更廣。

3G、4G 技術(shù)的主要影響局限在生活消費領(lǐng)域，作為消費者的我們已經(jīng)強烈地感受到了，但這些技術(shù)對經(jīng)濟運行的基本構(gòu)架影響還不算大。5G 跟4G 相比，不僅速度加快了10 倍，它的超大帶寬、超低時延和超可靠性等特點，使它可以直接影響工業(yè)生產(chǎn)、公共服務(wù)等眾多領(lǐng)域，其應(yīng)用場景的廣度和深度都會得到極大拓展。

要正確認識5G 的意義，我們必須先了解幾個基本技術(shù)概念。

業(yè)界一般將5G 的應(yīng)用場景分成三大塊：高速移動寬帶（eMMB）、高可靠低時延通信（URLLC）和大連接物聯(lián)網(wǎng)（mMTC）。

如何理解5G 三大應(yīng)用場景的分類呢？

相對4G，5G 帶來了更快的速度、更短的延遲、更強的穩(wěn)定性、更低的能耗，以及能支持更多用戶。正好是5 個“更”，我們可以將其稱為5G 的5 個G（Geng，更）。大部分人只關(guān)注第一個G（更）：“更快的速度”，也就是讓手機的上網(wǎng)速度更快。但對后面幾個G（更）的關(guān)注比較少。

“更短的延遲，更強的穩(wěn)定性”對應(yīng)的是高可靠低時延通信（URLLC）。4G的響應(yīng)速度大概為10～50毫秒，而5G可以控制在1毫秒以下（實測數(shù)據(jù)是平均0.64毫秒）。而且，這種低時延的可靠性相當高，可以達到99.999% 的可靠度。

5G 通信在終端高速運動和不斷切換基站鏈接的情況下，仍可以保持信號的穩(wěn)定和低延時，這是它強穩(wěn)定性的一個體現(xiàn)——即使以500 千米/小時的速度運動，5G 終端仍可以穩(wěn)定地從一個基站切換到另一個基站，信號時延和可靠性仍可以得到保證。

超低延遲和高可靠性讓5G 的應(yīng)用范圍比4G 更廣闊，它將對以下領(lǐng)域影響較大：工業(yè)控制、交通安全、遠程制造、遠程手術(shù)等。

關(guān)于穩(wěn)定性的應(yīng)用意義，我們可以舉兩個例子。

第一個例子，稱為“空客320 計劃”——用5G 設(shè)備在飛機上替代所有的信號傳輸電纜和光纜。這個研究項目一旦成功，可以讓空中客車（Airbus）這樣的大型客機重量減輕接近17 噸。

第二個例子，一家全國知名的大型化纖集團企業(yè)，在“中國制造業(yè)企業(yè)500強”中排名200 余位。化纖長絲是他們的主打產(chǎn)品，每一根長絲需要72 根細絲絞合在一起才能做出來。每根細絲的直徑只有7 微米，也就是只有頭發(fā)的1/10 那么細。在機器加工過程中，經(jīng)常會出現(xiàn)“飄絲”的現(xiàn)象（也就是有的細絲飄到別的長絲上去了），這樣就會出現(xiàn)殘次品。

類似的問題每年會給工廠帶來幾千萬的損失。以前只能是工人拿著手電筒巡檢，每半個小時就把所有的機器檢查一遍，但這樣做效率很低，因為細絲太細，而且在機器上傳送速度很快（4000米/分鐘），肉眼觀察十分困難。

但在5G 技術(shù)成熟以后，公司采用8K 高清攝像頭結(jié)合巡檢機器人，利用5G技術(shù)的低時延特性大大提升了產(chǎn)品的優(yōu)品率，徹底解決了長絲卷繞工藝中的“飄絲”檢測難題。該系統(tǒng)可以在幾百根微米級的細絲以4000 米/分鐘的下絲速度通過多孔軌道過程中，發(fā)現(xiàn)卷繞中出現(xiàn)的飄絲、漂雜等問題，徹底解決了質(zhì)檢環(huán)節(jié)中的人工成本高、漏檢誤檢率高、次品率高等問題。

飛機的信號傳輸對可靠性要求極高，化纖檢測則要求是24小時不間斷地監(jiān)控機器運轉(zhuǎn)。在這兩種情況下，所需的網(wǎng)絡(luò)傳輸速度雖說4G 和WiFi 也能達到（當然5G 更快、更有保證），但是在高速傳輸過程中的可靠性卻很差，無法保證接收端與發(fā)射端長期且不間斷地連接。這種不可靠性在我們?nèi)粘Ｊ褂弥胁粫嬖谑裁创蟮膯栴}，比如，我們在玩手機時，信號中斷幾秒鐘，大部分情況下我們是察覺不到的，即使是在線看視頻或聽音樂，也會因為緩存而感受不到卡頓。

但在飛行安全和工業(yè)生產(chǎn)領(lǐng)域，4G 的這種低可靠性就是不可接受的。正因如此，4G 和WiFi 技術(shù)在生活消費領(lǐng)域得到了廣泛應(yīng)用，但在工業(yè)等其他領(lǐng)域中的使用率就相對較低了。

此外，像遠程視頻會議，雖然4G 和WiFi 信號也勉強可用，但其穩(wěn)定性較差，如果參與人數(shù)較多，則對實際會議的替代能力就相對較差。而在5G 的高速及高可靠性支持下，遠程會議才有可能較大規(guī)模地替代面對面的交流，進而徹底改變以往的商務(wù)溝通模式。

所以，我們才說，5G 技術(shù)會給我們的生產(chǎn)生活帶來顛覆性的改變，這也是它超越4G 技術(shù)的地方。

“更低的功耗，支持更多用戶”對應(yīng)的是物聯(lián)網(wǎng)（mMTC）。5G 的連接密度相對4G 提高了10 ～ 100 倍，可以達到每平方千米數(shù)百萬個。例如，城市規(guī)劃的標準是每平方千米1 萬人，熱門景區(qū)在節(jié)假日期間的人流密度不會超過每平方千米100 萬人，所以，4G 基站的接入密度用來給大家玩手機是沒問題的。但如果要實現(xiàn)物聯(lián)網(wǎng)，其連接數(shù)量就很容易突破上限——水表、電表、燃氣管道地下管網(wǎng)，天上飛的、地上跑的、身上穿的、家里用的各種智能設(shè)備——假如要實現(xiàn)“萬物互聯(lián)”，如此大的接入密度，僅靠4G 技術(shù)是撐不住的。

物聯(lián)網(wǎng)的特點是信號小、數(shù)量大，而且芯片植入以后長期不用更換，很多場景要求在不更換電池的情況下芯片能連續(xù)使用十年以上，因此能耗必須控制到極低。“數(shù)字地球”的概念早在2004年就被提出來了，中國從2008年開始就力推“智慧城市”建設(shè)。好多想法在當時看來近乎科幻，到現(xiàn)在也只有很小一部分實現(xiàn)了，主要就是遇到了通信技術(shù)瓶頸。隨著5G 時代來臨，技術(shù)瓶頸被一一突破，物聯(lián)網(wǎng)和智慧城市的概念將會迎來新一輪爆發(fā)。

5G技術(shù)的研發(fā)、制造，十多年前就開始了。開發(fā)5G 編碼的時間是2008年；而5G 的基礎(chǔ)設(shè)施布局，是商用牌照發(fā)放前后的一兩年；5G 的場景應(yīng)用，則是基礎(chǔ)設(shè)施布局之后十多年甚至是更長時間。然而，從2019年下半年5G 牌照正式發(fā)放開始，“5G 革命”就進入了下半場，以場景應(yīng)用來帶動其他產(chǎn)業(yè)全方位進步，將會成為驅(qū)動這個下半場的核心動力。

5G革命進入商業(yè)應(yīng)用和產(chǎn)業(yè)化階段以后，我們就可以按照商業(yè)和產(chǎn)業(yè)的邏輯，來對5G 應(yīng)用場景進行新的分類，如表1 所示。

表1 5G 應(yīng)用場景與初步實踐

從這張表格，我們可以看出，5G 正在深入滲透進社會運行的方方面面，對生產(chǎn)、生活、公共服務(wù)等方面產(chǎn)生巨大的影響。這就預(yù)示了——今后，在這每一個場景中都會產(chǎn)生巨大的投資需求和產(chǎn)業(yè)空間，無數(shù)的機會等著我們?nèi)ネ诰颉?/p>

純粹從技術(shù)的角度來講，從1G 到5G，是通信技術(shù)發(fā)展的5 個階段。但從互聯(lián)網(wǎng)的角度來看，我們認為可以分為3 個時代：第一代互聯(lián)網(wǎng)是有線網(wǎng)絡(luò)時代，電話線、網(wǎng)線、光纖線都算，而1G 和2G 通信還不算互聯(lián)網(wǎng)技術(shù)；第二代互聯(lián)網(wǎng)是移動互聯(lián)時代，從3G 時代開始，移動通信才算融入了互聯(lián)網(wǎng)，3G 和4G 都屬于第二個時代；第三代互聯(lián)網(wǎng)是萬物互聯(lián)時代，標志就是5G。

在第一個互聯(lián)網(wǎng)時代，歐美企業(yè)發(fā)展了很多年以后，我們才開始跟進，進而出現(xiàn)了騰訊、阿里巴巴、百度、新浪、搜狐等一大批互聯(lián)網(wǎng)科技公司，基本上都是模仿國外的應(yīng)用場景和商業(yè)模式。

第二個互聯(lián)網(wǎng)時代，是由美國的蘋果公司和谷歌公司為代表開啟的，但國內(nèi)很快就跟進了，涌現(xiàn)出了微博、滴滴打車、抖音、移動支付、餓了么等新的應(yīng)用創(chuàng)新以及一大批智能手機生產(chǎn)商，在發(fā)展后期基本實現(xiàn)了與國際創(chuàng)新的同步。其中，抖音短視頻和移動支付更是走在了世界前列。

而在第三個互聯(lián)網(wǎng)時代，以華為為代表的中國公司開始掌握主動權(quán)，中國很有可能會成為高科技企業(yè)變革的“領(lǐng)頭羊”——在硬件和軟件領(lǐng)域都將如此。這時候，高科技企業(yè)創(chuàng)新的空間會更加廣闊，也必然會有更多顛覆性的創(chuàng)新技術(shù)出現(xiàn)。

二、深度學(xué)習：第四代人工智能取得關(guān)鍵突破

在表格“5G 應(yīng)用場景分類”中——“場景技術(shù)特征”這一列，除了eMMB、mMTC、URLLC這3 個5G 技術(shù)特征以外，AI這個詞也經(jīng)常出現(xiàn)。

AI，也就是人工智能（Artificial Inteligence）技術(shù)的簡稱。5G的諸多關(guān)鍵應(yīng)用場景都必須要有人工智能技術(shù)的支持才能實現(xiàn)，比如自動化生產(chǎn)、個人智能助理等。由于5G 的傳輸數(shù)據(jù)量極大，這些數(shù)據(jù)如果不能得到高效的分析處理，5G技術(shù)的意義就會大打折扣，難以取得相對于4G 等上一代通信技術(shù)的革命性優(yōu)勢。

1.人工智能的代際差異

人工智能是一種軟件技術(shù)，跟芯片和控制器等硬件結(jié)合起來，可以用來組織生產(chǎn)，駕駛汽車飛機等交通工具，給病人診斷疾病，解決各種數(shù)學(xué)、物理難題，等等。

無線通信技術(shù)分為一代、二代、三代、四代、五代，分別對應(yīng)1G、2G、3G、4G、5G。人工智能技術(shù)也可以分為好幾代，目前主要是四代，技術(shù)上可預(yù)見的還有第五代，本書所關(guān)注的人工智能技術(shù)主要是第四代。

人工智能的四代劃分，主要以其所解決問題的復(fù)雜程度為標準。

第一代，是簡單組合的電腦控制系統(tǒng)，只比人工控制模式復(fù)雜一點兒。比如，家庭常用的洗衣機，它的人工控制模式就是：按一個鍵放水—再按另一個鍵洗衣服—再按一個鍵脫水—再按一個鍵烘干，人為干預(yù)每一個環(huán)節(jié)。后來，人們在洗衣機中植入芯片和軟件程序，只需按一個鍵，洗衣機就可以自動完成放水、洗衣服、脫水、烘干的全過程。而且，洗衣機還可以根據(jù)衣物的重量來自己決定進水量和洗衣的時間。

把一步一步的人為操作，變成由電腦程序來一次性完成的工作，再讓機器自己根據(jù)一些簡單的變量做出選擇——這就是第一代人工智能。嚴格來說，它并不“智能”，只是實現(xiàn)了控制步驟的整體整合，它在任何方面都無法跟人類的智力水平相提并論。

第二代，可以在某些方面達到或者超過人類思維速度的復(fù)雜決策程序，也可以在某些方面與人類交流。比如，電腦可以跟人下象棋，一般人下不過電腦，但專業(yè)棋手卻很容易贏過電腦——這比全自動洗衣機的程序復(fù)雜多了。我們玩電腦單機游戲，以電腦為對手，一般會稱之為AI 對手——指的就是第二代人工智能。

在生活中，掃地機器人這種更復(fù)雜的家電出現(xiàn)了，它基本上可以在掃地這個方面代替人類——程序設(shè)定好之后自動充電、自動清掃，全程不需要人工參與。電腦可以實現(xiàn)基本的語音識別，并根據(jù)語音命令行動，還能夠根據(jù)歷史數(shù)據(jù)分析總結(jié)出用戶的一些偏好。現(xiàn)在，大部分貼著AI 標簽的消費品和應(yīng)用軟件，基本都是采用了第二代人工智能技術(shù)。

第三代人工智能，是使用了概率算法并可以進行簡單機器學(xué)習的人工智能。在規(guī)則清楚的情況下，這一代人工智能已經(jīng)可以在某些特定方面超過人類最頂尖的專業(yè)選手。2016年3月，擊敗韓國圍棋選手李世石的谷歌軟件阿爾法狗（AlfaGo） ，就是第三代人工智能的產(chǎn)物。它計算棋路的方式還是人類給它設(shè)定的，也就是基于決策樹的“蒙特卡洛方法”——把窮舉問題變成概率問題，突破了計算機決策的計算速度上限，因此看起來更加智能了。另外，漢字的手寫輸入和掃描識別技術(shù)，也是基于第三代人工智能才得以實現(xiàn)的。

第四代人工智能，是可以進行自主深度學(xué)習的人工智能。人類并不需要告訴電腦該怎么做，只需要給出目標，而且是人類自身體力和智力都難以達到的目標，人工智能自己就會去學(xué)習并找到達到目標的方法和路徑，幫助人類更有效率地完成目標，甚至完成以前人類無法達到的目標。谷歌公司研發(fā)的新一代圍棋軟件阿爾法元（Alpha Zero）就是基于第四代人工智能做出來的。在它面前，橫掃一切人類圍棋大師的“阿爾法狗”就是幼兒園水平。“阿爾法元”對局“阿爾法狗”100 盤，連勝100 盤。而且，“阿爾法元”的下棋風格已經(jīng)跟人類完全兩樣，縱觀人類上千年圍棋史，也找不出這個風格的布局方式。

所以，只有第四代人工智能，才算得上是比較完善的人工智能，也才能夠支撐一次真正意義上的產(chǎn)業(yè)革命。

第四代之后是第五代。第五代人工智能可能是基于量子計算的人工智能，但目前還停留在理論研究階段，何時可以實現(xiàn)不得而知。這個階段的人工智能不僅可以在某一項具體工作方面代替人類，還可以通過深度學(xué)習在諸多方面代替人類，甚至可以把一項完整、抽象而且持續(xù)時間長、場景變化復(fù)雜的任務(wù)交給它去完成。比如，可以在數(shù)年的時間內(nèi)獨立照顧小孩或者老人起居，科幻電影中的智能機器人助手在這一階段會成為現(xiàn)實。

當下，“5G+ 人工智能+ 物聯(lián)網(wǎng)”產(chǎn)業(yè)革命尚不能指望第五代人工智能來支撐。有很多關(guān)于人工智能技術(shù)與人類最終命運的哲學(xué)化思考，比如人工智能會不會統(tǒng)治人類、人腦能否與機器大腦融合等，至少也要到第五代人工智能發(fā)展成熟之后，才真正有去思考的意義。

自從計算機發(fā)明以后，人類掀起過三次人工智能熱潮，前面兩次浪潮分別發(fā)生在20 世紀60年代和20 世紀80年代，但最后都“退潮”了，因為人工智能技術(shù)沒有產(chǎn)生預(yù)期的革命性影響。原因是這兩代技術(shù)和人類的思維能力差距太大，無法勝任大規(guī)模的、復(fù)雜的工作場景。只有在以深度學(xué)習為代表的第四代人工智能技術(shù)發(fā)展得比較完善以后，人工智能才能對我們的生產(chǎn)生活產(chǎn)生顛覆性的影響。

2.深度學(xué)習以前的人工智能

第四代技術(shù)和第三代技術(shù)的關(guān)鍵差別在哪里呢？

首先，為了更好地理解第三代技術(shù)的原理，我們以大家熟悉的棋類運動來舉例。

早期人工智能的技術(shù)，是利用計算機的計算能力實現(xiàn)“窮舉”（在研究對象是由有限個元素構(gòu)成的集合時，把所有對象一一列舉出來，再對其一一進行研究）， 算法完全是由人類程序員編制好的。比如下五子棋，只需要把五個棋子在棋盤上連在一起就可以獲勝，它的變化數(shù)量比較少（相對于現(xiàn)代計算機而言）。所以，只要把所有符合規(guī)則的落子方法都列舉出來，計算機就能找到可以獲勝的下棋方法。

同樣的辦法用來下象棋的話，難度就大多了。因為象棋的變化遠遠超過五子棋，棋子更多，規(guī)則也更復(fù)雜，按照21 世紀初期及其以前的計算機運算能力，根本無法實現(xiàn)窮舉。計算機跟人一樣，也就只能看幾步棋，不可能把所有的可能性都窮舉完。1997年擊敗國際象棋大師——卡斯帕羅夫的計算機“深藍”最多也就可以看12 步棋。

那怎么辦呢？以中國象棋為例，只能根據(jù)人類下象棋的經(jīng)驗來“打分”。比如車是最厲害的子，給它打分是10分，炮和馬差不多，各6分。如果計算機能算出五步棋之內(nèi)的所有下法，其中的一種是自己丟掉一個車，吃掉對方一個馬，那么就是丟掉10分的同時得到6分，最后算下來不劃算，失去了4分。它就不會采用這種下法。而另外一種是自己丟掉一個車，同時能吃掉對方一個炮和一個馬，那就是自己丟掉10分的同時得到12分，這樣是劃算的。

為什么車是10分，馬和炮是6分呢？計算機并不知道，這是人類根據(jù)經(jīng)驗給打的分。

除了對棋子打分以外，人類還可以根據(jù)經(jīng)驗對某些局面打分。比如，當頭炮是有利的局面，可以得5分，而一個卒的得分是2分。為了架起當頭炮，丟掉一個卒就是劃算的，而丟掉一個炮就是不劃算的。沉底炮可以得6分，臥槽馬也可以得6分。還可以再復(fù)雜一些，引進一些象棋口訣，比如“三子歸邊必贏棋”，也就是把車馬炮三個棋子都放到敵方棋盤的同一個方向，贏棋的概率就非常高。那么這個局面就可以打7分，為了實現(xiàn)這個局面，可以丟掉一個炮或者馬，等等。

通過人類經(jīng)驗打分，并設(shè)計出一套計算規(guī)則，讓計算機對不同的局面打分。這樣，計算機就不用計算到最后，而只需計算未來的五六步棋即可，然后評估得分，選擇得分最高的那種走法就可以了。

這種方法被很夸張地稱為——“神經(jīng)網(wǎng)絡(luò)算法”，聽上去很唬人，很多人聲稱它是對人類神經(jīng)元決策方式的模擬，但本質(zhì)上就是對不同要素或事件進行綜合決策，然后進行函數(shù)計算，得到一個數(shù)值，并根據(jù)這個值的高低來做最終決策——打分、函數(shù)和決策的標準都是人類定的。如果把“神經(jīng)”兩個字去掉，叫“網(wǎng)絡(luò)算法”更符合其技術(shù)本質(zhì)。

神經(jīng)網(wǎng)絡(luò)算法——也就是“多要素打分算法”，在一開始，由于打分規(guī)則存在漏洞，還不能囊括棋局的全部變化，所以，人類象棋高手同計算能力不太強的電腦下棋時還有獲勝的希望。但隨著打分技術(shù)趨于完善以及計算機能力的提高，如今，在象棋領(lǐng)域，人類中的頂級高手基本上也無法戰(zhàn)勝電腦了。

到了圍棋這里，問題就更加復(fù)雜。圍棋規(guī)則簡單，但是棋子數(shù)量眾多，變幻無窮，人類現(xiàn)有的計算機技術(shù)根本無法實現(xiàn)窮舉——圍棋的落子可能性有1.43×10768種，可觀測宇宙范圍內(nèi)的原子總數(shù)也不會超過1080。所以，圍棋的變化比全宇宙所包含的原子數(shù)量還要多上十多倍——圍棋的變化是如此之多，以至于計算機不僅無法窮舉，即使用打分的辦法，也會因為局面變化太復(fù)雜而漏洞百出。

為了解決這個問題——“蒙特卡洛方法”被引進了。

所謂“蒙特卡洛方法”，就是把窮舉法變成隨機抽樣法。“打分法”只能提前預(yù)測幾步棋，但這幾步棋卻實現(xiàn)了窮舉，本質(zhì)上就是保留窮舉的同時犧牲計算的步數(shù)。而蒙特卡洛方法，就是不犧牲步數(shù)而放棄窮舉。當計算機面臨選擇的時候，它不會把所有的可能性都計算完，而是隨機選擇一種可能，一口氣把棋下完，然后再看是輸還是贏。所以，計算機可以利用自己強大的計算能力，進行數(shù)量巨大（比如十萬次）的隨機選擇，看輸和贏的概率，最后選擇贏的概率最高的那種方法來下棋。

比如，計算機執(zhí)白棋，人類對手執(zhí)黑棋。假設(shè)在某一步的時候，計算機面臨A、B、C、D四種落子選擇，它該選哪個呢？

首先，它假設(shè)自己把白棋落在了A點。然后，在符合圍棋規(guī)則的前提下，它開始隨機模擬落子A點以后的局面變化。它會根據(jù)圍棋規(guī)則一步一步地落下黑棋和白棋，一直到最后黑棋和白棋把整個棋盤填滿，這一局結(jié)束。這一次隨機落子的結(jié)果，假設(shè)是黑棋贏了，計算機就記下來：黑棋贏了一次。接著，計算機再來模擬另外一種落子方式，只要遵守圍棋規(guī)則而不管每一次落子是好棋還是爛棋——然后一直下到最后。這一次，可能是白棋贏了，計算機又記下來：白棋贏了一次。

由于每一次都是隨機落子，模擬接下來的整局所需要的計算量只有幾百次，這對計算機而言可謂微不足道。對一秒鐘可以運算3 億次的計算機來說，它一秒鐘就可以模擬出約100 萬個不同的棋局。

它在統(tǒng)計完這100 萬次隨機棋局后，發(fā)現(xiàn)有30 萬次是白棋贏了，70 萬次是黑棋贏了。于是計算機得出結(jié)論：把白棋落在A點的獲勝概率是30%。

用同樣的辦法，計算機再模擬100 萬次把白棋落在B點以后的隨機棋局，黑棋贏了50 萬次，白棋贏了50 萬次，勝率就是50%。

再繼續(xù)模擬白棋落子C點和D點的隨機棋局，得到結(jié)論：白棋落子C點的勝率是80%，落子D點的勝率是60%。

最后，計算機決定把白棋落在C點，因為勝率更高。

由于計算量巨大，即隨機樣本大，這種對勝率的預(yù)測相當準確。而且它不只是算一次——對手每下一步，計算機都會重新預(yù)測下一步棋所能取得的勝率，然后再選擇隨機勝率最高的下法。一直到最后，棋盤上的空間越來越小，計算機已經(jīng)可以窮舉所有可能性，就不再用隨機概率預(yù)測，直接選擇勝率百分之百的方式走完殘局就可以。

戰(zhàn)勝圍棋名家李世石的圍棋軟件——阿爾法狗，用的就是這一原理。當然，它也同時采用了“神經(jīng)網(wǎng)絡(luò)算法”的打分法：由一些專業(yè)棋手來根據(jù)圍棋理論對當前局面打分，將一些明顯不應(yīng)該落子的地方排除掉，以提高計算機的計算精確度。此外，它還使用了簡單的機器學(xué)習技術(shù)，讓計算機自己根據(jù)實戰(zhàn)經(jīng)驗對打分法進行改進。

這就是第三代人工智能技術(shù)。機器學(xué)習還得依賴人類經(jīng)驗，只不過加入了概率計算，突破了計算機的窮舉極限。

第三代智能技術(shù)還有一個很關(guān)鍵的問題沒有得到解決：它表現(xiàn)的好壞，主要還是取決于人類自己進行經(jīng)驗總結(jié)的質(zhì)量。圍棋是一個規(guī)則比較簡單的事情，非常適合采用經(jīng)驗打分加概率計算的方法來解決，但在一些具體的生產(chǎn)生活場景中，人類自己總結(jié)的經(jīng)驗都不可靠。在這種情況下，第三代人工智能也就很難發(fā)揮作用了。

比如，在人臉識別領(lǐng)域，我們?nèi)祟愐谎劬湍芊直娉鰣D片中的人臉。但要我們?nèi)懗鲆粋€描述人臉特征的算法公式卻非常困難。人臉有什么特點？橢圓形的物體，上面蓋著一層黑色？那剃個光頭就不是人臉了？有兩個黑色的小圓圈，左右是白色的三角形，而且左右基本對稱？那人臉和貓臉、馬臉如何區(qū)分呢？ 人類根據(jù)自身經(jīng)驗可以快速得到一些結(jié)論，但這些結(jié)論要想總結(jié)清晰并改編成計算機語言，則非常困難。

在汽車自動駕駛領(lǐng)域，人類可以經(jīng)過訓(xùn)練變成合格的駕駛員。但道路情況千變?nèi)f化，要把所有可能的變化都變成精確的計算機語言，其復(fù)雜程度就太高了。

人類之所以具有智能，很大程度是因為我們具備從具體事物中抽象出概念的能力，然后用概念去應(yīng)對一些變化的具體事物。這種能力要想變成計算機所能執(zhí)行的程序，在圍棋這種規(guī)則簡單的場景中尚可實現(xiàn)，但在復(fù)雜的生產(chǎn)生活場景中，就大大超過了人類程序員所能承擔的工作量。

3.基于深度機器學(xué)習的人工智能

同第三代相比，第四代人工智能技術(shù)就有了質(zhì)的改變。深度學(xué)習可以讓計算機自己從大數(shù)據(jù)中發(fā)現(xiàn)和定義特征。

如何理解這句話呢？

深度學(xué)習，就是讓計算機通過實踐來自己尋找打分標準和函數(shù)。比如下中國象棋，一個車的價值是10分還是9分還是11分？“馬后炮”的局面應(yīng)該得幾分？ 這些都是人類經(jīng)驗結(jié)論。現(xiàn)在人類不再告訴計算機結(jié)論了，只告訴它象棋的規(guī)則，讓它自己跟自己下象棋，不斷地下，然后自己總結(jié)出規(guī)律，給每個棋子打分，給每個不同的局面打分。計算機自己將規(guī)律總結(jié)出來，然后再用這個規(guī)律去跟人下棋，或者跟別的人工智能下棋，或者對照之前的象棋譜比較……總之，通過各種辦法來測試它總結(jié)的規(guī)律是不是“靠譜”。

每下一盤棋，計算機都會根據(jù)勝負修正自己所總結(jié)的規(guī)律。隨著下棋的次數(shù)不斷增多，規(guī)律就越趨于完美——這也就是“機器學(xué)習”的最大特點。計算機總結(jié)的規(guī)律數(shù)量巨大，但缺乏指向性，需要海量的實踐數(shù)據(jù)才能讓其所總結(jié)的規(guī)律最終優(yōu)化到可以戰(zhàn)勝人類高手。

計算機的計算速度極快，而且它可以24小時不間斷地下棋來改進自己總結(jié)的規(guī)律。因此，在棋類運動方面，通過機器學(xué)習成為高手是比較容易的。“阿爾法元”（Alpha Zero，即谷歌的DeepMind 系統(tǒng)）就是讓電腦自己和自己下棋來總結(jié)規(guī)律。

機器學(xué)習可以用于更復(fù)雜的領(lǐng)域。我們以圖片識別為例來說明。

第三代人工智能技術(shù)，是人類程序員先輸入一些判別各種物體特征的程序和算法，然后計算機再根據(jù)這些特征去判斷圖片上有沒有符合這些特征的，最后識別出來。由于圖片千變?nèi)f化，識別率長期以來都非常低，之前無數(shù)專業(yè)人員的努力，也就能讓計算機的識別率每年提高1% 左右。在2012年之前，頂級的算法最多也就能實現(xiàn)大約75% 的識別率。

2012年，這個局面被徹底改變了，電腦識別率一下提高了10 個百分點。此后，人臉識別等技術(shù)才具有了真正的實用性，被普遍應(yīng)用到各個領(lǐng)域。

這個突破性的技術(shù)，就是深度學(xué)習。

同下圍棋一樣，人類給計算機設(shè)定了識別圖片的規(guī)則，然后讓它自己去嘗試。這個規(guī)則很簡單，就是讓它把一張圖片壓縮。比如，將一張1000 萬像素的圖片壓縮成100 萬像素，然后，再把這張100 萬像素的圖片還原成為1000 萬像素的圖片。同時，給計算機設(shè)定一些人類已知的各種數(shù)學(xué)工具，以供其使用。剛開始，計算機會隨機壓縮圖片，不過，如果沒有找好規(guī)律，壓縮之后會丟失掉很多圖片信息，最后還原出來的圖片同原圖對比差別較大。

慢慢地，經(jīng)過萬億次的計算之后，計算機會自己發(fā)現(xiàn)一些規(guī)律。比如，某些圖片的某個部分A 與另一個部分B 是完全一樣的，那么它就可以只記錄A 部分的像素，然后記錄B 部分在圖片中的位置，刪掉B 部分的像素數(shù)據(jù)就可以了。 這樣就把圖片壓縮了。

再進一步，計算機可以找到一些概念性的總結(jié)，比如正方形的圖案、等邊三角形的圖案等。這樣，就只需要保留一條邊的數(shù)據(jù)，然后加上“這是一個正方形的圖案的一條邊”或者“這是一個等邊三角形的一條邊”這個標志，就可以把這個圖案完整復(fù)原出來。如此，可以節(jié)省很多的空間，提高壓縮圖片的速率。

計算機不會有“正方形”和“等邊三角形”的概念，它只會把這些概念顯示為一串特征代碼，比如正方形是它發(fā)現(xiàn)的第一萬個圖形特征，它的代碼就可能是——10011100010000。這個時候，當人類看到計算機總結(jié)的這個圖案特征其實就是我們說的正方形，就輸入一個指令，告訴計算機，這個編碼為10011100010000 的圖案特征，我們?nèi)祟惤凶鳌罢叫巍薄＿@樣，計算機就掌握了正方形這個概念。以后再輸入“正方形”的搜索指令，計算機就能快速地從無數(shù)圖片中找到正方形圖案。至于計算機自己是如何定義正方形特征的，人類可以不用管，人類只需要把計算機自己找到的這個特征的編碼和我們?nèi)祟愓Z言給它的定義連接起來就可以了。

運用這樣的原理，谷歌讓每秒鐘可以進行幾百萬億次計算的計算機反復(fù)對1000 萬張圖片進行“壓縮、復(fù)原、對照”。通過三天的運算，終于讓計算機發(fā)現(xiàn)了“人臉”這個特征。只要它在圖片中發(fā)現(xiàn)符合“人臉”這個特征的圖案，就會用一組特殊算法對這部分圖案進行壓縮，比如人的眼睛左右部分是基本對稱的，只需要記錄一只眼睛的數(shù)據(jù)，然后記錄另一只眼睛的不同之處，就可以將圖片信息壓縮差不多一半。但計算機并不知道這個特征叫作“人臉”，它只是發(fā)現(xiàn)這個特征對壓縮圖片很有用，就對它進行編碼處理。這個時候，人類只需要告訴計算機：你發(fā)現(xiàn)的這個特征，我們叫作“人臉”。以后，我們只需輸入“人臉”搜索的指令，計算機就可以從無數(shù)的圖片中快速地把符合指令要求的人臉找出來。

“輸入—壓縮—復(fù)原—對照檢驗—改進”，對這5 個步驟反復(fù)進行，就可以讓計算機像人一樣，找到海量信息數(shù)據(jù)中的關(guān)鍵特征，并對其進行編碼處理。用這樣的辦法，我們就可以不用將人類的經(jīng)驗特征一條一條地總結(jié)成計算機語言輸入電腦了，只需要編碼計算機自己總結(jié)出來的特征中與人類所總結(jié)的特征相符的東西就行了。

這個學(xué)習過程有時候需要人去監(jiān)督修正，有時候不需要，如此也就分出了有監(jiān)督的機器學(xué)習和無監(jiān)督的機器學(xué)習。計算機發(fā)現(xiàn)的壓縮規(guī)律本身還可以再作為輸入結(jié)果，進行再壓縮和再復(fù)原對照檢驗，變得更為抽象和精煉，這就是第二層的學(xué)習。層數(shù)增加到三層以后，就可以稱之為“深度機器學(xué)習”。谷歌的人臉識別技術(shù)，就是經(jīng)過多層機器學(xué)習之后才逐漸趨于完善的。

4.深度學(xué)習的革命性意義

目前，人們對新一輪人工智能的看法大體比較一致，主要有以下兩個看法。

第一，第四代人工智能還是有局限的人工智能技術(shù)。從技術(shù)上來看，要發(fā)展到人類水平智能（即通用人工智能或強人工智能）仍然存在巨大的障礙，達成該目標還很遙遠。

第二，人工智能已經(jīng)具備廣泛的實用價值，將極大地改進人類認識世界和改變世界的模式，同時還會取代很多重復(fù)性高、技能要求不高的崗位。在這一輪人工智能技術(shù)的沖擊下，財務(wù)會計、客服代表、股票交易員、律師助理、司機、流水線工人等職業(yè)將會逐漸消失。

從產(chǎn)業(yè)經(jīng)濟的角度來說，我們只需要考慮第二個方面，而無須期待或擔心人工智能超過人類及其之后的影響。諸如機器控制或者統(tǒng)治人類、人類通過電腦實現(xiàn)意識永生之類的事情，這些都還屬于科幻小說家的工作領(lǐng)域，不在本書研討的范圍之內(nèi)。

盡管如此，深度學(xué)習的革命性意義仍然不容小覷。它讓計算機掌握了總結(jié)抽象規(guī)律的能力。這道關(guān)鍵的門檻邁過去之后，人工智能的應(yīng)用范圍必將得到極大拓展。

人類不再需要代替計算機去總結(jié)規(guī)律，只需要給計算機提供足夠大的樣本數(shù)據(jù)，然后告訴計算機需要什么樣的結(jié)果，剩下的絕大部分工作，就可以交給計算機來完成了（學(xué)習過程的一些關(guān)鍵節(jié)點還需要人類監(jiān)督干預(yù)，這樣可以保證學(xué)習結(jié)果精確可用）。這樣，人工智能所能解決問題的廣度，就可以超過人類程序員的總結(jié)能力和代碼輸入的工作量，幾乎是可以無限擴展了。

盡管在不同行業(yè)、領(lǐng)域的具體應(yīng)用過程中，需要做的改進和有待突破的技術(shù)細節(jié)還有很多，計算機經(jīng)過深度學(xué)習以后并不一定會得出肯定有意義的結(jié)果，整個過程仍然需要人類的監(jiān)督和輔助，但對于這些困難，只要消耗人類一定的人力、財力就可以完美解決了。

駕駛汽車就是典型的被人類所掌握的重復(fù)性工作。如果需要人類一條一條地輸入注意事項，告訴電腦該如何開車，需要海量的時間以及人類輸入的代碼，才能窮盡千變?nèi)f化的道路情況。但運用機器學(xué)習，只需要在足夠多的汽車上安裝圖像、距離、聲音和汽車狀態(tài)傳感器，然后不斷地搜集數(shù)據(jù)進行深度機器學(xué)習，讓計算機自己整合安全駕駛與各個傳感器指標數(shù)據(jù)的關(guān)聯(lián)。只要數(shù)據(jù)量足夠大，計算機就可以自己找到正確的駕駛方法。

人類的主要工作并不是告訴計算機如何判斷行駛的安全距離，如何確定剎車力度，如何應(yīng)對突然出現(xiàn)的橫穿道路的行人，或者各種稀奇古怪的障礙物，而是搜集足夠龐大的數(shù)據(jù)和提供足夠大的計算容量，并在關(guān)鍵問題上幫助計算機完善修正由它自己總結(jié)出來的規(guī)律，確保深度學(xué)習向著有意義的方向發(fā)展。

深度學(xué)習算法最終不會發(fā)現(xiàn)絕對意義上的完美駕駛規(guī)則，但可以隨著數(shù)據(jù)量的增加和計算能力的提升無限接近這個目標，并最終讓電腦駕駛的安全性大大超越人類駕駛汽車的安全性。

在幾乎所有可以搜集到足夠多數(shù)據(jù)的領(lǐng)域內(nèi)，這一算法都是可以運用的。

2020年12月，在“阿爾法狗”戰(zhàn)勝李世石四年之后，谷歌公司運用“阿爾法狗”的人工智能深度學(xué)習技術(shù)，在生物學(xué)的一個重要領(lǐng)域“蛋白質(zhì)結(jié)構(gòu)預(yù)測”取得了關(guān)鍵突破。這是一個困擾人類數(shù)十年的科學(xué)難題，按照傳統(tǒng)的科研方法幾乎就無法解決。但谷歌公司讓人工智能程序自己去對蛋白質(zhì)結(jié)構(gòu)的數(shù)據(jù)進行學(xué)習，人工智能程序在沒學(xué)過生物學(xué)的情況下，僅僅根據(jù)這些數(shù)據(jù)，就自己找到了“蛋白質(zhì)結(jié)構(gòu)預(yù)測”的方法。這是人類運用深度學(xué)習解決關(guān)鍵科學(xué)問題的一個經(jīng)典案例。它也說明第四代人工智能絕不僅僅是用來玩圍棋這種簡單規(guī)則游戲，而是人類科技研究方法的根本性突破。

以前，人類科學(xué)研究總想知道“為什么”，通過因果關(guān)系來推導(dǎo)科學(xué)結(jié)構(gòu)。但第四代人工智能則可以完全拋開這種傳統(tǒng)思維模式，不需要知道“為什么”， 只需要對數(shù)據(jù)進行超大規(guī)模學(xué)習，就能找到問題的解決方案。而對方案背后的原理，計算機不知道，制造計算機和編寫計算機程序的人類也不知道。這是我們認識世界的方法論的一種根本性顛覆和創(chuàng)新。

在未來的數(shù)十年里，深度學(xué)習將對人類科研體系產(chǎn)生巨大的推動力，人類科學(xué)技術(shù)將會掀起新一輪的創(chuàng)新浪潮，并逐步向產(chǎn)業(yè)和商業(yè)領(lǐng)域轉(zhuǎn)化滲透，從而推動一場持續(xù)數(shù)十年的新興產(chǎn)業(yè)革命。其深遠的影響甚至可能會持續(xù)數(shù)個世紀。

三、智能新世界：物聯(lián)網(wǎng)、大數(shù)據(jù)與數(shù)字孿生

在深度學(xué)習算法突破以后，這一輪人工智能的主要問題就從算法問題變成了數(shù)據(jù)問題。也就是說，在搜集數(shù)據(jù)越多、數(shù)據(jù)質(zhì)量越高的領(lǐng)域，人工智能的替代率就會越高。

目前，人工智能替代人類做得最好的領(lǐng)域，并非大多數(shù)人想象的生產(chǎn)流水線或者汽車駕駛等一些看上去不太需要很多智力和知識的領(lǐng)域。實際上，生產(chǎn)線和汽車駕駛所需要的人類經(jīng)驗相當復(fù)雜，尤其是要把這些經(jīng)驗轉(zhuǎn)變成可以由機器自主學(xué)習的大數(shù)據(jù)非常困難。這一代人工智能技術(shù)對人類工作替代最廣的領(lǐng)域是金融領(lǐng)域——一個看上去技術(shù)含量非常高、需要極高智商和復(fù)雜知識的領(lǐng)域。

之所以如此，是因為金融領(lǐng)域的信息化基礎(chǔ)最好，數(shù)據(jù)最多也最豐富，而且質(zhì)量很高。這是因為，金融決策所需要的信息幾乎全都數(shù)字化了。相比于人類，人工智能的優(yōu)勢更顯而易見。早在2014年，高盛便聯(lián)合谷歌開發(fā)了一款由AI 驅(qū)動的大數(shù)據(jù)智能分析處理引擎：肯碩（Kensho）。當肯碩被問到：“iPhone6 發(fā)布后，哪些股票會漲”的時候，它只用了不到一秒鐘就給出了精確的答案。

根據(jù)商業(yè)智能公司“聯(lián)盟（Coalition）”提供的數(shù)據(jù)：2011—2016年，在全球10 家領(lǐng)先的投資銀行中，從事固定收益業(yè)務(wù)、股票和銀行投資業(yè)務(wù)的交易員從業(yè)人數(shù)下降了20%以上，而這一趨勢還在繼續(xù)。

交易員逐漸被替代，說明華爾街的傳奇景象已成為歷史，而這只是金融領(lǐng)域變革的一個縮影而已。新聞寫作在人工智能技術(shù)的影響下，也發(fā)生了翻天覆地的變化。大多數(shù)人不知道的是，絕大部分新聞是可以用一些固定的模板來寫作的。比如，股市行情、政府新聞發(fā)布會的內(nèi)容、足球比賽的結(jié)果等。它可能會比財務(wù)數(shù)據(jù)要復(fù)雜一些，不過文字信息的數(shù)據(jù)化不會太難，計算機通過閱讀大量的新聞報道，再加上人工監(jiān)督修正，就可以快速掌握即時新聞的寫作技巧。而且，計算機寫作速度極快，人類新聞記者根本無法企及。

早在2014年，美聯(lián)社與提供自動化寫作服務(wù)的公司“自動洞察（AutomatedInsights） ”達成合作協(xié)議，讓機器人“文字工匠”（Word Smith）讀取公司的新聞稿，分析報告和股票表現(xiàn)等信息，按照編輯預(yù)先提供的構(gòu)架，自動生成偏于數(shù)據(jù)分析的財經(jīng)新聞。經(jīng)過3 個月的訓(xùn)練，AI 技術(shù)便掌握了新聞寫作的基本規(guī)范，并且比人類寫作錯誤率更低，極大地提高了新聞文章的質(zhì)量。

騰訊公司所開發(fā)的自動化新聞撰寫程序“夢想寫作者”（Dreamwriter）在不到一分鐘的時間內(nèi)就可以撰寫一篇商業(yè)文章（包括分析師的評論）。2017年，“夢想寫作者”在財經(jīng)領(lǐng)域以及科技領(lǐng)域的發(fā)稿量超過2000 篇/ 天，體育稿件500 篇/ 天，內(nèi)容涉及每天行情報盤、上市公司公告精要報道以及體育賽事每輪每場的消息。如今，人工智能已經(jīng)能夠代替20% 的傳統(tǒng)新聞寫作工作，其主要代替領(lǐng)域集中在金融和體育新聞領(lǐng)域，并還在迅速擴展中。

金融交易、財務(wù)會計和新聞寫作領(lǐng)域的進展及其差異體現(xiàn)了新一代人工智能技術(shù)的特點：人工智能替代人類工作的能力，并不是由這項工作中的智力勞動含量所決定的，而主要是由這項工作的可重復(fù)程度和數(shù)字化程度所決定的。

即使是一些看上去很簡單的勞動，如果數(shù)字化程度不高，人工智能在該領(lǐng)域的推廣就會遇到極大阻礙，比如照顧老人的家政服務(wù)；而一些看上去很復(fù)雜的工作，如果能實現(xiàn)高度的數(shù)字化，人工智能就會很容易通過深度學(xué)習來掌握技巧代替人類，比如金融交易。

人類眼中的簡單工作和復(fù)雜工作的差異，在計算機強大的運算能力面前其實微不足道，只要不包括創(chuàng)新能力，年薪百萬的工作和年薪十萬的工作所需要的計算量幾乎沒有差別，只需要滿足兩個條件，人工智能就可能實現(xiàn)替代。

第一，此項工作是可重復(fù)的，不需要創(chuàng)造性。

第二，工作的所有環(huán)節(jié)都可以數(shù)據(jù)化，可以提供海量的人類操作歷史數(shù)據(jù)供計算機進行深度學(xué)習。

第一條是本輪人工智能革命的技術(shù)上限，即人類的創(chuàng)造性思維仍不可被替代。第二條則需要通過物聯(lián)網(wǎng)和大數(shù)據(jù)，并配合5G 技術(shù)來實現(xiàn)。

跟5G 革命一樣，這一輪人工智能革命差不多已經(jīng)進入下半場——底層算法基本趨于完善，接下來最重要的就是比拼應(yīng)用場景的數(shù)字化能力。誰能夠快速地在具體領(lǐng)域?qū)崿F(xiàn)全環(huán)節(jié)高質(zhì)量大數(shù)據(jù)提取，誰就最有可能在該領(lǐng)域的智能化浪潮中取得先機。

負責大數(shù)據(jù)提取的，就是物聯(lián)網(wǎng)建設(shè)。

基于物聯(lián)網(wǎng)的大數(shù)據(jù)采集，是當下產(chǎn)業(yè)變革的基石。

物聯(lián)網(wǎng)的關(guān)鍵技術(shù)，除了5G，就是傳感器，也就是在各種物體上感知動作、圖像、速度、力度、溫度、味道、形變等各種信息的終端芯片。

在當下的產(chǎn)業(yè)革命中，物聯(lián)網(wǎng)傳感器就好像人的末梢神經(jīng)，5G 就是人的傳輸神經(jīng)，第四代人工智能就是中樞神經(jīng)。傳感器將萬物的多維度特征通過5G 輸送給大腦——高速運轉(zhuǎn)的人工智能，進行決策和控制。同時，人工智能還可以根據(jù)控制的反饋結(jié)果來進行深度學(xué)習，改進自己的決策模式，從而變得更“聰明”， 并不斷提高控制效率。

從物聯(lián)網(wǎng)衍生出來的是產(chǎn)業(yè)技術(shù)概念非常龐雜，如大數(shù)據(jù)、數(shù)字孿生、虛擬現(xiàn)實等。物聯(lián)網(wǎng)傳感芯片將萬事萬物的狀態(tài)轉(zhuǎn)變成為數(shù)據(jù)信息，通過網(wǎng)絡(luò)上傳到服務(wù)器，然后由電腦進行分析。這個數(shù)據(jù)量非常龐大，早在2011年，人類剛剛步入4G 時代的時候，81 天內(nèi)所產(chǎn)生的數(shù)據(jù)量，就已經(jīng)超過人類幾千年文明的所有信息數(shù)據(jù)總量。

在物聯(lián)網(wǎng)時代，所產(chǎn)生的數(shù)據(jù)量將會是指數(shù)級增長，每兩年翻一番。這些數(shù)據(jù)在人工智能完善以前，大部分很難發(fā)揮作用，因為人類沒有時間和精力來對它們做詳細的分析，發(fā)現(xiàn)其規(guī)律和意義。

在人工智能技術(shù)全面成熟后，大數(shù)據(jù)就可以幫助我們建立一個與現(xiàn)實世界對應(yīng)的“孿生”數(shù)字化世界。在這個“孿生世界”中，一切都會遵照現(xiàn)實世界的規(guī)律運行，我們可以借此來預(yù)判現(xiàn)實世界的發(fā)展，進行不限次數(shù)和幾乎無成本的實驗。例如，我們可以在機器出現(xiàn)故障之前就發(fā)現(xiàn)隱患，提前維修或替換……現(xiàn)實世界造出來的汽車、飛機、火箭、宇宙飛船等，都可以在這個“世界”里進行測試，確保安全以后再進行實測，從而降低成本。這就是“數(shù)字孿生”技術(shù)。

人工智能通過對大數(shù)據(jù)的深度學(xué)習，可以發(fā)現(xiàn)很多人類目前的研究手段無法找到的聯(lián)系。比如，人工智能在分析了大量X 光片以后，可以計算一個人在未來一年猝死的概率，準確度高于人類的頂級專家。尤其是一些在人類專家看起來根本沒問題，人工智能卻發(fā)現(xiàn)其中存在問題的X 光片。事后證明，人工智能的分析是正確的，但我們并不知道它到底是依據(jù)什么做出的判斷。有了深度學(xué)習人工智能的幫助，人類只需要提供足夠數(shù)量且正確的數(shù)據(jù)，很多難題就能得到解決，比如，通過對氣候和地殼的數(shù)字孿生場景模擬，精確的天氣預(yù)報和地震預(yù)測將不再是難題。

“5G+ 第四代人工智能+ 物聯(lián)網(wǎng)”，構(gòu)成了一個完善的新一代人類社會神經(jīng)系統(tǒng)，智能化從感知到傳輸?shù)經(jīng)Q策的鏈條完全被打通了。目前，這三大樞紐型技術(shù)的關(guān)鍵難題都已經(jīng)被突破，而且開始了產(chǎn)業(yè)化應(yīng)用，這也意味著，我們討論多年的智能化時代真的要來了。受制于第四代人工智能的技術(shù)局限，我們不應(yīng)該把它想象得太科幻，但顛覆性的變革一定會在各個領(lǐng)域顯示出來。在這個過程中，很多產(chǎn)業(yè)會被顛覆，很多人的工作也可能會被“顛覆”，如果無法跟上這股時代的潮流，個人可能會失去眾多機遇，國家則可能失去一個時代。

例如，在教育行業(yè)，很多傳統(tǒng)意義上的教師可能會失業(yè)——遠程教育早已變成現(xiàn)實，山區(qū)或偏遠地區(qū)的兒童也可以享受頂級名師教學(xué)。人工智能會把所有學(xué)生的學(xué)習情況進行分析，然后推薦給最適合他水平的老師進行遠程教育，甚至這個老師也可能是人工智能模擬出來的虛擬人物——現(xiàn)在人工智能模擬人類的表情和發(fā)音已無技術(shù)性上的困難。

并且，人工智能還能監(jiān)督學(xué)生在聽老師講課的時候有沒有專心聽講，這個技術(shù)通過圖像識別已經(jīng)得到實踐應(yīng)用：一個班，一個攝像頭，就能統(tǒng)計所有人在上課時有多長時間在開小差。然后，人工智能會根據(jù)每個人的學(xué)習水平布置不一樣的作業(yè)，以確保難度和強度合適，還可以負責批改作業(yè)和一對一講解習題。在未來，體育老師可能比語文、數(shù)學(xué)老師更多，因為對人工智能而言，體育教學(xué)的難度更大。

在廣州，自動駕駛的出租車已經(jīng)開始試運營；在美國波士頓，四條腿的、能翻跟頭的機器狗已經(jīng)開始取代警察進行日常巡邏；在北京和杭州，海底撈、五芳齋等企業(yè)的“智慧餐廳”開業(yè)了，從配菜到上菜的大量勞動力已經(jīng)被機器人取代。

在華為和小米手機的生產(chǎn)線上，完全無人的“熄燈工廠”正在以每秒鐘一部的速度生產(chǎn)著最新的手機，而且還是不同型號的手機混合生產(chǎn)，不需要跟傳統(tǒng)流水線一樣只能規(guī)模化而犧牲個性化。要看到，智能制造的前景并不是機器換人，而是機器人換機器——人工智能控制的機器人可以像人類一樣，隨時根據(jù)工藝、材料、設(shè)計的不同，變換工作方式，生產(chǎn)不同類型的產(chǎn)品，而不是像機器一樣，只能重復(fù)一套固定的動作。

行業(yè)變革的新聞每天都在發(fā)生，科技進步的速度太快，本書中的案例注定是在它剛一出版的時候就落后了。未來還會有什么更新奇的東西？我們無法知道。但現(xiàn)在，我們最應(yīng)該做的并非毫無邊際地放飛想象力，暢談人類命運，而是認真地思考“怎么辦”。

作者簡介：李曉鵬，經(jīng)濟學(xué)博士，中興大城首席經(jīng)濟學(xué)家。著有《中國崛起的經(jīng)濟學(xué)分析》《城市戰(zhàn)略家》《中國的產(chǎn)業(yè)政策》《中國的產(chǎn)業(yè)規(guī)劃》《從黃河文明到“一帶一路”》（第1-3卷）等書。

文章摘自：《人工智能5G和物聯(lián)網(wǎng)時代的中國產(chǎn)業(yè)革命》

出版社：天津科學(xué)技術(shù)出版社有限公司

銷售鏈接：