“早春江上雨初晴，杨柳丝丝夹岸莺。画舫烟波双桨急，小桥风浪一帆轻。”
前不久，这首《早春》的诗，刷爆了各路媒体的头条。
早春雨后、柳上莺啼，如此诗情画意、让人陶醉的一首诗，令人惊叹的是：它竟出自人工智能机器人之手。
随着今年区块链话题的各种热潮，人工智能似乎也被列入了“古典技术”行列。但是，狂热之后，我们还是要承认：人工智能技术正在悄悄的给我们创造惊喜。
不可否认，我们对人工智能的认知还不够深入。随着人工智能应用不断落地，我们的困惑也不断增多。
如何抓住人工智能的核心？怎样进一步突破人工智能技术发展的瓶颈？怎么在遍地开花的人工智能项目中去伪存真……
笔记侠联合卫哲团队出品的商业实战系列课，也详细解读了在人工智能时代，我们不得不面对和解决的一些问题。
一、数据是人工智能的磨刀石
如果把人工智能技术比喻为一把刀的话，那么海量且实时更新的数据，就是这把刀的“磨刀石”。
人工智能的技术重要但并不是最重要的，因为这把刀一开始有多锋利，并不是决定性的因素。
如果一把锋利的刀一直不磨，而一把不太锋利的刀一直在磨，那很快，不锋利的刀就会超过那把锋利的刀。
谷歌阿尔法狗的团队中，高级的华人工程师有很多，我见到他们，问了个问题：你们怎么不立志搞一次人工智能挑战中国象棋？
他说，不是愿不愿意做的问题，之前的围棋项目，还不得不感谢日本人。因为日本人保存了过去几百年几乎所有的围棋棋谱，而且保留的这些棋谱都很简单，一张纸，黑子白子，上面标好了清晰的号码，比如这里是第1手，这里是第200手。
所以一张图就可以记录整个下围棋的阶段，复盘是特别容易的。就是因为围棋几百年来的棋谱都存在，也意味着特别完整的保留了围棋的数据。
而咱们中国象棋的老祖宗留下了什么？叫残局。怎么走到残局的呢？不知道，因为没有数据。
如果你把残局给机器，它该怎么学习？机器要学习的，应该是我们如何走到残局，以及如何从残局走到终局。
由于中国象棋的历史数据缺失，造成了这么生猛的阿尔法狗机器在中国象棋领域走不下去。
数据对人工智能有多重要？离开了数据，谈人工智能是没有意义的。
你见过在哪些领域，人工智能可以跑出来做独立的公司或独立的平台？如果在美国，你要用的数据，大部分甚至全部由Google、Facebook和亚马逊所掌握，也就是这块“磨刀石”掌握在别人手上。
即使你的技术再领先，也维持不了多久。
很多这样的技术公司，唯一的出路就是卖给Facebook、Google、亚马逊。同样在中国，如果你要做人工智能，所能用到的数据，都被BAT所掌握。
数据这个磨刀石不在你手里，你就没有太大机会，你顶多就是一个技术还不错的团队。
最后的出路可能是把这个团队，以并不太高的估值，卖给这些有数据的大互联网公司。
那么在哪些领域，美国的Facebook、Google、亚马逊没有垄断数据，在国内BAT也没有垄断数据呢？这种领域有没有？答案是有的。
比如说医疗数据，BAT是没有的；很多金融相关的数据目前还是银行、保险公司的内部数据，互联网公司也没有；当然可能还有一些其他的领域。
那么就以医疗和金融这两个领域来说，如果和人工智能结合，至少不管这把刀是不是很锋利，起码找数据源这个磨刀石的起步点，你和大公司是平等的。
医疗、金融等领域，与人工智能结合有可能出现大公司。
医疗领域，美国FDA（美国食品药品监督管理局）已经批准人工智能读很多片子。一个医生一辈子读10万张X光片或者CT片子就很厉害了，片子拍完以后，医生完全是基于自己的经验和知识来判断，他要判断就得先有积累。
但这个事对人工智能来说太简单了，就是识别打完标签的图像，同时把打标签的图像和最终诊断的病例结合起来，做一个闭环的学习过程。
人类最有经验的医生，从业30年，一万多天，一天看10张片子，一辈子也最多看10万张片子，而机器可以实现一小时读10万张片子。
但同时，由于美国对隐私有很多保护，很多医院的数据，在美国并不能轻易开放给人工智能公司。
所以，我们看到了一个趋势，很多从事医疗行业的公司开始寻找中国的合作伙伴，因为中国人口众多，隐私的保护也没有那么严格，有机会让医疗数据迅速地集中起来。
同样的，今天很多人脸识别的公司，估值很高，虽然我无法评价他们的技术多牛，但我发现即使不是从事这个领域的公司，只要有大量的数据，就可以迅速追上甚至赶超那些技术公司。
比如海康威视，它有很多摄像头，它采集到很多真实的人脸。由于这个数据的存在，我觉得他们人脸识别的技术不仅目前已达到，未来也一定在中国是这方面最优秀的公司，没有之一。
因为，数据是人工智能的核心。
二、人工智能+金融的四个最赚钱的领域
在美国，与人工智能结合非常紧密的领域，除了医疗以外就是金融，中国也一样。金融和人工智能的结合，在以下这四个方面会有比较大的突破。但这四个方面优先级的排序，中国与美国是不一样的。
第一，精准营销；
在中国，我们认为排第一的是利用人工智能技术，帮助金融机构做精准营销。
因为做营销离钱最近，见效最快，金融机构愿意为它买单。中国第一家人工智能公司收入过亿的，就是从事这个行业。为了更精准的营销，大的金融机构、银行、保险都乐意为其买单。
但在美国恰恰相反，精准营销和人工智能结合是排在最后的。不是因为我们中国的人工智能技术比美国牛，而是美国对数据的隐私保护要比中国严格。
很多美国公司虽然知道数据加上人工智能，能够达到更好的精准营销效果，但是不敢用。因为消费者会问，我怎么会收到这条邮件呢？你咋知道我有这个需求？碰到一两个较真的消费者，可能会起诉这些大型金融机构滥用消费者的数据。
所以这四个方面，在中国排在第一的精准营销，在美国恰恰排在最后。
第二，风险控制；
我认为这项应用，在美国和中国同等重要，可以排第二位——风险控制。
人工智能在金融机构的风险控制，通俗点说就是抓坏人，机器一定比人脑要厉害多，而且对金融机构来说，见效也一定很快。只要见效快的，他们就愿意买单。
第三，基于人工智能的流程优化；
利用人工智能够帮助金融机构做流程优化。什么叫人工智能帮助金融机构做流程优化？
比如有很多大型金融机构都有后援支持中心，动辄有几千人，甚至上万人。用人工不断处理全国各地搜来的各种单据、票证，比如保险中的医疗健康险，它需要报销，这些都是人工在审核的，这中间骗保的情况肯定是有的。
通过人工智能，就很容易判断出骗保的情况。比如你在这个阶段吃这个药和这个剂量，跟以前的情况对比，数据判断出你是不该吃这个药的。那可能是你老婆在吃这个药，报销到你这来了。
它不仅是及时风控，也能大量的把人工对单据的处理和审核变得更加高效。
第四，智能投顾；
智能投顾是在中国最流行的，但我反而认为它只能排在最后。智能投顾就是人工智能帮你来做资产配置和投资决策。
在美国，智能投顾是离钱最近的，排在第一位，而中国我觉得排在第四位，为什么？
因为中国可供交易的证券品种非常少，只有三千多家上市公司，而且国内很多金融定价是由国家管理的。
比如说，利率国家是管理的，保险费率国家也对上线、下线有所规定。因为价格是被管制的，能通过人工智能算法来提高配置和提高投资能力的空间是非常有限的。
但美国的交易品类远高于中国，金融产品的风险定价又是市场定价，基于这两个大的前提，智能投顾在美国变得非常重要。
而且我已经看到很多这样的公司，见效很快，同样的数据来使用两台机器，一个月以后你对照一下盈亏情况，就知道哪台机器厉害了，再使用三个月就能比出胜负了。
所以这类公司在美国离钱很近，见效也很明显。但是在中国，智能投顾在人工智能和金融领域的结合是排第四位的。
三、为什么有大量的伪人工智能？
今年7、8月份，我在美国花了比较多的时间，跟美国的投资人、创业者以及领域内的专家交流沟通，重点关注了在中国最热的人工智能。
我和我们华人的“人工智能第一人”、原来是斯坦福教授，现在Google人工智能负责人之一李飞飞教授，做了长时间的沟通。
我们两个高度一致认为：今天的人工智能项目当中，存在大量的伪人工智能，比例可能高达90%甚至99%。
为什么我说有伪人工智能存在？
第一，人工智能的人才储备泡沫；
人工智能人才不是一夜之间冒出来的，无论在学校还是工作中，必须真实从事过人工智能的工作。而全世界不过几万家人工智能公司，怎么会突然冒出这么多人才？
从人才角度来说，无论是创建还是参与公司，怎么可能有那么多人具备真正的人工智能优势呢？所以我们觉得存在大量的人才泡沫。
第二，我们看到很多项目真的是穿了个“马甲”又回来了；
我一直在跟创业者说，千万不要给自己的项目“穿马甲”，贴上很多流行的标签，很多项目是流行什么贴什么，现在流行人工智能，所以很多项目贴着这个标签出来了。
拿掉这些标签，这些项目其实很简单，早在阿里巴巴我就看到过，什么叫机器学习，什么是算法。
很多项目只是有一定的算法，或者还只是一个基于机器学习的公司，今天摇身一变就都给自己贴上了人工智能的标签。
四、如何识别伪人工智能？
我问李教授，既然存在90%以上的人工智能项目是伪人工智能项目，那么如何去识别出这些真的人工智能项目，或者是如何识别出一个真的人工智能团队呢？
高手就是高手，他用了一个非常简单的方法，我们先讲一个历史上的故事：
我们看到计算机和人类进行国际象棋比赛，是在很多年前发生的，互有胜负。但是教会计算机下国际象棋，到干掉世界冠军，不低于10年的时间。
Google的“阿尔法狗”从学会围棋，到下赢一个围棋的入门级的初段选手，再到干掉世界冠军，据报道只用了一年时间。
真正判定人工智能的方法非常简单，就是看它算法的进步速度。虽然机器学习也会进步，但人工智能的算法进步是几何级的。
也就是说，一个项目如果隔三个月去看：
人脸识别也好，语音识别也好，包括很多人工智能领域的应用，如果三个月后它在算法上的进步只是代数级，而不是几何级的，那么它更像互联网时代早已有之的普通算法，或者叫机器学习而已，这些都是伪人工智能。
所以，如果我们不太了解过程的话，我们可以从结果来看。人工智能一定是像这次下围棋一样，叫进步神速。
我们得出一个结论：确实存在大量的伪人工智能，去识别伪人工智能时，不仅要识别伪人工智能的项目，还要判断伪人工智能的团队。
五、如何通过降维，突破技术壁垒？
今天流行很多人工智能的技术应用，大部分是直接到了To C的应用，直接面向消费者。其实一个产品和服务，面向消费者是最严格的。
所以我们跟大家分享一个方向：在技术领域的突破，可以先降维用在To B和商业上。
如何理解这一点呢？
比如无人驾驶的汽车上路，对人类安全的影响太大，但是如果无人驾驶技术先降一个维度，用在仓库、码头一定会更快的应用。因为它不会发生人撞人，最多是货撞货，不存在生命安全。
Google公司也不是什么项目都能成功，比如Google眼镜就不是很成功，但我们也看到很多创业公司在用Google眼镜的一些技术做To B的业务。
以前在仓库，我们都用一把扫码枪来扫码，又重、又贵，还容易损坏，而且使用这个枪的时候，手就被占用了。我们看到一些公司在用Google眼镜的技术，只要戴着眼睛看一眼，耳机就会告知扫完条码以后的结果。
其实Google眼镜有很多失败原因，一个最重要的原因就电池的续航时间实在太短，因为Google眼镜电池在眼镜框上，要是增加电池容量，一是太重，二是不安全，如果发生爆炸，就等于拿枪对着脑门，太危险了。
如果降维使用，就把这个最复杂的问题变简单了。公司可以在眼镜框上拖根电线，连接一节电池，再把电池别腰上，想续航多久就续航多久。
所以，当你降维使用的时候，你会发现很多技术壁垒在To C端是门槛，到To B就不重要了。
比如，原来全世界最成功的一家做人工智能手环的公司，现在已经不行了，但是这家公司就做到了降维使用。
既然手环不行，那给猪做一个脚环行不行？来判断一下母猪的发情期，虽然它的精准性用在人体上面真的不太够，但如果降一个维度，用在牲畜身上，那精准度不高就问题不大，风险也会小很多。
包括在美国看到一些无人机，更多是和工业场景的紧密结合，它的技术要比2C简单很多。
通过这些例子想跟大家说，有很多新的技术点、技术应用，直接用到To C的技术可以降一个维度用在To B上，它的商业化推广程度会更高，实用性也会更强。
就好比，不是所有的人都要去登珠穆朗玛峰，但只要你具备登珠穆朗玛峰的能力，即使最终登上的是泰山，一样可以一览众山小。
