【戴文渊：人工智能和人类智能是两种不一样的东西】

本篇文章8538字，读完约21分钟

在“人工智能与人类未来”的论坛上，第四范式的创始人兼ceo戴文渊认为人工智能与人类智能之间有很大的误解。 我认为人工智能的未来是达到或超过人的智能的能力。 但是实际上，人工智能和人类智能是两种不同的东西，例如，人和狗都有可能实现“认知(区别)某个个体”的行为，狗有可能比人更能区分个体差异，但人和狗的实现方法一定不同，狗有嗅觉

现场的实录如下所示。

张晓东:大家好。 由于今天的时间关系，我们直奔主题。 我想让每位嘉宾介绍自己一分钟。

孙剑:你好。 我是科技face++的首席科学家孙剑。 我去年夏天参加了这家企业。 去年参加的时候，企业有200多人到今天为止达到了800多人。 这标志着人工智能在过去一年中迅速发展，人工智能真正进入了商业落地的进程。 谢谢你。

山世光:你好。 我是山世光。 来自两个地方，一个中科院计算，在那里做研究员，做智能新闻解决要点实验室的副主任。 过去20年，我从事包括面部识别、智能视觉相关的相关项目。 去年，我和博士一起创办了一家叫中科视拓的企业。 我是共同创始人。 现在也是cto的身份，有机会和大家交流。

戴文渊:你好。 我叫戴文渊。 是第四范式的创始人。 大部分有十几年人工智能行业的工作经验。 一开始我做学术研究。 那时我们老实说什么也做不了。 我只做了学术研究。 感谢整个网络的迅速发展和大数据的迅速发展。 这个时期人工智能可以证明在公司内创造很大的价值。 百度领导的在凤巢机器学习的团队(包括凤巢能提高8倍业绩的团队)为包括中国半数以上最大的10家公司在内的大型国有公司提供服务。 我们其实必须帮助所有公司都有自己生产人工智能的能力，现在坐在台上的是有生产人工智能能力的人，但实际上国有很多人没有这方面的能力，所以我们今天有很大的gap 这些公司没有生产人工智能的能力，所以没有很大的价值。 如果能弥补这一点，就能给中国带来很大的社会价值。 这是第四个范式应该发生的事件。

顾威:你好。 我叫顾威。 我来自同盾科技有限公司。 首先，该盾科技是实际进行智能风控制的这种科技型企业，因为不从事金融业务，所以从事金融业务的这些机构包括银行、金融企业、网络金融。 那是同盾的顾客，同盾现在刚迎来4周年。 在这里，你应该还取得了好成绩。 前几天刚完成c轮融资，其中包括德马希(音)。 他们在国内开了很多金融科技企业。 迄今为止，该盾科学技术是他们投资的唯一企业，现在约有000家客户侧重于为金融行业提供风控服务。 当然，人工智能这一张也真正实行包括信用在内的认可。 信用的催促，包括防止网络诈骗，以后和大家讨论。

张晓东:谢谢你的嘉宾。 杨老师的话很感慨。 30年前去美国留学的时候，电脑里有三个人一组。 一个人做了理论。 另一个在做系统。 包括软件、硬件。 其他小组做ai，做系统的人和做理论的人那时互相鄙视。 但是，他们鄙视做ai的人。 这是30年前，现在的情况完全不同。 现在做理论的人也在研究ai行业的理论问题。 做系统的人，山老师也属于原来的系统。 做系统的人现在做ai的人也像杨老师一样，我想我一天至少接受三个人的邀请。 所以今天我想问问舞台上的嘉宾，大家对社会、ai的理解有错误吗？ 孙老师。

孙剑:误区确实有。 因为通过传播媒体，包括alphago在内，人工智能会让你觉得很快就到了，或者会发生很多事件。 学术界的人认为人工智能还很长，还有很多基本问题没有处理，我认为这也相当正常。

山世光:我也同意孙剑的看法。 一定有误区。 而且，这些误区比如盲人接触的故事，怎么理解呢？ 社会上确实有很多专家、科学家和技术人员做人工智能，但实际上有很多人，或者接近100%的人有ai的不同立场。 例如，做视觉可能基本上不太关注听觉，但做听觉基本上不关注理解自然语言。 现在，这个gap绝对可以提供很多信息表现，但是每个经验都是基于自己过去的一点研究经验和开发经验，所以即使工作人员理解ai也是片面的，像盲人一样，大家都没有全球观念。 因为在这样的时刻没有人能把所有的事件都弄清楚。 有可能把alphago的技术泛化到其他问题，计算机视觉的人无意识地把自己在这个行业的进步泛化到其他行业等，这引起了很多误解。

戴文渊:其实我认为这个误区大多来自高估和低估。 我举个例子，刚创业的时候，那时是年，那时alphago不在。 我对很多人说“人工智能”。 他们说人工智能我没兴趣。 我们在百度上使用人工智能技术给企业提供了8倍的利润，他说你撒谎了吗？ 是谎言吧？ 今天不一样，我还没去，他们可能对人工智能感兴趣。 我说八倍的时候，他说这个不够，更多了。 以前我们对这个事件太悲观了，现在又感到乐观，人工智能感觉可以全方位远远超过人，甚至最多的问题之一是我以后能不能失业。 另一方面，我想还有一个很大的误解。 也就是说，大家在人工智能和人类智能之间建立一个联系。 我认为人工智能的未来是达到或超过人的智能的能力。 但实际上，我认为人工智能和人类智能是两种不同的东西。 让我再举一个例子。 例如，人认知一个身体的方法和狗认知一个身体的方法不同。 人认知人的能力强还是狗认知人的能力强？ 其实，狗对人类的认知能力可能更强。 同样，人脑工作的原理和机器大脑工作的原理不同，是因为这两个是不同的物种，每个物种都以他更擅长的方法工作。 今天我们制造人工智能的时候，完全利用的是什么？ 某个大脑在这个大脑的计算能力特别强，记忆特别快的时候，是如何产生智能的呢？ 方法和原理其实与人的摘要、抽象、摘要不同，今天不能详细展开。 有机会的话，其实我们可以在这个话题上进行更详细的讨论。

顾威:现在大家都说人工智能，又上次我们和盾科技创始人蒋韬开会时，让主持人为难他，现在个人说人工智能，所以蒋韬羞于谈我们真正的金融科技人工智能 但毕竟是趋势，所以我认为真理总是有过程的。 人工智能的未来就像互联网，互联网在当时90年代末期，被认为对此有疑问，理解上有错误，至今为止，产生了bat这样的巨头们。 我相信未来5-10年这里的公司会有未来人工智能的bat。 感谢

张晓东:上周南大的周志华周老师和计算高老师两个人在微博上交流，说人工智能这几年的革命是因为什么？ 许多认识是人工智能的革命，是由于计算能力的提高和数据。 周老师表示了不同的意见，说算法实际上对这几年的提高也为人工智能做出了巨大的贡献。 我想听讲台上的几个嘉宾，为了展示大家坚定的角度，你们只能选择一个角度。 你选哪个？

孙剑:我的角度和周老师一样。 其实有计算能力，大数据，所以看我们研究的很多问题，其实小数据，计算能力不大的时候也可以研究。 过去的这些算法不是一个点，这个算法有很多点。 重要的一点合计可能超过10分。 这些点加起来是十几年前、二十年前、深度、人工智能或人工智能。 今天，通过许多努力，特别是各种优化算法的改进，大部分数据都可以表现出来，并且可以做到了。 今天还有很多小数据在研究改进算法，大数据是怎么验证的？ 我觉得算法比较根本。

山世光:我不知道后面两个人站在哪一边，但站在孙先生的另一边，越来越多的人认为算法很重要。 我也觉得算法非常重要，但在舞台上我想站在另一边。 这样可以有越来越多的立场。 20世纪80年代后期，那个时代出现了人工神经网络、多层神经网络，以及现在在计算机视觉整体、语音识别等行业带来了最大性能提高的卷积神经网络。 卷积神经网络于1998年正式命名为yann lecun教授的复印件，实际上更早，1989年将其用于数字识别。 回溯到1980年左右，如果日本学者kunihiko·fukushima提出了认知神经机这个神经网络的方法，本质上是一样的，1980年代末期已经说明了多层神经网络，深度 我们现在做的很多工作是这样一个有点接近许多复杂的非线性函数的问题。 所以这么说吧，1980年代，90年代，绑定方法其实和现在很像。 到了年，虽然增加层数在增加，但确实有很多优化等在进行。 但是，如果假设1980年代末期没有大量的数据和现在的计算能力，那时有现在的计算能力的话，这个进步可能就发生在那时。 包括大数据、算法和计算能力。 为什么在20世纪80年代是不可能的？ 那时的计算能力如果做现在的计算模型的话，我想至少是一年的时间。 现在去深度学习，加上gpu的服务器，现在很多东西可能还需要至少三四天，长的要一个月。 那个年代的计算能力如果进行这样的训练，真的一年也不可能，一个算法的开发，一个技术的出现，一年前跑，一年后看结果。 如果结果好的话就没有问题。 结果不好又要重新调整是不可能的。 所以，计算能力的提高是一个，不像现在这样好。 东风，汽油，我想重点是。 东风是一台高性能的电脑，汽油是大数据。 所以，我认为这一回合的进步真的很重要，我们制定算法的人必须感谢制定系统的人。 另外，感谢互联网和物品互联网等新基础设施的出现，我们有很大的数据。

戴文渊:我的想法是，这些都很重要，但实际上什么样的事件现在最重要？ 很多时候，什么样的不太引人注目的地方现在是最重要的。 比如，我觉得数据很重要，其实我自己最关注数据是在10年前。 十年前做ai没有数据，我们做不到。 然后去网上，拿着数据，2008，2009年关注计算能力，像bat这样的企业有钱，能买机器，不能做bat。 到了bat我就做算法。 你做什么算法？ 其实不是过去的算法的问题，过去的算法不能随着数据量的增加而提高效果，为了随着数据量的增加制作更有效的算法，直到今天这些都备受关注。 我们有很大的感情。 例如，我们现在致力于架构。 体系结构现在是很多人忽略的问题。 很多人认为做ai是做算法。 我想算法结束后，让程序员实现它就行了。 但实际上非常不同。 这涉及太专业的问题，让我举个例子。 创办企业吧。 一个人管理十万人是同样的管理方法吗？ 管理一台身体、十台机器、一百台机器、一万台机器的方法都不同，同样管理一台机器、十台机器、一百台机器、一万台机器都不一样。 我们创业时民居没有管理水平，每两个人都可以互相证明，但企业几百人的时候，每两个人都可以互相说话就完了，而且百人找一个身体说话，那身体就会崩溃。 所以为什么有报告体系，层次结构？ 因为需要更好的机制。 其实电脑也一样。 计算机不是水平扩展。 那是我们伟大的构想，需要好的架构，而不是真正的水平扩展。 这个体系结构你可以花这么多计算力。 我觉得金额在这个阶段业绩被忽视了。 很多系统、很多应用程序最后没能做好是因为在这个地方做得不好。

张晓东:你的角度是什么？ 如果你有选择呢？

戴文渊:我的角度和你说的三个都不一样。

顾威:我的角度其实我同意数据和计算力是第一要素，在计算力方面，其实刚才孙总已经说过了。 我举个例子，因为他有这么大的数据，我们的算法，其实现在很多算法在当时也存在，很多年前就存在了。 这是模型开发，在跑和跑这些算法的时候，由于当时的计算能力，时间非常长，可能根本出不去。 这是一方。 另一个是模型的部署过程。 那是模型开发的过程，开发很长一段时间你都有模型的引进过程。 例如，以前美国的fico有一个模式，叫卡和信用卡交易，但实际上是神经网络的模式，为了保证实时计算，做了很大的工作。 因为当时的宣传价格非常高，小的也坐不上，所以只能去大的云服务、大的机构。 我们中国在这个街区基本上是空白色的，但现在不一样了。 因为有计算能力，所以我们的开发需要比较短的时间。 我们的配置也满足了实时的要求。 这是计算能力的提高。

第二个是数据。 现在很多人都在线了。 手机可以方便地申请贷款，包括金融应用程序在线。 手机提交的时间里包含了手机相关对应行动的数据。 有了这些数据，不是可以看到以前传来的消息，而是可以建立更多的模型。 随着越来越多的数据和这些计算能力的提高，新算法、新模型也得到了更好的应用。 所以张老师，我的看法还是站在数据和计算能力的一面。

张晓东:如果周老师能来的话，很多还是站在他的队伍里。 今天是经济学家的会议，我们来谈谈经济吧。 杨老师也刚说了。 我和杨老师差不多。 我们经历了两次人工智能的起伏。 这次人工智能，首先从融资规模来看，我们智囊团做了很多研究，所以从融资规模来看，有几个企业溶解了大量的钱，孙剑企业也溶解了大量的钱吧？ 上次在微软院委员会也大家谈过，沈向洋问了同样的问题。 第一，有资金风险的问题吗？ 第二，大量的资本注入意味着泡沫吗？ 这个想让孙老师先说，钱少的可以挑战。

孙剑:上两次人工智能泡沫，这次是不是泡沫，最大的区别是这次商业化的进程落地比上两次非常牢固。 我们看科学技术融通了很多钱不是因为更深的战术布局和深度投资迅速发展，而是因为计算能力非常重要，依赖于更大的计算能力。 最大的区别是业务非常好，这笔钱第一是用于战术的迅速发展，所以我觉得这次真的和以前不一样了。

张晓东:让我插一句。 其实不是人工智能这个领域，所以在整个中国的大环境下，其实我们经历了几次。 比如，两年前共有滴滴打车这个领域，最近共有自行车这个领域，最初也有大规模的资金介入，然后马上合并，同质化。 因为他们在竞争。 所以，我想让孙老师说得更详细。 比如，你们和你们同事的竞争对手融化了很多钱，那天沈向洋开了个玩笑。 将来这个领域会向哪个方向迅速发展？

孙剑:计算机视觉这一领域与自然语音解决不同，语音识别其实是单一的，但计算机是多样性的，图像识别只是其中之一。 运动、感情、各种应用、新的iphonex手机解锁之类的应用等各种平台上的应用。 所以，我认为计算机视觉行业有一点创业企业，与水滴和共享自行车这样的以单一目的非常确保一贯性的同质竞争不同。 我想那个运用的场景山世光也会共享，其实因为我们有很多东西不同。

山世光:我非常同意孙剑的意见。 ai这个行业与其他共享自行车和滴滴相比，其区别是碎片化特别严重，碎片化不是诉求特别的标准，不是说我做了什么之后，其他的东西很快就能赶上。 在计算机的视觉中，即使细分到面部识别这个行业，也真的有很多可能性。 我们看起来像脸部识别的技术，但如果把场景细分的话，有10多种不同的场景。 每个场景都可能需要累积不同的数据，也可能相应地改变算法。

让我再举一个例子。 更广泛地谈论计算机视觉。 为什么现在还存在这么多企业？ 因为指控真的是多种多样的，所以所有的指控来了之后，大家都需要跳到数据上。 一个人做数据，一个人做算法，训练后配置的过程相对没有标准化，一个人的产品不一定能做到，其他的很快就能赶上。

最近经常举个例子，我们有顾客，他们制造巡逻机器人，在小区里巡逻，认为业主和房地产几乎没用。 但是，他们认为有些东西很有用。 这个巡逻机器人能否监视狗屎。 小区里狗和猫拉屎后，他们不能马上打扫。 对业主来说不舒服，他们很不高兴。 这个事件显然没有现成的，很多企业都可以，但是需要很长期地收集数据，然后调整算法。 这个过程有多快，特别是顺利也需要3个月到半年的时间。 这很奇怪。 今天是屎，明天是塑料瓶，后天是白菜帮忙还是垃圾袋。 如果我们各花半年时间做，你能计算出这一千个世界上所有的东西，六个月有多长时间吗？ 这个方法现在也被限制在我们的技术开发水平上，所以我们的技术开发周期很长。 大家没办法，可能需要很多人，碎片化很严重，所以至少在短期内没有出现特别强的工具之前，很多人可能需要这样做。

刚才杨老师也分享了，很多人可能认为我们的企业是面部识别的企业。 我们叫视拓。 这个“拓”也有展开的意思。 我们的方向之一是面向计算机视觉行业的ai开发平台。 这个平台被称为trainng as a service，是一个愚蠢的照相机式算法开发平台，客户希望有他们的数据，用我们的平台，拿出他们想要的东西。 那样的话，我们ai的这个普及可能会进一步加快。 这可能变成了完全不同的课程。 不是纯粹的计算机视觉技术，服务企业的课程。

戴文渊:其实我一直不想谈资金的问题。 我们队也不少，包括我们在企业里，我也不想纯粹谈论这个问题。 这没有意义。 我们不是在做自行车。 如果第四种模式是制造自行车的企业，我们每天讨论的问题是我们有多少钱。 这表明你得到的钱比竞争对手多。 但是，ai企业不能说账本上的现金竞争力最高，融资也同样重要。 在我看来，ai企业比融资额更重要的是你拿谁的钱，怎么取钱。 事实上，ai现在是to b的事件，to c是非常残酷的竞争，to b最后获得了更快的增长，非常重要的是你如何整合资源。 这时，其实不是你有多少钱的问题，而是如何与谁的钱整合资源是一个方面。

另一方面，现在经常谈论泡沫。 现在我们ai企业拿到的所有钱都远远低于我们每年在领域创造的价值，我认为不是一两位数的问题。 我们随便服务一点我们顾客创造的利润，少则几亿，多则几百亿，这些与我们现在融合的钱，和我们的评价值相比真的没什么大不了的。 所以从整个领域来看，我认为应该多说话而不是泡沫的问题。 当然，永远出现一个企业，在任何领域。 看企业会起泡或破产。 但是，从这个领域来看，完全没有泡沫，我想还有2、3位数要上升。

顾威:其实，我真的赞同刚才戴综述的意思。 因为以前就有报告称，以前传达的数据观察服务会带来10倍以上的收益率。 我们以前传递的数据被算例左右，被算法左右。 现在有人工智能，我们来谈谈在这些要素已经具备的条件下，真的有可能达到几倍的水平。 从资本市场来说，我想看这个，说明这整体是一个大趋势。 正如我刚才所说，正因为有这种大趋势，我们也非常看好人工智能在所有行业的迅速发展。 我们的盾牌聚焦于金融业的迅速发展，在人工智能的各个领域，我们希望我们的将来会出现更大的大型企业，做出更好、更多的贡献。

张晓东:我想下次把时间交给台下的观众。 如果有人有问题的话，可以问舞台上的嘉宾。

问题: ibm有一个叫watson的机器人。 例如，如果把机器人放在医院检查患者，医生会被替代吗？

孙剑:医疗非常多，杂乱，而且很长，所以短期内应该会被替代。

山世光:我没想到可能会取代。 现在医疗有很多专科，有很多科室，被细分。 这是很多医生的经验，和大量的数据如何才能形成非常好的诊疗手段，或者是一点的诊疗过程，这背后可能需要太多的时间。 现在在拷贝这个层面，理解这个层面，关于越来越多的其他一点立场，可能还非常少。

戴文渊:医疗行业我的观点是，从技术角度来说，其实超过医生是完全没有问题的。 请注意上个月14日发表了瑞金医院文芳阁和前糖尿病人的诊断模型。 我们做出了判断。 可以比已经最好的糖尿病行业专家提高2~3倍的诊断精度。 这一点完全没有问题。

另一方面，与无人车问题相同，技术上完全没有问题，但宣传时让机器人看病是个大问题。 就像无人驾驶车一样，从某种角度来看，人类的驾驶安全性似乎提高了很多。 但是，如果全世界的车都是企业开的话，你觉得每天会撞死多少人？ 同样，如果全世界的医生都是一家企业提供的，这家企业每天必须治疗多少人？ 这也是没办法的结果。 所以在技术立场上没有任何问题，但是在宣传的立场上整个秩序有可能被重建，所以将来的医疗秩序会怎么样呢？ 这是我不能评论的，需要产业界，包括国家层面要重新考虑。

顾威:我觉得总是说的我很赞同。 技术上应该没有问题。 我一定在板上钉钉子。 我有这个能力。 包括诊断在内，前几天某企业也在介绍。 他们所谓的智能医疗诊断系统在收集了相关的这些新闻数据后，有些模型有助于你的诊断。 这个诊断可以带很多新医生，特别是没有经验的医生帮助他正确诊断。 另外，即使你是有经验的医生，他也可以帮助你迅速诊断。 这个现在已经做了。 所以，总体来说，如果发展得更快，那就是如何在人与机器之间更好的结合问题上，包含一点顾客体验。 总体来说，这种趋势是毫无疑问的。

山世光:我想补充一下，我个人不太赞同技术上完全没有问题的结论。 现在还是个大问题。 从刚才医疗这个事件来看，这几年有很大的进展。 这里面有很多问题。 现在的算法是否真的能处理。 我想还不是板上钉钉的事件。 检查还需要时间。

戴文渊:我们在具体场景中可能不太一样，但可能会出现一点行业。 技术上还有一定的问题。 这些行业是患者特别少的行业，我注意到数据量不足。 当然，这是时间的问题。 在很多患者足够多的场景中，现在技术上没有问题。 除了我的想法，前面的限制条件是这样的。

孙剑:我能理解为什么人工智能有那么多误解，大家有很多看法。

张晓东:我知道舞台嘉宾也还有意义。 一定台下的观众也有越来越多的问题，但时间有限。 后面有更棒的文案。 谢谢您的光临。 网上也谢谢你。 我希望向大家传达信息的机会增加。 谢谢你。

【大咖啡馆的视点】

普雷斯科特:国民经济计算必须把名义变成实际价值

李黎:我相信创新是经济快速发展的持续动力

姜建清:金融科技不渴望金融功能的本质

米歇尔·沃克:全球量化宽松是非常昂贵的货币政策

徐井宏:公司只有关于科学技术的迅速发展才能有未来

李稻葵:新时期新理念的根本是风险防范