卫哲：选择在哪些领域创业，才不会被BAT吃掉？

一、为什么说有「伪」 人工智能 存在？

第一，我们看一下人工智能的「人才储备」。

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，他必须、确实从事过人工智能的工作。其实这样的人才全世界不过几百个。但全世界有几万家人工智能公司，怎么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，怎么可能具备真正人工智能的优势呢？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，流行什么贴什么，流行人工智能很多项目贴着标签来的。

贴标签之前这些项目挺简单的，早在阿里巴巴我们就看到过，什么叫机器学习，什么是算法。很多只是有一定算法的，或者还是基于机器学习的公司，今天摇身一变都给自己贴上了人工智能的标签。

二、如何识别「真人工智能」？

我跟李教授说，我不是技术专家，我也不懂技术，请问有没有比较简单的方法来识别真的人工智能和伪人工智能？

高手就是高手，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的比赛，是在很多年前发生的，互有胜负。但是从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下面的「 阿尔法狗 」、这个人工智能的机器，从学会，到下赢一个围棋的入门级的初段选手，到干掉世界冠军，据报道只用了1年时间。

所以真正人工智能判定方法非常简单，看他算法的进步速度。机器学习也会进步，那么人工智能的算法进步是几何级的。

也就是说一个人工智能领域的项目，如果你隔3个月去看，它在算法上比如说人脸识别也好、语音识别也好，它的进步是代数级，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，都是伪人工智能。

所以，如果我们不太了解过程的话，就从结果来看。人工智能一定是像这次下围棋一样，「进步神速」。

这是我们第一个结论。存在大量的伪人工智能，和如何去识别伪人工智能，不仅要识别伪人工智能的项目，还要可以判断伪人工智能的团队。

三、做人工智能最重要的，不是技术？

第二个结论，人工智能的技术，如果把它比喻一把刀的话，那么massive refreshing data（大量海量且实时更新的数据），就是那把刀的磨刀石。

也就意味着，人工智能技术重要但不是最重要。这把刀一开始有多锋利，不是决定性的。一把锋利的刀不一直不磨，而一把不太锋利的刀一直在磨，那很快那把不锋利的刀就会超过那把锋利的刀。

Deepmind团队中，就是阿尔法狗的团队中，高级的华人工程师挺多的。见到他们，我问了个问题：你们怎么不立志搞一次中国象棋？

他说，David，这个不是说我们愿做不愿意做的问题。我们的围棋项目，还不得不感谢感谢日本人。日本人过去几百年几乎所有的棋谱都在，而且保留围棋的棋谱也特简单。只要一张纸，黑的白的，上面标好号码就行了：这是第1手，这是第200手。

所以，它其实一张图就记录了整个围棋下的阶段，所以复盘也特别容易。围棋几百年来的棋谱都存在，也就意味着围棋的数据特别齐全。

咱中国象棋老祖宗留下了什么？叫残局。它怎么走到残局呢？不知道，没有数据。

如果你把残局喂给机器，它怎么学习？他要学习的是我如何走到残局，以及如何从残局走到终局。由于中国象棋的历史数据缺失，造成这么生猛的阿尔法狗机器在中国象棋领域就go不下去了。

这就是意味着数据对人工智能有多重要。离开数据，谈人工智能是没有意义的。

四、下一位人工智能新独角兽在哪？

在哪些领域，人工智能可以跑出来独立的公司、独立的平台？

如果在美国你要用的数据，大部分或者全部由Google、Facebook、亚马逊所掌握，那磨刀石在别人手上。今天你的技术再领先，也维持不了多久。

我们看到很多这样的技术公司，唯一出路就是卖给美国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，都是为BAT所掌握。那最终这个磨刀石也不在你手里，你也没有太大机会。你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、亚马逊也没有数据，中国BAT也没有数据呢？这种领域有没有？答案是有。

比如说医疗数据，BAT也没有；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；可能还有一些其他的领域。

那么就以这两个领域来说，和人工智能结合，至少不管这把刀是不是很锋利，找数据源或者找磨刀石的起步，你和大公司是平等的。那就有可能在医疗、金融等领域，你和人工智能的结合跑出大公司来。

我们就拿 医疗 说，美国FDA已经批准人工智能读很多片子。我们觉得一个医生一辈子读10万张X光片或者CT片子就很厉害了，但这个片子拍完以后，他完全基于自己的经验和知识来判断。他判断得先有积累。

但这个事对机器来说，对人工智能来说太简单了。就是图像和打完标签的图像，同时要结合这个标签打完的图像和最终诊断的病例，做一个闭环的学习过程。

所以机器1个小时可以学10万张片子；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10万张片子。但机器可以1小时读10万张片子。

但同时，由于美国对隐私的很多保护，很多医院的数据，在美国并不能轻易开放给这些人工智能公司。

我们看到一个趋势，很多从事医疗行业的公司开始寻找中国的合作伙伴，因为中国人口同样众多，隐私的保护却没有那么严格，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。我无法评价他们技术多牛。但我突然发现不是从事这个领域的公司，只要有大量的数据，迅速可以追上或者赶超，有在A股上市的。

比如：海康威视，这么多摄像头，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达到，未来一定在中国这方面最优秀的公司，没有之一。

数据，无论说到人脸还是医疗都非常重要。

---

【2017亿欧创新者年会暨第三届创新奖颁奖盛典】将于12月13日-14日在北京中国大饭店举行。来自全球的100+名国内外顶级大咖、300+家主流媒体、4000名合作伙伴与行业精英共同参会，共话产业创新的未来与发展。邀您共同参与！

猛戳链接查看活动详情： http://www.iyiou.com/post/ad/id/420