一年之前看了李开复老师的《人工智能：李开复谈AI如何重塑个人、商业与社会的未来图谱》这本书，那时恰逢阿尔法狗被媒体炒得沸沸扬扬，当时写了一篇《还不懂什么是人工智能？这篇文章告诉你》的读书笔记。
近一年过去了，人工智能领域也取得了巨大的进展，同时，由于在研究生期间也开始深入接触AI相关技术，对人工智能有了更深刻的理解，那我们就承接上一篇文章，继续谈谈人工智能领域的那些事儿。
一、人工智能发展现状
首先，我们要明白人工智能，机器学习和深度学习的不同概念：人工智能是一类非常广泛的问题，机器学习是解决这类问题的一个重要手段，深度学习则又是机器学习的一个分支。但是，近年来在很多人工智能的问题上，深度学习突破了传统机器学习方法的瓶颈，推动了人工智能领域的快速发展。
其实阿尔法狗也是深度学习方法的一个产物，从阿尔法狗大获全胜开始，如今的人工智能，在短短几年时间里，借助深度学习这一方法，确实颠覆了图像处理，语音识别，语义识别等多个领域的传统算法的设计思路，人工智能对于科研界的影响，正如第一代IPhone对于手机行业的影响。随意查阅各种科研文献，你会发现，仿佛如今的深度学习方法是一剂万能良药，蹭热点也好，真的对自己的学科有帮助也好，反正各种研究领域，都在努力与这种方法进行挂钩。
人工智能并不是凭空出现的，其实深度学习方法早在十几年前就已经被提出来了，但是他的高速发展，还是得益于十几年来摩尔定律下的计算机运算速度的飞速发展、以及互联网普及所积累下的海量数据，这两者都是深度学习方法所能大展手脚的必备前提。
经过近两年的发展，计算机的硬件发展速度出现颓势，而大量明显有用的数据也挖掘得差不多了。目前的人工智能发展，在科研领域，就以上两个方面来说，似乎已经看到了“天花板”，但是，深度学习方法所产生的很多成果，已经达到了可以商用的地步，未来几年，有一个很重要的任务就是消化人工智能近几年飞速发展所带来的成果，即人工智能技术大规模的商用化。一个全新的社会蓝图正在缓缓展开，人工智能的产品会逐渐走入寻常百姓家，引人无限遐想。比如自动驾驶汽车，以及更多现在还想象不到的，会让人震惊的产品。
但是，人工智能的商业化也注定不会那么顺风顺水，就拿图像处理来说，实验室里的很多模型的图像识别正确率已经超越了人类，但是，高的识别率也伴随着巨大的运算量，无形中限制了模型的使用范围，根本无法移植到移动端和嵌入式芯片当中。就算想通过网络传输，较高的带宽占用也让很多用户望而生畏。另一方面，大尺寸的模型也对设备功耗和运行速度带来了巨大的挑战。因此这样的模型距离实用还有一段距离。
一方面，我们开始探索压缩模型的方法，以期在效果不变的前提下用更小的模型来实现，其中，SqueezeNet、Deep Compression等论文都是很好的典范。另一方面，很多大的技术公司依托雄厚的经济实力，开始通过云平台为用户提供服务，把巨量的运算交给大的云平台厂商来承担，如国内各大云厂商提供的云端人脸识别服务，是很多小公司应用人工智能成果的重要途径。
二、人工智能带来的社会变革
1、人工智能来了，我们就没事干了？
有人觉得，未来一切都会由人工智能来干，人只需要享受就可以了。甚至有新闻报道：一男子辞职去健身，以便能等到人工智能大规模普及的那一天享受生活。但是，我觉得，十有八九要让他失望了。
在人类漫长的发展史中，由技术的进步带来的生产力的突飞猛进早已经出现过多次。比如几次工业革命。但自从工业革命以来，日出而作，日落而息的生活节奏就早已经不复存在。当生产能力远远超过消费能力的时候，带来的是普通大众可以免费获得食物和商品吗？不会的。想想第一次经济危机出现的怪相就知道了：资本家宁愿把卖不出去的牛奶倒在河里，也不会给街上饥寒交迫的平民们喝。
同理，马云是中国首富这个大家都知道，论花钱，在他的有生之年，单单靠自己，花完所有的钱是一个不可能完成的任务。但是，你见过他在大街上撒钱吗？
其实这个现象也很好理解：人类本质上是喜欢攀比的生物，幸福感的来源往往并不是我过得有多好，而是我过得比周围人好多少。在人工智能的帮助下，人们会发现可以实现更大的价值。但是也需要有更多的能力与知识来掌控这些改变世界的技术与工具，于是他们只会更加努力。技术进步带来的永远是更大的压力，更长的工作时长。因为你会发现，效率的大增导致这个世界变化得太快了，不管是知识迭代效率，还是这个社会的商业玩法。
作为一个公司，不抢时间，其他人很容易轻易把你替代；作为个人，不拼时间，你也很快会被世界淘汰。
就拿IT行业来说，在IT行业里，过去只有汇编等底层的编程语言，一款软件从策划到推向市场，需要很长时间，但是如今各种框架，语言，都大大提高了编程的效率，按理说，程序员们可以享受更多的空闲时间。但事实是，程序员们却从来没有因为技术的进步而变得轻松，IT行业反而从过去的正常工作制渐渐衍生出了996（早上九点上班，晚上九点下班，一周工作六天）等更加严苛的工作制度。
现实生活中，一个很明显的对比就是农村和城市的生活节奏。城市里拥有更高的生产力和生产效率，但是大家却变得更忙，相反，农村里的居民虽然过得不是那么富足，但是生活节奏却慢了很多。
三、人工智能，会去向何方？
前边已经提到过，目前计算机硬件的发展速度已经出现颓势。我不是计算机的专家，也没有那个能力预测未来人工智能的发展走向。但是，未来与人工智能相关的两个“变数”还是蛮值得我们关注的：
1、量子计算机的发展---颠覆传统计算机的超高速计算机。传统的计算机架构，势必不能满足计算量呈指数增长的深度学习算法。
而目前来看，最能颠覆整个传统计算机，并且取得一定突破的，就是量子计算机了。
量子计算机是由于两个独特的量子现象：叠加和纠缠。量子叠加使量子比特能够同时具有0和1的数值，可进行“同步计算”。量子纠缠则使分处两地的两个量子比特能共享量子态，创造出超叠加效应，而每增加一个量子比特，运算性能就翻一倍。
理论上，300个纠缠量子能进行的并行运算数量，就比宇宙中的原子还要多。
而这种超强的计算能力，仿佛就是为人工智能而生的。对于需要同时探索无数条路径的深度学习和机器学习算法，量子计算能极大地提高速度。也许，在量子计算机发展成熟之时，人类才真正需要担忧毁灭人类的人工智能的出现。
当然，由于量子叠加和纠缠状态极度脆弱，能被环境中的细微扰动所打破，所以，量子计算机的理论还并没有成熟。不过最近也在取得突飞猛进的进展，就在3月19日这天，微软变发布了量子计算领域的重大突破，未来可期。感兴趣的话，可以看这篇文章:微软量子计算重大突破。
2、新的学习算法的出现。现在的AI就像是一个资质不佳的小学生，他需要做成千上万道题，才能真正地学会一个简单的知识。未来的人工智能一定会“天赋”越来越好，数据量越来越少。
比如说迁移学习，让机器学会底层的逻辑，然后冻结底层，通过小数据量进行表层的学习，换句话说，就是让机器学会学习。
当然，目前人工智能界的“吉尼斯纪录”也正在不断被刷新。随着对人工智能方法的不断深入理解，以及其他交叉学科的互相渗透，以后势必会诞生出更好的学习算法，让机器更快，更好地学到“知识”。
3、人类会更加深刻地了解AI。一方面，人工智能方法层出不穷，而另一方面，人工智能的理论基础其实并不是很清晰我们似乎正在经历人工智能的“打制石器时代”，就像原始人制造武器一样，一锤子下去，并不知道武器会以什么样的形状出现，正因为如此，深度学习的人常常调侃自己是“炼丹师”，一切全靠碰运气的调参数。基于此，还有一批人，正在孜孜不倦地破解深度学习的深层密码。
比如，利用反卷积重构图像来探索卷积神经网络到底学到了什么，利用删除神经元的方法来反向推导神经元的哪个地方发挥了作用等等。他们就像两条赛道上的运动员，我更希望打开人工智能黑盒子的速度快于人工智能本身的进步，早日进入人工智能的“磨制石器时代”，因为只有更早了解他的原理，我们才能更好防止其失控。
四、未来，我们需要具备什么能力？
1、专注力。
人工智能，准确的说是互联网已经颠覆了我们的信息输出和获取方式，看看现在的科研。只要你愿意，坐在一台实验室的电脑前，你就可以获得世界上所有顶级期刊和会议的论文。
但是，在另一方面，随着人工智能技术进步所带来的自动化数据生成方式，世界上的数据量还会以难以想象的速度增长，比如人工智能可以自动写稿，写文章，更可怕的是，他还会预测你的兴趣，自动将你感兴趣的内容源源不断地推送给你。
目前这两种技术都已经足够成熟，如果你没有足够的专注力，铺天盖地的信息洪流将会汹涌而来。你将很容易被人工智能带着走，彻底成为被其掌控的奴隶。
2、持续学习能力。
相比于什么人工智能统治世界等人工智能威胁论来说，其实人类最应该担心的是人工智能取代我们的工作。因为在可以预见的未来里，人工智能只是个任劳任怨的机器，只不过他们的某些工作能够比人类做得更好，然而本质来说，他们和现在的自动化机器并没有什么不同。
正是因为如此，他们才是老板眼里最“优秀”的员工。对于人工智能未来是否会取代掉人类的工作，李开复老师曾经提出了一个5秒法则：
一项本来由人从事的工作，如果可以在5秒钟以内能对工作中需要思考和决策的问题作出相应的决定，那么，这项工作就有非常大的可能被人工智能全部或部分取代。也就是说，翻译、新闻报道、助理、保安、销售、客服、交易、会计、司机、家政等工作，未来10年将有约90%被人工智能全部或部分取代，而大部分工作将转变为新的工作形式。
5秒法则中提到的，还是一些不需要太多知识储备的职业。但是，人工智能来势汹汹，怎么能满足于此？更多时候，我们听到医生，律师等需要丰富经验的职业，也渐渐被人工智能所取代。人工智能也在慢慢渗入更多的行业中，让更多的人失业。
所以说，我们没有办法选择自己目前所从事的职业是否会被取代，唯一能做的，就是保持学习的能力，以防被人工智能“兵临城下”取代我们的工作时，被打个措不及防。
快速进化自己，是未来每一个个体所必须的能力。
走过路过，留个赞再走~~~
