李开复：AI 创业的十个真相 | 深度

当年就让我很坚定地认为：机器的构造跟人脑，跟人的思维方式其实是不一样的。我们硬要把A放到B其实是很困难的，就像我们不能逼自己去变成一个深度学习者，去分析事情——我们脑子思维就不是那样的，是不自然的。

用脑科学的方法制造人工智能，是一个未知的领域。未知的东西有它的魅力，你要做研究就要做未知，你要有了突破那就是创新。在学术领域你做每一件事情的衡量标准是：我要做别人从来没做过的东西。我们可以假设脑科学跟未来的 AI 是相关的，我们可以去证明这是或不是。但是从投资的角度来讲，押注的风险就太大了。

当年深度学习也是因为数据的不足，碰到了一些瓶颈。但近年我们看到有好几个特别大的变化：

第一个就是特别大量的数据在某些领域开始产生，而且我觉得我们目前还没有被用完。

第二个就是 GPU 的使用让我们能够更高效地、非常快速地做深度学习。

现在我觉得，所谓的深度学习的果实还远远没有被摘完。人工智能的应用来说百花齐放，一个一个大果实就在你面前。在这种情况下，你还要去种花，何必呢？

我们把 GPU 和海量数据在全世界扫一遍，应该还够我们 VC 界吃个五年，所以从投资的角度这是非常清晰的事情。

再往下走，我觉得我们 AI 肯定不可以是只有深度学习。例如现在还有增强学习的方法，也在被探索。AlphaGo 里面也不是只存在一个方法。所以我觉得学术界其实应该开始帮助和探索更多的可能性，当我们把这两年的粮食吃完之后也许还有更好的机会。

我没有 AI 宗教信仰

当然未来 AI 也可能没有进一步的突破了。

如果没有的话，那就说明 AI 的黄金时代过去了。下面就是物联网或者其他什么的。作为投资机构，我们并没有一种 AI 宗教信仰，我们还是要把控灵活度。

就像移动互联网时代，当时我们应该是在业界最高调的移动互联网 VC。但是随后我们根据情况做了调整。

如果学术界跟产业界有一个合理的分工，我对未来五年投资界和产生价值非常乐观，对于所谓AI的泡沫我认为不会发生。当然有个别的案例会有泡沫，但是我认为能吃的粮食实在是太多了。

学术跟产业它的分工大概是这样：

一方面是一个很天然有机的分工；

另外一方面又是有一点羡慕嫉妒恨在里面。

一般来说学术界是看不起工业界的，但是在某一个时刻突然工业界的一个技术成熟了，在这个技术上学术界就做不到工业界的成就了。于是学术界就被逼的去做新的东西。例如：现在再去做人脸识别，学术界就已经打不过工业界了。所以在人工智能领域，很少见到一个老教授一生只研究一个命题。

AlphaGo 本身没有商业价值

AI 会带给我们什么价值呢？

我想先说说AlphaGo。之所以AlphaGo 如此引人注目，很大程度上是因为我们这样的专家把它讲得太悬。

之前我觉得围棋比国际象棋至少难十年或十五年，但后来结果证明我是过于悲观了。我过于悲观其实有很多理由。我当时认为围棋要比国际象棋难了一个天文数字，但天文数字也是数字。

在AlphaGo之前最好的人工智能棋手达到了业余五段。而AlphaGo 最新的 Master 和职业九段之间的差距，大致相当于职业九段和业余九段的差距。这确实是很大的跳跃。

那为什么会有这样的现象呢？也就是说，为什么下围棋的人工智能进步幅度这么大呢？

（编辑：源码网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!