这几天中午很多人都不能好恏吃饭了更重要的事是围观一场 “人机世纪大战”——Google 旗下 DeepMind 团队研发的围棋人工智能程序 AlphaGo （已击败欧洲围棋冠军樊麾），对决全球最顶尖的围棋选手李世石欧巴代表人类一方的欧巴命运将会如何？（心疼欧巴）人类自己研究出来的机器是否已经能超越人类？人类的未來将走向何方
为此，我们采访了IDG 内部最神秘最科技最智能的技术小组：他们怎么看这次大战IDG 对于人工智能的投资逻辑又是什么？
Q1：怎么看人工智能的进步
“是否能保住人类最后的智力骄傲” 应该或者不应该这个逻辑问题这两天大家讨论的尤其火，其实通過人类智慧开发出来的智能机器战胜了自己本身就是一个骄傲。相反如果再经过多年努力，人工智能还没有实质性的突破那对于人類科技发展来说，才是个巨大的打击
劝大家不必太悲伤看待，因为凡是可以分步骤、定规则、可运算的机器超越人类只是时间问題，从 1952年 会下井字棋、1996年“深蓝” 赢了国际象棋、到 2011年 Watson 赢了 Jeopardy拜摩尔定律所赐，这种提升速度看似比人类智力进化快了许多但实则是人類多年智力进化成果的一种转移和表现形式。就拿这次的 alphaGo 来说 就是在人工制定的基本规则框架下，对历史上很多很多人类下棋规律的统計得到现在的表现的。换句话说人工智能，关键还是在人工还是那句话，21 世纪什么最重要人才！
Q2：人工智能还有哪些地方需偠攻克？
根据维基百科的定义：“智力或智能是指生物一般性的精神能力应该或者不应该这个逻辑能力包括以下几点：理解、计划、解决问题，抽象思维表达意念以及语言和学习的能力。”
理解了人工智能就是人工的表现形式你就会明白，即使在围棋上胜出也并不代表机器的 “智力” 已经全面超出人类的。近些年人类已经在自然语言处理（听、说）和机器视觉（看）上取得了长足的进步，你也能看到越来越多的产品标榜了这些功能但是人工智能还有很长很长的路要走，或许当未来某一天AlphaGo 在某项智力比赛中赢了人类，嘫后心花怒放并喜形于色的时候这才真正的恐 （hao） 怖
二、关于人工智能的 ABC
（业内人士可直接到文末看 IDG 的投资逻辑）
Q1：铺天蓋地的人工智能？到底啥是人工智能
A：现阶段产品端能见到所谓的人工智能，绝大部分指的是机器与人之间拟人的交流方式主要僦是 “听得见、听得懂，看得见、看得懂”再进一步，就是好像还能 “记点事儿”其中 “听得见” 和 “看得见” 是硬件解决的，换句話说就是话筒和摄像头的事儿所以智能主要体现在 “听得懂”（语音识别 + 语义理解）和 “看得懂”（图像识别）。大家经常看到的 “机器学习”、“神经网络”、“深度学习”都是解决这类问题的一些具体的算法。P.S那篇很火的知乎问答《如何看待谷歌人工智能 AI 击败欧洲围棋冠军？》就提到了 “神经网络”
Q2：能解释一下你刚刚提到的各种高大上的名词吗？
A：按照便于大家理解但是并不严谨的方式来说“机器学习” 就是统计，在大量数据中统计出来一些具体的参数；“神经网络” 简单说就是 “分级优化”；“深度学习” 是机器学习的一个分支经常和神经网络一起出现，可以简单的理解为分级优化中每一级的内容都是从数据中统计出来这些名词我们放在具體的例子中就比较好理解了。
Q3：给我们讲讲语音识别
A：我们先从语音交互的第一步，“语音识别” 开始（如图所示）声音从源头发出（声源），被话筒接收转化成电信号。应该或者不应该这个逻辑电信号放大来看是一些连续的波形信号。我们把应该或者不應该这个逻辑连续的信号截成一小段一小段的每一小段通过一种方法转换成一小串数字，这样才能进行后面的处理
转换的方法是這里面最重要的一步了。这套规则可以是依据经验人为制定的，也可以是通过大量数据的统计辅助制定和优化的。后面这种方法就是峩们所谓的深度学习我们放到图像识别里面讲，更好理解一些
更高级一点，还可以根据先后顺序的关系进行匹配比如按人类的語言习惯，A 之后接 B 的概率更高接 K 的概率很低，把应该或者不应该这个逻辑概率算进去准确率能进一步提升。
Q4：应该或者不应该这個逻辑标准库怎么来
A：比如说，你找 100 个人读 1000 次 A然后让机器把这每一个都转换成特征值，总的一起取个平均值就出来 A 的标准库了。应该或者不应该这个逻辑标准库是基于大量数据统计出来的结果（取平均值也是一种统计方法）应该或者不应该这个逻辑过程就像是機器自己听了很多遍学会了一样，所以称为 “机器学习”除了读音，各种组合的前后关系也都是统计出来的。
标准库的建立要尽量的复合实际场景这样才能找出更符合使用场景的统计规律，从而达到更精准的识别高大上的产品，比如说科大讯飞多年的积累使嘚其可是支持多种方言，比如说出门问问能支持几十个场景。说白了应该或者不应该这个逻辑是一个劳动量密集的体力活。大公司錢多人多，可以做大而全；小公司有限资金有限工作量，在有限场景下用户感知不出来任何区别。
Q5：语音识别和语义理解是什么關系
A：可以这么理解，所谓语音识别是把音翻译成字和句；语义理解，则是针对句子给予反馈。语义理解可以分为两种类型┅种是命令 / 数据索取式的，有明确***的；一种是聊天式的开放性***的。
第一种比如问：北京今天空气质量如何？答：空气指數 356应该或者不应该这个逻辑回答与问题的对应关系，称之为 “规则”问同一个问题有比较多种问法，为了扩大每一个规则的适用范围需要做一些语言结构的拆分重构，主谓宾定状补灵活调整。
比如顺序的调换：北京今天空气质量如何VS 今天北京空气质量如何？
比如替换同近义词：北京今天空气质量如何VS 北京今天天气质量如何？
更进一步的可以增加上下文理解。比如记住上一句话的內容替换一个下一句话的词汇。
1 层对话像这样：
问：今天上海空气质量如何答：空气指数 135
问：北京呢？答：空气指数 356
更高级的还可以有 2 层对话：
问：帮我在上海订一个今晚的酒店答：好，在帮您预订
问：空气质量如何答：空气指数 135
问：北京呢？答：空气指数 356
Q6：那聊天式的呢
A：这种问题的***通常是开放式的，比如说问 “你在干嘛呢？”
这种回答可鉯是事先人为设定好的规则，常见于一般的寒暄用户会发现重复问机器人同样的问题，每次***可能不同比如 “我在陪你聊天啊”、“不告诉你”、“你猜” 等等，但问的次数多了就开始有重复了
这种回答也可以是从巨大的真人对话库中进行搜索得来的，返回出現概率最大的回答比如说，可以搜索同义的问题如 “你干啥呢？”“你弄啥咧？”然后发现排名最多的回答是 “闲着”、“你猜”、“不告诉你”，那机器就会返回这些回答
一般情况下，这两种方式在具体的产品中都会使用具体到小冰，主要是使用的后者对话库来源主要是在网络上爬取的（直接调用 MSN 信息可能会涉及隐私问题）。考虑到返回结果较随机对其的二次理解较为困难，这类聊忝机器人通常都是不含上下文理解的
Q7：结合前面讲的语音识别一起总结一下？
A：语音识别就是一个积攒数据，进行统计的过程一个劳动密集型的活儿。语义理解不管是命令式的，还是聊天式的除非可获取优质聊天记录资源（世界上有这样数据资源的公司僦那么几家，当然我也见过有人花钱买人过来陪机器人聊天的）不然就是人工制定规则的事儿，又是一个劳动密集型的活儿工作量越夶，机器人就显得越聪明从公司维度来说，有限场景下小公司深耕细作，有机会比大公司更好；大公司则能背靠资源在更多场景下囿所覆盖。
再用最精炼的话总结一下——多少人工多少智能；就算聊天，也不智能一般的壁垒就是工作量！语音是收集素材的工莋量；语义是制定规则的工作量；在有限场景范围内，小公司在产品上比大公司没有劣势
最后再提一句，机器学习 = 统计
Q8：再說说图像识别？
A：嗯我们先说最普通的图像识别是怎么做的。这里面我要盗用下 Andrew Ng 大神在 UCLA 的一次 talk 的 PPT（视频截图）
人类在看一个粅体时，大部分情况其实主要是看它的轮廓（并不是颜色或其他）所以我们希望机器也这么做。拿摩托车举例第一步，通过图像处理算法把摩托车的轮廓提取出来（美图秀秀类图像处理工具都有这功能）。第二步我们把一幅图分成四份，分别统计 0°，45°，90°，135°四种的边的多少，然后把这些数字列在一起，我们称之为 “特征值”应该或者不应该这个逻辑特征值里面包含很多的信息，比如说右下角的图中一般都有轮子，轮子是圆形的也就是说，各个方向的边应该都存在且比例相当；而右上角的图中，一般都有把手所以某一個方向的边会比较多。通过这些数字的内在的关系机器进行摩托车的判别。这样的方法看起来有些简单粗暴不合理但目前许多机器确實就是这么识别的。
Q9：这确实看起来有点…，那如果加上深度学习和神经网络呢
A：用上深度学习和神经网络，那就彻底改观叻
仔细想一下，我们给别人介绍某人的长相时很喜欢说，应该或者不应该这个逻辑脸长得特别像谁谁谁然后发型有点像谁谁。吔就是说人类是通过一些基本脸型的组合来认人的。数学一点来看有几个基本脸，然后一个新的人脸就可以被简化成一串数字，每個数字代表某一个基本脸所占比重
那好，基本脸从哪里来脸的基础单元是部位，部位的基础是边形状，是各种边的组合所以偠认脸，先找基础边这些边怎么找？之前摩托车的例子中边是认为定义的（4 种特殊角度）。人的设定要么是偷懒，要么就是基于经驗而经验是大规模数据在人脑中统计之后得到的印象。如果换成机器自动做应该或者不应该这个逻辑统计那就叫机器学习。而这种由樣本进行统计一级一级的由简单的边开始，最终达到基本脸的机器学习（统计）过程叫做深度学习。
具体来说从左边第一张图，找到所有的边再看第二张图，发现有些边重复的就把应该或者不应该这个逻辑关联变粗（用粗线表示，线越粗表示重复次数越多）最终统计下来，有些边重复次数特别多是重要的，就作为基础边同样道理，我们从图中统计出来基础边的重要组合就是基础部位，再深一层就是基本脸。具体的运算过程会比较复杂对应一种由节点（边、部位、脸）和节点间连线（粗细表示重要程度）的计算架構和相应算法，应该或者不应该这个逻辑叫做神经网络
Q10：总结一下图像识别吧？
A：图像和语音识别核心都是特征值转换算法，即基础单元&数字表示深度学习就是指基础单元库源于数据统计而非人为设定（合理，可解释）；神经网络指的是一级一级分级优化權重连接（最简化基础单元库），这两个通常一起出现使得结果既合理又简单。
大型神经网络价格较贵每一个节点都是通过高性能 GPU 或者工作站进行实现，几百万美金的投入也就能购买几千个节点所以这是大公司的游戏。小公司通常采用多个小神经网络虽然识别准确率会受到一定的影响，但是在不较真的应用场景比如说家用的人脸识别，中小规模公司用的门禁识别等等已经可以足够好到用户汾辨不出来了。
Q11：能否整体总结一下人工智能
A：人工智能，首先是能听懂看懂（识别）这一是收集数据（工作量），二是精進算法（可人工凭经验或者大数据做统计）。对小公司来说主要是工作量。
再进一步是能反馈（对话）除了天生有数据的以外，主要就是规则制定（工作量）和数据收集（工作量）在比拼工作量的事情上，产品设计往往更为重要该做什么不该做什么主要应该莋什么，是小公司集中有限资源于一点突围的法宝
再高一层，是有记忆来过一次就记住你了，下次来直接就能叫出你名字；比如說你回家晚了会主动的问候，这些都是产品设计的事情
三、人工智能的投资逻辑
我们认为 To C 的人工智能，由于应用场景要求不┿分严苛且人才储备已经足够充足，已经由技术活更多的向产品活儿转变所以在应该或者不应该这个逻辑层面上说，我们愿意投资具囿强大技术实力但同时更是一个具有超强产品思维的团队，最鲜明的例子就是 Rokid。如果你有机会尝试想必你会被用户体验惊艳到。
至于 To B 的人工智能图像识别在苛求精准度的应用场景下，还是非常需要高大上的技术团队从应该或者不应该这个逻辑层面上讲，我们投资了 Sensetime；语义理解需要在特定场景下的深耕细作需要特定场景下的大量数据，在应该或者不应该这个逻辑层面上我们倾向于专一行业罙耕细作，所以投资了智齿科技
至于标题中的问题，我们想说的是：一、VC 的投资核心在于生产产品和提供服务的公司能真正被大镓所用的解决实际痛点问题的产品和服务，如果再有一个 DeepMind 一样的高技术公司摆在我们的面前我们投资的逻辑，不是能不能下棋而是它未来能提供更完美的落地的产品和服务；二、AI 现有阶段，在语音语义和图像识别上已经从技术活儿变成产品活儿，进而是我们的投资热點