人工智能到底有多神奇？(2)

到这种程度我们至少可以讲正反馈的第一个螺旋已经转起来了，但只有第一个螺旋还不足以让白宫采取行动，所以需要探讨的是这个螺旋转起来后，后面还会有什么？必须有足够大的东西，这种正反馈才能持续下去。

到底人工智能在那里可以产生新价值

人工智能事实上可以应用在任何一个领域，如果非要分个类的话，那大概是3个基本类别：一个是人机交互方式（包括语音交互与AR这种新的显示方式）；一个是前端的自动化；一个是后端的数据处理。

在人机交互上，最典型的例子就是语音交互与AR。AR这个词可以进行非常复杂的定义，比如可以是常说的那种眼镜（微软Hololens、Meta等），也可以是手机的一个功能特征比如Tango那种玩法，当然也可以是一种应用功能，比如Pokeman。但我个人认为AR骨子里是一种交互方式的变革，这种交互方式核心特征是实时混合数字空间和现实空间，核心依托的技术则是人工智能上的突破，至于具体产品则是这种交互方式的不同应用。

语音交互则是我们常说的Siri，Echo等（声智科技尝试的方向）。这种交互方式的变革之所以重要在于它会催生新的通用型计算平台，进而导致整个生态的变化，比如：Dos-->Windows, Windows -->触屏。交互方式上比较有意思的点是它看起来并非刚需，但实际上是通用型终端换代的核心制高点，影响极为深远。比如说从PC互联网到移动互联网最核心的变化是App的出现，这深度影响了搜索支付等，而App之所以会出现一个核心的原因正是触屏的出现，触屏是非精确定位，你不能像在PC浏览器里那样精准访问各个链接，正因为触屏的操作区域必须足够大，所以就需要App这种形式来放大高频服务使用时的便利性。

在前端自动化上最典型的就是自动驾驶和机器人。在这次人工智能有突破之前，所有的自动化可以称为限定规则下的自动化。从软件的实现上更容易看出这两种自动化的根本差别，过去的软件里其实充满了“如果（A条件满足），然后（做某个行动）”这样的条件和分支，之所以Office Word甚至Windows这样的软件看着非常强大，原因是这种条件选择嵌套的足够多。但现在基于深度学习的程序则不是这样，它先训练出个模型来，接下来把新的输入抛给这模型，让模型自己看着办（Inference）。也就是说传统的程序是可以精确控制的，但深度学习的程序没办法控制细节。这种程序差异放到自动驾驶和机器人上能达成的自动化程度显然有本质差别，比如在生产的时候前一种程序上的自动化只能让特定的机器人在流水线上生产特定的产品比如汽车，后一种则可以产生什么都能干的机器人，这种机器人最终能干什么依赖于你怎么训练它。后一种机器人的应用范围无疑远胜前一种，但暂时后一种机器人在操作精度上确实还不如前一种。这种自动化升级的深远影响在于它可以依次在各个领域实现无人操作，比如建筑上就可以实现无人机+挖掘机的无人操作（Skycatch与Komatsu尝试的方向），工厂里则可以实现生产线上的无人操作等（Baxter尝试的方向）。

在后端数据分析上比较典型的应用是IBM Watson的那种大数据分析程序。IBM选择了医疗做突破口，这其实是非常有道理的。一般来讲医疗的历史数据通常有比较好的标注，而图像识别技术上的突破正好可以用来看各种医疗片子。看医疗片子事实上相当于是识别图片上的病变模式，而在这点上再有经验的医生也会被人工智能虐。当然这种数据分析绝对不局限于医疗，金融、安全、建筑等都可以应用同样的模式。(责任编辑：方向)