文丨付媛媛   编辑丨鹿普禾

来源丨首席数字官

“人工智能是建立在已经形成数字化转型之上的应用，它不能促成企业数字化转型。”近日，【首席数字官】独家专访了星瀚资本创始合伙人杨歌。他认为，目前企业的数字化转型主要是处于信息化到数据化的标准化过程，而促成企业数字化转型的是能够有效的利用互联网大数据，使企业从经验化管理变成数据化管理，这个过程跟人工智能无关，只是人工智能的前提条件，不能因果倒置。

在人工智能的风口，杨歌认为2018年的人工智能整体仍处在瓶颈期，人工智能在行业中的应用一定是先To B再To C的，并从应用层和理论层指出了人工智能面临的最大障碍。

▌人工智能在2018年正处于低谷期

从2016年到2017年中，是人工智能变得炙手可热的阶段，但是2018年人工智能在整体上放缓了发展的脚步。人工智能的Gartner曲线显示，技术跟人一样有自己的生命周期，会出现波峰波谷的阶段。杨歌认为，人工智能在2017年上半年是处于Gartner曲线的顶峰，2017年中期开始下降，2018年中已经到了Gartner曲线的谷底。

历史上，人工智能曾经有四次到五次波峰，而2018年正是人工智能逐渐走出人们视野的阶段。对于一些人工智能创业的企业来说，当Gartner曲线到达波峰的时候，他们也进入到稳定发展期，大量从业者一起炒人工智能的概念，但是当Gartner曲线到达波谷的时候，大家对短期炒作这个概念失去信心，就都褪去了，所以现在就是典型的波谷期。

▌中国的人工智能在全球具有领先优势

虽然2018年的人工智能发展势头较为平缓，但是整体来看，中国的人工智能从底层芯片到模块研发再到上层应用在全球还是有领先优势的。和美国、以色列、日本相比，中国之所以发展迅速，是因为从事软件研发、数据研发、算法模型研发以及人工智能开发的人才比较多；可供训练的数据集比较多；需求比较多。

杨歌将人工智能分为三个层次，底层的基础需求物理层，中层的技术模块层和上层的实际应用层。并从这三个层次讲解了人工智能在中国发展的现状。他认为，目前底层的基础需求物理层和中层的技术模块层在中国的发展速度比较快。

底层的基础需求物理层包括芯片、数据存储、数据传输、人工智能框架等。其中，中国的传统通用芯片和世界领先水平还有一定的差距，而对于人工智能芯片来说，是重回原点赛跑的过程，研究最基础的集成电路，然后进行规模化的生产。有很多的场景可以应用，所以，人工智能芯片拥有很好的市场。

对于人工智能框架来说，因为国外的开源框架比如谷歌已经具备一定的领先水平，所以使用国内人工智能技术框架的人就比较少，从而导致迭代速度比较慢，所以人工智能框架在中国没有明显优势。

中间技术模块层包括语音语义识别，图像识别和运动机能识别，中国在这个层次处于世界一流水平。比如中国军方在运动机能识别方面的发展，可以和波士顿动力相媲美。语音识别的发展速度也比较快，而语义识别要达到非常强的鲁棒性和容错性还具有一定的难度。

目前，中间技术模块层在市场上处于稳定发展的阶段，比如科大讯飞在语音语义识别方向，波士顿动力在运动技能识别方向，Face++和商汤科技在图像识别方向。但是还没有能够确立市场标准型模块的企业。

实际应用层相比美国来说还是比较落后的，一个重要原因是民众对于人工智能的理解不够深刻。因为应用层是以需求为导向的，而中国民众对智能化和人工智能的认识有一定差距，大家对于机器人的概念过于理想化和玩具化，并不理解背后的深度和难度在哪里。机器人最重要的是它的芯片和算法能力，但是大众人群更在乎表面化的形象。

杨歌认为，波士顿动力的机器人是在人工智能应用层上的优秀产品之一，2018年10月，波士顿动力宣布把运动机能模块平台化，标志着运动机能模块，进入了一个比较成熟的阶段，为机器人行业的发展提供了不少便利。

目前，人工智能在市场的应用更倾向于To B，人工智能To C对于情商的理解要求比较高，对于人工智能的拟人程度要求也比较高，所以To C的难度非常大。杨歌认为绝大多数技术在问世的过程中都是先To B再To C的，而人工智能选择To C市场是一个错误，应该选择To B市场。

▌人工智能发展困难重重，未来趋势并不明朗

1. 应用层

从应用层面来讲，人工智能应用的最大阻碍是Common Sense。所谓Common Sense就是人工智能模拟器对于人的情商的反馈。

以一个典型人工智能应用场景为例，当用户以一个电影角色进入到游戏当中，看到一个AR的世界，可以和所有人进行沟通，但是其实除了自己之外都是机器人，在这个过程中，我们会发现游戏的剧情比较好做，困难的是每个机器人的情感真实度，比如沟通交流时的反馈。 

对于人工智能来讲，现在最难的一点是特殊场景的适应性，也叫鲁棒性和容错能力。智能驾驶之所以到现在为止不能上路应用，最主要的问题是道路交通的实际情况比理想情况复杂很多。

人工智能目前在很多行业、场景里的适应性都不够理想。需要大量数据的积累，然后对计算机进行综合的考量，提升Common Sense。但是现在很多特定模式的理想情况下的试验非常完美，但是一到真实情况就会出现差错。比如说一个智能家用的保姆机器人，没办法在停水的时候解决做饭的问题。 

杨歌认为训练金融数据、企业资源数据、物流数据等，是现在人工智能应该爆发的点。而人工智能本身作为数学算法的一种形态，从理论上是比较成熟的，但是在应用上还不够成熟，应用场景里的特殊性和偶然性是人工智能现在无法驾驭的。

2.理论层

衡量人工智能是否能在行业里应用的关键因素在于，能否通过图灵测试。所谓图灵测试是衡量人工智能是否能够到达应用水平的重要测试。如果在日常的对话场景里，人工智能可以真正的代替人，这就叫通过了图灵测试。比如跟李世石和Alpha Go分别下一百盘棋，而分不清哪个是李世石，哪个是Alpha Go，这就说明人工智能在围棋这一垂直场景中，通过了图灵测试。

基于图灵测试，还有一个旁系理论，叫做恐怖谷理论。当某一个东西还没有通过图灵测试，或者已经接近图灵测试的时候，会让人产生毛骨悚然的感觉。比如一个人形机器人的各方面举动都跟人很相似，超过一个临界点，判断不出这是人还是机器的时候，人类对机器人的好感度曲线就会突然下降，直至谷底。

如果人工智能可以顺利通过恐怖谷，就可以真正开始应用。但是现在的技术水平，离通过恐怖谷至少还需要十年以上的时间，在杨歌看来，现在的人工智能还属于高级智能玩具阶段。

对于2019年人工智能的发展趋势，杨歌认为2019年不会有特别大的变化，因为人工智能是一个慢工出细活的过程，需要五到十年的周期。人工智能的发展需要一个爆发性的事件来推动，比如波士顿动力将运动机能模块平台化，当平台化量变形成质变之后，就会产生整合商，人工智能的整合商将会推动机器人的发展。