现在是人工智能的黄金时代。为了说明这个问题，我也带来一些实际数据与大家分享。人工智能有很多分支，其中一个是机器学习，机器学习的另一个分支是深度学习。今天我更多的用深度学习作为案例。
人工智能是一种工具。
最近人工智能成为全球热门新闻话题，很多都是因为你看到几个月前AlphaGo战胜李世石，最近网上又传出年底前要挑战柯洁。但有一点让我觉得很遗憾:大家对这个话题的关注点是人工智能是否在模仿人脑，是不是“奇点”即将到来，却没有真正关注人工智能对我们的实际影响。
奇点认为，在未来，机器将拥有各种智能，人类必须做一些事情来保护自己。但是我觉得人工智能取代人还是一件很遥远的事情。我们更需要关注的是，人工智能是一个今天可以使用的工具。可以帮助人类解决问题，替代重复性工作，创造商业价值。正是因为这个原因，我认为今天我们已经进入了人工智能的黄金时代。
当有足够的数据支持时，几乎所有具有理性思维模式的工作都会被取代。AlphaGo为什么这么厉害？是因为它每天可以用几千台机器和自己下上万盘围棋；为什么自动驾驶在未来会如此强大？因为它可以利用它的各种传感器收集道路上的数据，这是任何驾驶员都无法比拟的。
科普深度学习
深度学习是一种神经网络，其特点是使用多层网络，能够学习抽象概念，与自学习相结合，收敛相对较快。
快速收敛可能是一种技能。简单来说，如果我们有很多笑脸，把它们输入一个神经网络，最后你希望机器识别出这是姚明，那是马云。但是一下子学这么多会很难，所以你需要用一个相对较快的收敛技能——自学。通过自我学习，机器会从大量样本中逐渐抽象出相关概念，然后做出理解，最后做出判断和决策。
例如，它可以有几层节点和连接。通过这些节点和连接，它会感知到每一层不同的抽象特征，每一层都比下一层更高级。经过自学习，它从一张脸，再从同一张脸，抽象地学习了一个人脸部的重要特征。
深度学习的分层无监督训练
经过这次学习，我们会做督导培训，微调不足。比如我输入马云的脸，但是王出来了，训练系统会报错，并进行微调，让机器下次更正确。
分层无监督训练
但是，也要注意过度训练的问题。我们会对整个数学公式进行微调，用大量数据重复。
刚开始的时候深度学习比较慢，所以很难进入。工业级别或者应用级别，但是现在，我们的计算机越来越快，有了更多的棘手的训练和识别练习，深度学习可以应用的领域也越来越广。人工智能大规模应用的时代已经到来。一个很简单的评价标准就是我们的深度学习机器是否超越人类能力的表现。
深度学习的应用领域
在过去的五年里，深度学习的准确率从超过75%提高到百分之九十七左右，而人类表现的准确率约为95%。从百分之九十五到百分之九十七，听起来只提高了百分之二，但实际上降低了百分之四十的错误率。如果这种进展持续下去，人工智能未来可以进入一些适用的领域。这就是我今天说的人工智能进入黄金时代的证据:在很多领域，包括苹果、谷歌、科大讯飞的人脸++识别、语音识别，他们的认知水平将在未来几年内超越人类。
深度学习的应用领域示例
深度学习首先可以应用于识别，包括人脸识别和语音识别，可以用于安全和安检。
人脸语音的数据来之不易，但是BI、业务流程、互联网的数据非常丰富。谷歌和百度长期以来在搜索广告和推荐系统中充分利用机器类学习技术，来解决推荐什么商品、如何给一个产品定价、在哪里卖得最多、把这样的产品卖给谁等问题。这种促销可以直接产生经济价值。
用智能炒股也是不错的选择。利用智能，你可以随时计算如何对冲一篮子股票和期货。机器可以24小时保持清醒，每天计算如何赚最多的钱。此外，深度学习技术可以整合各种因素，例如公司高管变动、实时新闻、行业变化……你甚至可以告诉一个智能系统，如果明天巴西发生地震，应该买什么股票。
银行保险，比如贷款审批，可以用机器判断；在医学上，机器学习可以用来提高诊断水平。
前阵子我在美国遇到一些科学家，他们在用机器学习发明新药。把实验的安排和组合交给机器，所有的实验都是通过机器学习准确进行的。
存在教育方面也有应用。智能化教育系统会识别你的学习水平，然后根据你的水平确定学习内容。
人工智能将重塑亿万个领域。
人工智能将重塑数十亿个领域。当然，这不会发生在明天。比如在我们的计算架构上，改进算法还需要时间，需要研究如何部署云架构。另外，深度学习还是耗时太长；一些重要技术的进步其实是因为开源或者API或者标准的出现，但是还有很多方面相关标准还没有出现。当然，Google的TensorFlow提供了一些开源的方法，但实际上并没有真正的平台化。
有些领域，很多技术问题两三年就能解决，但还有很多问题没那么简单，比如语义。语音识别相对简单:声音进来，单词出去，可以调动一个API。但是声音进来的时候，很难确定语义意义出去是什么样的情况。
在某种程度上，传感器，价格如何推广的问题。GoogleCar虽然牛逼，但是正面传感器太贵了。减少价格你需要数量，但是价格不下去就起不来，解决这个问题需要一段时间。
最后，还有很多机械问题。控制机械运动的算法，硬件运动后的反馈等等都需要一些发展。
人工智能帮助企业建立竞争力。
深度学习的挑战
但是深度学习和机器学习仍然面临很多挑战。这里有几个问题。
第一，还是没有统一的平台。第二，深度学习的网络太大，需要海量数据。第三，计算特别慢。第四，机器无法用人类的语言说出做事的动机和原因。比如AlphaGo战胜李世石的时候，你无法回答AlphaGo为什么要走这步棋。
即使有这么多限制，我们仍然相信人工智能可以在许多领域快速应用，并可以帮助企业建立竞争壁垒。
第一，垄断大数据优势。关于数据需要注意的几点是:首先，垄断性大数据不是公共数据，不是抄袭的数据，也不是买来的数据。其次，未标注的数据不会给你带来优势。第三，手动标注数据太慢。最好的数据是闭环数据。所谓闭环数据，就是你在应用的时候能捕捉到数据，知道自己最后的选择对不对。我们投资的Face++有美图和阿里的合作，一定程度上形成了特别大的数据优势。
第二，它拥有庞大的舰队。包括需要什么处理系统支持，如何部署，使用什么样的计算架构。
第三，你要有一群非常了解的人。没有平台的时候，只能扔一批人进去，让他们解决特别大的问题。
第四，通过算法调整弥补平台的不足。当然，这构成了短期的竞争优势。从长远来看，一旦有大的人工智能平台出来，这个优势就不存在了。
如何快速将人工智能商业化
第一，不要用人工智能代替人。很多时候，只要他能帮助别人。
第二，聪明地找到一个容错的用户界面。搜索引擎的准确率其实很低，但是它在界面上给用户提供了很多结果，用户只要能找到自己满意的那个，就会觉得搜索引擎很棒。
第三，让用户提供自然的大数据。很多人把Siri当成一个搞笑的工具，问它“你是男的还是女的？”苹果对这些无聊的问题进行深度分析来优化Siri，使其对正常问题的回答能在一定程度上让人满意。当人们满意时，他们会继续提问，苹果会得到更多的数据。
第四，专注于有限的领域。谷歌很棒，它想做全天候全路况无人驾驶，但我们可以先做一辆针对有限领域的无人车，然后通过它获取数据，吸取教训，不断改进。GoogleCar表现不错，但是遇到一些极端情况，比如大风大雨的黑暗日子，就很无奈了。既然如此，为什么不考虑先在可控的环境下做一些商业驾驶项目呢？
人工智能的未来蓝图
大数据应用方面，现阶段我们看到了很多互联网应用。BI和商业自动化也将很快使用相关技术。未来几年，离钱最近、产生用户最多、产生价值最大的领域可能是金融、医疗、教育当然也包括任何有大数据的行业。
在感知方面，今天的人脸识别和语音识别已经做得相当不错了。对于VR/AR，短期内我们并不太乐观，但是随着三五年后逐渐普及，一定会有大量新的自然语言接口出现。另外，我们大胆预测，3到5年内会有一个人工智能平台。
我们不承认家庭。机器人很快就会出现，原因是消费者的期望值是最高的，今天。机器人技术，有时候看起来太蠢了，另外。价格也太贵了，传感器不够灵敏。任何一个行业都要有经济上的原因投资这个领域，不断迭代优化自己的技术，然后进入下一个阶段，所以机器人简单来说，应该是工业，商业，最后蔓延到家庭，所以今天许多家庭机器人我们不认可过分的观点和做法。
关于无人驾驶，我们的看法是，GoogleCar虽然很棒，但是它要适应各种路况。我们认为可以先在有限的环境下慢慢推广无人驾驶。
从长远来看，未来的人工智能会彻底改变人类的各个领域，产生更多的价值，取代现在很多重复性的工作，然后让人们去做真正应该做的事情。