一、人工智能未来的发展方向为什么是强人工智能？

现在人工智能有很多突破，尤其在应用上有大量突破，但是实际上人工智能底层的技术研究的进展其实并不多。最近值得说的进展就一项，就是曾经研制出了AlphaGo，战胜了李世石的公司DeepMind。DeepMind在前段时间研究了一个系统，战胜了人类的德州扑克选手。

玩过德州扑克的朋友是可以感受到的，德州扑克要比玩围棋复杂得多。因为围棋所有的信息都是充分信息，是已知的；而德州扑克，你对面的玩家肯定不会让你知道他手里的牌，所以是不充分信息。在不充分信息的情况下能战胜人类选手，某种程度上说明人工智能又进了一步。

不过这种进步只是弱人工智能。正如《前哨》中所说：弱人工智能比人强，强人工智能比人弱。迄今为止在强人工智能方面还没有任何进展。

美国著名的计算机专家、图灵奖的获得者Judea Pearl的在去年的新书《为什么》中，就提到了一个很有趣的，甚至让人工智能专家都有点尴尬的事实：“人工智能评价这个系统的好坏，并不能从结构上或者理论上来评价，比如你的结构更优或者理论更好，只能从结果来评价。”人工智能算是一门科学吗？答案成疑。所以Pearl就很毒舌地说：“人工智能现在已经变成了炼金术。”

所以人工智能在现阶段最大的瓶颈，就是理论上和实际底层技术的发展。

二、人工智能底层特征？

一、通过计算和数据，为人类提供服务

从根本上说，人工智能系统必须以人为本，这些系统是人类设计出的机器，按照人类设定的程序逻辑或软件算法通过人类发明的芯片等硬件载体来运行或工作，其本质体现为计算，通过对数据的采集、加工、处理、分析和挖掘，形成有价值的信息流和知识模型，来为人类提供延伸人类能力的服务，来实现对人类期望的一些“智能行为”的模拟，在理想情况下必须体现服务人类的特点，而不应该伤害人类，特别是不应该有目的性地做出伤害人类的行为。

二、对外界环境进行感知，与人交互互补

人工智能系统应能借助传感器等器件产生对外界环境（包括人类）进行感知的能力，可以像人一样通过听觉、视觉、嗅觉、触觉等接收来自环境的各种信息，对外界输入产生文字、语音、表情、动作（控制执行机构）等必要的反应，甚至影响到环境或人类。借助于按钮、键盘、鼠标、屏幕、手势、体态、表情、力反馈、虚拟现实/增强现实等方式，人与机器间可以产生交互与互动，使机器设备越来越“理解”人类乃至与人类共同协作、优势互补。这样，人工智能系统能够帮助人类做人类不擅长、不喜欢但机器能够完成的工作，而人类则适合于去做更需要创造性、洞察力、想象力、灵活性、多变性乃至用心领悟或需要感情的一些工作。

三、拥有适应和学习特性，可以演化迭代

人工智能系统在理想情况下应具有一定的自适应特性和学习能力，即具有一定的随环境、数据或任务变化而自适应调节参数或更新优化模型的能力；并且，能够在此基础上通过与云、端、人、物越来越广泛深入数字化连接扩展，实现机器客体乃至人类主体的演化迭代，以使系统具有适应性、灵活性、扩展性，来应对不断变化的现实环境，从而使人工智能系统在各行各业产生丰富的应用。

三、人工智能到底是一种怎样的存在？

目前国内人工智能完整产业链已初步形成，但仍存在结构性问题。

从产业生态来看， 我国偏重于技术层和应用层，尤其是终端产品落地应用丰富，技术商业化程度比肩欧美。

但与美国等发达国家相比，我国在基础层缺乏突破性、标志性的研究成果，底层技术和基 础理论方面尚显薄弱。初期国内政策偏重互联网领域，行业发展追求速度，资金投向追捧 易于变现的终端应用。

人工智能产业发展较为“浮躁”，导致研发周期长、资金投入大、 见效慢的基础层创新被市场忽略。“头重脚轻”的发展态势导致我国依赖国外开发工具、 基础器件等问题，不利于我国人工智能生态的布局和产业的长期发展。短期来看，应用终 端领域投资产出明显，但其难以成为引导未来经济变革的核心驱动力。中长期来看，人工 智能发展根源于基础层（算法、芯片等）研究有所突破。

关注优就业，学习更多IT知识。

四、人工智能四小龙？

近日，以CV（计算机视觉）起家、随后晋身“中国AI四小龙”的云从科技IPO申请已通过科创板审核，若后续进展顺利，云从有望成为“AI第一股”。

实际上，同在四小龙队列的其他三家公司，在证券市场的表现一直不尽如意。旷视科技2019年曾经冲击港股上市，2020年赴港上市计划搁浅，后来又在2021年3月冲击科创板上市，目前仍在排队状态。而依图科技也曾经冲击科创板，后于2021年6月撤销上市申请。

作为四小龙领军者的商汤科技，虽然有关融资的声音传出不断，但依旧没有落实上市的具体细节。

当下真的是AI四小龙上市的最佳时机吗？

7月16日，国家网信办会同公安部、国家安全部、自然资源部、交通运输部、税务总局、市场监管总局等部门联合进驻滴滴出行科技有限公司，开展网络安全审查。

一时间，凡是涉及大数据的互联网行业企业，都有风雨欲来的感觉。

业内人士认为，以深度学习作为核心AI理论的AI四小龙，其实已经感受到了非常大的压力。

甚至有言论表示， AI四小龙现在要过数据安全关了。

01 绕不开的核心

现在说AI四小龙必须重视数据安全，跟他们所采取的AI核心理论有关。

经过多年发展，AI技术已经从2006年多伦多大学的杰弗里·辛顿教授对外发布自己的那三篇关于深度学习的论文开始，逐渐衍生出众多的流派。

现在主流的是三大技术领域，也就是深度学习、机器逻辑和人工大脑。

所谓机器逻辑是希望通过算法和数据的叠加，让计算机具备符合人类社会要求的逻辑和方法论，可以自主在某个领域判断并分析相应问题，并得出答案。

所谓人工大脑，实际上是通过对人类大脑组织的研究，利用计算机的性能模拟和算法组织，形成类人工大脑功能和工作机制的计算机集群。

以上两种人工智能理论，要么是从行为上希望能模拟人类的运作，要么是从大脑结构上希望对人类解析从而产生技术上的突破。问题是，这两个领域现在都是在探索阶段，离相应产品落地还有很长的距离。

当下AI技术落地最普遍的，还是深度学习。

深度学习技术意味着计算机要进入学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。

它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

在深度学习之前，哪怕是百度这样的AI巨头，都无一例外经历了穷举法的所谓“特征工程”阶段。例如最早的阿波罗自动驾驶平台，所有在AI中计算机应该对路上发生行为进行的反应，都是由线下的工作人员根据人工对此的反应进行的标注。

一方面，每个人对任何事项的判断和反应都有着不同，这些不同积累到一定程度就容易引发AI系统的结构化错误；另一方面，要想完成庞大的面向社会层面操作的AI系统，那这种数据标注的结构下，又要动用大量的人力和时间。

这种数据标注的“特征工程”方式实际上是一种“伪”AI，人类训练计算机只是进行一种简单的因果关系，而并没有掌握事情的本质。

近年来，研究人员逐渐将“特征学习”和“规律发现”等AI方法结合起来，对原本已有督学习为基础的卷积神经网络，结合自编码神经网络进行无监督的预训练，进而利用鉴别信息微调网络参数形成的卷积深度置信网络。

与传统的学习方法相比，深度学习方法预设了更多的模型参数，因此模型训练难度更大，根据统计学习的一般规律来看，模型参数越多，需要参与训练的数据量也越大。

而随着计算机技术的进步以及分布化网络的形成，越来越多的算力，可以通过网络协调提供，这也就给人类AI技术的发展提供了一个新的基础。

可以说，深度学习逐渐成为AI的主流。另外，由于大量数据的引用和积累，深度学习跟数据安全之间，也产生了必要的联系。

02 深度学习的痛点

实际上，在数据安全方面，深度学习有着自己基本无法解决的痛点。

由于深度学习是建立在大量数据的应用与计算机训练基础上实现，基础数据的获得，对于深度学习技术的落地非常重要。

比如特斯拉被人诟病的摄像头自动驾驶技术。马斯克一直不愿意采用激光雷达作为关键性地标数据的测定工具，坚持使用摄像头来采集道路信息，基于庞大的已有汽车上路数据的训练，特斯拉本身汽车的自动驾驶技术稳定性相对来说很强。

AI四小龙也是如此，这两年的发展都跟大量基础数据的积累有关。

媒体报道显示，依图在“AI+医疗影像分析”方面所有突破，背后是海量的医疗影像图片的分析；云从在金融领域的AI学习和数据分析方面领先，不完全统计其服务的金融公司就超过50家，日常AI系统处理的数据也是一个无法想象的数量；而旷视科技围绕AI核心的行业物联解决方案是优势，成百上千万的物联网数据交换过程是旷视科技最核心的技术基础；另外，商汤在监控分析和城市管理等方面与政府和企业达成了不少合作，这也需要大量数据进行底层支持。

另外这4家也陆陆续续发布了一些新的技术服务，而这些新的技术无一例外都跟大数据的获取和分析一脉相承。

比如商汤科技在上海车展期间发布了自己的座舱AI数据化解决方案，功能直逼华为数字座舱，与特斯拉的一系列操控系统和自动驾驶功能类似，当然这也需要海量数据对系统进行驯化，才能产生更加准确的结果。

如今国家对数据安全的重视程度越来越高，这也就意味着以前利用客户数据大量积累，调试系统的时代一去不复返。

毕竟根据刚刚公布的征求意见稿，相应用户在应用中的数据企业如果想要采用，必须事先得到用户本身的许可。

这从一个角度无形中提升了深度学习的难度，并让四小龙现有技术的进一步拓展和新技术的落地产生了一些问题。

03 私有云的无奈

所有的AI企业在遇到数据安全的时候，都会有一系列的预案。其中只为客户提供技术，而数据训练和学习的过程留在客户自身系统中完成，已经成为不少国内外AI巨头，在遭到数据安全阻击的时候采用的重要产品策略。

根据市场一般的操作方式， AI企业只负责制作算法和系统封装之后的系统提供给用户，并帮助用户建立自己的私有云和数据空间，然后由用户根据相应的格式上传历史数据，让系统自我进行深度学习，最终完成用户在 AI领域功能的定制。

这种私有云的部署方式，看似完美解决了AI企业技术研发和用户数据安全之间的矛盾，然而，这样的情况背后还存在着一个无法解决的问题。

实际上所有这4家企业做的技术都是基于深度学习而深入学习，即使出来一个可以安排客户私有部署的AI系统或者平台，它一定会对某一个行业的数据进行过总结，也一定会有基础数据进行训练才行。

不然这个系统如何能在特定行业具备大范围的方法论，或者计算机的分析逻辑。

当下的AI技术并没有进化到系统可以自主学习，并树立独立人格和思维方式的时代，所有的系统都必须有一个知识边界，这个知识边界是越画越小才能越来越精确。

在这种情况下，AI四小龙推出的任何一款AI产品，事先都会经过哪怕是针对泛行业的数据调教和深度学习，形成一定的认知基础，才能作为针对特定行业的产品交付企业使用。

否则，AI公司只能是依据经验和猜测开发一套系统交给客户使用，还必须利用客户的数据对其进行调教和进化，而最终这套系统到底收不收客户的钱，就成了一个重要的问题。

这其实是数据安全背景下，倡导私有云模式解决问题的AI公司最大的无奈。

即使是已经具备完善深入学习解决方案，而且在其他企业都被训练过的AI系统，在交付新客户使用的时候，客户对自身数据的安全担忧会更加明显。

因为当下这个被AI公司推出的系统精确度非常高，就意味着他们使用了以往客户的数据，而新客户的数据是否被使用，就成了一个无法被保证的问题。

这种信用上的尴尬，有时候会引发行业客户订单的雪崩。

04 等待进化

业内人士认为，在国家注重数据安全的背景下，四小龙唯一可行解决的办法，就是将行业性普遍的AI系统转换成定制系统开发的产品。

因为不针对行业推出产品，而只为单独客户定制和开发AI系统，所有的数据安全则由客户本身承担，这样可以完美绕过国家对数据安全设下的防线。

但这5年的实际操作过程告诉我们， AI四小龙面前这条看似走得通的路，实际上是一条不归路。

因为每一个AI企业的下游都有不同的行业，以云从科技为例，金融、安防、交通等都有要服务的客户，应用的场景就更多了。而不同的场景适用的AI模型、底层算法都不同，如何让技术和操作系统最贴合某一个场景，需要不断地探索。

现在的人工智能处于发展初期，相关技术和应用场景的定制化解决方案迭代速度也比较快，以云从为例，其产品迭代周期一般只有2-6个月。不难看出，AI行业的研发是个持续时间长且投入高的过程。

这同样也是技术落地比较难的原因。再加上项目之间有明显的差异，定制化产品多于标准化产品，成本就会不可避免地往上走，看起来AI是高毛利率的行业，实际上血亏。

这也是为什么四小龙有三家正在上市，公布的财报中全是亏损，而且亏损的幅度在大额上升的重要原因。

况且，《中国成长性AI企业研究报告》指出，人工智能领域巨头盘踞，业界的龙头企业往往会向市场开放框架或者算法技术平台发展，为更多的企业提供基础支撑，而一些市场规模还不大的细化场景，巨头公司基本上不会涉足。

这意味行业不够大，企业自身的发展受限制，行业足够大，又容易引来巨头。

所以，数据安全被国家重视之后，AI四小龙的一切商业模式都等待着进化。

因为，不变就可能会“死”。

五、ai基座什么意思？

AI基座，是指人工智能技术的底层架构和基础设施，包括数据、算法、计算能力等方面。AI基座为人工智能应用提供支持和服务，帮助企业实现智能化转型。AI基座的重要性在于它能够提供稳定、高效、可靠的技术支撑，降低人工智能应用的技术门槛和成本，加速人工智能技术的普及和应用。

同时，AI基座还能够根据企业的实际需求进行定制化开发，满足企业的个性化需求，帮助企业更好地实现智能化转型。