雷鋒網「新智造」按：就像幾年前的智慧硬體、VR、機器人一樣，今年人工智慧成為新的科技關注領域，學術大牛和業界領袖為人工智慧奔走做宣傳，大量的投資基金不斷地砸進去，吸引著無數創業者開始轉型做人工智慧，這意味著新的一輪高☆禁☆潮開始了。然而，我們對人工智慧的認知真的夠嗎？人工智慧到底適合迎合應用在哪裡？本文摘選自星瀚資本微信公眾號《分析研究：2017年時下之未來啟示錄》一文，作者為星瀚資本創始人楊歌，在本文中他以一個投資人的視角提出了自己關於人工智慧的獨到見解。新智造作為雷鋒網旗下欄目，關注智慧時代的創新與創造，目標是找到哪個領域還有值得創業和投資的機會。
最近對AI的討論是層出不迭，開複老師經常跑出來嚇人說血腥的顛覆理論blabla，我作為多年的演算法工程師出身，對於此當然一樣是深信不疑的。互聯網的發展打通了資訊傳遞的管道，雲計算的成熟積累彙聚了海量超乎于常人想像的大資料，而如今我們正面對著這個巨大的資料礦山摩拳擦掌，正如十九世紀初一個配好裝備想實現淘金夢想的西部牛仔。
趕緊醒醒吧，要不又跑偏了！正如雲、納米、量子、物聯網一樣，AI是一個一進市場就被立刻玩兒壞了的名詞。所有公司從2015年16年都開始人工智慧機器學習，迅速把一個新的技術迴圈倒逼到了上一個技術迴圈的IP概念銷售加資本運作的玩法。很多的項目通常禁不住十個技術問題就倒下成為商業模式的行銷，然而這也確實是市場發展過度中所需的必經之路。重要的是，誰能最快地切入下一個迴圈吃到第一波紅利？
智慧駕駛是AI應用的一個主戰場，然而對此我卻始終不能認同。
我是一個北京的老司機，在北京甚至國內開過車的人想必都能理解，紅燈停綠燈行對於你面前的行人和騎士們來講只是停留在書本上的知識，然而中國的交通課堂上又有一個重點叫做保護弱勢群體。所以如果你有美國開車的習慣比如過路口加速，直行不顧對面左轉，打燈就可以並線等等在中國一定要小心，一不留神就會出現事故。曾經有一個荷蘭的資深交通學家來中國解決交通問題，聲稱一年內一定搞定回國，結果待了三年後精疲力竭地離開並最後甩下一句話“That is China’s problem!”沒錯，這就是我們的交通，從北京的國貿到上海的靜安寺，如果你沒練出車推行人緩步走的功夫基本上就是寸步難行，所以在中國要想實現智慧駕駛，那汽車基本上要具備跟人一樣的高等智慧，學習反應解析度必須要細到釐米級，考慮交通規則和簡單的突發情況是遠遠不夠的。谷歌的智慧汽車去年突破了300萬公里的行駛里程，然而在強智慧和超智慧的界線面前仍然不足一提，目前的AI能製造出Alpha Go打敗李世石驚動全球，但是離說第4局是故意輸的這種超智慧還有很遠的距離(甚至於沒有學習物件和可量化的鍛煉過程)。所以到目前為止，智慧駕駛的應用大多面向於慢速定制路線的行駛場景，使用在於降低人力成本和複雜軌道式交通成本，從單個項目來講雖然具備一定應用價值，而從大行業來講已經失去了智慧交通產業的意義(並不能對技術或商業模式給出行業溢價)。
智慧駕駛是當前市場對AI理解和使用的一個典範案例，具備真實的需求，開始真正走向下一個技術迴圈的探索，然而靶向精准度卻稍有偏差。
AI的使用最重要的在於兩點，一方面是要有成熟的海量資料，另一方面是要對場景問題進行精准的模型化設計。
智慧駕駛的確具備明確的使用場景，但場景模型化的演算法方案卻很複雜，另外也不具備已成型的可供訓練資料集，需要類比真實場景長期積累資料，可以說在上述的兩個必要方面上都不具備優勢。
AI市場的dilemma（困境）在於，大眾認為好模擬的場景多是人為直觀感性化的，其實對於資料模型來講是很複雜的；而相反問題資料相對簡單的場景，卻又是大眾不好想像的，通常都在於一些垂直專業的領域裡面
(這非常像物理空間和譜空間的重點問題分析差異) 。在未來的幾年中，AI勢必會爆發在量化金融、物流倉儲大資料、有資料積累和標準的傳統產業升級、以及機器人運動行為學習等方向中。對於資料積累成熟，模型化場景清晰明確的這些行業，人工智慧將會帶來血腥的顛覆，正如今年摩根大通將華爾街36萬小時的工作化為秒級。