欧巴输了第一局 所以 VC 会投资围棋机器人吗？

本篇文章5397字，读完约13分钟

这些天中午，很多人都吃不好。更重要的是观看一场“人-机世纪大战”——由谷歌深度思维团队开发的围棋人工智能程序——阿尔法围棋(alphago)，与世界顶尖围棋手李世石对弈。代表人性一面的乌巴会有什么样的命运？(被欧巴困扰)，人类开发的机器能超越人类吗？人类的未来将走向何方？

为此，我们采访了idg最神秘、最科技、最聪明的技术团队:他们对这场战争有什么看法？idg对人工智能的投资逻辑是什么？

首先，关于人机战争

Q1:你认为人工智能的进步如何？

特别是在过去的两天里，“我们能否保持人类最后的智慧骄傲”这个问题已经被讨论过了。事实上，由人类智能开发的智能机器已经战胜了自己，这本身就是一种骄傲。相反，如果经过多年的努力，人工智能没有实质性的突破，那将是对人类科技发展的巨大打击。

建议每个人都不要太悲伤地看着它，因为机器在步骤、规则和计算上超越人类只是时间问题。从1952年“深蓝”(Deep Blue)赢得1996年的国际象棋比赛，到2011年，ibm沃森赢得了危险。多亏了摩尔定律，这种改进的速度似乎比人类智力进化要快得多，但它实际上是人类多年智力进化成果的转移和体现。以阿尔法戈为例，在手工制作的基本规则框架下，已经获得了历史上许多人类下棋规则的统计数据。换句话说，人工智能，关键还是人工的。再说一遍，21世纪最重要的是什么？天才！

Q2:人工智能还需要克服什么？

根据维基百科的定义:“智力或智力指的是生物的一般心智能力。”这种能力包括以下几点:理解、计划、解决问题、抽象思维、表达思想以及说话和学习的能力。”

如果你明白人工智能是人工表达的形式，你就会明白即使你赢了围棋，也并不意味着机器的“智能”已经完全超过了人类。近年来，人类在自然语言处理(听和说)和机器视觉(看)方面取得了巨大的进步，你可以看到越来越多的产品标榜这些功能。然而，人工智能还有很长的路要走。也许有一天，阿尔法戈会在某一场智力竞赛中战胜人类，然后兴高采烈，快乐无比。这是真正的恐惧(郝)和恐惧(万)的时代。

第二，人工智能基础知识

(业内人士可以直接到文章的结尾去看看idg的投资逻辑)

Q1:压倒一切的人工智能？什么是人工智能？

答:在这个阶段，所谓的人工智能可以从产品方面看到，大部分是指机器和人之间的拟人化交流方式，主要是“听得见、听得见、看得见、看得见”。此外，它似乎可以“记住一些东西”。其中，“听得见的”和“看得见的”都是通过硬件解决的，换句话说，就是麦克风和摄像头，所以智能主要体现在“可以理解的”(语音识别+语义理解)和“可以理解的”(图像识别)。“机器学习”、“神经网络”和“深度学习”是解决这些问题的具体算法。问:你如何看待谷歌人工智能击败欧洲围棋冠军提到了“神经网络”。

Q2:你能解释一下你刚才提到的各种各样的高名词吗？

答:以一种大家都容易理解但不严格的方式，“机器学习”就是统计，一些特定的参数被计算在大量的数据中；“神经网络”就是简单的“层次优化”；“深度学习”是机器学习的一个分支，经常与神经网络一起出现。可以简单地理解，分层优化中每个级别的内容都是从数据中计算出来的。当我们把这些名词放在具体的例子中时，它们更容易理解。

问题3:给我们讲讲语音识别？

答:让我们从语音交互的第一步“语音识别”开始。(如图所示)声音从声源发出，由麦克风接收，并转换成电信号。这个电信号放大后是一系列连续的波形信号。我们把这个连续的信号分割成小块，然后用一种方法把每个小块转换成一串小数字，以便进行后续处理。

转换的方法是这里最重要的一步。这套规则可以根据经验人工制定，也可以在大量统计数据的帮助下制定和优化。后一种方法就是我们所说的深度学习。为了更好地理解它，我们把它放到图像识别中。

转换后，是一个与标准库进行比较的过程。例如，在声音被转换后，它是(前半xxx xxx xxx xxx+(后半)yyyyyyyyyyyyyyyyyyyyyyyyyyyy，那么标准库中的A的发音对应特征值是xyyyyyxxxx+yyyyyyyyyyyyyyyyyyyyyyyyy，而B的发音对应特征值是xyyyyyyyyyyyyyyyyyyyyyyyyyyyyyy+yyyyyyyyyyyyyyy

在更高的层次上，匹配也可以根据序列来执行。例如，根据人类的语言习惯，在A之后接收B的概率较高，而接收K的概率很低。如果将这种可能性考虑在内，精度可以进一步提高。

Q4:这个标准库是如何产生的？

答:例如，如果你让100个人读A 1000次，然后让机器把每一个都转换成特征值，并取平均值，A的标准库就出来了。该标准库基于大量数据的统计结果(平均也是一种统计方法)。这个过程就像机器已经学习了很多次，所以它被称为“机器学习”。除了发音，各种组合的上下文也要计算在内。

标准库的建立应尽可能地复合实际场景，以便找出更符合使用场景的统计规律，实现更准确的识别。像iFlytek这样的高端产品已经积累了很多年，这使得它们可以支持多种方言，比如Mobvoi，并且可以支持几十个场景。说白了，这是一项劳动密集型的体力劳动。大公司，有更多的钱和更多的人，可以是大而完整的；小公司，有限的资金和有限的工作量，在有限的情况下，用户看不到任何区别。

问题5:语音识别和语义理解之间有什么关系？

答:可以理解，所谓的语音识别就是把声音翻译成单词和句子；语义理解就是给句子反馈。语义理解可以分为两种类型，一种是命令/数据请求类型，有明确的答案；一种是聊天式的，答案是开放的。

例如，首先问:今天北京的空气质量如何？回答:空天然气指数356。答案和问题之间的这种对应关系被称为“规则”。有很多方法可以问同样的问题。为了扩大每条规则的适用范围，有必要对语言结构、主谓宾定补和灵活调整进行一些拆分和重构。

例如，顺序的改变:北京today/きだよ的空气质量如何？Vs今天Beijing/きだよ 0的空气质量如何？

例如，北京today/きだよ 0的气体质量如何？今天北京的天气怎么样？

此外，可以增加对上下文的理解。例如，记住前一句的内容，替换下一句的词汇。

第1层对话如下所示:

问:今天Shanghai/きだよ 0的空气质量如何？回答:空天然气指数135

问:北京怎么样？回答:空天然气指数356

更高级的对话也可以有两层:

问:帮我在上海预订今晚的酒店。好的，我正在为你预订

问:空，什么是气体质量？回答:空天然气指数135

问:北京怎么样？回答:空天然气指数356

Q6:聊天风格怎么样？

答:这些问题的答案通常是开放式的。例如，问“你在做什么？”。

这种回答可以是预设的规则，这在一般的问候语中很常见。用户会发现他们反复问机器人同一个问题，每次的答案可能都不一样，比如“我在和你聊天”、“我不会告诉你”、“你猜吧”等。但是当他们问更多的时候，他们开始重复。

这个答案也可以从一个巨大的现实生活中的对话数据库中搜索，并返回出现概率最高的答案。例如，您可以搜索同义问题，如“你在做什么？”，“你在做什么？”，然后发现排名最高的答案是“闲置”、“猜测”、“不告诉你”，然后机器会返回这些答案。

通常，这两种方法用于特定的产品。就萧冰而言，他主要使用后者，而对话库的来源主要是在互联网上抓取的(直接调用msn信息可能涉及隐私问题)。考虑到返回的结果是随机的，很难理解它们两次，这些聊天机器人通常没有上下文理解。

问题7:总结前面提到的语音识别？

答:语音识别是一个积累数据和进行统计的过程，这是一项劳动密集型的工作。语义理解，无论是命令式的还是聊天式的，都是一个手工制定规则的问题，这是一项劳动密集型的工作，除非能够获得高质量的聊天记录资源(世界上只有少数几家公司拥有这样的数据资源，当然，我见过一些人花钱请人和机器人聊天)。工作量越大，机器人就越聪明。从公司的角度来看，在有限的情况下，小公司深深地卷入其中，有机会比大公司做得更好；大公司可以依赖资源，并在更多情况下覆盖它们。

用最精炼的话来概括——多少劳动，多少智慧；即使聊天也是不明智的。一般的障碍是工作量！演讲是收集材料的工作量；语义是制定规则的工作量；在有限的范围内，小公司在产品方面没有大公司的缺点。

最后，机器学习=统计学。

问题8:图像识别怎么样？

嗯，我们来谈谈最常见的图像识别是如何实现的。在这里，我想窃取安德鲁吴在加州大学洛杉矶分校演讲的ppt(视频截图)。

当人类看一个物体时，大多数人会看它的轮廓(不是颜色或其他任何东西)，所以我们希望机器也会这样做。以摩托车为例。第一步是通过图像处理算法提取摩托车的轮廓(所有的图像处理工具如美图秀秀都有这个功能)。第二步，我们把一个图分成四个部分，分别计算0，45，90和135的边数，然后把这些数列在一起，我们称之为“特征值”。这个特征值包含了很多信息。例如，右下角通常有轮子，轮子是圆的。也就是说，各个方向的边应该存在并且具有相同的比例；在右上角的图中，通常有把手，所以在一个方向上会有更多的边。通过这些数字的内部关系，机器可以区分摩托车。这种方法可能看起来简单、粗鲁、不合理，但许多机器确实是这样识别的。

问题9:看起来确实有点…，但是如果你加入深度学习和神经网络呢？

答:利用深度学习和神经网络，它将彻底改变。

仔细考虑一下。当我们向别人介绍某人的脸时，我们喜欢说脸看起来很像某人，然后头发看起来有点像某人。也就是说，人类通过一些基本面孔的组合来识别人。从数学上讲，有几个基本面，然后一个新的面可以简化成一系列的数字，每个数字代表一个基本面的比例。

那么，基本的脸是从哪里来的？面的基本单位是零件，零件的基础是边缘、形状和各种边缘的组合。因此，要想认出一张脸，首先要看脸的底部。如何找到这些边缘？在前面的摩托车示例中，边缘被视为已定义(4个特殊角度)。人们的环境要么是懒惰的，要么是基于经验的，而经验是在人脑中计算大规模数据后获得的印象。如果机器自动进行这种统计，这叫做机器学习。这种机器学习(统计)过程，从简单的边开始，最后到达基本的面，称为深度学习。

具体来说，从左边的第一张图片开始，找到所有的边，然后看第二张图片。如果您发现一些边被重复，您将使这种关联变得更厚(用粗线表示，线条越粗意味着重复次数越多)。最后，根据统计，一些边被重复多次，这很重要，它们被用作基本边。同样，我们从图形中计算基本边的重要组合，即基本部分，而更深的一层是基本面。具体的操作过程将是复杂的，对应于由节点(边、部分和面)和节点之间的连接(厚度表示重要性)组成的计算架构和相应的算法，这被称为神经网络。

问题10:图像识别怎么样？

答:图像和语音识别的核心是特征值转换算法，即基本单元&数字表示。深度学习意味着基本单元库来源于数据统计，而不是人工设置(合理且可解释)；神经网络是指一级递阶优化和权重连接(最简单的基本单元库)，它们通常一起出现，使结果既合理又简单。

大型神经网络价格昂贵，每个节点都由高性能gpu或工作站实现，数千个节点可以用数百万美元购买，所以这是大公司的游戏。小公司通常使用多个小型神经网络。虽然识别的准确性会受到一定程度的影响，但在一些不真实的应用场景中，如家庭中的人脸识别和中小企业的门禁识别，用户还是可以很好的进行区分的。

问题11:你能把人工智能概括为一个整体吗？

答:人工智能首先可以理解(识别)。这是为了收集数据(工作负载)，另一个是为了改进算法(统计可以通过经验或大数据手动进行)。对于小公司来说，主要是工作量。

此外，除了固有数据之外，我们还可以给出反馈(对话)，主要是规则制定(工作量)和数据收集(工作量)。当竞争工作量时，产品设计往往更重要。该做什么不该做什么是小公司集中有限资源突破的法宝。

更高的层次是记忆。我会记得你一次，下次我会直接叫你的名字。例如，如果你回家晚了，你会主动打招呼，这是一个产品设计的问题。

第三，人工智能的投资逻辑

我们相信to c的人工智能已经从技术工作转变为产品工作，因为应用场景不是很严格，人才储备充足。因此，在这个层面上，我们愿意投资一个拥有强大技术力量的团队，但同时，它也是一个拥有强大产品思维的团队。最显著的例子是罗基德。如果你有机会尝试，你会对用户体验感到惊讶。

至于b的人工智能，图像识别在要求精度的应用场景中仍然需要一个高技术团队。从这个角度来看，我们投资了感知时间；；语义理解需要特定场景下的大量工作和特定场景下的大量数据。在这个层面上，我们倾向于专注于特定的行业，所以我们投资了智齿技术。

至于标题中的问题，我们想说的是:首先，vc投资的核心在于生产产品和提供服务的公司，以及每个人都能真正用来解决实际难题的产品和服务。如果有另一家像deepmind这样的高科技公司，我们投资的逻辑不是我们能否下棋，而是它能否在未来提供更完美的产品和服务；第二，在人工智能的现阶段，语音语义和图像识别已经从技术工作转向产品工作，这是我们的投资热点。

最后，附上现场直播地址:http://v.qq/live/p/topic/4393/index,让我们拭目以待！

如果转载，请注明出处

“读完这篇文章还不够吗？如果你也开始创业，希望你的项目被报道，请点击这里告诉我们！”