为什么我们如此关注这项技术？-金斧子社区

作者 | 研究员：李冰然

什么样的产品能够为人类社会带来独特的价值？创造这些产品需要具备什么关键能力？这两大问题一直指引着我们每日的研究工作。有时，它指向一些具体行业或公司，有时，它也指向一些重要的底层技术。比如人工智能是我们一直在密切关注和研究的领域。

为什么研究人工智能？

人工智能学科最早可以追溯到上世纪50年代。1955年，“人工智能”一词最初由约翰·麦卡锡（John McCarthy）提出，次年美国达特茅斯学院举办了一场研讨会，探讨的主题即为“如何才能开发出像人类一样，有能力从经验中自主学习的计算机系统”？——让机器“学会学习”，这一目标也许可以算作是人工智能技术的“初心”和基础。在很长一段时间里，计算机只能依照人类预先编写的固定的程序开展工作，就好比人类给计算机提前植入“如果遇到X情况，就给出Y行动”的行为准则，意味着机器可以提供的解决方案是非常有限的，其实这些方案本质上也是人类经过学习之后总结出来的知识或规律，但却未必是完备的。AI科学家们认为，应该让计算机像人类一样自主学习，学会自己从事物、现象中抽象出一般规律。近年来，这一目标在许多实用领域取得了显著进展，而实现这一目标的一大关键在于神经网络模型结构的设计。模型就好比计算机的大脑，AI科学家们发现，通过恰当的训练来改变"大脑"中数量众多的神经元的连接方式和参数，计算机真的能"学"到一些东西。

不仅如此，我们知道计算机拥有强大的记忆力和进行超大规模的数学运算的能力，而且总是不知疲倦，如果这个“大脑”设计合理并且训练得当，计算机就能利用它强大的能力，从现象（数据）中挖掘出对人们来说过于微妙的模式和看似不相关的事物之间的关联。这也是今天的人工智能之所以能在众多已知的领域做得比人力更好、成为一些企业数千亿规模生意支柱的根本原因。它们能在几秒内向数亿消费者推荐出合适的产品、能够看懂听懂数百种语言的文本并进行翻译、能够在几万行人当中认出罪犯、能够快速找到软件的安全漏洞……本质上，我们认为人工智能确实是一种强大的生产力工具，大幅提升了获取“知识”这一生产要素的效率，不得不引起我们的重视。

人工智能技术发展概况

目前来看，美国依然引领着这一学科的发展。美国的高等院校以及科技企业内部的科学家们，提出了许多影响深远的算法模型和训练方法，并解决了许多实际的社会问题。美国市值最大的几个顶尖科技公司，都在人工智能领域深耕多年并有所造诣。比如谷歌旗下的DeepMind在2016年用AlphaGo打败了人类顶尖棋手，其背后的武器就是深度强化学习。谷歌机器翻译团队研究人员在2017年提出的Transformer模型，目前可广泛应用于文本翻译、搜索推荐等领域；后由OpenAI（由马斯克等人投资创办，后与微软签署了10亿美元合作协议）进一步提出的1750亿参数的GPT-3模型，现已成为自然语言处理（NLP）领域的领跑者——可以与人类聊天、写诗甚至写代码。在计算机视觉（Computer Vision）领域，Facebook人工智能首席科学家杨立昆（Yann LeCun）是最早提出CNN卷积神经网络模型的科学家，由其衍生的ResNet残差网络、VGGNet等模型，成为了图像识别类任务的基础工具，广泛应用于视频监控、工业检测、自动驾驶等领域。2022年初，OpenAI在多模态（如文本和图像结合）人工智能领域也发布了重要成果：最新的DALL-E 2模型可以根据给定的文本生成不同艺术风格的高像素插图，堪称“AI中的艺术家”。特斯拉的自动驾驶系统也是综合运用了多种前沿的AI模型和训练方法，由基于卷积神经网络和Transformer的视觉系统、深度强化学习规划系统等多个子系统构成。

不仅如此，美国的科技巨头也为人工智能的研究提供了非常多重要的底层基础设施，包括GPU图形加速芯片、专用的AI芯片TPU以及业内常用的像PyTorch（源自Facebook）、TensorFlow（源自谷歌）等AI编程框架。

另一方面，中国庞大的消费市场也带来了助力人工智能生长绝佳的土壤：海量的数据和丰富的应用场景。近年来，中国在人工智能领域的学术研究能力已经进入世界第一梯队，根据2022年3月发表的斯坦福AI指数报告，2021年中国在AI期刊与AI顶会的论文发表量全球第一，占比分别为31.0%和27.6%，已经超过美国的13.7%和16.9%，但在AI顶会论文的引用量上仍以15.3%的占比落后于美国的29.5%，说明影响广泛的成果仍比较少。另外，中国的人工智能研究主要专注在信息检索与推荐系统、多媒体、物联网等具体的应用领域，在更为基础的，通用层面的研究，如计算理论、芯片技术、人机交互等子领域，与美国差距仍是比较大的。

通过研究，我们也认识到全球学术前沿思想与产业落地应用之间目前仍存在鸿沟，许多想法仅停留在学术研究阶段。过去几年中，大部分成功落地的人工智能技术，仍属于“弱人工智能”的领域，只能解决专有领域的问题，而不是那种一次训练就能解决很多不同类型问题的通用型人工智能。例如，基于有监督学习的人工智能是目前产业界应用最广泛、最成熟的技术。所谓的“有监督”意味着人工智能系统在解决每一个实际业务问题之前，要对其提供大量的、针对该问题的数据样本让机器进行训练，且必须是进行过良好标记的数据。当业务规模较小的时候，有效数据很少，AI可能根本不如人工；而随着业务规模扩大，数据的标注质量、训练成本也可能成为制约模型效果、降低AI性价比的主要因素。更重要的是，通过有监督学习找到的模式，可能仍是对于世界的一种简化的统计学模型，未必理解了其中真正的因果，只不过它在解决某些特定问题上已经够用了而已。

那么基于这类AI带来的产品的领先优势，是否可以长期持续？关于机器究竟学到了什么、如何能让机器仅从小数目的样本、仅通过短时间的学习就能解决不同的任务、通用型人工智能的时代何时到来、以什么方式到来还有AI相关的隐私保护、伦理等等许多问题其实尚在探索当中。

我们做了什么？

对AI的研究并非一蹴而就的，尤其这还是一门前沿的、充满晦涩专业术语的学科。在此过程中，我们通过大量的论文研读、课程学习、专家访谈、行业数据比较等，从多方进行突破。我们既有人关注基础技术、从通用的理论层面解析技术原理和跟踪技术前沿发展方向；也有人从行业实际应用出发，追踪技术从理论到落地的具体细节，比较不同企业具体做法的差异。互相默契的配合，让我们逐步对这一领域建立起了基本的认知，对某些产品的壁垒和未来发展潜力，也有了不同于以往的、更深刻的理解。

作为投资机构，我们最关心的还是在这类新型生产力工具的冲击下，哪些企业能善于拥抱变化、活用技术而创造出更有价值的产品并从中赚到钱，以及我们的投资标的是否会因反应迟钝而被效率更高的竞争对手取而代之。回答这些重大问题是不能马虎的，但如我们时常观察到的，在一项先进技术展现出强大的潜能之后，人们容易在没有完全认知和理解其原理和局限的前提下，对其进行夸大的描述，又或者是未能及早意识到传统的做法正在遭受冲击。

过分夸大或者想象力不足的根源都是缺乏了解，为避免犯下这些错误，我们感到研究清楚这项技术的原理、门槛等根本性问题是很有必要的，这样我们才能最终建立起正确的判断标准。我们目前的研究正沿着这一方向开展，即便我们很难企及科学家们理解的高度，目前为止对很多具体问题的认知也仍是不够的，但我们不得不以这样的方式去思考和研究，这将会极大地帮助我们保护已有的投资和找到新的机会。

【参考资料】斯坦福HAI 2022 AI指数报告

【风险提示】本内容仅为帮助投资者了解大禾投资使用，不构成对产品的任何宣传推介材料或者法律文件。内容中如涉及对市场、行业、公司和产品的展望性陈述，均为本公司基于现行估计及预测而做出。虽然本公司相信这些展望性陈述所反映的期望是合理的，但本公司不能保证这些期望被实现或将会证实为正确，故不构成本公司的实质承诺，投资者不应对其过分依赖并应注意投资风险。