1956年盛夏季節，在美國漢諾斯小鎮寧靜的達特茅斯學院，約翰·麥卡錫（John McCarthy）、馬文·明斯基（Marvin Lee Minsky）等人提出了“人工智能”的概念，這就是著名的“達特茅斯會議”，也是人工智能（AI）的元年。

65年，從科學假說變成通用技術

當時，科學家們在會上討論的是一個看似完全科幻的問題——用機器來模仿人類學習以及其他方面的智能是可能的嗎？整整65年過去了，經過無數次的懷疑、低谷，人工智能終于從一個開放式的命題變成為一個確定性的話題。

本文想探討一個問題——即發展到通用技術階段的人工智能的產業意義。

所謂通用技術，我們可以理解為可以廣泛地應用于各個領域，產生強烈的溢出效應，帶來方方面面變革的技術。當人工智能隨著整個應用環境的成熟，包括技術方向、落地場景、算力、云計算和帶寬等方面的飛速進展，人工智能第一次可以以一種通用技術的姿態登上歷史舞臺。

我們毫不懷疑，人工智能通用化對于變革整個社會系統中資源分配和資源運用方式的巨大潛力和推力，它將注定是可以和蒸汽機、內燃機、電力、計算機與互聯網等發明并列于人類文明史的最大規模的技術革命，它將改變人類文明的進程。

而它的發展速度也是驚人的。近期，英特爾發布了一個代號為Pohoiki Beach的類腦芯片，集成了1320億個晶體管，總面積3840平方毫米，將800萬個數字神經元和80億個突觸塞進了這個計算機系統里，大小超過人的手掌。而或許在5-10年之后，達到這一算力的芯片會出現在我們的電腦、智能手機或其他消費電子產品上。

通過AI知曉AI

給人工智能分級的工作是令人興奮的，因為它是按人的方式去創造另一個智慧體系。我們有幸為人類自己創造未來的助手、伙伴和同行者，這令我們意識到自己正在書寫歷史新的一頁，賦予每個人工智能工作者前所未有的使命感。

目前，對于人工智能的發展階段劃分有種種不同的標準或者假說。作為人工智能行業的從業者，從人工智能與人腦的思維過程的相似性出發，將之劃分為四到五個階段，即：感知、理解、分析、決策、創新。

首先，感知能力是最基本的能力，即通過多模態的傳感器（比如你的手機攝像頭）感知外部信息和態勢的能力，類似于人類的五官獲取外部信息的能力，它是一切的基礎，目前已經發展到了相對成熟的階段。

隨之而來的理解能力，重點在于分辨出感知到的事物究竟為何。舉個例子，一個攝像頭可以把我和你分辨出來，但“我是誰”或者“誰是我”則超越了感知范疇，進入了理解即認知范疇。理解，可以說是連接感知和此后的更高級思維過程如分析、決策和創新的關鍵樞紐，只有正確的理解才能夠構建解析出的思維過程。目前，知識圖譜、深度學習等熱門技術都為人工智能的理解能力提供了重要的支持。

但最激動人心的莫過于從理解到“分析+決策”的飛躍，分析能力可以提供事務洞察，作為判斷和決策的基礎。它是人工智能真正切入解決現實痛點的一個重要的分水嶺，盡管這一過程目前還不夠完善，而且也許需要人類數十年如一日的努力才能最終完善，但我們已經可以看得到它正在落地，正在對整個社會的資源的分配變革發生效應，它是人工智能的當下。未來科技的發展可能最終實現具有分析決策能力的高階人工智能應用，而人類更多的資源將投入到創新的工作中去。

本文要討論的重點是，我們究竟應該如何加速人工智能對我們的社會、產業、商業的變革？對此，筆者很贊同埃森哲報告中的一句話：要把人工智能付諸實施，一定要從業務模式而非技術模式，即從需要解決什么問題而不是可以解決什么問題出發，加之以強有力的機構作為變革的推動者，才能加速其落實。

正是秉持問題先行的原則，我們可以看到，進入智能推理即分析+決策階段的人工智能，已經為我們的生活帶來了哪些激動人心的變化。

今天，全社會的生產要素正在重構

“千人千面”這個詞現在非常流行，從我們的各種互聯網廣告系統，從“今日頭條”、“抖音”這樣的推薦引擎，從“必要”這樣的先下單、再生產的柔性供應鏈電商，我們發現一個什么規律呢？就是無論是內容、服務還是產品，都開始實現從生產端到需求端的極度個性化供給，這是非常極致的一種體驗。

我們知道，大工業時代解決了產能不足的問題，但是也帶來了巨大的產能過剩問題。不說很遠的事情，中國大概20年不到的電商發展史上，至少有5-10家非常有希望的電商平臺倒在了庫存問題上。為什么呢？因為現在絕大多數商品的模式都是，在銷售季節到來之前靠人工推測趨勢，然后對賭式地生產，如果踏準了市場的節奏，就風生水起，如果踏錯了就大敗虧輸。這聽起來也許很可笑，但卻是事實。某種意義上來說，在人工智能出現之前，人類基本一直是沿著這種模型來組織生產的。

但是具有智能推理能力的人工智能可以解決這個問題，它從本質上把大工廠、大流水線式的生產資料分配方式，切割成了千千萬萬個點，這種切割是虛擬的，但它重構了整個社會的供需關系。

現在我們看到的更多是營銷、內容、娛樂這樣的本身已經是純數字化的載體借助于智能分發取得了極高的估值，未來它一定可以轉移到實體產品的生產上。它將帶來什么？帶來的是資源的極大節省和效率的極大提高，它將是中國80%的還沒有數字化、智能化的實體產業進行彎道超車的一次徹底的潛能釋放。

再舉一個我們都很感興趣的例子——破案。其實，在真實的生活里，破案絕不如影視文學作品那樣充滿了刺激和張力，更多的是進行沙里淘金式的艱苦工作，因為我們的警力嚴重不足。筆者所在機構參與過一個涉毒案件偵破，我們構建的某市“警務大腦”，圍繞涉毒這個關鍵詞在公安內部及政府部門的相關系統中找到了323億條數據，識別出全省高危涉毒人員3.5萬余人。

坦率地說，如果是在福爾摩斯的時代，案件到此可以說已經中斷了。因為沒有人有能力去分析323億條數據和識別3.5萬個僅僅是有某種可能性的“涉毒者”的嫌疑。因為這里的核心邏輯已經不僅僅是感知和識別，它涉及根據多方面的因素進行組合的分析、排除、確認、搜索……簡單說，它基于分析挖掘模型，最終判定嫌疑人身份及活動區域。然而，正是因為我們已經進化到人工智能的高級時代，因為我們的系統不能說完全代替但已經可以充分根據公安人員的思維系統來提供輔助的決策依據，所以我們得以分析和處理天量的數據，最終根據已有線索挖掘出多個嫌疑人，從而在一項重大案件中輔助警察實施抓捕涉毒人員41名，繳獲毒品3公斤。

這樣的案例還有太多太多，比如軌道交通行業，就拿上海作為例子。上海地鐵經營16條線路，415個車站，總里程705公里，平均每天乘客超過1100萬人。地鐵最重要的問題是安全檢修，但這是一個非常消耗人力的工作。

能不能把預防性的維護，變成預測性的維護呢？從“防”到“測”，一字之差，其實包含了人工智能從識別到“分析+決策”的飛躍，這是軌道交通行業幾十年都沒有解決的問題。

其實，問題的邏輯并不復雜，軌道交通作為一種非常復雜的機械車輛可以產生大量數據，而其中相當一部分數據已經數字化了，關鍵是這些數據需要非常有專業判斷能力的人來進行分析才能產生“預測”式的效果，而這在傳統的人力組織架構中是無法實現的。但是，通過對11個車型的300輛列車的監控，并圍繞每列車每500毫秒產生4000個采集點（相當于每秒采集240萬個測點，一天2TB數據），逐步構建感知-認知-分析-決策的反饋閉環，上海地鐵成為全國第一家完成路網級車輛大規模在線監測的地鐵運營方。

在上面我們列舉了三個例子，所有的例子都有一個共性，就是在人工智能介入前，其實可用于分析、決策的數據基礎已經有了，但從人力的角度來說，這個數據過于龐大，以至于超過了在現實中組織這些人力的事實可能，最終把可預測、可分析的事情變成了不可能。而進入智能推理境界的人工智能則用數據處理能力高得多的機器在特定問題的分析上取代人工，最終實現了生產資源、供需關系、信息處理方面的二次飛躍。

AI未來

正是因為這種飛躍，我們完全有理由期望一個更美好的時代的到來。

前面提及，1956年由達特茅斯會議開啟了人工智能的元年。其實，那一年也是中國科技史上的一個重要時刻。也在這一年，國務院科學規劃委員會集中全國數百位專家，完成了《1956-1967年科學技術發展遠景規劃綱要》（簡稱《十二年科技規劃》）這一指導性文件的編寫，將計算機、自動化、電子學、半導體列為需要重點快速發展的緊急措施。然而，非常可惜的是，因為種種因素，人工智能在中國的發展陷入了停滯，長達數十年之久。

然而，僅僅通過30年不到的努力，現在，中國已經一躍成為美國之外全球具有人工智能完整產業鏈和創新發展落地最密集、最蓬勃的國家，我們有理由為這個時代驕傲。但我更經常和我們的朋友分享的是，要想推動這個行業的發展，所能依靠的唯有具體的案例落實和拿出真實的成績，而一旦它深入社會的經濟核心，可能如核聚變般釋放出整個社會進步的巨大潛能。