内容来源：创业邦100未来领袖峰会，君杰成本创始合资人高庆一博士环绕着AI干系话题进行主旨演讲。
本文转载自创业邦星际营（ID：BangCamp_）。

责编 | 清野

第 1939 篇深度好文：11428 字 | 12 分钟阅读

精华条记·人工智能

本文新鲜度：★★★★★ 口感：春蔬炖羊肉

条记君邀您，先思考：

什么是人工智能？

什么是繁芜网络？

2006年到2007年，加拿大学者重新提出了Deep Learning（深度学习）的观点，由此拉开了人工智能10年的高速发展浪潮的序幕。

一、人工智能编年史

在1956年，美国的达特茅斯会议，第一次提出来“Artificial Intelligence”（人工智能）这个观点，我们普遍认为，1956年是人工智能领域的出发点。
那么繁芜网络始于什么时候呢？1736年的哥尼斯堡七桥问题。

2016年3月，AlphaGo（阿尔法围棋）打败了当时的围棋天下冠军李世石，2017年3月又打败了围棋九段棋手柯洁。
从2016年3月开始，大量跟深度学习、数据挖掘、人工智能干系的词汇在我们生活中涌现。

人工智能、繁芜网络是一种什么样的逻辑框架？深度学习（Deep Learning）、数据挖掘（Data Mining）、监督学习（Supervised Lerarning）、非监督学习（Unsupervised Learning）以及干系关键词在人工智能领域处于一个什么样的位置？本日所讲的繁芜网络又在人工智能这个领域里面处于一个什么样的阶段？

人工智能分为强人工智能和弱人工智能。

强人工智能须要机器具有推理能力、办理问题的能力，还须要机器具有自我意识，但是对付弱人工智能，不强调机器具有自我意志。

人工智能有一系列的干系技能和理论，还包括一个非常主要的部分叫做繁芜系统，也叫繁芜网络。

1950年，图灵测试（The Turing test），便是我们与机器以问答的办法进行沟通，通过问答来判断机器后面是一个人还是一段程序。

提到Alan Turing，我想大家都看过“模拟游戏”，一部记录英国数学家、逻辑学家阿兰图灵的传记电影。
大家都知道，打算机科学领域的最高奖，叫做图灵奖，类比电影领域的奥斯卡，以及相应科学领域的诺贝尔奖。

约翰·麦卡锡 (JOHN MCCARTHY)在 1956 年的达特矛斯会议(DARTMOUTH CONFERENCE)上提出的：人工智能便是要让机器的行为看起来就象是人所表现出的智能行为一样。
但是这个定义彷佛忽略了强人工智能的可能性。
另一个定义指人工智能是人造机器所表现出来的智能性。

总体来讲，对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。
这里“行动”应广义地理解为采纳行动，或制订行动的 决策，而不是肢体动作。

1972年，第一个人工智能机器人Shakey涌现。
1980年到1990年这十年间，专家系统（Expert system）得到了长足的发展。
大家可以看一下我国人工智能领域的院士，很多都是从专家系统方向开始人工智能领域的研究。

2017年Alpha go降服了围棋天下冠军柯洁，2007年深度学习观点被提出，而在之前的十年，1997年，也有一个当时震荡天下的科技进步，1997年IBM的深蓝（Deep Blue），降服了当时的国际象棋天下冠军卡斯帕罗夫（Kasparov）。

二、什么是人工智能？

家当界、学术界和研究机构对付人工智能的定义有比较大的差异，各自从本行业及各自善于的学术及实践延承各有侧重：

Stanford 大学（斯坦福大学）定义：“人工智能是致力于使机器智能化的活动，而智能便是使实体在其环境中能够适当地、预见性地发挥浸染的性子”；

Accenture（埃森哲）定义:“多种技能可以以不同的办法结合起来感知、理解和或行动”；

Amazon（亚马逊）定义：“打算机科学领域致力于办理常日与人类智能干系的认知问题，如学习、办理问题和模式识别”。

我想着重谈一下为什么我这样排列。
我们常说“产学研”，实际上该当是“学研产”，一个理论从学术提出，到研究机构的跟进，终极转化为家当实践，是须要一定周期的。

我们创造在2010年以来，人工智能的观点成为热点，创投界无不以人工智能为热点跟进。
现在有句话：“人工智能是个筐，什么都往里装”。
我认为一定要紧密跟随学术研究趋势，把握研究机构转化进程，进而扩大学术成果的家当运用。

未来一定属于真正具有自主知识产权，深入理解人工智能领域核心技能与理论的企业。

上面给大家回顾了人工智能的发展历史，着重强调了几个主要韶光节点，以及给出了人工智能领域干系观点的逻辑框架，同时按照“学研产”的逻辑列举了不同领域对付人工智能的定义。

三、人工智能的三大要素

那么人工智能的关键支撑是什么？我们一样平常认为，人工智能的三大要素是：“算法、数据和打算能力”。

人工智能领域算法层面的进步，从1956年开始就没有停滞过，干系顶级会议的论文有很大比例都是算法层面的迭代和发展。
真正助力第三次人工智能革命浪潮的，紧张是海量数据的存储、挖掘、洗濯等干系技能和理论的革命性进步。

我们现在生活在一个海量数据的天下之中，数据规模的几何级数级别的扩展，支撑了人工智能特殊是机器学习算法中演习数据数量和质量的提升，从而支撑了人工智能的发展。

同时，在打算能力层面，由于GPU图形处理器广泛运用于深度学习程序的处理，使得打算能力产生了跃升，GPU从传统CPU（中心处理器）顺序实行为主转变为并行处理。

综上所述，算法、数据和打算能力，三大要素支撑了人工智能第三波浪潮的发展。

目前，人工智能的紧张运用领域有：无人驾驶汽车、舆情监测、智能家居、安防监控、知识管理、社交网络等等。

我们连续“过去-未来”这个逻辑，过去，我们常常听到ABC：“Artificial Intelligent”（人工智能），“Big data”（大数据），“Cloud Computing”（云打算）。

我以为，未来的发展还是会ABC：“Artificial Intelligence”，永恒的主题，但是B是脑科学“Brain Computing”，C是“Complex network”（繁芜网络）。

现在，我们常常听到人工智能危急这个词，仿佛人工智能领域再连续发展，人类被取代便是指日可待的事情，人类会在机器面前成为“无用阶级“。
真的是这样吗？为了预测未来，我们还是要回顾过去。

18世纪60年代至19世纪40年代发生的工业革命，使得人类的体能被机器取代。
在工业革命之前，人类活动以工业农业为主，体能是紧张生产要素。

工业革命四要素：蒸汽机、煤炭、钢、铁。
机器取代了人类最紧张的生产能力：体力，但是我们并没有自此成为无用阶级，人类开始发展第三家当、以及信息化革命和智能革命。

四、人工智能危急

在信息家当经由互联网革命、移动互联网革命之后，进入了人工智能革命的时期。
在人工智能革命时期，机器只会成为我们脑力的赞助和支撑，即便到达奇点（机器比人聪明），机器也是严格按照人类意志实行的人造智能，间隔具有创新性与创造力的人类智能，还有很大的差距。

真正可能对人类产生威胁的，我认为是到脑科学革命时期。
仿照人脑的思考，是奇点来临的根本和条件，类人型机器只会出身在脑科学革命时期，而不会在人工智能革命时期。

很多人在不同场合提到：未来，已来。
我认为，如果未来已经到来，那它便是现在，下一秒，便是过去。
真正的未来，依旧未来。

人工智能不是一个新鲜的问题和研究领域，它有着超过半个世纪的研究进程，经历过三起两落。
不理解人工智能发展历史和基本理论根本的人，我认为是不得当对人工智能的未来做出判断。

我们都经历过二十年前的1997年旁边，以Motorola和Nokia为代表的GSM巨子当道，当时对付移动智能终真个发展，有两大主派别别，第一种是在通信终端上加入电脑模块，第二种是在电脑上加入通信模块。
大家一定知道终极的结果是什么样的。

那么，下一步，人工智能和脑科学、生物学和医学的领悟，究竟采取哪种模式，还须要韶光来考验。

同时，脑机接口和人机接口也是下一步主要的研究方向。
大家都知道，芯片因此硅为紧张质料，我们人类是由碳水化合物构成的，以是硅基智能和碳基智能的领悟，也是下一步的一个有趣的研究方向。

我们提到人工智能，都在提到机器人，实在大家知道，最早是没有整容手术的，手术是为了在战役或者其他事件中，使得人肌体产生功能性残缺之后，而产生的。
随着时期的发展，比如隆鼻手术，开始针对功能没有任何问题的正凡人类，只是由于美感而运用。

人类的肌体功能，在发育完备后，基本是稳态递减曲线，而机器肌体部件，相应的损耗和老化，要漫长的多，而且可以随时更换。
基本可以理解为一条功能上升曲线。
以是，在未来，很可能人的一些器官或者肢体是机器，人机器替代了机器人。

那么繁芜网络又是一个什么样的观点呢？作甚繁芜？什么是网络？

我们定义节点数量达到10的12次方规模体量以上，我们可以称为繁芜；由节点和边的关系所组成的构造叫做网络。
因此当我们谈论在10的12次方以上的规模体量及由节点和边的关系组成构造的时候，我们就在谈论繁芜网络。

根据节点和边的关系不同，可以得到不同类型的繁芜网络。

以上是人工智能、繁芜网络等干系词汇的逻辑观点的大略先容。

五、繁芜网络的研究和发展

根据节点和边的关系不同，我们定义了不同类型的繁芜网络。
那么繁芜网络的研究和发展始于什么时候呢？

1736年，在俄罗斯有一个小镇叫做哥尼斯堡，有两条河穿过全体小镇，河上有两个小岛，有七座桥将两个岛与河岸联系起来。
那么，一个邮差如何在不走转头路的情形下不重复、不遗漏地一次走完七座桥，末了回到出发点？这便是繁芜网络研究的始点问题：哥尼斯堡七桥问题（Konigsberg Seven Bridge Problem）。

1959年 ER 模型提出。
1967年Stanley Milgram进行了著名的“六度分割”（Six Degree Seperation）实验，提出人与人之间最多六步就可以彼此相连接。

研究表明，在移动互联网时期，这个数字是3.7步。
1998年由google的两个联合创始人Larry Page和Sergey Brin的著名论文：“PageRank：Bringing order to the web”奠定了Google检索的理论算法根本，也拉开了未来二十年Google高速发展的序幕。

同年，Jon Kleinberg提出了HITS centrality的观点。
2004年Mark Newman揭橥了影响网络分割未来的著名：“Finding and evaluating community structure in networks”。

根据节点和边的关系不同，我们可以分为虚拟网络：比如熟人网络、合著网络、社交网络；实体网络：www、生物网络、交通网络等等。
还有信息网络，包括Citation network（引用网络）、Patent network以及Legal network。

我们认为这三类信息网络，是很好的人工智能发力载体，专利及法律文档，包括论文网络，由于它们的构造清晰，二意性小，存储合理等上风，是人工智能天然的运用处景。
君杰成本在专利和论文网络运用人工智能繁芜网络技能，剖析、挖掘、整理、预测等方向，都有投资布局。

实在，我们创业邦的Bang Camp Network也是一种繁芜网络，我们创业邦创新孵化平台公司叫做：“连界”，是连接的谐音，BangCamp作为创新孵化平台，连接了三个I，Industry、Investor、Innovator，是家当、成本、创业者之间的连接平台。

聚合创资产三方力量，汇聚创资产星星之火，可以形成创新创业的浩瀚星辰。
以是，我们Bang Camp的小伙伴该当充分利用Bang Camp和创业邦的连接资源，积聚繁芜网络势能，着力未来发展。

我们刚刚先容了繁芜网络的发展历史，繁芜网络的定义，同时根据节点和边的关系定义了不同类型的繁芜网络，那么，繁芜网络有什么样的性子呢？我们可以用繁芜网络干系理论技能做什么呢？

首先我们可以利用一系列方法来评价一个节点在网络中的主要程度，比如degree centrality（度中央性）、eigenvector centrality（特色向量中央性）、pagerank centrality等等，我们还可以运用网络切分算法，比如自顶向下的divise method（分区方法）或者自底向上的agglomerative method，可以把网络切分成多少个子网，使得子网中节点连接的紧密程度，大于子网与子网之间节点连接的紧密程度。

我们知道，繁芜网络的数量级巨大，我们可以通过网络切分技能，达到降维的目的，使得繁芜问题得以大略化剖析。
同时，我们还拥有一系列网络蜕变理论，可以根据已有数据建立模型，进而预测未来网络蜕变规律。

本日，我按照“回顾过去，剖析现在，展望未来”的逻辑思路，为大家简要回顾了人工智能、繁芜网络发展的昨天、本日，提出了一些我对付来日诰日的假设。

事实上，以上这些领域，是有可能产生出未来的BAT的，也是君杰成本一贯在关注的领域。
君杰成本在专利和论文网络运用人工智能繁芜网络技能，剖析、挖掘、整理、预测等方向，都有投资布局，希望通过我们的共同努力，能更好的推动人工智能这个行业的发展。
我们一起连接，构建人工智能领域创新创业的“繁芜网络”。
末了，我想祝福大家，在未来的10年、50年，越来越好！
感激大家。