1.人工智能走过的两条路线

莱特兄弟之前，人们发明飞机的思路是模仿鸟类飞行，希望造出能振翅高飞的器械，这种尝试无一例外都以失败告终。莱特兄弟改变了思路，他们用的是空气动力学原理，而不是仿生学。

人工智能也经历过“仿生学”阶段，早期人工智能的思路是，先了解人类是如何思考的，然后让计算机模仿人类思考。沿着这条思路，人们研究了十几年，结果除了做出几个简单的“玩具”之外，人工智能解决不了什么问题。

到了20世纪70年代，人们开始尝试另一种思路，即数据驱动。什么是数据驱动？回答这个问题之前，先看看计算机的工作流程。简言之，计算机工作流程是：获取数据——建立模型——分析决策。

2.模型与大数据

根据计算机的工作流程，自然要问：解决某个具体的问题，该用什么模型？下面从我的工作经历说起。

在我职业生涯的早期（2010年），我遇到一个直线共轭齿轮设计问题。学机械的人都知道，在学校学的齿轮（包括市面上大多数齿轮）都是渐开线齿轮。现在我要面对的是一个从未见过的问题。

我查找了文献，发现主要有三种模型，第一种是利用坐标变换，建立参数方程；第二种是利用复数矢量法，建立复数矢量方程；第三种是通过建立齿廓法线，反转求解直线共轭齿廓方程。三种模型如下图：

这三种模型不但复杂，且无法解决我当时遇到的实际问题（齿轮加工）。忘了在什么的启发下，我想到读研时学过函数逼近理论，于是重新翻了数学教材和一些数学著作（如《数学，它的内容、方法和意义》）。发现俄国数学家切比雪夫在设计机械时提出了最佳一致逼近的设想，后来，德国数学家魏尔斯特拉斯证明了：可以用代数多项式以任意给定的精度逼近任何连续函数。

据此，我只用了初中就学过的一元二次方程，顶多一元三次方程，就以足够的精度解决了问题，比上面那些模型简单得多。6年后，即使2016年，我把分析过程整理成文，发表出来，如下图。

但是我的模型也不是十全十美的，比如它没有几何和物理意义。这说明，即使齿轮这种很简单的问题，也很难找到十全十美的模型。

人们期望计算机能解决的问题，比齿轮复杂得多。很多时候，完美的模型根本不存在，即使存在，找到它也不容易。有人想到用不太完美的模型，或者用多个不太完美的模型进行组合达到完美的效果。

无论找到一个完美的模型，还是由多个不完美的模型来组合，下一步要确定模型的参数。比如说我采用初中学过的一元二次方程模型：

y=ax²+bx+c

那么就要根据实际情况，找到模型参数a，b，c，参数越准确，效果就越好。如果这个过程由计算机完成，就叫机器学习，也叫机器训练。

科学技术的进步很多时候都要看运气，人工智能也不例外。1972年康奈尔大学的贾里尼克教授去IBM做学术休假。那时的IBM是巨无霸，拥有大量数据，贾里尼克教授无意中利用了IBM的数据和算力优势。发现随着数据量的增大，训练效果会越来越好，而过去的办法（仿生学），很难受益于数据量的增大。

后来其他教授去IBM参观，看到IBM采用数据驱动的方法取得巨大成功，很多教授都接受了这种方法。李开复就是在这种背景下，在传统的人工智能实验室，采用新的方法（数据驱动）开展他的人工智能（语音识别）研究的。

据一些人说，如果没有李开复的工作，他的导师不可能获得图灵奖，可见，李开复的名声是名副其实的。继李开复用数据驱动办法，解决语音识别之后，很多计算机科学家考虑能否用数据驱动解决其他智能问题。

李开复之后，数据驱动的人工智能又经历了近20年的波折，比如数据驱动用在语音识别上效果很好，用到别的问题，比如机器翻译效果却不好。期间争论不断，直到21世纪初，大部分人都看到了数据驱动的优势，纷争才逐渐平息。

近20年的波折主要原因是数据量不足，直到90年代互联网的兴起，使数据的获取变得容易，数据驱动方法才逐渐见到光明。其实有些领域到21世纪头几年还很难获得足够的数据，比如2006年李飞飞训练视觉智能时，还很难获取到足够的图片。有些问题直到现在可能都还很难获得足够的数据。

不过按吴军的观点，2005年算是大数据的元年。理由是，在当时还名不见经传的谷歌公司，以巨大的优势打败全世界所有机器翻译研究团队，一跃成为该领域的领头羊。

谷歌有什么秘诀呢？其实说出来太没创意了，方法还是老方法，只不过谷歌拥有比其他研究机构多几千上万倍的数据而已。量变引起质变，谷歌用大数据训练出来的模型远远优于其他团队。

至此，我们看看什么叫大数据？

显然，正如它的名称，数据量要大。但是不能把大数据等同于大规模数据。比如你拥有全中国14亿人的出生年月日数据，这个数据量不可谓不大，但是这么大规模的数据量除了能够统计出全国人的年龄分布之外，并没有太大的意义。统计全中国人的年龄分布，随机抽一亿个，甚至只需要几百万就足够了。

大数据之所以有用，除了数据规模大之外，还有其它特征。

大数据主要有三大特征：量大、及时、多样（完备）。当然并不是所有数据都要同时满足这三个特征，尤其是及时性。比如研究清朝的GDP，显然不需要及时的数据。但如果要通过交通数据来指导当下人们的出行，显然不能用上周的数据。

数据的多样性最非常关键，多样性的价值可以用考试做类比说明。题海战术某种意义上就是数据驱动，大量刷题，掌握各种题型的解题技巧，考试时恰好很多题目是你训练过的，就能得高分。但是，如果你只大量刷一种题型，就很难得高分，甚至考不及格，因为考试时很多题型你都没见过。

也许你听过幸存者偏差，数据缺乏多样性就容易出现幸存者偏差。很多商业图书的套路是，一个成功企业家总结他为什么成功，隐含的意思是：让我来告诉你如何像我一样大获成功。但是采用跟成功者差不多管理方法的，失败可能还多于成功。所以我们不能只向成功者学习，也要吸取失败者的教训，只是失败者一般不写书。

3.从数据和能量看人工智能

为什么AlphaGo能战胜围棋天才李世石？我们可以从数据和能量的角度估算一下。

人下一盘围棋一般需要1-10小时不等，姑且按3小时一盘计算。假如李世石每天下棋12小时，那么一天下4盘，又假如他全年无休，那么他一年只能下1400多盘。AlphaGo可是分析总结了几十万盘高手对弈，这么大的数据量，李世石下一辈子围棋也无法企及。

AlphaGo用如此大的数据量训练出来的模型，碾压李世石听起来就不足为奇了。

再从能量角度分析。按正常人估算，李世石一餐吃一到两碗饭，每日三餐，顶多再加点水果零食，这就是他一天获得的能量。

AlphaGo跟李世石对弈时，谷歌用了1920个中央处理器（CPU），280个图形处理器（GPU），几十台服务器同时工作。李世石的所有决策，只靠他一个头脑，真是以大欺小，以强欺弱，太不公平了。

这么多服务器同时工作，耗电量多少我没有数据。下面是吴军的数据及他的估算：

跟李世石对弈时，谷歌每个CPU每秒可完成5000-7000亿次运算，每个GPU每秒可完成7万亿次运算，这么大的计算量，如果用早期的计算机，至少要400万座三峡电站满负荷运转给计算机供电才够。

这从一个侧面说明为什么人工智能最近才取得突破——得益于摩尔定义，硬件算力越来越强，功耗越来越低。同时也说明人的大脑处理信息单位功耗很低。

4.问题

随着近10年物联网的兴起，我们已进入万物互联时代。物联网中数量庞大的传感器和设备，加上5G移动通信网络，已为大数据和人工智能铺平了道路。

但现在人工智能仍处于初级阶段，接受大数据、人工智能思想的人不多，有实际行动的更少。当然现在人人都用AI，那只是当高级“百度”使用。

假如你公司采用大数据和人工智能，在设备上安装了很多传感器，用于获取设备的运行数据，但卖出去的产品原则上所有权已属于客户了。

你是否遇到客户不愿意给你提供数据的情况？换句话说，客户不愿意让掌握设备的运行数据。如果遇到，怎么解决？

参考：

1.《智能时代》，作者：吴军。

2.《我看见的世界》，作者：李飞飞。