本文摘编自周鸿祎新书《智能主义：未来商业与社会的新生态》，转载自正和岛公众号。
资本寒冬，商业模式类创业创新遇冷。在这样的背景下，能够逆势而上受人关注的，唯有人工智能领域。它之所以受到持续追捧，是因为其成为新时代的基础设施，像水、电、网络一样成为所有企业的必需，这一点已成为共识。而对于当下，如何将人工智能落地、商业化，如何适应人工智能将构建的新商业生态，尚有分歧。
人类社会经历过的 PC 互联网时代、移动互联网时代，以及现在所处的智能硬件时代，技术发展和商业模式创新之间始终是相辅相成的关系。每当科技发展的红利被商业模式创新挖掘殆尽后，经济也随之步入寒冬，直到下一轮技术革命的出现，商业模式创新才能重新迸发生机。
现阶段移动互联网的商业模式创新已经挖光了 Web2.0 时代的技术红利，所有人都在寻找新技术，以期获得新的商业模式创新。人工智能技术无疑就是下一轮技术革命的焦点，假如未来的某一天，我们在这方面有了突破，那么新的商业模式也将涌现出来，带来一个甚至多个万亿级市场。
在我看来，未来通用人工智能生态圈的格局会是下面将要介绍的样子。
人脑芯片
2014 年 8 月，IBM 公司推出了一款名为 TrueNorth 的大脑原型芯片，TrueNorth 主要被用于计算机专业学习领域。TrueNorth 芯片集成了 100 万个神经元和 2.56 亿个突触，这相当于一只蜜蜂的大脑，而正常人的大脑大约包含 1000 亿个神经元和无法统计数量的突触。
量子计算
普通计算机存储数据的方法是根据晶体管电路的状态，而量子计算则是根据粒子的量子状态，使用量子算法来进行数据操作。通过量子计算，可以大幅提升并行计算速度。不过遗憾的是，这方面还没有出现研究成果，谷歌曾经在 2014 年开始研制量子级计算机处理器，他们希望为机器人提供一个可以像人一样思考的大脑。
仿生计算机
仿生计算机可以解决构建大规模人工神经网络的问题。普通的 CPU（中央处理器）、GPU（图形处理器）处理神经网络的效率很低，并且在占地、散热和耗电等方面都存在问题。专门的神经网络处理器可以很好地解决这些问题。在国内，陈云霁团队研发的寒武纪神经网络计算机依据仿生学原理，相比于主流 GPU，取得了 21 倍的性能和 300 倍的性能功耗比提升。
在图像、声音和面部识别系统变得越来越精准后，计算机也拥有了探察人的情感状态的能力，包括喜、怒、哀、乐、爱、恨、贪、痴等，并做出适当的反应。那么很多人会有这样的疑问：
机器人能否拥有像一个正常人那样独立思考的能力？
关于这个问题，我曾经与著名的互联网预言家、《连线》杂志前主编凯文·凯利有过一次交谈。在凯文的思想里：
未来的人工智能会产生自己的意识，这会为我们完全掌控它带来一定的困难，但不会形成毁灭人类的威胁。
绝大多数的人工智能都只会是工业人工智能服务型电器。
我对 360 的战略规划就是全线硬件产品向人工智能看齐，从图像识别技术和大数据技术两个方向深度拓展。目前，我们已经在中国和美国成立了相应的技术研发团队，并且还相继进行了一系列并购。
总的来说，360 在人工智能领域的整体规划可分为以下 4 个层次：
（1）最基本的硬件层面，研发、升级可以在云上、端上进行深度学习的专用芯片；
（2）面向大规模深度学习、训练的多机多卡软硬件平台，以及基于深度学习的各种人工智能的前沿算法；
（3）基于人工智能的各种智能硬件产品；
（4）在人工智能或者深度学习的基础上，使智能硬件具备自主学习能力。
作为 360 未来主推的大方向，我对人工智能的设想是无论在硬件还是软件方面，都将拥有自主学习功能。阿尔法狗赢了之后，我非常兴奋，我兴奋的不是人工智能在围棋上战胜了人类，而是它为我们所有人做了一次非常好的概念普及，让我们真实地感受到人工智能领域的成果。
但是，我所理解的人工智能并不会像阿尔法狗那样只表现在下围棋方面，也不会像好莱坞电影中那样可以威胁人类安全。人工智能就像工业革命之后所带来的新技术那样，为我们的生产、生活带来极大的便利。
虽然目前看来，360 智能摄像机还仅仅是一个小产品，功能也有限，但它只是一个开始。我的期望是在不远的将来，它能够根据面容区分出家人和陌生人，能够识别出你的表情是高兴还是悲伤，甚至还能在家里四处巡视，检查家里是否有漏水、漏气、漏电等异常情况。当发展到那个时候，它就是一个具备深度学习能力的智能家庭机器人了。
为了加速达成这一愿景，360 人工智能研究院院长颜水成正在带领团队研发新技术，并且做了以下布局：
建立软硬件训练平台：360net
稳定、低功耗的人脸分析系统
车辆环境感知
建立软硬件训练平台：360net
DeepMind 公司曾经推出过 DQN 项目（Deep-Q-Network），它是基于深度强化学习的游戏平台。
Deepmind 在 2013 发表 NIPS 文章《Playing Atari with Deep ReinforcementLearning》是公开的最早使用 raw pixels 作为输入的，用于解决 Reinforcement Learning（强化学习）的深度学习网络 DQN。在该文章中，作者在 atari 一系列的游戏上做了各种算法的比较，如下图所示：
在总共 7 个游戏中，有 6 个做到了算法中最好，其中还有 3 个做到了比人类专家还要好。
该文章中提到的 DQN 有两个特点：
1. 用来更新参数的 minibatch 是是从 replay memory（回放记忆）中采样出来的，而不是仅仅的用当前一个片段或者 session，这样能使得模型收敛性更好，否则会很容易训飞。
2. value 函数是一个多层网络。
我们从中受到了很多启发，并成功建立了一个基于软硬件的训练平台——360net。之所以构建训练平台，是由深度学习的本质决定的：要训练一个系统，大量的训练数据固然重要，同时快速的响应时间也必不可少。
360net 支持多机多卡（360 人工智能研究院院长颜水成：多台机器上多块 gpu 一起训练大数据），可以用 100 张卡或者几百张卡连在一起对深度学习进行训练，同时它还具有高度的兼容性和可扩展性，这意味着将来我们还可以吸纳其他的深度学习模块，来减少开发所需要的时间。对我们的人工智能业务而言，360net 是至关重要的根基。
稳定、低功耗的人脸分析系统
360 的人脸分析系统已经被应用到 360 手机、儿童手表、行车记录仪上。此外，线上搜索也在一步步配置人脸分析技术。人脸分析系统可以对性别、年龄、表情等进行分析，当下直播行业的火热，让这套系统的前景非常可观。
众所周知，在人脸分析过程中，准确定位人脸上的关键点是验证技术的一个标准，我们已经把这套技术应用到了 360 的产品当中。未来，360 还将进一步提升人脸分析的准确度，这一切的基础就是大量图像数据的积累。
车辆环境感知
我们曾经招募了一个计算机视觉团队，他们来到 360 之后，主要负责车辆环境感知方面的研究，主要是物体的分类、检测和分割。这是 360 对无人驾驶汽车的布局，通过技术实现车辆和行人之间的精确定位，可以更好地辅助驾驶。
试想一下，在城市环境中，汽车可以自动进行车道线的检测，同时预计出距离红绿灯以及交通摄像头的距离，保证汽车的安全。而在检测出可行驶区域之后，就可以准确地预测道路车辆可移动的轨迹和范围，这对于车的路线预判和选择有巨大的价值。
当然，我对人工智能的设想建立在泛安全的基础之上。这里所说的泛安全指两个方面：传统的线上安全和线下安全。线上安全处理的主要是大数据方面，线下安全则是人与智能硬件的交互。我们把信息传递给智能硬件之后，智能硬件要能理解我们的意图，同时要把它的信息反馈回来。
安全是基础，只有在安全的基础上，我们才有可能考虑舒适、便捷的人工智能式生活。所以，360 首先还是要利用 IOT 技术解决人们的家居安全和出行安全。对于做安全起家的 360 来说，人工智能是一个更适合我们的方向。
当手机行业热潮来临的时候，我们视而不见。
当 O2O 模式大行其道的时候，我们依然不为所动。
但是，当人工智能的概念进入我视线的那一刻，我的第一个想法就是要抓住人工智能这波浪潮，并为之肝脑涂地，在所不惜。
雷锋网原创文章，转载请注明来源出处