字节跳动AI LAB总监李磊去职，加盟加州大学芭芭拉分校接受助理传授，有没有得到终身教职临时还不知道。

前一个回归学术界的AI大佬是百度的吴恩达，他的学术内容是卖AI课程。跟着AI从业人员的降薪、被裁，AI行业的泡沫也若隐若现。这个行业，好像并不如看起来那么性感。

百度是中国AI界的黄埔军校。很大一部门叫得着名字来的AI独角兽首创人都是从百度出去的。一方面，这个行业的人才受到成本的追捧，可以或许很容易拿到一笔钱出来自立派别；另一方面也反应出，AI大局限应用短期很难落地，大公司没有在AI行业成立起足够的护城河和门槛，而在大公司里的AI从业人员短期内也很难实现贸易化打破将公司给的鼓励机制变现。 

假如说移动互联网的开疆拓土是由苹果打响第一枪，然后成本快速跟进，一定中带着偶尔；那么人工智能这个行业，从一开始就是成本决心庇护培养的。说AI是一个“部门靠技能部门靠成本”堆砌起来的赛道也并不外分。那么AI是怎么被成本喂养却又一直长不大的呢？ 

一

2008年以来的活动性宽松，让成本急需寻找发作力强回报率高的行业。移动互联网撑起了金融危机之背面十年的高增速市场。但这还不足。

跟着人口红利见顶，人们的大部弟子活内容都已经过线下转至线上，移动互联网增速也日渐平缓，成本急需下一个高发作力的赛道。

万物互联的时代之后是万物智能。只有人工智能可以或许撑得起成本的野心。

可是，尽量大把成本砸进去，行业的发作点还远没有到来。固然此刻的AI赛道有一件件专利垒起来的城墙，但没有得到大局限应用的AI如无源之水无本之木。

大部门的AI公司今朝都难以盈利。一方面，AI技能还处于高速成长阶段，纵然有盈利，也需要将盈利再投资到研发中，研发用度居高不下。另一方面是，AI始终没有找到发作性的应用场景。

二

假如说AI应用分成三个层级，那么第一个层级是感知层面，让AI具备认知本领，可以或许识别外界的指令；第二个层级是决定层级，AI接管了指令之后可以或许出具方案。第三个层级是执行层级，AI可以或许将方案执行落地。

今朝AI得到大局限应用的场景主要是语音识别，自然语言处理惩罚和视觉感知。这三个规模的代表性企业别离是科大讯飞、Open AI和海康威视。尽量这三个应用规模相对来说已经较量成熟，但它们其实只是涉及到了AI的感知层。真正焦点的决定层技能还远没有到落地的时候。虽然，不可否认AI成长到本日的后果，视觉感知在安防应用方面，已经起到了很是重要的浸染。 

AI在感知层面可以或许落地是有赖于海量的数据喂养。大量“可用数据”被分成“练习子集”和“测试子集”。通过“练习子集”让AI总结归纳数据的特点，通过“测试子集”来完善迭代AI识此外准确度。通过无数次反馈和迭代，一步一步让AI在感知层可以或许识别文字、语言、心情和物体。

但逗留在感知层面的AI，很难带来出产力的大幅晋升。感知层面的AI技能也并不如想象中的门槛那么高。这导致了本日AI赛道过于拥挤且变现坚苦。 

三

AI的另一个问题是，今朝的AI并没有各人想象中智能。有一句话很有意思：AI没落了几多旧的事情，就缔造了几多新的事情。 

AI的监视练习需要海量数据。这些数据需要举办人工标注才气成为可用数据。数据标注这份事情枯燥且耗时，但在这个阶段，还真的没步伐用呆板代替人工标注。

之前科大讯飞还闹出AI翻译背后其实是人工翻译的闹剧。固然这个后头已经被科大讯飞辟谣了，可是不可否定，有一些AI公司是披着AI的外衣，干着人工的活儿。

通用型AI还没有呈现，那么专用型AI的成长水平又如何呢？其实纵然是今朝最先进的AI，离自然人都差距甚远。今朝最先进的自然语言处理惩罚的标杆是Open AI的GPT-3。该系统有着1750亿个参数，已经可以或许自动生成人类可以领略的文本。尽量如此，GPT-3并不能领略真正意义上的写作，更多的是对人类自然语言的一种仿照。 

自然语言识别是神经网络练习的一大分支。据估算，人的大脑有约1000亿个神经元，可以或许形成100万-500万亿个突触毗连。纵然是海量参数如GPT-3，比起自然人的突触毗连来看，也是千分之一的模仿突触数量。所以就算是在自然语言识别这一个细分规模，AI也远远没有到达人类的庞洪水平。

四