标签： 人工智能

熟悉我的朋友或许知道我有两只宠物猫，年龄稍长的团团 6 岁，年轻的巴特斯则不到 2 岁。如果我在家，每天我会有很长时间去观察他们，并和他们玩耍。在和宠物相处的过程中，一方面你会明显感觉到某种强烈的对比：相比于和复杂的人类相处，和宠物或动物相处实在是一件非常惬意的事情。另一方面，我也开始思考一件事：宠物作为一种动物，如何成为人类——这样一种动物的伙伴乃至伴侣的？

宠物的起源

宠物作为动物，一开始都是人类打猎的猎物，随着生产力的发展，食物变得不再稀缺，人与动物的关系发生了第一次变化：动物可以作为人类的助手，比如家犬，也就是狗成为早期人类打猎的重要助手。目前历史可考的家犬的历史是 3 万年前。

随后又是漫长的进化历史，到了大约 9500 年的时候，家猫的祖先逐步被驯化，这也是当前人类最重要的两类宠物。

很长一段时间内，人类都将人与动物，或者说宠物的进化分开讨论，换句话说，人类的进化是人类征服改造自然的过程，而动物或者宠物也是自然的一部分。这是一种典型的人类中心论，或者人类例外论。

在加州大学戴维斯分校基因组的专家们 看来 ：

在过去的1万年里，人类塑造了自己的生态系统。我们是改造自然面貌的自然过程中的一部分。鉴于此，我们可以这样看：在新石器时代早期，人类储藏谷物的地方就招来了老鼠，而家猫的出现，则是生态系统对这些吃白食的啮齿动物做出的反应。重塑了家养动物基因组的力量，也重塑了我们自己的基因组。
当我们不再组成小群体四处游荡，不再依靠猎物和未经烹调的植物为生，而是在村庄里安定下来，年复一年地收获着同样的作物。数千年来，农民都在食用我们今天称为粥的各种饭食。于是我们的牙齿变小了——的确，狗和人类都表现出了适应淀粉类食物的迹象。

经过人类驯化的哺乳动物的皮毛，在不需要适应环境的颜色后，变化成了各种各样的颜色。与此相同，人类的色素沉着开始发生变化，许多人群变成了浅肤色。在紧密共处的过程中，人类和他们的动物开始患同样的疾病，从而重塑了整个种族的免疫系统，但那些未曾经历这种共同进化历程的种族，却没有受到影响，因而容易患病。弓形虫等在猫体内孕育的病原体，甚至可能会改变人类行为。

许多人都认为，我们与宠物的关系就如同父母与孩子的关系。但是，自然史讲述了一个更加实际的故事。在冰川时代过后的地貌上，人类造就了显著的生态变化，猫就是在这种背景下出现的。

宠物的的作用

宠物的出现一方面是人类与自然共同进化的结果，另一方面也是人类与自然或者动物重新建立关系的过程。一般来说，宠物都是哺乳纲或鸟纲的动物，因为这些动物的大脑比较发达，能够在某种程度上实现与人类的交流，除了上面谈到的猫和狗，还包括鼠类的仓鼠、荷兰猪，鸟类的鸽子、鹦鹉、鱼类的金鱼、锦鲤等等；

华人社会里，只有台湾有对「宠物」的法律定义：「指犬、猫及其他供玩赏、伴侣之目的而饲养或管领之动物。」并规定不得因「为肉用、皮毛用，或喂饲其他动物之经济利用目的」而被宰杀、贩卖。

诺贝尔奖得主芝伦兹曾经说过：「人类愈都市化，离开自然愈远，宠物在人类生活里的重要性也愈增加。」的确，如今宠物正在被越来越多渴望亲近自然的家庭和个人喜爱，成为人类的一种精神寄托。

这也进一步引申出宠物之于人的作用，或许我们可以从以下三点入手思考：

1. 陪伴性
2. 观赏性
3. 可交流性

上述三大特点构成了宠物存在的意义，然而随着社会的发展，宠物的定义也开始不仅仅局限在动物层面，比如电子宠物。

从宠物到电子宠物

电子宠物出现的根本原因是自工业社会步入信息社会后的必然趋势，电子宠物最早出现在社会转变最为激烈的日本。事实上，每个人都是时间和空间的囚徒：

• 城市化背景下养宠物的成本很高，大都市的空间有限，如何养？
• 数字时代某种意义上挤压了人类生活的时间
• 时空限制下，电子宠物市场开始出现，这种状况优先出现在城市化和数字时代发展最为紧密的日本，一点也不难理解。

比如一个名叫「拓麻歌子」的便携式电子宠物，它在 1996 年问世：黑白的屏幕，还有像素块构成的小动物，通过 3 个按键的操作就可以和自己的宠物互动。你可以给它喂食、洗澡、看病，还可以观测它的心情和它一起玩耍。最重要的是，它的高度只有 53 mm，这个迷你的尺寸实在是太方便携带了。

这个电子宠物的诞生背景有必要了解下，日本 90 年代的经济并不景气，泡沫的破裂让这个国家的经济面临了很长一段时间的低迷 。1994 年日本经济的增长仅为 0.6%，企业倒闭、员工失业也影响了日本社会的生育率。

在这家公司的市场调研中，他们发现大部分孩子都希望能养一只属于自己的宠物，但现实的情况是： 经济危机的影响，再加上日本昂贵的房价、狭小的居住面积、拥挤的城市，不少家庭很难负担这个成本。而对于很多女性而言，宠物的陪伴能成为生活中另一种情感的替代。

在这种背景下，拓麻歌子受到了热烈反响。比如有人要将这个宠物视为自己的孩子，在她「死去」后要举办一场葬礼。还有人因为爱宠物导致丈夫不满。并被卖到全球 30 多个多家和地区。

另一个电子宠物的案例或许就是 QQ 宠物。知乎上有个有趣的问题： 如何杀死 QQ 宠物？ 提问的人这样写：

从我初中起宠物就开始感冒，一直没治，结果大学都该毕业了它还没死。怎么才能让它死啊？

这个问题的答案并不重要，而是唤醒了很多人对于 QQ 宠物的记忆，一些用户在评论里说这让他们重新打开了 QQ 查看自己曾经的宠物们。

QQ 宠物是 2005 年上线的产品，每个 QQ 号都可以领养一只企鹅，然后通过各种场景，比如学习、喂食、洗澡、打工等等，保证 QQ 宠物身体健康并茁壮成长。QQ 宠物借助 QQ，同时也搭上了中国互联网高速成长的列车，一度成为腾讯盈利的重要来源，也是一代人的记忆。

但随着不管是拓麻歌子还是 QQ 宠物，都随着一代人的成长而逐渐消退，我们看到了电子宠物脆弱的一面，没有哪一类电子宠物可以像动物宠物那样，持续不断地影响几代人，这可以看作是摩尔定律所带来的恶果之一，当技术不断演进后，人们对于技术变化带来的期待值其实也在提高，由此带来的就是人类的喜新厌旧。

电子宠物的进化

而当城市化与数字化相结合，人类的生存模式也在钢筋水泥与跳动的字节之间跳转。如今办公室里的格子间就像计算机上的一个个零件，构成了公司——这个组织模式生存发展的基本要素，而格子间的人，虽然是这些零件（格子间）能够产生价值的最重要的推动者，却被老板们当作机器替代前的将就品。

在公司，格子间的人用年轻的生命在 0或1的工作中为公司创造价值，而他们居住的地方，用所谓时髦的话来说，那种类似青年社区的地方，更像是一个个可以住宿的格子间。每次我站在某个所谓青年社区大楼前都会有种莫名的悲伤，在这些可以住宿的格子间，他们很多人的生活或许依然是0 和 1 的数字游戏，逛淘宝替代了周末的逛街，与熟悉或不熟悉的人微信聊天成了唯一社交活动，更真实一点的，戴上上万块购置的虚拟现实头盔，找到某个下载了一夜的 VR 情色影像，以此结束某个寂寥的夜晚。

1964年的某个冬日，一群加州伯克利大学的学生们聚集在一起，《数字乌托邦》作者特纳记录了其中一位名叫马里奥·萨维尔的宣言：

终有一天，这个机器的运转将变得如此讨厌，让你心生憎恶，以至于有一天你难以置身其间，即便是保持沉默也不行。你必须将身体趴在这个机器的齿轮和轮子上，趴在它的杠杆上，趴在它的所有部件上，你必须让它停转。你要向那些操控并拥有这个机器的人表明，除非你们得到自由，否则这个机器甭想启动。

电子宠物的进化也开始了。2014 年《纽约时报》有篇非常感人的故事，讲述了 一个自闭症少年和苹果手机上的 Siri 友谊 ，一个细节是，这个孩子对天气形态非常感兴趣，他和 Siri 讨论了很久局部雷雨和零散雷雨的区别，接着，他和 Siri 的对话是：

格斯：「你真是台好电脑。」
Siri：「得到你的夸奖我很开心。」
格斯：「你总是问能不能帮到我，你有什么想要的吗？
」 Siri：「谢谢你，但我几乎没什么需求。」
格斯：「好吧！那晚安啦！」
Siri：「啊，现在才下午五点零六分呀。」
格斯：「哦对不起，我是说再见啦。」
Siri：「再见！」

当然在中文语境下，Siri 其实很笨，这个故事还是让我想到很多，比如现在正在被巨头所关注的人工智能、chatbot以及语音助理，会不会成为下一个电子宠物？

目前这类的产品包括：

• 虚拟类： Siri、Google 助理、微软的 Cortana
• 实体类：Google Home、亚马逊 Echo

当我们去翻看宠物带给人类的那种感觉，然后再以电子宠物的角度去思考，或许你会明白很多：

• 陪伴性：这些产品都具备一键唤醒的功能，这和你叫一声，宠物就会跑过来是非常类似的；
• 观赏性：虚拟类的暂时还无法实现，实体类的则还好一些，但目前的样子不具备观赏性；
• 可交流：语言层面的交流，这些产品做的已经非常棒了，就像可以和自闭症孩子聊天的 Siri 那样

更重要的一点就是，虚拟助理实体化的趋势正在加快，一方面是家庭物联网的快速发展，虚拟助理将以一种全新的产品形态抢占家庭物联网控制中枢的角色；另一方面，当这个后移动互联网时代里的新产品不再天然移动——比如 Echo 的定位就是放在卧室或客厅，呆在那里不动，他们在形态上的变化会越来越像新一代的宠物，试想，当这些现在还毫无外形的设备那天进化成家庭机器人会怎样？

「它们」与「她们」

从电子宠物到电子伴侣，有时也就是一线之隔。过去我们常常听说有些人会和动物或者宠物终老一生，我们当然不理解其中的缘由，这里的内在缘由更多的，还是人类中心论在作崇，但这种情况也在发生变化。

苹果当年推出的 Siri 还是在某种程度上引发了对于虚拟情侣的讨论，比如第五季的《生活大爆炸》里， Raj 购买了一台 iPhone 4S，随即就「宣布」自己和 Siri 陷入爱河。

而在2013年，一部名叫《Her》的电影再次助推了这种讨论。这部电影的台湾版的译名特别好——《云端情人》——从本质上揭示了新一代情侣的存在形式：云端。

这个所谓「云端」事实上构成了两层意思：其一，所谓的情感的组成部分是大量 0 或 1 的数字；其二，没有谁可以「独占」这个情人，它/她/他是真正的「大众情人」。

比如在《云端情人》里，斯嘉丽配音的萨曼莎，就像苹果手机的 Siri 那样，只是这个情人会不断成长，她一开始尝试和西奥多恋爱，很可能并不是单纯地被他吸引，而是想要学习更深层次的人类情感。在她和西奥多谈到自己的时候，她说的最多的就是「进化」、「挖掘自我」、「不断学习」。后来，随着她的进化，她可以同时和六百多人谈恋爱，这是机器进化的必然步骤，但绝非人类所能接受的事实，就像我们现在不可能接受一只宠物被几百人养一样。

但或许，当年还是英剧的《黑镜》提供了另一个更适合人类想象力的版本，在《黑镜》第 2 季第 1 集《马上回来》中，女主角的男友因为事故去世，女主角从友人处得知，有一项技术可以根据男友生前的社交媒体文本进行数据分析，形成模仿男友说话风格的虚拟助理。从文字交流到语音谈话，女主角沉浸在与「男友」的交谈中，而剧情的最后，女主角让她的男友有了躯体，但她却选择了把这个「男人」锁在阁楼上，成了一种「宠物」——用于慰藉当年的那段感情。

当电子宠物可以简化到情感感应层面，从宠物到伴侣的距离变得非常近，而对人类而言，这又是一个新的十字路口，几亿年前，我们需要考虑是把这只动物当成食物还是当成宠物，接下来，我们需要考虑的是，我们需要一个和别人共享的电子宠物或电子伴侣，还是继续孤单下去，在人类世界里寻找知音与伴侣？

最近两年，围绕机器学习、深度学习的人工智能再次成为互联网行业热词，尤其是今年下半年以后，人人（创业者、投资人）言必称人工智能。但另一个略显残酷的事实则是，很多人对人工智能的理解还停留在好莱坞大片的层面，好一点的，则将今年的热门美剧《西部世界》奉为预言人类未来的「圣经」。这一切的理解与误读又被各种不负责任的中文科技媒体以及更不靠谱的自媒体们放大。我曾在较早前的一期会员通讯里详细介绍了人工智能、机器学习、深度学习当前的困难和机遇。

如果上一篇是一个引子，让你能够对人工智能发展现状有了一个基本的了解，那么这篇会员通讯，我希望能够呈现更多有价值的信息源，利用这些信息源，你可以更进一步观察创业公司、创业者、研究者以及重要会议的动态，从而真正认识这个行业。

从哪里看人工智能新闻？

如果你还在使用中文科技媒体接受人工智能相关的消息，我建议从今天开始就彻底放弃吧，以下的这些渠道会让你更快、更全面也更准确地接受这个行业发展的真实一面。

• 哈佛商业评论科技版：以宏观的商业视角切入对人工智能的观察；
• Reddit 的相关板块：对于不熟悉 Reddit 的人来说，查找信息是一件非常痛苦的事情，人工智能可以关注以下两个板块：人工智能讨论区和奇点讨论区
• O’Relly Meida：提供最新最快关于机器智能的观察思考以及开发工具；
• Recode 的 Emerging Tech 频道：如名字而言，这个频道承载了 Recode 网站所有新型技术的资讯；
• a16z 官方博客：提供了一个硅谷顶级投资机构如何观察人工智能的视角；
• Tesla 官方博客：如果你关注自动驾驶背后的人工智能，为何不直接去看 Tesla 的官方博客，而非要看其他媒体引述的消息呢？
• 《经济学人》科技板块：这本古老的杂志对于人工智能发展的把握和讨论非常到位，每周杂志的科技板块内容都可以在线看到，当然每个季度的科技季刊更是观察科技发展趋势的必读；
• 《麻省理工科技评论》：这本杂志或者网站的内容更侧重于研究领域，有很多前沿的发现，当你必须明白，人工智能的实验室成果与现实表现完全是两码事；
• 康奈尔大学人工智能论文库：如果你有能力阅读人工智能论文，这个论文库不能不看；
• Bloomberg 科技版：就现在而言，绝大多数有料的人工智能报道都出自传统媒体， Bloomberg 就是其中一个，常常会有独家的报道；
• Wired：与 Bloomberg 一样，Wired 也能拿到很多独家的采访机会，比如 Cade Metz 的一些报道就非常有料；
• Google Research 官方博客：这个官方博客还是蛮有趣的，一方面要展示 Google 在人工智能领域的专业性，另一方面还能保持可读性，做到这点很不容易。
• 《纽约时报》科技版：非常多的独家内容，尤其是资深记者 John Markoff 的报道，非常精彩！
• Backchnanel：这是另一位资深记者 Steven Levy 的大本营，非常多的独家内容；
• 白宫的人工智能报告：这可谓奥巴马最后的一份科技遗产，这份报告全面展示了白宫或者说美国政府对于人工智能发展的思考和愿景，颇具前瞻性。

需要关注的人工智能创业公司们

人工智能领域的火热催生了不少创业公司，但这个领域的创业异常艰难，主要困难在于机器学习或深度学习所需要的数据和计算能力，当然还有人才瓶颈，下图来自 CBinsights，展示了人工智能创业公司的「最好归宿」——被收购。

Bloomberg beta 两位分析师 Shivon Zilis 和 James Cham 今年继续绘制了一份人工智能创业公司的全景图，今年是 3.0 版本了。

我这里不会再具体列举这些公司，但从这幅全景图以及 CBinsights 的分析里可以看出以下两点：

• 人工智能也好、机器智能也好，这些领域创业的确非常火爆，但巨头在这个领域的投入也逐渐增多，也开始有针对性地收购，事实上，收购无论对于创业公司还是巨头，都是一件好事；
• 当下人工智能领域真正瞄准的还是细分的 2B 领域，一方面由于美国 2B 领域相对比较成熟，另一方面则是人工智能的确可以给企业管理带来不一样的思路和解决方案，这理应成为人工智能单点突破的关键领域，C 端市场更多还是大公司在耕耘，以此角度来观察国内标榜人工智能的创业公司，你会发现有太多不靠谱的 2VC 公司，这里不再展开。

你需要知道哪些人工智能的关键人物？

某种意义上，人工智能几乎是个没有任何门槛的行业，就像上文所言，你完全可以依靠在好莱坞电影或美剧获取的信息去讨论，这也可以部分意义上解释当下围绕人工智能的各种言论出现的原因。Markoff 在今年五月的《纽约时报》上这样写道：

One challenge for A.I., according to a number of the researchers who spoke, is that the public perception about the threat of A.I. has largely been shaped by Hollywood.

Markoff 还援引人工智能研究机构 Allen Institute 负责人 Oren Etzioni 的话：

Certainly, Hollywood has played a tremendous role with vision like Skynet, It’s pretty much always the case in science fiction that A.I. is this monolithic entity that is scheming to take over…..

再比如还有一本曾令马斯克、盖茨都「震惊」的书《超级智能》[1]，马斯克还专门在 Twitter 上推荐这本书：

那么这个作者尼克·波斯特洛姆又是谁呢？公开资料显示，波斯特洛姆出生于瑞典，在瑞典完成大学教育，随后来到英国，并在伦敦经济学院取得博士学位。期间，他热衷于未来主义和超人类主义的研究，并创办了世界超人类主义协会。

2015年，尼克·波斯特洛姆在英国牛津大学建立了一个名叫人类未来研究院的机构，探索人类未来与技术发展的关系，以此为主要阵地，借助于其在物理、计算机科学、数理逻辑，以及哲学方面的知识背景，波斯特洛姆开始在重大技术问题上发出自己的声音。

波斯特洛姆曾这样描述人类未来研究院的主要工作：

我们着眼的不光是短期和暂时的东西，而是真正长期有效果的行动。很多时候，我们的任务就落在研究最危险的「存在性风险」（Existential Risks）上：比如地球上的智慧生物灭绝的可能性；比如人被锁进激进而极端的状态中，永远走不出来……

正是在这样的研究背景下，波斯特洛姆的这本新书《超级智能》的观点就不足为奇：当机器具备与人类同等的智能时，这种机器的超级智能将给人类带来毁灭。

但很遗憾，就连波斯特洛姆也承认，要为超级智能下一个准确的定义非常困难，这也成为本书最大的一个硬伤，作为读者的我们，只能从如下一些只言片语中「感受」这个定义：「在几乎所有领域远远超过人类的认知能力……」 「正如前文所说的那样，我们用超级智能来找代在许多普通的认知领域中，表现远远超越最聪明的人类大脑的智能。」

也诚如《纽约客》对这本书的评价：这本书有一种「优雅」的悖论：一面展示了逻辑清晰的分析和论述，另一面又不时流露出像弥赛亚一样拯救世人的迫切。这种迫切感让本书里充满了「没有节制的猜测」……因此，倘若你再在那里看到波斯特洛姆的相关观点或者哪位名人引用此人的观点，大可以忽略罢了。

但是下面这些人的观点或者思考却非常值得关注，原因就在于，他们或是研究者出身，常年耕耘这个领域，或是该领域的创业者，或是某个大公司的重要技术人士，即便是带有一定利益的观点，也展现了这个人背后的公司或机构对于人工智能的未来思考，很值得一看（链接为这些人的社交媒体账号或详细介绍）。

• Sam Altman：YC 公司总裁，与马斯克成立了一个研究人工智能潜在社会危害的机构 OpenAI；
• Harry Shum：微软人工智能有研发副总裁；
• Geoffrey Hinton：深度学习的教父级人物，目前在 Google ；
• Jeff Dean：Google 高级 Fellow，Google 深度学习研发和工程部主要负责人；
• Eric Horvitz：微软研发部门的技术 Fellow；
• Denny Britz：Google 大脑的技术专家；
• Yann Lecun：Facebook 人工智能研发总监
• Tom Mitchell：卡内基梅隆大学计算科学家；
• Chris Dixon：硅谷投资公司 a16z 一般合伙人，常用非常独到的分析和见解；
• Hilary Mason：Accel 的数据科学家；
• Monica Rogati：LinkedIn 数据科学家；
• Xavier Amatriain：Quora 技术负责人；
• Mike Gualtieri：咨询公司 Forrester 副总裁、首席分析师；
• Andrew Ng：百度首席科学家；
• Demis Hassabis：DeepMind 创始人；
• Fei-Fei Li（李飞飞）：斯坦福计算机科学教授，斯坦福人工智能实验室主任，现在在 Google；
• Sebastian Thrun：Google X 实验室的创始人，Google 无人驾驶项目创始人，现在投身在线教育 Udacity 公司；

这个名单还能列很多，不过考虑到篇幅以及信息源过多造成的信息超载难题，暂时只列举这些人，这里并没有涉及国内的人工智能专家，主要原因在于，技术本身是无国界的，尤其是人工智能的研究和发展，国内还相当落后，而在资本、媒体炒作下，国内人工智能的专家们或多或少受到了这股风气的影响，很多观点和看法是为了配合炒作的需要，也因此，这些人可以忽略不计了，当然，你还是可以从中文科技媒体中读到他们的言论。

有哪些人工智能的好书？

虽然我对《超级智能》这本书持批判态度，但还是推荐大家一读，毕竟这本书树立了一个可批评的靶子——你可以一窥其背后的逻辑所在。

另外一本则是 John Markoff 撰写的 Machines of Loving Grace: The Quest for Common Ground Between Humans and Robots [2]（中文译作《与机器共舞》），该书基本也是人工智能发展的编年史，但不同于国内历史著作的写作方式，本书有着鲜明的 Non fiction 味道。虽然有中文版，但我还是强烈建议去读英文原版，我一直秉承这样的观点：语言的每一次转换（翻译），都是一种加深误读和增加损耗的过程。

另一本书来自加州大学伯克利分校的哲学教授 Dreyfus 在 50 年前出版的书《计算机仍然不能做什么》，这本书最早出版于 1972 年，已经再版三次，最新一版是1992年，正文一个字也没动只是增加了一个序言，或许在 Dreyfus 看来，自 1972 年开始计算，人工智能的的发展仅仅序言就足以概括，而他书中正文所言的愿景还很远很远。

来看看第三版时的序言：

《计算机不能做什么》的这个版本不仅仅是出版商的变化和书名的微小更改，也意味着形势的变化。现在这本书不是提供在持续进行的辩论中的一种有争议的立场，而是过去一段历史期间的观点。现在20世纪快要结束，而这个世纪伟大的梦想之一显然也正在终结。差不多半个世纪以前，计算机的先驱阿伦·图灵曾经提出：使用规则和事实编程的高速数字计算机，可以显示出智能行为。这样在后来就诞生了人工智能。然而，经过了50年的努力，现在除少数顽固者外，显然产生通用智能的努力已告失败。这种失败并不意味着此类型的人工智能是不可能的，也无人能提出这样的否定性证据。但是至少在目前，或多或少已经证明：基于人类通过规则和事实产生智能的假设的研究纲领，已经走到了尽头，没有理由认为它会一直成功。事实上，对于约翰·豪奇兰德（John Haugeland）所称的好的旧AI（GOFAI：Good Old-fashioned AI），就是科学哲学家称为退化的研究纲领的一个典型例子。

需要特别说明的是，就像 John Searles [3]一样，Dreyfus 遵循哲学批判原则，从一开始就在一系列宏观话题领域展开批判，这种从哲学层面的建构与人工智能工程层面的发展是非同步的，也因此，Dreyfus 对人工智能的批判也成为观察人工智能发展的一个重要角度，尤其是未来视角。

最后的最后，独立播客「I/O」调频本期讨论的主题是「机械复制时代的人类」，将以本雅明对于艺术品在复制化的「灵光」消失为切入点，探讨当人类可以被「复制」时，人类的「灵光」是否还会存在？

您可以通过 iOS 、macOS 的播客客户端搜索「I/O」调频进行收听或订阅，或者在任何通用型播客 App 里输入播客 RSS 地址订阅收听，RSS地址

根据 Venturebeat 的一份数字对比：

Investors dropped $681 million into A.I.-centric startups in Silicon Valley last year.This year, the number will likely reach $1.2 billion. Five years ago, total A.I. investment spiked at roughly $150 million.

但仔细去看，这些资金基本都流向了机器学习领域：

The truth is — artificial intelligence does not exist yet and every single company pretending to have one is in most cases arrogantly re-selling an old concept of machine learning – a technology first introduced in 1959 that truly started to take off in the 90s. Cloud technology, big data and amazing search algorithms finally became the fuel for this rocket. Systems and services could self-improve thanks to insane amount of statistical data pouring their way. But this has nothing to do with A.I.

这些资金和媒体关注度也让机器学习（Machine Learning）似乎成为新的创业热点，但真实情况则是，机器学习对于人才、数据、计算能力的需求非常高。这几年，计算能力的瓶颈已经在云计算的帮助下逐渐变小，研究者或企业完全可以购买基于云端的计算能力，但人才和数据方面的难题还亟待解决。尤其是数据。

ML@B (Machine Learning @ Berkeley) 的两位创始人 Ted Xiao 和 Gautham Kesineni 介绍了当下数据如何制约机器学习：

随着机器学习受到的关注越来越多，其社区支持也不断壮大。网络上有了大量公开数据，种类也极其丰富；许多大公司也秉着开源精神，释出了许多优质数据库（比如 YouTube 8M）。关于一些具体的研究问题，甚至有标准数据库（如 The MNIST Database）用于研究或测试算法性能。

对于科研人员和学生而言，当下可以称得上是机器学习研究的黄金时代。然而对于真正的企业而言，获取一个具体问题的大量数据仍然是算出好的模型的关键。Gautham 告诉我，就目前而言，数据造成的企业差距还没有那么明显；但是有一天，数据也终将成为一种壁垒；而这一天正在慢慢接近。

区分 AI、DL 与 ML

深度学习作为机器学习的一种算法，目前已经和「人工智能」一词的效用等同。绝大多数媒体即便是科技媒体也都搞不清楚机器学习、深度学习、人工智能三者的区别。计算机科学家 Robby Goetschalckx 在 Quora 上详细分析了这三个概念，并将数据科学（Data Science）也纳入其中做对比：

Artificial Intelligence is the name of a very large research field, with numerous branches. Any approach to make a computer behave in a way which can be called intelligent" falls under this field.

Machine Learning is a particular branch in AI. It focuses on algorithms which construct models based on observed data. An essential part is the learning: given different data, you could get a different model. Again, there are many sub-fields and branches, depending on the methodology used, and the problem specification (for example, do you just want to learn which examples are “good” or “bad”, or do you want the algorithm to learn what actions to take in a specific situation?).

Deep Learning is a particular technique in Machine Learning. It uses an Artificial Neural Network with many layers, using particular clever techniques to learn the optimal model parameters. Every individual node in the network represents some “feature” which helps in representing the input or assigning a class to the input. For example, if all the inputs are faces, a node might be “nose width” or “average skin tone” or something like that. Crucially, the people creating the network do not need to put these features in themselves. The algorithm will automatically decide which features work best to accomplish its task.

Data Science is a different field, related to AI. It looks at how algorithms can help to deal with vast amounts of data. It includes visualization of data (how to make a large dataset more easy to visualize for humans), Data Mining (automatically finding interesting patterns in data sets), or learning models (which leads to Machine Learning).

深度学习带来的产品革命

而针对深度学习，Google Brain 团队工程师 Eric Jang 介绍了哪些产品正在被深度学习改造着（顺序不分先后）：

定制数据压缩、压缩传感、数据驱动型传感器校准、离线人工智能、人机互动、游戏、艺术助理、非结构化数据挖掘、语音合成。

这里特别强调两个：离线人工智能和语音合成，所谓离线人工智能是可以让包括手机在内的设备以不联网的方式实现某种智能的功能，比如 Google 自家的拍照翻译，苹果的 Siri 也有一些功能，在最新 的iOS 10 里，苹果相册推出的人脸识别也是离线人工智能的方式，但就目前而言，离线人工智能还有两大缺陷：其一精确度不够，毕竟智能手机的计算能力有限；其次，智能手机等移动设备的电池容量制约了其进展，如 iOS 10 相册的人脸识别只能在 iOS 设备充电时才运行。

关于语音合成。这项技术事实上已经相当成熟，国内阿里云也曾展示过自家人工智能产品模仿马云说话的样子。但需警惕的一点，随着人工智能的快速发展，新一轮社会工程学攻击将带来巨大破环里，比如基于语音合成技术的电话诈骗….. 在这里推荐《纽约时报》高级科技记者 Markoff 的一篇深度报道。

深度学习让芯片业走入新的十字路口？

当世界开始被深度学习改变的时候，整个科技的产业链条也开始了某种程度的充足。尤其是随着摩尔定律寿命越来越短的大背景下，《连线》杂志 Cade Metz 表示，自己最近几天被来自咨询公司的人「骚扰」——对方表示可以付费让其分析芯片业的走向——这是因为 Metz 早前报道了 Google 如何为人工智能制造芯片的文章，同时《连线》杂志也在上月长文独家披露了微软围绕 FPGA 的研发历程。咨询公司此举多数是由其背后的客户——芯片厂商所驱动，由此可见芯片业对于人工智能的不确定性。

Metz 坦言：

Today, Internet giants like Google, Facebook, Microsoft, Amazon, and China’s Baidu are exploring a wide range of chip technologies that can drive AI forward, and the choices they make will shift the fortunes of chipmakers like Intel and nVidia. But at this point, even the computer scientists within those online giants don’t know what the future holds.

但在可预见的时间表中，人工智能趋势下的芯片业未来一定包含以下两大趋势：

• 转向深度学习；
• 可扩展到智能手机的新一代芯片；

---

人工智能发展如何，就藏在技术炒作曲线里

今年的 Gartner 技术炒作曲线并未得到太多媒体关注，所谓技术炒作曲线是 Gartner 对于技术发展周期的研究方法 ，这套方法论认为，每一项技术的生命周期都有五大阶段：

• Technology Trigger
• Peak of Inflated Expectations
• Trough of Disillusionment
• Slope of Enlightenme
• Plateau of Productivity

Gartner 通过五大阶段绘制的炒作曲线，主要针对投资人、创业者以及大公司的管理高层，是面向未来的技术发展蓝图，与普通用户的关系并不大。

下图是 2016 年的炒作曲线：

中文互联网世界直到 9 月底才有人跟进这个消息，这篇中文解读围绕各个技术要点进行了非常深入的分析，非常值得认真阅读，尤其是在当下人工智能概念甚嚣尘上的时候，你应该了解通用机器智能（General-Purpose Machine Intelligence）的发展情况：

机器具有类似人类在学习、推理、适应和理解等方面的能力就被称为“智能”。通用机器智能（GPMI协议；又名“强人工智能”）适用于广泛的使用案例，专用机器智能（“弱人工智能”）仅限于特定（窄）的使用案例。GPMI协议对智能机器不是必要的，具有能够控制自身维护和再生产方式的具有GPMI的机器只存在于科幻小说。今天人工智能系统，都不能通过等同于人类的智力的通用测试（也没有完全可接受对人类的智慧的测量方式去测试机器）。这并不是说，永远不可能创造一种接近于人类认知能力的机器，但我们可能距离完成必要研究和工程实验还有好几十年。

---

MailChimp 是一家怎样的奇葩公司

在很多人的印象中，一个硅谷科技创业公司的流程是这样的：

出身名校的创始人用一个 idea 得到投资人的青睐，然后通过一个视频在众筹网站上获取第一批用户支持，接着通过某个创业加速器，比如 Y Combinator，获取更多外部支持，从而快速展开业务。

但 MailChimp 却是一家与硅谷气质完全不同的科技公司，它没有拿过风险投资的钱，《纽约时报》专栏作者 Farhad Manjoo 写道：

Under the radar, slowly and steadily, and without ever taking a dime in outside funding or spending more than it earned, MailChimp has been building a behemoth. According to Ben Chestnut, MailChimp’s co-founder and chief executive, the company recorded $280 million in revenue in 2015 and is on track to top $400 million in 2016. MailChimp has always been profitable, Mr. Chestnut said, though he declined to divulge exact margins. The company — which has repeatedly turned down overtures from venture capitalists and is wholly owned by Mr. Chestnut and his co-founder, Dan Kurzius — now employs about 550 people, and by next year it will be close to 700.

在其创始人看来，创业公司融资后的一个问题就是容易养成乱花钱的坏习惯。事实上，这个世界上并非所有的生意都需要投资，由于资本的逐利性和短视，创业公司、创业者很容易被资本绑架，尤其是在中国当下急躁的创业环境中，令我印象深刻的一个案例，去年一位 2B 的软件公司创始人对竞争对手上市新三板非常不屑，他当时告诉我：「我从来不觉得新三板是上市。」但不到一年，这家公司也成为新三板的上市公司……

---

书摘：亚马逊 「One Click」专利背后

坦率来说，Richard Brandt 写的《一键下单：杰夫·贝佐斯与亚马逊的崛起》并不好，这本书的英文版出版于 2011 年，彼时，亚马逊帝国还未形成，其商业技术影响力远不如当时如日中天的苹果，也很少有人真正重视亚马逊持续不断烧钱搞得云计算。但 Richard Brandt 书中对于 「One Click」，也就是亚马逊的「一键下单」的叙述很精彩，下面是这本书英文版的摘录：

“The 1-Click software was written mostly by a programmer named Peri Hartman, who joined Amazon in 1997. Hartman was given the task of working on the software that would be the interface to the customers, including the ordering system they would use to buy books.

Hartman recalls that, one day over lunch with Bezos and Shel Kaphan, the head of software development, Bezos told them, “We need something to make the ordering system frictionless. We need to make it so the customer can order products with the least amount of effort. They should be able to click on one thing, and it’s done.”

A simple idea on simplicity, and Hartman took it literally. He set to work creating a program that would require just one click to order a product. (His name appeared first on the patent application, which became patent number US5960411.) The patent filing was titled, innocuously enough, “Method and system for placing a purchase order via a communications network.” More telling was the label in an illustrated flow chart in the patent: “Enable Single-Action Ordering.”

“In fact, it is a simple idea. The nineteen-page patent filing is made up mostly of flow chart diagrams that show the sequence of events that enable buyers to place an order with a single click: Retrieve the buyers’ identification and payment methods when they first place an order, enter it into the system, and the next time they look up a book, they’ll see a 1-Click ordering button on the buyers’ pages.

Sound like a no-brainer? That’s what Amazon’s competitors thought. Many people in technology hate this type of broad patent, known as a “process patent” since it mainly describes the process of doing something that is, well, patently obvious—in this case, reducing to one the number of clicks needed to make a purchase.

“That is, however, the kind of attention to detail that has helped make Amazon.com a success. Jeff Bezos will do anything he can think of to make the process of using Amazon.com easier. The genius is that Bezos thought of it first. He knew that doing anything online had to be simple in an age when people were becoming overwhelmed by complicated computers, software, and Internet technology. This, in fact, was a principle that Larry Page and Sergey Brin adopted a couple years later when creating Google. But few competitors have had the sense to follow this rule. Even today, most Web sites seem to be confusing morasses of text, graphics, videos, flashing ads, and a tangled string of links. Amazon.com doesn’t match the simplicity of Google’s famously spare site, but it is well designed and easy to navigate.”