正文
这个PC的第三次方，个性化计算最核心的技术，就是我们今天谈的人工智能。说到人工智能，其实有很多学派，我相信在座的朋友们很清楚，基本上有五个大的学派，包括符号学派，有决策树，专家系统。连接学派，今天上午都提到，深度学习，人工神经元网络，连接时代，这是从仿生学的角度发展的。有贝叶斯学派，做语音识别的都知道，HMM, GMM等等；有类推学派，最著名的代表就是十几年以前很热的，像今天深度学习一样热的，叫SVM，还有进化学派，这一派最近发展不是太好，另外几个都是一直在往前发展。这就是人工智能的几大学派。
上个月，在NATURE有一个书评，其实20年以前的5月份，就是深蓝打败卡斯帕罗夫，就是1997年的5月。卡斯帕罗夫写了一本书，叫deep thinking。Deepmind的Founder写了一个书评，发表在上个月的nature上，大家可以去看看，非常有意思的书评。这是当时的场景。Deepblue是1.4吨，32个并行处理器，但是它运算能力甚至不如现在的普通PC。这就是过去二十年产业界发生的非常非常大的变化。人工智能不仅仅是在国际象棋上战胜了人类，我们知道去年春天的时候，AlphaGo人机大战，在围棋上也战胜了人类，围棋其实是人类发明的最复杂的游戏，我们一直希望人类能多坚持几年，不让人工智能把我们打败。但是已经被打败了，即使它比国际象棋要复杂很多很多倍。下一周会在乌镇上演柯洁和 AlphaGo，其中有一场，应该是人类去群殴AlphaGo，好几个人一起打机器，看看最后结果怎么样，其实没有什么悬念。除了围棋，还有很多别的，比如德州扑克等等，特别是在有确定规则情况下，开放规则情况下人类还是很强大的。有详细规则的单一任务，人工智能还是非常强大的......
如果把人工智能做好的话，我总结了四个字母，把人工智能要做好，需要四个字母，ABCD。第一个就是A，算法，算法非常重要，B先跳过去，C就是计算力，D就是需要Data。回来再说B，因为我来自工业界，算法再厉害，再多的数据，有再好的模型，无论如何它是一个工具，我们怎么把人工智能的工具，把机器学习的工具和具体行业相结合，B就是一个具体的行业。我们要做智慧医疗，智慧城市，还是做某一件和垂直行业相结合的事情，这才是最重要的，这个时候人工智能才能落地，我和大家汇报和分享一下我对ABCD的一些粗浅想法。
把ABCD如果放在一个车上有这么几个部分，A是算法，相当于车的引擎，驱动车往前行驶，非常重要。B就是一个行业，就像车的方向盘一样，我们到底往哪个垂直行业走，很多垂直行业可以做，很多传统行业可以做，很多新兴行业可以做，但是和哪一个行业结合，怎么去落地。C就是算力，承载整个车。D，就是我们车里的油，就是我们的数据驱动，这就是车的ABCD。
先聊一下A，刚才说了五大学派，最早从1930年就开始了，之后每一个学派都有往前发展，从逻辑回归，大家非常熟，到1958年的Perceptron人工神经网络建立了，一直到90年代初的Kernel Trick，把SVM推到一个非常高的高度。再往下面，做语音的都用HMM，专家系统在八十年代末九十年代初昙花一现，看看今后还有没有希望再重新起来。深度学习在06年前后，从神经网络到深度学习有一个大的跨越，也是今天打败人类机器算法中的杰出的代表，这是算法。我们也想聊一下，从当年80年代人工神经网络到深度学习，有哪些大的的变化，我结合个人的经历，我最早接触人工神经网络是ANN，我还写过几篇文章，在80年代末90年代初。为什么那时候没有起来，那时候我在清华读研究生，大概90年91年，编了不少的算法，但是那时候没有起来。很多原因，一会结合我的ABCD和大家分享。首先这个算法本身当时不是很成熟，然后你做偏导的时候，到第二次的时候噪音非常大，当时算法不太成熟。一直进化到06年的时候，深度学习出来了，有很多不一样的地方，80年代末90年代初，就一层，一层隐含层，你当时自己要决定feature是什么，还有很多很多别的原因。过去十来年，很多深度学习的东西，像auto encoding，在80年代末的时候，怎么初始化人工神经网络非常重要，初始化错了就不行了。到最后，还有drop outs发展出来，它对overfitting非常有好处。前几年Residual network是把长期的很多层的学习记忆和跳过去的学习记忆相结合。一直到2014年的生成对抗网络，怎么生成非常逼真的数据，到近几年发生的Binary Network。我们今天可以在云上计算，可以在很强大的HPC上计算，如果用人工智能在手机或者IOT的小设备上做，怎么样把Model简化等等是一个方向，经过这二十多年的发展，确实有很多新方向出来，这是我讲的A这部分。人工智能做好，当然A是非常重要的，就像当年大家觉得SVM一统天下的时候，深度学习出来，又是上了一个新的台阶，不是一个线性的发展过程，而是一个台阶一个台阶的，所以算法是非常重要的。
