郭一璞 整理編輯自 李開復演講

量子位 報道 | 公衆號 QbitAI

今天，創新工場的傳統項目人工智能訓練營DeeCamp開營了。

從2017年開始，這已經是DeeCamp的第四年了。

這一次DeeCamp的形式有些特別，200餘名來自MIT、CMU、清華、北大、北航、中國科學院大學等高校的同學在線上彙集，遠程學習協作，通過暑期學習後在醫療、教育、自動駕駛等賽道做出可落地的AI項目Demo。

每屆的開營儀式上，都有一個保留項目：

李開復教你如何步入產業界

AI領域變化迅速，開復老師會針對當時的情況和未來的大趨勢，告訴仍在讀書的同學們，產業界有哪些機會，如何進入產業界創造價值，如何找到創業機會。

那麼今年開復老師又分享了哪些思考和洞察，給出了什麼樣的建議？

我們一起看一下。

中國如何崛起成爲AI超級大國？

中國AI的發展速度肉眼可見，從論文質量和數量到企業落地成果都在飛速成長。

李開復認爲，中國AI崛起的原因在6點：

雖然中國沒有圖靈獎級別的大師，但是有大批優秀的年輕AI工程師。

而且，AI是在互聯網應用上打響的第一炮，最牛的互聯網公司都在中美，這些互聯網公司有海量數據可以做AI，因此，互聯網公司做AI是最低垂、最容易夠到的果實。

在此基礎之上，中國創業者更拼搏。美國的創業者更紳士，競爭不激烈，喜歡各做各的、開闢新領域；但在中國創業是贏家通喫的狀況，這也是美團能到千億市值的原因，贏家通喫之後，就可以做成就有壁壘的業務，也有大量數據支持。

而且，中國創業者從借鑑海外模式到本土創新，現在產品已經走向全世界。快手、拼多多、Vipkid、****、螞蟻金服這些產品都是中國創業者自己創造的模式，而現在，這些模式開始走向世界了。

這些走向世界的APP成功之後，就會產生海量數據，有了數據就能把AI做的更好。

“如果每個AI都需要一個Geoffrey Hinton來調參數，那中國肯定做不過美國加拿大，但中國有海量數據。”李開復說，“中國數據豐富，就是AI領域的OPEC。”

此外，中國的政策大力推動AI發展，投入基礎設施建設。即使是騰訊這樣的大公司也不可能幫整個世界建設5G和雲，但政府可以幫助提升，這是中國互聯網新應用發展的沃土。

比如說，快手就是從四五線城市走出來的，但在美國不可能出現快手這樣的產品，因爲美國中西部城市的網絡非常差勁。

再比如自動駕駛方面，美國的策略是不改變道路，中國則爲無人駕駛打造新的公路，新基建的賦能提升安全度，保證安全度足夠讓無人車上路，進而累計新的數據，讓整個技術迭代的鏈條滾動下去。

因此，李開復預測，未來AI的各個領域中國公司會有相當大的發展空間。

現在是落地的時代

李開復認爲，AI已經從少數精英的“發明期”走向遍地開花的“應用期”。

這一變革的臨界點是深度學習。

深度學習打破了從“不可用”到“可用”的界限，把人工智能推進應用期。

此後的Transformer、強化學習、遷移學習、GAN等技術雖然有很大的貢獻，但不會像深度學習一樣有如此革命性的進展。

而在未來，還會有很多新技術被髮明，但是它們可能很難超越深度學習對產業和社會造成的影響力。

在AI的發明期，一個技術會有三五年的優勢，比如最早的CNN從發明到商業化耗時30年。

但在AI的應用期，新技術出來兩年後就遍地開花了，比如Transformer從發明到大規模商用僅用了2年。

發明期帶來了紅利，創造了很多成功創業家，比如曠視的印奇、地平線的餘凱等等。

但在現在的應用期，我們很難期待只憑一個新技術，就能創造一個曠視商湯，更要看重具體的商業價值。

在應用期，AI最大的機會是幫助傳統行業提升，比如一家幾千億收入的傳統公司，用上了AI，如果能提升1%的收入，那就是巨大的價值。

早期AI專家有很大稀缺性，但現在不同。今天AI的壁壘在下降，但產業的壁壘還是很高的，更需要學AI的人去了解商業，瞭解怎麼賺錢。

早期，商湯曠視借一個人臉識別技術，就顛覆了很多安防公司。

但目前在很多不同的行業裏，這些行業中的管理者和工程師學會運用AI的難度，要遠遠低於懂AI的人學會他們的行業然後顛覆他們的幾率。

李開復認爲，可能在製藥領域還有這樣顛覆性的機會，但在大部分行業，不會有如此稀缺性的機會，讓少數幾個AI專家單憑技術就能顛覆行業。

落地時代，如何選擇商業模式

李開復認爲，AI賦能傳統行業的過程，是從單一環節逐漸到整個流程，在逐漸重構整個行業規則的。

比如，加工製造業中，用計算機視覺完成服裝自動質檢；零售行業中，藉助計算機視覺技術，手機掃一掃就能快速完成門店陳列檢查；在生產線上，完成電機零件組裝；在教育場景下，AI輔助老師出題、改卷子，讓老師有更多的時間精力教孩子學習方法和做人的道理。

這些，都是在單一環節降本提效、優化賦能。

單一環節的AI引用多了之後，就會在流程上取得更多更多的機會。

比如藉助RPA（機器人流程自動化）的方式，在電腦上工作的白領，有許多流程化、固定化的操作和內容，不需要動用太多智力的點選、保存、輸入、掃描等工作流程都可以自動化，交給RPA進行。

最後，還可能重構整個行業的規則。

比如在醫療行業，AI可以研發新藥小分子，幫人們找到能夠治療某種疾病的藥品化學分子結構；也可以靠大數據來優化供應鏈，解決農村缺醫少藥的問題。

學者和創業者，思維模式不同

李開復講到，學校教育是爲了讓學生成爲一個學術界的科學家，“讓你成爲你的老師”。

但進入創業界，則需要一個完全不同的思維。

李開復認爲，在AI賦能的時代，本質上做的是To B的生意，科學家型創始人也需要理解商業。

除了科研之外，科學家型創始人還需要做行業探索、市場開拓、把技術產品化和市場化的過程。

而現在，AI技術相對成熟，成熟的軟件框架、硬件、人才培養機制，讓AI產品化的門檻非常低。

如何理解不同時期如何做商業？

開復老師舉了不同時期AI企業的幾個例子：

2011年成立的曠視，處在AI的發明期，聚攏了一大羣清華姚班的人才，可以從遊戲開始，花三年探索商業模式。

到了2017年，這一年成立的創新工場子公司創新奇智，則是直接開始做商業落地。創始團隊6位高管中，四位是商業背景出身，兩位是技術背景出身。這家公司在創立第三年的收入已經超過了8億RMB，即將成爲創新工場投出的第6家獨角獸。

此外，還有一家教育公司「河小象」，用AI教孩子寫字，教育行業的核心是優質的內容，AI技術是它的底層支撐。

此外，也有一些不太成功的例子。

比如有一大批醫療影像讀片公司，創始人都是技術出身，但他們不懂醫院如何運轉、如何採購，找不到商業模式。

還有教育公司做了非常複雜的實體AI機器人，機器人老師可以在黑板上寫字，可以和孩子交流。但這樣的機器人老師缺乏市場需求，不如直接做一個卡通形象老師，藉助屏幕和孩子交流。

而且，李開復還強調AI賦能產業的定製化，“不要覺得具體功能很low，一開始就做平臺不是那麼容易的。”

年輕AI技術人如何做選擇

瞭解這些基礎知識之後，面臨畢業的AI專業學生要如何做選擇呢？

如果投身產業界，做AI賦能的話，有三個機會：

一是自己創業，學術研究者的商業經驗不足，加入一家創業公司是最好的方向，但是要把顧客當做上帝，先考慮行業需求再考慮做多酷的AI。

二是加入傳統公司，最適合的是金融公司，因爲互聯網公司自己都會做AI，而金融公司數據豐富，目標函數和指標很明確，並且金融公司重視科技人才。

三是加入諮詢公司，因爲一些非常傳統的公司、家族企業，他們的文化大部分科研人員很難適應，但麥肯錫這一類的諮詢公司，就可以幫助這些傳統公司做AI轉型。

如何不完全進入產業界，留在學術圈的話，也有三個方向：

一是可以專注AI理論研究，發明不考慮商業應用的新技術，就像Geoffrey Hinton一樣，等待AI認知方向的新突破。

二是先創業，創業成功之後再回學校做研究，像普林斯頓的李凱教授一樣。

三是像李飛飛一樣，立足於學術界，做兼職參與谷歌的AI。