作者：?Vincent Granville ? ?編譯：機(jī)器之心

在這篇文章中，數(shù)據(jù)科學(xué)家與分析師 Vincent Granville明晰了數(shù)據(jù)科學(xué)家所具有的不同角色，以及數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工智能、統(tǒng)計(jì)學(xué)、物聯(lián)網(wǎng)、運(yùn)籌學(xué)和應(yīng)用數(shù)學(xué)等相關(guān)領(lǐng)域的比較和重疊。Granville介紹說(shuō)，由于數(shù)據(jù)科學(xué)是一個(gè)范圍很廣的學(xué)科，所以他首先介紹了在業(yè)務(wù)環(huán)境中可能會(huì)遇到的數(shù)據(jù)科學(xué)家的類型，你甚至可能會(huì)發(fā)現(xiàn)你自己原來(lái)也是某種數(shù)據(jù)科學(xué)家。和其它任何科學(xué)學(xué)科一樣，數(shù)據(jù)科學(xué)也可能會(huì)從其它相關(guān)學(xué)科借用技術(shù)。當(dāng)然，我們也已經(jīng)開(kāi)發(fā)出了自己的技術(shù)庫(kù)，尤其是讓我們可以以自動(dòng)化的方式（甚至完全無(wú)需人類干預(yù)）處理非常大規(guī)模的非結(jié)構(gòu)化數(shù)據(jù)集的技術(shù)和算法，進(jìn)而實(shí)時(shí)執(zhí)行交易或進(jìn)行預(yù)測(cè)。

1.數(shù)據(jù)科學(xué)家具有哪些不同類型？

要更詳細(xì)地了解數(shù)據(jù)科學(xué)家的類型，可參閱文章：http://suo.im/28rlX1和 http://suo.im/3NNUpd。更多有用的信息可參閱：

而在最近，數(shù)據(jù)科學(xué)家 Ajit Jaokar則又討論了 A型數(shù)據(jù)科學(xué)家（分析師）和 B型數(shù)據(jù)科學(xué)家（建造者）之間的區(qū)別：

A型數(shù)據(jù)科學(xué)家能夠很好地編寫操作數(shù)據(jù)的代碼，但并不一定是一個(gè)專家。A型數(shù)據(jù)科學(xué)家可能是一個(gè)實(shí)驗(yàn)設(shè)計(jì)、預(yù)測(cè)、建模、統(tǒng)計(jì)推理或統(tǒng)計(jì)學(xué)方面的事情的專家。然而總體而言，一個(gè)數(shù)據(jù)科學(xué)家的工作產(chǎn)品并不是「P值和置信區(qū)間」——就像學(xué)術(shù)界的統(tǒng)計(jì)學(xué)有時(shí)候建議的那樣（而且這常常是為傳統(tǒng)的制藥等等行業(yè)工作的）。在谷歌，A型數(shù)據(jù)科學(xué)家被稱為統(tǒng)計(jì)學(xué)家、定量分析師、決策支持工程開(kāi)發(fā)分析師，也有一些被稱為數(shù)據(jù)科學(xué)家。

B型數(shù)據(jù)科學(xué)家——這里的 B是指 Building。B型數(shù)據(jù)科學(xué)家和 A型數(shù)據(jù)科學(xué)家具有相同的背景，但他們還是很強(qiáng)的程序員、甚至經(jīng)驗(yàn)豐富的軟件工程師。B型數(shù)據(jù)科學(xué)家主要關(guān)注在生產(chǎn)環(huán)境中使用數(shù)據(jù)。他們構(gòu)建能與用戶進(jìn)行交互的模型，通常是提供推薦（產(chǎn)品、可能認(rèn)識(shí)的人、廣告、電影、搜索結(jié)果等）。

而對(duì)于業(yè)務(wù)處理優(yōu)化，我也有自己的看法，我將其分成了 ABCD四個(gè)方向，其中 A表示分析科學(xué)（analytics science），B表示業(yè)務(wù)科學(xué)（business science），C表示計(jì)算機(jī)科學(xué)（computer science），D則表示數(shù)據(jù)科學(xué)（data science）。數(shù)據(jù)科學(xué)可能會(huì)涉及到編程或數(shù)學(xué)實(shí)踐，但也可能不會(huì)涉及到。你可以參考 http://suo.im/11bR7o這篇文章了解高端和低端的數(shù)據(jù)科學(xué)的差異。在一家創(chuàng)業(yè)公司，數(shù)據(jù)科學(xué)家通常要做很多類型的工作，其扮演的工作角色可能包括：執(zhí)行、數(shù)據(jù)挖掘師、數(shù)據(jù)工程師或架構(gòu)師、研究員、統(tǒng)計(jì)學(xué)家、建模師（做預(yù)測(cè)建模等等）和開(kāi)發(fā)人員。

雖然數(shù)據(jù)科學(xué)家常常被看作是經(jīng)驗(yàn)豐富的 R、Python、SQL、Hadoop程序員，而且精通統(tǒng)計(jì)學(xué)，但這只不過(guò)是冰山一角而已——人們對(duì)于數(shù)據(jù)科學(xué)家的這些看法不過(guò)是來(lái)自于重在教授數(shù)據(jù)科學(xué)的部分元素的數(shù)據(jù)培訓(xùn)項(xiàng)目而已。但正如一位實(shí)驗(yàn)室技術(shù)人員也可以稱自己為物理學(xué)家一樣，真正的物理學(xué)家遠(yuǎn)不止于此，而且他們的專業(yè)領(lǐng)域也是非常多樣化的：天文學(xué)、數(shù)學(xué)物理、核物理、力學(xué)、電氣工程、信號(hào)處理（這也是數(shù)據(jù)科學(xué)的一個(gè)領(lǐng)域）等等許多。數(shù)據(jù)科學(xué)也是一樣，包含的領(lǐng)域有：生物信息學(xué)、信息技術(shù)、模擬和量化控制、計(jì)算金融、流行病學(xué)、工業(yè)工程、甚至數(shù)論。

對(duì)我而言，在過(guò)去的十年里，我專注于機(jī)器到機(jī)器和設(shè)備到設(shè)備的通信、開(kāi)發(fā)自動(dòng)處理大型數(shù)據(jù)集的系統(tǒng)以及執(zhí)行自動(dòng)化交易（比如購(gòu)買網(wǎng)絡(luò)流量或自動(dòng)生成內(nèi)容）。這意味著需要開(kāi)發(fā)能夠處理非結(jié)構(gòu)化數(shù)據(jù)的算法，這也是人工智能、物聯(lián)網(wǎng)和數(shù)據(jù)科學(xué)的交叉領(lǐng)域，也可被稱為深度數(shù)據(jù)科學(xué)（deep data science）。其對(duì)數(shù)學(xué)的需求相對(duì)較少，也只涉及到較少的編程（大部分是調(diào)用 API），但其卻是相當(dāng)數(shù)據(jù)密集型的（包括構(gòu)建數(shù)據(jù)系統(tǒng)），并且基于專門為此背景而設(shè)計(jì)的全新統(tǒng)計(jì)技術(shù)。

在此之前，我的工作是實(shí)時(shí)的信用卡欺詐檢測(cè)。在我事業(yè)的早期階段（大約 1990年），我開(kāi)發(fā)過(guò)圖像遠(yuǎn)程感知技術(shù)，其中包括識(shí)別衛(wèi)星圖像的模式（形狀和特征，比如湖泊）和執(zhí)行圖像分割：那段時(shí)間我的研究工作被稱為是計(jì)算統(tǒng)計(jì)學(xué)，但在我的母校，隔壁的計(jì)算機(jī)科學(xué)系也在做著幾乎完全一樣的事情，但他們把自己的工作叫做是人工智能。

今天，這項(xiàng)工作被稱作數(shù)據(jù)科學(xué)或人工智能，其子領(lǐng)域包括信號(hào)處理、用于物聯(lián)網(wǎng)的計(jì)算機(jī)視覺(jué)等。

另外，數(shù)據(jù)科學(xué)家也可以在各種各樣的數(shù)據(jù)科學(xué)項(xiàng)目中出現(xiàn)，比如數(shù)據(jù)收集階段或數(shù)據(jù)探索階段一直到統(tǒng)計(jì)建模和已有系統(tǒng)維護(hù)。

2.機(jī)器學(xué)習(xí)對(duì)比深度學(xué)習(xí)

在深入探討數(shù)據(jù)學(xué)習(xí)與機(jī)器學(xué)習(xí)之間的區(qū)別前，我們先簡(jiǎn)單討論下機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別。機(jī)器學(xué)習(xí)一系列在數(shù)據(jù)集上進(jìn)行訓(xùn)練的算法，來(lái)做出預(yù)測(cè)或采取形同從而對(duì)系統(tǒng)進(jìn)行優(yōu)化。例如，基于歷史數(shù)據(jù)，監(jiān)督分類算法就被用來(lái)分類潛在的客戶或貸款意向。根據(jù)給定任務(wù)的不同（例如，監(jiān)督式聚類），用到的技術(shù)也不同：樸素貝葉斯、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、ensembles、關(guān)聯(lián)規(guī)則、決策樹(shù)、邏輯回歸或多種方法之間的結(jié)合。

這些都是數(shù)據(jù)科學(xué)的分支。當(dāng)這些算法被用于自動(dòng)化的時(shí)候，就像在自動(dòng)飛行或無(wú)人駕駛汽車中，它被稱為人工智能，更具體的細(xì)說(shuō)，就是深度學(xué)習(xí)。如果數(shù)據(jù)收集自傳感器，通過(guò)互聯(lián)網(wǎng)進(jìn)行傳輸，那就是機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)或深度學(xué)習(xí)應(yīng)用到了 IoT上。

有些人對(duì)深度學(xué)習(xí)有不同的定義。他們認(rèn)為深度學(xué)習(xí)是帶有更多層的神經(jīng)網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)技術(shù)）。深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的區(qū)別這一問(wèn)題在 Quora上也被問(wèn)到過(guò)，下面對(duì)此有詳細(xì)的解釋：

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)子領(lǐng)域，創(chuàng)造于 20世紀(jì) 60年代，它涉及到解決對(duì)人類而言簡(jiǎn)單卻對(duì)計(jì)算機(jī)很難的任務(wù)。詳細(xì)來(lái)說(shuō)，所謂的強(qiáng)人工智能系統(tǒng)應(yīng)該是能做人類所能做的任何事。這是相當(dāng)通用的，包含所有的任務(wù)，比如規(guī)劃、到處移動(dòng)、識(shí)別物體與聲音、說(shuō)話、翻譯、完成社會(huì)或商業(yè)事務(wù)、創(chuàng)造性的工作（繪畫(huà)、作詩(shī)）等。

自然語(yǔ)言處理只是人工智能與語(yǔ)言有關(guān)的一部分。

機(jī)器學(xué)習(xí)被認(rèn)為是人工智能的一方面：給定一些可用離散術(shù)語(yǔ)（例如，在一些行為中，那個(gè)行為是正確的）描述的人工智能問(wèn)題，并給出關(guān)于這個(gè)世界的大量信息，在沒(méi)有程序員進(jìn)行編程的情況下弄清楚「正確」的行為。典型的是，需要一些外部流程判斷行為是否正確。在數(shù)學(xué)術(shù)語(yǔ)中，也就是函數(shù)：饋入輸入，產(chǎn)生正確的輸出。所以整個(gè)問(wèn)題就是以自動(dòng)化的方式建立該數(shù)學(xué)函數(shù)的模型。在二者進(jìn)行區(qū)分時(shí)：如果我寫出的程序聰明到表現(xiàn)出人類行為，它就是人工智能。但如果它的參數(shù)不是自動(dòng)從數(shù)據(jù)進(jìn)行學(xué)習(xí)，它就不是機(jī)器學(xué)習(xí)。

深度學(xué)習(xí)是如今非常流行的一種機(jī)器學(xué)習(xí)。它涉及到一種特殊類型的數(shù)學(xué)模型，可認(rèn)為它是特定類型的簡(jiǎn)單模塊的結(jié)合（函數(shù)結(jié)合），這些模塊可被調(diào)整從而更好的預(yù)測(cè)最終輸出。

3.機(jī)器學(xué)習(xí)與統(tǒng)計(jì)學(xué)之間的區(qū)別

《Machine Learning Vs. Statistics》這篇文章試圖解答這個(gè)問(wèn)題。這篇文章的作者認(rèn)為統(tǒng)計(jì)學(xué)是帶有置信區(qū)間（confidence intervals）的機(jī)器學(xué)習(xí)，是為了預(yù)測(cè)或估計(jì)數(shù)量。但我不同意，我曾建立過(guò)不需要任何數(shù)學(xué)或統(tǒng)計(jì)知識(shí)的工程友好的置信區(qū)間。

4.數(shù)據(jù)科學(xué)對(duì)比機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)都是數(shù)據(jù)科學(xué)的一部分。機(jī)器學(xué)習(xí)中的學(xué)習(xí)一詞表示算法依賴于一些數(shù)據(jù)（被用作訓(xùn)練集），來(lái)調(diào)整模型或算法的參數(shù)。這包含了許多的技術(shù)，比如回歸、樸素貝葉斯或監(jiān)督聚類。但不是所有的技術(shù)都適合機(jī)器學(xué)習(xí)。例如有一種統(tǒng)計(jì)和數(shù)據(jù)科學(xué)技術(shù)就不適合——無(wú)監(jiān)督聚類，該技術(shù)是在沒(méi)有任何先驗(yàn)知識(shí)或訓(xùn)練集的情況下檢測(cè) cluster和 cluster結(jié)構(gòu)，從而幫助分類算法。這種情況需要人來(lái)標(biāo)記 cluster。一些技術(shù)是混合的，比如半監(jiān)督分類。一些模式檢測(cè)或密度評(píng)估技術(shù)適合機(jī)器學(xué)習(xí)。

數(shù)據(jù)科學(xué)要比機(jī)器學(xué)習(xí)廣泛。數(shù)據(jù)科學(xué)中的數(shù)據(jù)可能并非來(lái)自機(jī)器或機(jī)器處理（調(diào)查數(shù)據(jù)可能就是手動(dòng)收集，臨床試驗(yàn)涉及到專業(yè)類型的小數(shù)據(jù)），就像我剛才所說(shuō)的，它可能與「學(xué)習(xí)」沒(méi)有任何關(guān)系。但主要的區(qū)別在于數(shù)據(jù)科學(xué)覆蓋整個(gè)數(shù)據(jù)處理，并非只是算法的或統(tǒng)計(jì)類分支。細(xì)說(shuō)之，數(shù)據(jù)科學(xué)也包括：

當(dāng)然，在許多公司內(nèi)數(shù)據(jù)科學(xué)家只專注這些流程中的一個(gè)。

對(duì)于這篇文章，技術(shù)顧問(wèn) Suresh Babu給出了一個(gè)評(píng)論，機(jī)器之心將其編譯整合到了下面：

這篇文章說(shuō)明了解使用機(jī)器/計(jì)算機(jī)來(lái)處理類似人類決策的任務(wù)的統(tǒng)計(jì)學(xué)習(xí)的基本術(shù)語(yǔ)是件很麻煩的事。

但文章中「當(dāng)這些算法被用于自動(dòng)化的時(shí)候，就像在自動(dòng)飛行或無(wú)人駕駛汽車中，它被稱為人工智能，更具體的細(xì)說(shuō)，就是深度學(xué)習(xí)。」這樣的說(shuō)話看起來(lái)卻有些隨意任性。

當(dāng)過(guò)去計(jì)算機(jī)/機(jī)器還不夠友好，沒(méi)有得到廣泛使用的時(shí)候，統(tǒng)計(jì)學(xué)家和數(shù)據(jù)科學(xué)家的工作和現(xiàn)在這個(gè)領(lǐng)域的工作有很大的不同。比如說(shuō)，當(dāng)制造業(yè)開(kāi)始使用計(jì)算機(jī)輔助后，生產(chǎn)速度和量都發(fā)生了巨大的變化——但它仍然是制造業(yè)。用制造機(jī)器來(lái)做原本人類做的程序化工作的想法最早來(lái)自 19世紀(jì)初 Jacquard和 Bouchon等人。而 Jacquard織布機(jī)的工作方式和現(xiàn)在計(jì)算機(jī)控制的織布機(jī)的工作方式基本相同。

現(xiàn)在的數(shù)據(jù)科學(xué)是一個(gè)知識(shí)體系，囊括了統(tǒng)計(jì)學(xué)和計(jì)算方法等等（而且在不同的具體領(lǐng)域不同學(xué)科的比例也不一樣）。

機(jī)器學(xué)習(xí)（或使用了其它的術(shù)語(yǔ)，比如深度學(xué)習(xí)、認(rèn)知計(jì)算）是讓機(jī)器像人類一樣思考和推理，基本上而言是指通過(guò)人工的方法（所以也叫人工智能）來(lái)代替人類天生的自然智能——涉及到的任務(wù)從簡(jiǎn)單到復(fù)雜都有。比如，無(wú)人駕駛汽車（目前）正在模仿人類的駕駛，駕駛條件也是人類在自然情況下會(huì)遇到的——我說(shuō)「目前」是因?yàn)橐苍S未來(lái)人類將很少能夠直接駕駛機(jī)器，「駕駛（drive）」這個(gè)詞本身都可能會(huì)改變含義。

這個(gè)領(lǐng)域里面也有些滑稽可笑的事情，比如一些基本的東西（比如一個(gè)下國(guó)際象棋或圍棋的算法）被認(rèn)為可以解釋人腦的工作方式。就我們目前的知識(shí)水平而言，光是解釋鳥(niǎo)或魚(yú)的大腦的工作方式就已經(jīng)非常困難了——這說(shuō)明我們還沒(méi)有真正理解學(xué)習(xí)的機(jī)制。為什么果蠅只需幾百個(gè)神經(jīng)元就能做到這么多事情？這還是神經(jīng)科學(xué)的一個(gè)未解之謎。而認(rèn)知是什么以及其在自然環(huán)境下是如何工作的也是一個(gè)數(shù)據(jù)科學(xué)傲慢地認(rèn)為自己能解決的重大難題。（不管怎樣，降維是一種無(wú)監(jiān)督學(xué)習(xí)的方法。）

在很多方面，工具以及我們使用工具所做的事情自人類誕生以來(lái)就在引導(dǎo)著人類的學(xué)習(xí)。但這就扯遠(yuǎn)了。

未來(lái)的世界屬于誰(shuí)？

沒(méi)有人能給出一個(gè)確切的答案，但總有人能根據(jù)歷史發(fā)展的趨勢(shì)、科技發(fā)展的方向，給出一個(gè)比較靠譜的預(yù)測(cè)。而許多這樣的預(yù)測(cè)都表明，未來(lái)將是一個(gè)屬于碼農(nóng)的世界。

在農(nóng)業(yè)社會(huì)，男耕女織，社會(huì)的經(jīng)濟(jì)基礎(chǔ)是農(nóng)業(yè)，而社會(huì)的建設(shè)者就是農(nóng)民；到了工業(yè)時(shí)代，機(jī)器轟鳴，工業(yè)生產(chǎn)成為拉動(dòng)經(jīng)濟(jì)增長(zhǎng)的主要?jiǎng)恿?，這時(shí)主要的社會(huì)建設(shè)者是工人；而在后現(xiàn)代化的科技時(shí)代，一切都在朝著智能化、信息化的方向發(fā)展，這時(shí)的主體建設(shè)者就是程序員，也就是碼農(nóng)。

《人類簡(jiǎn)史》的作者尤瓦爾?赫拉利前不久又推出另一本大部頭的著作《未來(lái)簡(jiǎn)史》，其中有以下2個(gè)核心觀點(diǎn)：

1，世界的一切都是數(shù)據(jù)處理。如果把每個(gè)人都想象成一個(gè)處理器，人與人之間的交流就是信息交流，那么整個(gè)人類社會(huì)就是一個(gè)數(shù)據(jù)處理系統(tǒng)。整個(gè)人類歷史，就是給這個(gè)系統(tǒng)增加效率的歷史。

2，生命本身就是算法——?jiǎng)游锖腿硕几饔芯艿乃惴ǎ瑸榈氖巧婧头毖?。人的感覺(jué)、情緒、想法都是算法在支配。人類已經(jīng)開(kāi)發(fā)出更精密的算法，谷歌、facebook等大數(shù)據(jù)公司將比我們自己更了解人類。人類社會(huì)的未來(lái)將會(huì)是一個(gè)全新的、效率更高的數(shù)據(jù)處理系統(tǒng)，稱為“萬(wàn)物互聯(lián)網(wǎng)”。

尤瓦爾?赫拉利指出，未來(lái)屬于人工智能和神人，神人就是通過(guò)生物科技升級(jí)了肉體，通過(guò)人工智能融合技術(shù)加強(qiáng)了智力的“超人類”，他們將和“無(wú)意識(shí)、無(wú)處不在的、自我進(jìn)化、自我升級(jí)的人工智能算法系統(tǒng)”一同統(tǒng)治人類。

換句話說(shuō)，神人就是能給自身編寫代碼的人。

在電影黑客帝國(guó)里，人類世界變成了一個(gè)虛擬的世界，任何物體、甚至人類自身也只是一行行代碼，實(shí)際存在的物體如此，意識(shí)更成了代碼運(yùn)行的結(jié)果。這樣的世界也許只是想象，而尤瓦爾?赫拉利所謂的“神人”也可能存在于更遙遠(yuǎn)的未來(lái)。

但在可預(yù)見(jiàn)的一段時(shí)間內(nèi)，顯然是屬于碼農(nóng)的黃金時(shí)代。

人工智能的核心不是硬件，而是支撐它智能行為的代碼。常言都說(shuō)，若想機(jī)器人能服務(wù)于人類，并且不構(gòu)成傷害，必須滿足機(jī)器人三大定律。而這三大定律如何實(shí)現(xiàn)，當(dāng)然必須落實(shí)于一行行代碼。未來(lái)屬于人工智能，更屬于創(chuàng)造它們的碼農(nóng)。

此外，在一個(gè)越來(lái)越智能化的時(shí)代，把世界翻譯成為數(shù)字和算法將是必由之路。這條路的終點(diǎn)，必將是實(shí)現(xiàn)萬(wàn)物互聯(lián)。這必將是一個(gè)漫長(zhǎng)的過(guò)程，而這個(gè)過(guò)程也必將是碼農(nóng)們施展才華的黃金時(shí)代。

在當(dāng)今現(xiàn)實(shí)生活中，“碼農(nóng)”和“程序猿”、“攻城獅”、“IT民工”等等常是帶有自黑意味的詞語(yǔ)，然而碼農(nóng)卻是未來(lái)世界必不可少的建設(shè)者。

未來(lái)需要碼農(nóng)，未來(lái)屬于碼農(nóng)。如此，“碼農(nóng)”當(dāng)然不是一個(gè)苦逼的職業(yè)，而是一個(gè)酷斃的事業(yè)。

而“機(jī)器人基金管家”，也就是通過(guò)數(shù)學(xué)模型進(jìn)行量化投資的計(jì)算機(jī)。據(jù)悉，貝萊德此次重組規(guī)模為300億美元，約占主動(dòng)型基金規(guī)模的11%。其中，有60億美元將被并入集團(tuán)旗下的BlackRock Advantage基金，即機(jī)器人管家來(lái)掌控的基金。

消息一出，反響四起。

畢竟，基金經(jīng)理向來(lái)是高智商財(cái)經(jīng)人才所從事的職業(yè)，從業(yè)者需要具備良好的數(shù)學(xué)基礎(chǔ)和扎實(shí)的經(jīng)濟(jì)學(xué)理論功底。機(jī)器人代替流水線工人尚在意料之中，代替基金經(jīng)理實(shí)在讓人意外。

凱文﹒凱利曾在《失控》中指出，人們?cè)趯⒆匀贿壿嬢斎氲綑C(jī)器的同時(shí)，也把技術(shù)邏輯帶到了生命之中，因而，人造和天生的聯(lián)姻是未來(lái)發(fā)展的方向。

接下來(lái)，我們就來(lái)看看，除了基金經(jīng)理，機(jī)器還融入了哪些人類的工作崗位：

1，機(jī)器人士兵

在好萊塢大片里，不乏機(jī)器人戰(zhàn)士，像《終結(jié)者》里的T800和T1000、《星球大戰(zhàn)》里面的C-3PO，還有《機(jī)械公敵》里面的NS-5。這些雖是電影人的創(chuàng)作，但在現(xiàn)實(shí)中，許多國(guó)家都在積極研究具有高智商、高自主化的智能機(jī)械。

機(jī)器人士兵不畏死亡、不會(huì)饑餓、忠于命令，還不會(huì)產(chǎn)生戰(zhàn)爭(zhēng)后遺癥等心理疾病，它們可能比人類士兵更加優(yōu)秀，似乎派它們上戰(zhàn)場(chǎng)也更人道。因此美國(guó)政府就希望10年內(nèi)機(jī)器人士兵能成為美軍的主力。

美國(guó)波士頓動(dòng)力公司研制了一款名為“PetMan”的軍用機(jī)器人，能夠像士兵一樣活動(dòng)手臂和大腿，它的職能是為美軍實(shí)驗(yàn)防護(hù)服裝。

圖為PetMan機(jī)器人

波士頓動(dòng)力學(xué)工程公司還研制了一款“大狗”機(jī)器人，其體型與大型犬相當(dāng)，能夠在戰(zhàn)場(chǎng)上發(fā)揮非常重要的作用：在交通不便的地區(qū)為士兵運(yùn)送彈藥、食物和其他物品。

可以想見(jiàn)，機(jī)器人取代人成為未來(lái)戰(zhàn)場(chǎng)上的主力將是科技飛躍帶來(lái)的最終結(jié)果。那么，機(jī)器人代替人類上戰(zhàn)場(chǎng)，是不是一個(gè)減少流血犧牲、避免人類傷亡的人道方案呢？

當(dāng)然，最人道的方案還是——沒(méi)有戰(zhàn)爭(zhēng)。

2，機(jī)器人廚師

當(dāng)今社會(huì)，生活節(jié)奏不斷加快。有一個(gè)會(huì)做飯的機(jī)器人，實(shí)在是能讓自己省下烹飪的時(shí)間，并依然能享受到美味的佳肴。

圖為Moley

英國(guó)的研發(fā)團(tuán)隊(duì)，就開(kāi)發(fā)了這樣一個(gè)機(jī)器人，Moley，其號(hào)稱是“世界上第一款自動(dòng)化廚師機(jī)器人”，能夠?qū)崿F(xiàn)完全自動(dòng)化的烹飪體驗(yàn)。

它的數(shù)據(jù)庫(kù)中擁有多達(dá)2000多道菜，包括米飯、壽司、蟹肉濃湯、橙汁雞等等各國(guó)美食。相信只要代碼編好，食材準(zhǔn)備齊全，由它做出一桌滿漢全席也不是難事。

3，機(jī)器人司機(jī)

機(jī)器人司機(jī)其實(shí)就是自動(dòng)駕駛，不少科技巨頭都花費(fèi)重金布防在自動(dòng)駕駛領(lǐng)域。

像蘋果公司的造車項(xiàng)目“Titan”。雖然蘋果公司不是汽車業(yè)巨頭，但其有著足夠的資金儲(chǔ)備和技術(shù)支持，成為自動(dòng)駕駛領(lǐng)域的弄潮兒也未可知。

Uber聯(lián)合創(chuàng)始人兼首席執(zhí)行官TravisKalanick曾說(shuō)過(guò)，“我們意識(shí)到自動(dòng)駕駛一定會(huì)引領(lǐng)世界潮流，如果我們不能參與到其中，我們就會(huì)被未來(lái)世界拋棄。”去年，Uber高調(diào)宣布和沃爾沃達(dá)成合作，共同研發(fā)自動(dòng)駕駛技術(shù)。

谷歌從2009年就正式啟動(dòng)無(wú)人駕駛汽車項(xiàng)目，作為最早涉足自動(dòng)駕駛領(lǐng)域的互聯(lián)網(wǎng)巨頭，谷歌在技術(shù)上有著豐厚儲(chǔ)備。同蘋果公司一樣，谷歌在未來(lái)可能會(huì)更加注重自動(dòng)駕駛軟件的研發(fā)，而不是自己制造自動(dòng)駕駛汽車。

而國(guó)內(nèi)的公司，在自動(dòng)駕駛領(lǐng)域有著較大突破的要算是百度了。2015年，百度正式成立了自動(dòng)駕駛事業(yè)部，并提出了三年實(shí)現(xiàn)自動(dòng)駕駛汽車商業(yè)化，五年實(shí)現(xiàn)自動(dòng)駕駛汽車量產(chǎn)的目標(biāo)。2015年12月份，百度以改裝過(guò)的寶馬三系GT為試驗(yàn)車輛在北京5環(huán)上進(jìn)行了自動(dòng)駕駛測(cè)試。不久后，百度還拿到了美國(guó)加州頒發(fā)的全球第15張無(wú)人汽車上路測(cè)試牌照。

不難想象，在如此多的科技巨頭研發(fā)、布局的情況下，實(shí)現(xiàn)自動(dòng)駕駛只是時(shí)間問(wèn)題。

而在未來(lái)世界，是不是也就沒(méi)了“老司機(jī)”？

4，機(jī)器人記者

機(jī)器人能寫新聞，這不算是新聞了。

2016年9月10日上午10時(shí)9分，騰訊網(wǎng)財(cái)經(jīng)頻道發(fā)出了一篇題為《8月CPI同比上漲2.0% 創(chuàng)12個(gè)月新高》的稿件，引起多方關(guān)注。

但大家的關(guān)注點(diǎn)并不在內(nèi)容，而是這篇報(bào)道是由新聞寫作機(jī)器人寫出來(lái)的。

我們印象中的機(jī)器人，是按照邏輯算法來(lái)進(jìn)行工作的，它強(qiáng)在數(shù)據(jù)處理，竟難以想到它也可以用來(lái)新聞寫作。

當(dāng)然不論是國(guó)內(nèi)還是國(guó)外的新聞寫作機(jī)器人，如今都是在寫一些有著固定模板的簡(jiǎn)單新聞。真正的寫作，需要想象力和情感，而這些，現(xiàn)在的機(jī)器人沒(méi)有，未來(lái)會(huì)有嗎？

……

以上只是簡(jiǎn)單列舉了幾例，除了基金經(jīng)理，機(jī)器人還可勝任的工作其實(shí)不勝枚舉。因此，本文的題目似乎應(yīng)該改成——還有哪些工作，機(jī)器人不能做？

你覺(jué)得呢？

135億年前宇宙形成，46億年前地球形成，38億年前地球出現(xiàn)有機(jī)體，而一直到7萬(wàn)年前，我們的祖先智人才開(kāi)始創(chuàng)造“文化”，繼而發(fā)展出我們所謂的“人類歷史”。

要將7萬(wàn)年的人類歷史在400頁(yè)的書(shū)內(nèi)講完，顯然不能窮盡細(xì)節(jié)，單是講中國(guó)的簡(jiǎn)史，恐怕400頁(yè)書(shū)也不能夠。因而這本書(shū)只講歷史發(fā)展的脈絡(luò)，以及其背后的歷史法則。而且作者不單是講歷史，還從物理學(xué)、化學(xué)、生物學(xué)、政治學(xué)、心理學(xué)等等多個(gè)角度，來(lái)闡釋7萬(wàn)年來(lái)的智人個(gè)體，乃至整個(gè)人類社會(huì)的來(lái)龍去脈。

這樣一本人類歷史的“提綱挈領(lǐng)”，可算是“哲學(xué)”了，因?yàn)樗v雖是過(guò)去，卻讓你看到了未來(lái)。

人類的歷史，約7萬(wàn)年前，發(fā)生認(rèn)知革命；約12000年前，農(nóng)業(yè)革命；約500年前，科學(xué)革命。而這本書(shū)也是圍繞這三次革命來(lái)展開(kāi)。

我們提到“人類”，想到的只是我們自己。其實(shí)，按照生物分類學(xué)“界門綱目科屬種”的劃分，人類是“屬”的概念，我們智人只是“人屬”下的一個(gè)物種。智人的親戚有很多，只不過(guò)都已絕跡：

尼安德特人，魁梧高大、肌肉發(fā)達(dá)，適應(yīng)寒冷氣候，主要活動(dòng)于歐洲；

直立人，存續(xù)時(shí)間最久的人類物種，近200萬(wàn)年，居住在亞洲；

梭羅人，適應(yīng)熱帶氣候，居住于印度尼西亞的爪哇島；

弗洛里斯人，身高不到1米，體重不過(guò)25公斤（估計(jì)是《指環(huán)王》里霍比特人的原型），居住于印度尼西亞的弗洛里斯島。

……

事實(shí)上，以上幾例都是已經(jīng)發(fā)現(xiàn)的，還有更多智人的“親人”遺骸散落在世界各地，等待發(fā)掘。

因此，200萬(wàn)年前到1萬(wàn)年前，是許多人類物種共存于世的。但從7萬(wàn)年前開(kāi)始，智人向全球擴(kuò)張，其他人種急劇凋零，直至滅絕。

以智人的身體素質(zhì)，打敗弗洛里斯人綽綽有余，但遠(yuǎn)不是尼安德特人的對(duì)手。而我們勝出的原因，就是距今7萬(wàn)年前至3萬(wàn)年前發(fā)生的“認(rèn)知革命”，即新的思維和溝通方式：

1，? 八卦。我們的語(yǔ)言除了用來(lái)探討獵物，警示危險(xiǎn)，還開(kāi)始被用來(lái)“八卦”，即討論部落里的人情世故。也許你很難相信，“八卦”居然是智人制勝的法寶？確實(shí)如此。通過(guò)八卦，智人能很快熟悉部落所有人的情況，如此就能凝聚部落，發(fā)展出更緊密復(fù)雜的合作形式。

2，? 虛構(gòu)故事。智人有了八卦的能力，部落因而擴(kuò)大，并聯(lián)系緊密。但“八卦”維持的最大自然團(tuán)體大約是150人。超過(guò)150人，大家無(wú)法深入了解彼此，緊密的合作也無(wú)從談起。比如有專家研究，自然的黑猩猩部落維持在20~50只，超過(guò)100只必然陷入崩潰。然而“虛構(gòu)的故事”卻可以使成千上萬(wàn)的人組成“部落”，并緊密配合。

虛構(gòu)的故事，重點(diǎn)在于所有人一起想象并相信。比如《圣經(jīng)》的故事，它就能讓所有信仰上帝但卻互不認(rèn)識(shí)的人在同一天進(jìn)教堂禱告。甚至是國(guó)家、公司、法律等等都是我們智人虛構(gòu)的故事，只要有足夠多的人相信，就能讓無(wú)數(shù)的人集結(jié)起來(lái)，有序地合作。

會(huì)八卦，能編故事，這迅速讓智人部落壯大起來(lái)。如果尼安德特人看到一棵樹(shù)，那它就是一棵樹(shù)。可智人看到了一棵樹(shù)，他可能會(huì)說(shuō)，這樹(shù)是我們的保護(hù)神，違背樹(shù)神旨意就要得到懲罰，成百上千的智人雖互不了解，但樹(shù)神的旨意是統(tǒng)一的，這棵樹(shù)就能凝聚無(wú)數(shù)信仰樹(shù)神的人，并讓他們整齊劃一，分工合作。

這棵樹(shù)，在古代是上帝，在現(xiàn)代是法律。

智人個(gè)體戰(zhàn)斗能力比不過(guò)尼安德特人，但智人可以有1000人以上的緊密合作的部落，尼安德特人卻最多100個(gè)人一起戰(zhàn)斗。好比動(dòng)物園的黑猩猩可以輕易手撕人類，但卻被我們關(guān)在籠子里。而這場(chǎng)人類物種之戰(zhàn)，顯然也是智人完勝。

人類有250萬(wàn)年的時(shí)間靠采集和狩獵為生，但在大約1萬(wàn)年前，我們開(kāi)始停止游蕩，全心全意培育幾種動(dòng)植物，以之為食，這便是農(nóng)業(yè)革命。

1萬(wàn)年前，小麥只是野草中的一種。當(dāng)人類發(fā)現(xiàn)它的食用價(jià)值之后，便開(kāi)始精心種植小麥，日出而作日落而息，除草、殺蟲(chóng)、灌溉、施肥，草場(chǎng)變成麥田，最終的結(jié)果是人馴化了小麥，定居走入農(nóng)業(yè)社會(huì)，但小麥何嘗不是馴化了人類，為自己謀了個(gè)終身保姆？

農(nóng)業(yè)革命之前，人類居無(wú)定所，食物難以保障，農(nóng)業(yè)革命之后，每單位土地能穩(wěn)定地提供更多的食物，人口也開(kāi)始不斷增加。如果以DNA拷貝數(shù)的多寡來(lái)衡量一個(gè)物種演化成功與否，難么智人絕對(duì)算是成功的。但就智人個(gè)體來(lái)說(shuō)，農(nóng)業(yè)革命帶來(lái)了更幸福的生活嗎？

答案是否定的。智人定居下來(lái)進(jìn)行農(nóng)耕，變成農(nóng)民，第一代農(nóng)民不用擔(dān)心野獸襲擊、風(fēng)吹雨淋，確實(shí)享受到了好處。

但是（下面才是重點(diǎn)），

﹒隨著人口的增多，農(nóng)民不得不花費(fèi)更多的時(shí)間進(jìn)行農(nóng)耕，獲取食物；

﹒而農(nóng)耕部落顯然強(qiáng)于采集部落，因此逼迫后者也加入農(nóng)耕行列；

﹒而農(nóng)耕部落的沖突顯然比采集部落的火拼更加硝煙彌漫，同時(shí)農(nóng)耕部落還面臨著河堤決口、旱災(zāi)等自然災(zāi)害，迫使需要大規(guī)模的政治和社會(huì)制度作為保障，最終形成國(guó)家；

﹒可農(nóng)民勤勞不懈，付出的保護(hù)費(fèi)總比得到的保護(hù)要多，農(nóng)民交出去的糧食養(yǎng)活了政治、戰(zhàn)爭(zhēng)、藝術(shù)和哲學(xué)，一小部分統(tǒng)治階層和精英階層過(guò)上了比農(nóng)業(yè)革命前更優(yōu)越的日子，但為數(shù)最多的農(nóng)民卻背負(fù)上了空前沉重的稅負(fù)。

農(nóng)業(yè)革命的真正本質(zhì)就是：讓更多的人以更糟的狀況活下去。

與此對(duì)應(yīng)的是奢侈品陷阱，我們想讓生活變得容易的努力，卻帶來(lái)了無(wú)窮的麻煩。比如，以前寄信很麻煩，寫信封、貼郵票，還要經(jīng)過(guò)幾天甚至幾月的等待，而我們發(fā)明電子郵件之后，寄信便不再是麻煩事了。可現(xiàn)在，尤其對(duì)上班族來(lái)說(shuō)，每天都面臨著幾十、上百封email，且都在等著立刻回應(yīng)。相比于車馬很慢的年代，電子郵件省下了很多時(shí)間，但實(shí)則是生活步調(diào)被極大加速，我們整天忙忙碌碌，疲于應(yīng)付。

而且革命還有其他受害者，就DNA拷貝數(shù)來(lái)說(shuō)，被人類馴化的雞，牛，豬，羊，可以說(shuō)演化很成功。但在現(xiàn)代畜牧場(chǎng)里，一只小?？赡芙K生被關(guān)在籠子里，避免走動(dòng)而肌肉變硬，因?yàn)榧∪庠饺彳洠Ｅ乓苍锦r嫩多汁。牛是演化成功的物種，但牛的個(gè)體卻可能承受著無(wú)比悲慘的生活。

農(nóng)業(yè)革命還有其他的影響：

1，? 在此之前，人類采野果，驅(qū)虎豹，以天為被，以地為席，但在農(nóng)業(yè)革命之后，人類只與“自己家”緊密相連，與其他生物畫(huà)出界限。

2，? 農(nóng)業(yè)革命之后，社會(huì)變得格外復(fù)雜，人腦不足以記錄所有信息，于是出現(xiàn)了新的信息類型：數(shù)字。早期的文字只用來(lái)記錄事實(shí)和數(shù)字?，F(xiàn)發(fā)現(xiàn)的人類史上第一個(gè)文本，不是詩(shī)歌法律，卻是財(cái)經(jīng)文件，記著稅務(wù)、債務(wù)及財(cái)產(chǎn)所有權(quán)。而史上記下第一個(gè)名字的人，是記錄這些數(shù)字的會(huì)計(jì)師。

人類在這些無(wú)聊的數(shù)字外，不斷加入其它符號(hào)，最終形成完整的表意文字。楔形文字形成于公元前3000~公元前2500年，中國(guó)約在公元前1200年發(fā)展出表意文字。

關(guān)于人類歷史的方向，如果僅從鳥(niǎo)瞰的角度，看過(guò)去的幾個(gè)世紀(jì)，還不足以得出結(jié)論，而應(yīng)該從“間諜衛(wèi)星的高度”，看幾千年，幾萬(wàn)年的發(fā)展軌跡，才能得到結(jié)論：合久必分只是一時(shí)，分久必合才是大趨勢(shì)。

有以下三種力量，建立起全球一家的基礎(chǔ)：

1，貨幣。人類虛構(gòu)故事的產(chǎn)物，正因?yàn)槿藗兿嘈乓粡埣埓淼膬r(jià)值，因此從物物交換，發(fā)展到了以貨幣為媒介的商品交換。金錢正是有史以來(lái)最普遍也最有效的互信系統(tǒng)。本拉登肯定不喜歡奧巴馬，但他對(duì)美元卻是來(lái)者不拒。

2，帝國(guó)。帝國(guó)就像一臺(tái)壓路機(jī)，將許多民族獨(dú)特的多樣性夯平，整合制造出新的更大群體。比如，西古羅馬帝國(guó)在公元476年被日耳曼人推翻，但此前被羅馬征服的努曼西亞人、阿爾維尼人、赫爾維蒂人等都沒(méi)有恢復(fù)重生，這是因?yàn)檫@些后代早就被羅馬帝國(guó)同化。

3，宗教。社會(huì)秩序只是想象的產(chǎn)物，因此，社會(huì)規(guī)模越大，秩序也就越脆弱。而宗教則說(shuō)有一種絕對(duì)的神圣最高權(quán)柄，超越人類，不容動(dòng)搖。不再質(zhì)疑秩序本身，只得遵守，因而能確保統(tǒng)一和穩(wěn)定。不同的宗教有著不同的最高權(quán)柄，基督教為上帝，佛教和道教則為自然法則。

商業(yè)、帝國(guó)和全球性宗教，將幾乎所有的智人納入了今天的全球世界。

公元1500年左右，即大航海時(shí)代，通過(guò)地理大發(fā)現(xiàn)，世界逐漸連為一個(gè)整體。從這之后，一直到人類登上月球，發(fā)生就是“科技革命”。

現(xiàn)代科學(xué)與之前的知識(shí)體系有三大不同：1，愿意承認(rèn)自己的無(wú)知。2，以觀察和數(shù)學(xué)為中心。3，目的是取得新能力?？梢哉f(shuō)，科技革命不是“知識(shí)的革命”，而是“無(wú)知的革命”。

而科學(xué)的蓬勃發(fā)展，還要?dú)w因于其他力量的推動(dòng)，其中帝國(guó)主義和資本主義尤其重要。

1，科學(xué)和帝國(guó)的聯(lián)姻。過(guò)去的歐洲帝國(guó)主義自以為了解整個(gè)世界，“征服世界”是為了傳播自己對(duì)于世界的看法，但在征服過(guò)程中，不斷發(fā)現(xiàn)新領(lǐng)地，也不斷發(fā)現(xiàn)新知識(shí)，反過(guò)來(lái)這些新知識(shí)又成為它們繼續(xù)征服的武器。

因?yàn)橘Y助科學(xué)家能帶來(lái)新知識(shí)，而新知識(shí)能帶來(lái)更大的利益。因此，公元1500年之后，帝國(guó)越來(lái)越愿意資助科學(xué)研究。

2，資本主義。如果不是商人想賺錢，哥倫布也不會(huì)到達(dá)美洲，阿姆斯特朗也不會(huì)登上月球。

過(guò)去，許多文化認(rèn)為賺錢是種罪惡，認(rèn)為世界是一張大餅，你多拿一塊，勢(shì)必?fù)p害別人的利益。賺錢就是零和游戲。比如耶穌就說(shuō)：“駱駝穿過(guò)針的眼，比財(cái)主進(jìn)神的國(guó)還容易呢！”

直到1776年，亞當(dāng)斯密出版了《國(guó)富論》：如果地主賺的的利潤(rùn)高于基本所需，多余的錢就會(huì)用來(lái)雇傭更多的助手，好進(jìn)一步提升利潤(rùn)。利潤(rùn)越高，所雇人員也越多。因而獲利并投入再生產(chǎn)正是社會(huì)繁榮的基礎(chǔ)。

由此產(chǎn)生了新的道德標(biāo)準(zhǔn)：拿出利潤(rùn)，投入再生產(chǎn)，并如此循環(huán)。所謂，資本的生命在于運(yùn)動(dòng)。

而帝國(guó)+資本+科技就產(chǎn)生了收割暴利的龐然大物——英國(guó)東印度公司。其運(yùn)營(yíng)的邏輯是：信貸資助新發(fā)現(xiàn)，新發(fā)現(xiàn)帶來(lái)新殖民地，殖民地帶來(lái)利潤(rùn)，利潤(rùn)建立起信任，信任轉(zhuǎn)化為更多的信貸，如此循環(huán)。

而現(xiàn)代經(jīng)濟(jì)的邏輯就是，相信明天的餅會(huì)更大，因此不斷拿出今天的利潤(rùn)，投入再生產(chǎn)。然而，經(jīng)濟(jì)的大餅真能無(wú)限制變大嗎？如果不能，現(xiàn)代經(jīng)濟(jì)顯然就是一場(chǎng)龐氏騙局。

制造每塊餅，都需要原材料和能源，如果這兩者窮盡了，顯然現(xiàn)代經(jīng)濟(jì)便崩潰了。而資源有限，這只是相對(duì)的說(shuō)法。因?yàn)椋茖W(xué)似乎總能找到解決之道。比如質(zhì)能方程E=MC^2就告訴我們，能源其實(shí)無(wú)窮無(wú)盡，唯一的限制就是能源轉(zhuǎn)化的方法。關(guān)于原材料，我們的目光如果不局限于地球，放眼整個(gè)太陽(yáng)系，乃至整個(gè)宇宙，更是發(fā)現(xiàn)它取之不盡。

現(xiàn)代資本主義經(jīng)濟(jì)想要存活，就必須要不斷生產(chǎn)。如同鯊魚(yú)，停止游動(dòng)就會(huì)窒息。這就是為什么，明明你的iPhone5功能正常，但iPhone6,7還是接二連三上市，并誘惑著你去購(gòu)買。這也便是資本主義創(chuàng)造出的消費(fèi)主義，從而使整個(gè)現(xiàn)代社會(huì)變成：有錢人，投資；消費(fèi)者，購(gòu)買。

工業(yè)革命找出了新的能量轉(zhuǎn)換和商品生產(chǎn)方法，因而人類對(duì)自然生態(tài)系統(tǒng)依賴性大減，結(jié)果我們砍伐森林、抽干胡泊，造成全球暖化、污染猖獗等等生態(tài)問(wèn)題。

因此，最先崩潰的很可能不是我們的經(jīng)濟(jì)，而是我們居住的環(huán)境。

但拋卻這些問(wèn)題，我們今天確實(shí)生活在比以往更和平的環(huán)境里，以往戰(zhàn)爭(zhēng)帶來(lái)殖民地便帶來(lái)海量財(cái)富，在今天戰(zhàn)爭(zhēng)絕對(duì)得不到這樣的利潤(rùn)，而且核子末日的威脅也促進(jìn)了和平主義。然而今天的我們是否生活的更幸福了呢？好比農(nóng)業(yè)革命更像一場(chǎng)騙局，工業(yè)革命又帶來(lái)了什么？

此外，歷史書(shū)籍總是對(duì)社會(huì)建立和瓦解，帝國(guó)興衰，科技發(fā)明與傳播，知無(wú)不言、言無(wú)不盡。但對(duì)這一切給人類帶來(lái)的是快樂(lè)或痛苦，卻只字不提。快樂(lè)的歷史，有待研究，而人生的幸福，則要靠自己體會(huì)。

21世紀(jì)曙光乍現(xiàn)之際，自然選擇的法則開(kāi)始被智慧設(shè)計(jì)的法則取代。智人通過(guò)生物工程、仿生工程、無(wú)機(jī)生命工程，來(lái)干預(yù)、甚至掌控生命，制造出自然演化不可能出現(xiàn)的產(chǎn)物。

而這些智慧設(shè)計(jì)也被用于智人自身，如果未來(lái)科技能夠改造我們的身體，也能改造我們的心靈，那這種“更完美”的生物誕生之時(shí)，也將是智人歷史落幕之日。

（全文完）

說(shuō)到BAT三家在AI方面的表現(xiàn)，百度和阿里一直很高調(diào)，比如李彥宏曾經(jīng)說(shuō)百度的AI是中國(guó)的“國(guó)家隊(duì)”，而馬云前幾天立項(xiàng)NASA的新聞也鋪天蓋地，而相比較下，騰訊卻顯得比較低調(diào)和安靜。
但是近期騰訊的AI研究終于有了一個(gè)比較喜人的成績(jī)：在今年的UEC圍棋比賽中，騰訊的AI“絕藝”戰(zhàn)勝了日本DeepZenGO在內(nèi)的多只AI，奪得了冠軍。

絕藝奪冠了，馬總很開(kāi)心

雖然這次比賽沒(méi)有AlphaGo參加，但這個(gè)新聞也著實(shí)讓很多人對(duì)于一直不顯山不露水的騰訊的AI水平有了新的認(rèn)知。

絕藝在UEC中奪冠比賽路徑（圖片來(lái)自全景網(wǎng)騰訊專訪）
要說(shuō)“絕藝”這個(gè)名字并不是一開(kāi)始就有的，一開(kāi)始騰訊的下棋AI名字一直是Weigo，而“絕藝”這個(gè)詞第一次在人們的視野中出現(xiàn)還是去年11月1日，當(dāng)時(shí)weigo第一次以“絕藝”這個(gè)ID在野狐平臺(tái)對(duì)戰(zhàn)，第二天就戰(zhàn)勝了世界冠軍江維杰，此后這個(gè)名稱被沿用。

“絕藝”在野狐平臺(tái)使用過(guò)的馬甲，每升級(jí)一次，挑戰(zhàn)對(duì)手實(shí)力更強(qiáng)一階（圖片來(lái)自全景網(wǎng)）

有意思的是，在這之前，weigo在野狐平臺(tái)叫過(guò)各種“小名”，已知的第一次對(duì)戰(zhàn)在去年8月，它用“虎虎有生氣”這個(gè)ID開(kāi)始在野狐下棋，8月23日第一次戰(zhàn)勝了職業(yè)選手。
接下來(lái)，不知是不是出于信心增長(zhǎng)，改用“野狐掃地僧”ID，在9月4號(hào)和網(wǎng)友tby大戰(zhàn)8局，8局連勝，網(wǎng)友tby不是別人，正是棋圣聶衛(wèi)平的長(zhǎng)子孔令文。

此后就是11月1日用“絕藝”這個(gè)ID戰(zhàn)勝江維杰，之后戰(zhàn)績(jī)恐怖：11月19日，對(duì)柯潔，一勝一負(fù)；11月28日對(duì)陣韓國(guó)第一人樸廷桓5勝1敗，再之后的手下敗將有韓國(guó)的尹均相、范蘊(yùn)若、古力、黨毅飛、陳耀華、連笑、羋昱廷、胡耀宇、辜梓豪……

野狐平臺(tái)上“絕藝”的信息，明確標(biāo)識(shí)為“十段”
這一陣狂風(fēng)之后，根據(jù)野狐平臺(tái)的計(jì)算方式，“絕藝”榮升“十段”。
雖然當(dāng)時(shí)騰訊從來(lái)沒(méi)有出面認(rèn)領(lǐng)過(guò)，但是棋迷們大部分都已經(jīng)猜出“絕藝”就是騰訊當(dāng)年那個(gè)叫作“Weigo”的AI。
甚至有網(wǎng)友扒出去年騰訊報(bào)名UEC的時(shí)候，使用的名稱仍然是Weigo。然而，大概是由于“絕藝”這個(gè)馬甲早已深入人心，或者騰訊早有打算，總之，Weigo現(xiàn)在已經(jīng)改名“絕藝”混世了。

網(wǎng)友扒出的參賽報(bào)名名單（來(lái)自新浪微博）
很多人可能都知道DeepZenGo，但是沒(méi)有聽(tīng)過(guò)“絕藝”，對(duì)普通人來(lái)說(shuō)，可能直到今年UEC比賽，絕藝才算“一鳴驚人”。聯(lián)系此前騰訊在AI上的低調(diào)，我們可以說(shuō)一開(kāi)始營(yíng)造神秘感，之后一炮而紅的做法，似乎有著更好的宣傳效果，這個(gè)套路在江湖上人稱“憋大招”。
“憋大招”之所以讓人覺(jué)得很厲害，是因?yàn)樵诔聊斜l(fā)，“屌絲逆襲”的故事總是震撼人心。但是說(shuō)到這里，小編還是忍不住奶一口毒雞湯為大家：那就是并不是所有的屌絲都能在默默無(wú)聞中憋出大招，能憋出大招的屌絲很有可能早就有著得天獨(dú)厚的優(yōu)勢(shì)——
首先，騰訊從來(lái)不是屌絲，而是高富帥，與此同時(shí)直接導(dǎo)致絕藝不可能是個(gè)屌絲，至少是個(gè)富二代。

騰訊的AI實(shí)驗(yàn)室由13人團(tuán)隊(duì)組成
騰訊背景在本次絕藝獲勝中有關(guān)鍵作用：
UEC比賽每方出棋時(shí)間一共30分鐘，每一步大概就20秒左右，可以算得上快棋，而各家AI在本次比賽中是分別使用自家的服務(wù)器進(jìn)行計(jì)算的。計(jì)算時(shí)間有限，就對(duì)于計(jì)算速度提出了非常高的要求，而騰訊在調(diào)用計(jì)算資源上的優(yōu)勢(shì)相對(duì)于其他顯然是碾壓。即使DeepZenGO的背景是日本第一視頻網(wǎng)站，其服務(wù)器規(guī)模在騰訊面前仍是不值一提，更不要說(shuō)中國(guó)已經(jīng)具備了世界領(lǐng)先的超級(jí)計(jì)算能力。
如果規(guī)定所有參賽者使用同等服務(wù)器，結(jié)果可能對(duì)絕藝不利。
不過(guò)，絕藝一路走來(lái)也不是一帆風(fēng)順的。騰訊從一開(kāi)始就對(duì)于打造圍棋AI這件事說(shuō)得很保守，對(duì)于為什么要做AI，就有“鍛煉說(shuō)”和“檢閱說(shuō)”兩個(gè)說(shuō)法：當(dāng)時(shí)副總姚星的說(shuō)weigo項(xiàng)目可以“鍛煉”團(tuán)隊(duì)的研發(fā)能力；研發(fā)團(tuán)隊(duì)說(shuō)做圍棋機(jī)器人可以對(duì)團(tuán)隊(duì)的算法研究、大規(guī)模計(jì)算以及工程能力進(jìn)行一次“檢閱”。
這兩種說(shuō)法都讓騰訊做圍棋機(jī)器人蒙上一層“玩票”的氣息，做成了，就是太厲害了，玩玩都能成；做不成也不丟人，畢竟只是玩玩而已。畢竟低調(diào)和默默無(wú)聞的一個(gè)好處就是，如果不能在沉默中爆發(fā)，那也可以在沉默中滅亡，一個(gè)聰明的富帥總是能把握好裝逼的力度和節(jié)奏。
最后，值得遺憾的是，AlphaGo沒(méi)有應(yīng)邀參賽。有人說(shuō)，現(xiàn)在的AlphaGo面對(duì)絕藝眾人，其俯視感仍是上神之于小仙。不過(guò)什么時(shí)候絕藝們成長(zhǎng)到足夠階段，不排除AlphaGo也會(huì)走下神壇跟它們較量一把的可能。

AlphaGo對(duì)戰(zhàn)李世石
但是小編認(rèn)為，其實(shí)目前的絕藝距離去年和李世石對(duì)戰(zhàn)時(shí)的阿爾法狗的水平（AlphaGo之后又有重大突破），也許并沒(méi)有大家說(shuō)的大得那么離譜的距離。因?yàn)椴荒軉渭儼驯敬蜺EC比賽的棋譜水平和當(dāng)時(shí)AlphaGo李世石棋譜水平進(jìn)行簡(jiǎn)單比較，因?yàn)楸敬蜺EC下得是快棋，而李世石那場(chǎng)下得是慢棋，計(jì)算時(shí)間限制小，這樣比對(duì)絕藝、DeepZenGO它們不太公平。

目前世界冠軍在絕藝手下的勝率
小編想說(shuō)，我們最好還是少糾結(jié)于AI圍棋比賽的勝負(fù)，因?yàn)锳I對(duì)人類的終極意義不可能是下圍棋，圍棋只是大公司們最直觀的的AI水平競(jìng)爭(zhēng)的一種娛樂(lè)化形式。而真正重要的總應(yīng)該是各家AI在今后無(wú)人駕駛、保險(xiǎn)金融、城市建設(shè)規(guī)劃、智能醫(yī)療這些本質(zhì)工作上的能力幾何，希望到時(shí)各家AI也能力爭(zhēng)上游，友善競(jìng)爭(zhēng)，給人類創(chuàng)造更多價(jià)值。
來(lái)源：互聯(lián)網(wǎng)叫獸

作者：互聯(lián)網(wǎng)叫獸

在確定這個(gè)話題之前，有必要先對(duì)群嘲做個(gè)限定：

現(xiàn)在：在“API困境”被解決之前（后詳）。

人工智能助理：這里指的是Intelligent personal assistant/agent?(IPA)?又稱為Virtual Personal Assistant/Agent(VPA)——幫助個(gè)人完成多項(xiàng)任務(wù)或多項(xiàng)服務(wù)的虛擬助理，當(dāng)前討論的核心驅(qū)動(dòng)力是人工智能。（什么你說(shuō)用人來(lái)做處理單元？那是呼叫中心，也叫客服，最看不起掛羊頭賣狗肉的了。）

在座：不止是創(chuàng)業(yè)公司，大公司也搞不定，國(guó)內(nèi)國(guó)外無(wú)所謂。

都是坑：創(chuàng)業(yè)公司做消費(fèi)端的虛擬助理，一定無(wú)法實(shí)現(xiàn)消費(fèi)級(jí)產(chǎn)品效果。對(duì)于巨頭也是，我相信大部分的相關(guān)負(fù)責(zé)人都以“進(jìn)步”為目標(biāo)，而不敢跟自家CEO擔(dān)保要以“搞定”為目標(biāo)。

【什么是智能助理？】

智能助理屬于對(duì)話式服務(wù)

兩者的邊界不是很清晰，智能助理的功能在前面解釋過(guò)了；而“對(duì)話式服務(wù)（conversational service/commerce）”——這是包含智能助理在內(nèi)的多個(gè)產(chǎn)品形態(tài)的統(tǒng)稱，核心特點(diǎn)是：

對(duì)話式：人機(jī)交互的方式由圖形化交互（GUI-Graphical User Interface）變?yōu)橐詫?duì)話作為交互方式（CUI-Conversational User Interface業(yè)界暫時(shí)還沒(méi)有定義，這是我自己瞎編的），就是用說(shuō)話來(lái)代替觸摸或者鼠標(biāo)，操作計(jì)算設(shè)備。

服務(wù)：提供服務(wù)，解決問(wèn)題都算，如訂機(jī)票，購(gòu)買禮物等。不包括信息查詢（如天氣）。

Facebook M, 真人和AI結(jié)合的服務(wù)

去年（2015）起來(lái)的這一波對(duì)話式服務(wù)在硅谷有多火？看看創(chuàng)業(yè)團(tuán)隊(duì)增長(zhǎng)的數(shù)量就知道了：2015年的時(shí)候有129個(gè)類似的項(xiàng)目出現(xiàn)，而14年的時(shí)候才42個(gè)。

Tracxn Report:Conversational Commerce

在各類科技博客上，對(duì)Conversational Commerce的討論也非常熱烈，尤其是在medium.com上有大量的探討?；镜挠^點(diǎn)就是”對(duì)話式的交互將會(huì)成為下一個(gè)風(fēng)口，大家趕緊上?。　?。截止到2016年6月的時(shí)候，在Producthunt上標(biāo)記為對(duì)話式服務(wù)（ConvComm）的有一百多個(gè)創(chuàng)業(yè)項(xiàng)目。

除了智能助理以外，還有很多類似的概念如digital agent，bot，service bot, chatbot，P2P的電商。比如Operator現(xiàn)在用真人專家?guī)陀脩糇鱿M(fèi)決策，在過(guò)去嘗試過(guò)用bot/AI但可惜達(dá)不到效果，或者magic模式，完全是靠”真人幫懶人用APP“驅(qū)動(dòng)運(yùn)營(yíng)。本文主要討論的是基于人工智能的智能助理——就像IBM提到的一樣，只有如此才能真正規(guī)模化。

智能助理應(yīng)該解決服務(wù)需求

巨頭的人工智能助理基本都已亮相了：

Facebook M

Amazon Echo

Google Assistant, Allo

Apple Siri

IBM Watson

Microsoft Cortana

以上智能助理的服務(wù)范圍大都是在信息檢索，幫助用戶獲得資訊。絕大多數(shù)的內(nèi)容是不牽涉“推理”的查詢類信息服務(wù)。比如：

1）明天的天氣如何？

2）找附近的星巴克在哪兒？

3）蘋果的股價(jià)如何？

如果用戶問(wèn)到在基礎(chǔ)信息以上，一旦牽涉推理的問(wèn)題，就無(wú)能為力了。比如：

1）明天這個(gè)天氣狀況會(huì)會(huì)造成航班延誤么？

2）我只有支付寶，附近的星巴克可以用么？

3）我什么時(shí)候該買蘋果的股票？

使用體驗(yàn)方面，這些助理的服務(wù)范圍覆蓋面基本跟當(dāng)前的所有引擎一樣。在設(shè)計(jì)邏輯上，基本都是基于用命名實(shí)體識(shí)別來(lái)代替打字輸入關(guān)鍵詞然后返回檢索結(jié)果SERP。而信息檢索，離人們要完成的服務(wù)需求有很大的區(qū)別。就好像viv.ai的聯(lián)合創(chuàng)始人Dag Kittlaus?說(shuō)的，當(dāng)初他創(chuàng)建siri的時(shí)候，是想要重新挑戰(zhàn)移動(dòng)服務(wù)，而不是造一個(gè)chatbot。

Dag Kittlaus 中間

除此以外，巨頭的助理與其關(guān)聯(lián)的生態(tài)產(chǎn)生操作的關(guān)聯(lián)。比如SIRI對(duì)iOS和macOS的操作；Cortana對(duì)windows的操作；echo對(duì)關(guān)聯(lián)著的智能家居設(shè)備的操作等等。此類操作的一個(gè)特點(diǎn)，是對(duì)結(jié)果非常的確定，出現(xiàn)個(gè)性化選擇范圍非常的少。

另一方面，對(duì)于創(chuàng)業(yè)項(xiàng)目而言，因?yàn)椴痪邆漕愃频纳鷳B(tài)和硬件入口的條件，大都定位在資訊和服務(wù)上。我們選擇Producthunt當(dāng)中排在最前150位的項(xiàng)目進(jìn)行分析，其中高達(dá)70%的項(xiàng)目定位都在2C的個(gè)人助理（agent）上，其中大部分都想做切入服務(wù)，包括垂直類的和多任務(wù)的。

這些助理服務(wù)當(dāng)中有23.1%是專業(yè)類型的服務(wù)，主要是在醫(yī)療和理財(cái)方面。而剩下來(lái)的76.9%的助理干的最多的活兒是生活上的綜合幫助，出行安排，日程管理，購(gòu)物訂餐廳等等——這一類是坑最大的地方——特別是那些試圖把生活上的各種服務(wù)都打包進(jìn)去的產(chǎn)品。

Producthunt上面69.7%的對(duì)話式服務(wù)都是智能助理產(chǎn)品（但并非所有都具備AI）

【人工智能助理的潛力】

移動(dòng)紅利的結(jié)束，行業(yè)需要新的增長(zhǎng)點(diǎn)

很多跡象都指向同一個(gè)結(jié)論：移動(dòng)互聯(lián)的高速增長(zhǎng)已經(jīng)飽和。比如用戶已經(jīng)不再愿意下載新的APP。

qz?(based on comscore data) &?statista

2016年1月有超過(guò)5萬(wàn)個(gè)新的APP被提交到了appstore，但是在美國(guó)市場(chǎng)有65%的智能手機(jī)用戶在一個(gè)月內(nèi)下載新APP的數(shù)量為0，下了1個(gè)新APP的人占8.4%。

2015年中到現(xiàn)在，在國(guó)內(nèi)2C市場(chǎng)中，幾乎找不到一款真正能爆發(fā)并留存的移動(dòng)產(chǎn)品。對(duì)于移動(dòng)開(kāi)發(fā)者而言，能放首屏的高頻應(yīng)用早就擠不進(jìn)去了。而且很多中低頻的服務(wù)，并不是最適合用app來(lái)承載的。比如訂生日蛋糕，作為商業(yè)其價(jià)值一直存在，能通過(guò)信息化的方式來(lái)解決獲客或者能效問(wèn)題么？宏觀來(lái)講肯定可以，但是開(kāi)發(fā)一個(gè)APP則會(huì)面臨用戶獲取和使用成本高，難留存，用戶難發(fā)現(xiàn)等等障礙——這些問(wèn)題，都讓開(kāi)發(fā)者懷疑要不要做APP，特別是在最開(kāi)始的PMF核心邏輯還沒(méi)有被驗(yàn)證的時(shí)候。

但創(chuàng)業(yè)者的熱情和投資人基金里的錢都不能等！于是大家憋著這口氣四處找風(fēng)口，或者又有怎樣的產(chǎn)品形態(tài)可以把商業(yè)形態(tài)再顛覆一次，好比APP顛覆了網(wǎng)頁(yè)，宏觀上有沒(méi)有新的產(chǎn)品形態(tài)可以再來(lái)一次？甚至運(yùn)氣更好點(diǎn)，甚至開(kāi)拓出以前沒(méi)有被耕耘過(guò)的維度？

對(duì)話式服務(wù)具備新的增長(zhǎng)點(diǎn)的潛質(zhì)

回顧過(guò)去，最大的幾次浪潮基本都伴隨著一個(gè)規(guī)律：核心技術(shù)（軟硬一堆）的出現(xiàn)和整合，帶來(lái)全新的人機(jī)交互方式 ，在此基礎(chǔ)上大量的商業(yè)應(yīng)用應(yīng)運(yùn)而生。

從90年代，人機(jī)交互的三種變化

比如2007年末移動(dòng)互聯(lián)開(kāi)始，核心驅(qū)動(dòng)的硬件是觸摸技術(shù)、各種sensor的成熟以及整體計(jì)算能力的提升和小型化；軟件方面則是iOS&Android的顛覆式出現(xiàn)。軟硬結(jié)合創(chuàng)造出完全顛覆過(guò)去的觸摸操作的體驗(yàn)，并使其稱為真正可用的人機(jī)交互方式——讓圖形化界面的輸入工具，從鍵鼠時(shí)代跨越到了更intuitive的觸摸，并完美的與后面開(kāi)放的生態(tài)系統(tǒng)結(jié)合起來(lái)（不得不再次對(duì)喬大爺表示敬佩）。

人機(jī)交互越來(lái)越傾向于人

可以看到隨著技術(shù)的平民化(democratization)，人機(jī)交互正不可逆轉(zhuǎn)地向人的方向靠近——不需要學(xué)習(xí)的人機(jī)交互。

將來(lái)越來(lái)越多的人都能更自然的通過(guò)計(jì)算設(shè)備來(lái)獲得價(jià)值。下一個(gè)超級(jí)增長(zhǎng)點(diǎn)的交互方式，一定是交互更接近人的自然行為，更多人可以使用的。

因?yàn)檐浻布拗?，過(guò)去用上計(jì)算設(shè)備的人很少。一方面，當(dāng)時(shí)的人機(jī)交互是讓人來(lái)“將就”機(jī)器——人學(xué)習(xí)機(jī)器的語(yǔ)言——操作需要專業(yè)技術(shù)，如打孔…（在個(gè)人電腦方面，當(dāng)年知道’cd 文件夾名’的命令行的人也都是高端人士）；另一方面計(jì)算設(shè)備巨貴，還不屬于個(gè)人設(shè)備，大眾都買不起；再者，日常應(yīng)用和普通生產(chǎn)力應(yīng)用幾乎沒(méi)有，所以買來(lái)設(shè)備學(xué)會(huì)了UI也沒(méi)啥用。而移動(dòng)設(shè)備出現(xiàn)就讓更多的人從使用計(jì)算設(shè)備中獲利，更多不會(huì)鍵盤鼠標(biāo)的人，通過(guò)觸摸手機(jī)屏來(lái)操作。將來(lái)人們想要獲得服務(wù)的時(shí)候，或許不需要有“計(jì)算設(shè)備”這個(gè)中間載體的概念。直接提出需求，就能獲得結(jié)果。

下一代的交互方式，似計(jì)算設(shè)備能覆蓋更廣的商業(yè)。

Google Assistant Allo

看看過(guò)去app如何顛覆web的，在沒(méi)有移動(dòng)互聯(lián)之前，大眾點(diǎn)評(píng)只是一個(gè)不知道幾流的小眾產(chǎn)品，web也并非最合適這個(gè)商業(yè)模式的產(chǎn)品形態(tài)——比如大部分情況下，人們想要找餐廳的時(shí)候，身邊都沒(méi)有PC來(lái)獲得其他人的點(diǎn)評(píng)信息；而移動(dòng)互聯(lián)的APP解決了這個(gè)問(wèn)題。

這并不是說(shuō)app代替了web（比如PS還是在桌面端更好用），而是借由移動(dòng)設(shè)備，app開(kāi)啟了過(guò)去沒(méi)有的維度，繼而大眾點(diǎn)評(píng)的商業(yè)模式有了更合適的產(chǎn)品形態(tài)。我相信APP顛覆web的歷史，也會(huì)同樣發(fā)生在下一代人機(jī)交互的形態(tài)來(lái)顛覆當(dāng)前app的時(shí)候。不僅很多商業(yè)模式和形態(tài)都可以被重新考慮一次，甚至幾乎可以肯定CUI會(huì)打開(kāi)新的維度，解放更多的商業(yè)價(jià)值。

如果一個(gè)C端產(chǎn)品做得好，傳播不受硬件束縛，沒(méi)有用戶的使用成本的障礙，并且不需要下載新的APP，直接在熟悉的IM或者SNS里實(shí)現(xiàn)過(guò)去用app承載的服務(wù)，甚至還能開(kāi)拓新的形態(tài)…比起當(dāng)前的其他選擇AR/VR/IoT/區(qū)塊鏈，CUI帶來(lái)的想象空間更大。所以，就有很多人，巨頭小頭沒(méi)頭的都來(lái)嘗試。

【對(duì)CUI的特點(diǎn)的理解決定產(chǎn)品價(jià)值】

不可否認(rèn)的，真正的CUI產(chǎn)品一定是基于人工智能的自然語(yǔ)言處理的。如何深入利用CUI的特點(diǎn)，是產(chǎn)品打造的關(guān)鍵。

話說(shuō)當(dāng)前國(guó)內(nèi)有很多投資人認(rèn)為，只要是做人工智能的團(tuán)隊(duì)，就必須是MIT，Caltech出來(lái)的機(jī)器學(xué)習(xí)博士或者是GOOGLE，F(xiàn)ACEBOOK的AI團(tuán)隊(duì)的人；如果團(tuán)隊(duì)不是頂級(jí)院校的學(xué)者或者是巨頭出來(lái)的項(xiàng)目帶頭人，就沒(méi)有什么好搞的——這是典型的誤區(qū)，或者說(shuō)對(duì)行業(yè)的理解太淺了。這種理解基本等于 “聽(tīng)說(shuō)你是計(jì)算機(jī)專業(yè)畢業(yè)的，幫我裝一下電腦吧”這樣的水平。很不幸國(guó)內(nèi)好多年輕點(diǎn)的投資經(jīng)理基本都是這種水平（為什么年紀(jì)大點(diǎn)的不是？因?yàn)樗麄兝斫?#8217;不懂就不要輕易判斷’這樣的人生道理）?？床欢举|(zhì)，就看表面，也是不得已。

這里，我非常贊同順為資本的孟醒的幾個(gè)觀點(diǎn)：1）所謂“做AI的”也有幾個(gè)類型，底層研發(fā)和做應(yīng)用的是兩碼事。2）人工智能的底層交給大公司，小創(chuàng)業(yè)公司可以做點(diǎn)小模塊。而應(yīng)用層則有大量的空間給創(chuàng)業(yè)公司來(lái)實(shí)現(xiàn)商業(yè)化。3）“這個(gè)行業(yè)缺AI的產(chǎn)品經(jīng)理，不缺一般意義上的明星，特別牛x的算法達(dá)人，牛x的北京的BAT出來(lái)的人。” 這方面吳恩達(dá)也有類似的觀點(diǎn)，“人工智能社區(qū)是極其開(kāi)放的，大多數(shù)頂級(jí)研究者會(huì)出版他們的著作／分享他們的想法身子開(kāi)源代碼。因此，在這個(gè)技術(shù)開(kāi)元環(huán)境下，數(shù)據(jù)和人才就是稀缺的資源?！?/p>

有點(diǎn)跑題了，在這里就強(qiáng)調(diào)一下，CUI的核心技術(shù)是AI（不僅限NLP后面會(huì)提到）。對(duì)CUI作為新一代顛覆性人機(jī)交互的理解，才在產(chǎn)品形態(tài)上能發(fā)揮底層技術(shù)的商業(yè)價(jià)值。最后，再舉個(gè)例子，GUI的核心突破是技術(shù)大牛（xerox）帶領(lǐng)的，而其商業(yè)應(yīng)用的發(fā)揚(yáng)光大則是產(chǎn)品經(jīng)理喬布斯從xerox那兒“偷來(lái)”的。

1973年，xerox推出第一款GUI技術(shù)個(gè)人電腦；

在1983年，蘋果也推出了他們首款GUI電腦Lisa（喬老爺“ 完美借鑒 ”）

年輕人不懂就要多看書(shū)。

CUI的不可延續(xù)GUI的特點(diǎn)

為了深入理解這個(gè)問(wèn)題，我們可能要先分析一下，CUI和GUI究竟給用戶體驗(yàn)帶來(lái)什么影響？因?yàn)檫@絕不是現(xiàn)在主流的“把按鈕變成語(yǔ)言操控”那么簡(jiǎn)單的事情。

當(dāng)移動(dòng)設(shè)備出現(xiàn)的時(shí)候，大家對(duì)如何在智能手機(jī)上開(kāi)發(fā)產(chǎn)品還沒(méi)有來(lái)得及有深入的了解。所以當(dāng)時(shí)開(kāi)發(fā)者基本都是從最明顯的地方起步，也就是觸摸代替鍵鼠操作。早期的大量應(yīng)用，都是從“如何把web縮小到手機(jī)屏幕”的思路出發(fā)來(lái)設(shè)計(jì)APP的?！@是典型的延續(xù)上一代交互的思路。

隨著開(kāi)發(fā)者不斷思考和挖掘移動(dòng)端的潛力，慢慢有了對(duì)移動(dòng)端真正的核心特質(zhì)的理解——這些“圣杯屬性”才是真正讓移動(dòng)端產(chǎn)品設(shè)計(jì)出眾的要素。比如“碎片時(shí)間”、“個(gè)人身份綁定“、”LBS”等等，這些特質(zhì)才是真正讓移動(dòng)產(chǎn)品體現(xiàn)價(jià)值的——這些是完全顛覆上一代交互的屬性。而且我們發(fā)現(xiàn)這些屬性幾乎跟“觸摸”這個(gè)明顯的交互行為沒(méi)有直接關(guān)系。

現(xiàn)在CUI出現(xiàn)的時(shí)候，產(chǎn)品經(jīng)理也會(huì)面臨類似的問(wèn)題。當(dāng)前大多數(shù)智能助理的設(shè)計(jì)思路都是“過(guò)去APP是怎么用的，我現(xiàn)在用語(yǔ)言來(lái)代替觸摸操作”。好比是用語(yǔ)言來(lái)代替手指去觸摸屏幕，或者是用說(shuō)話來(lái)代替手指打字。而能讓用戶感覺(jué)真正智能的核心，我認(rèn)為依然藏在CUI的“圣杯屬性”里，有待大家發(fā)掘。

CUI的特點(diǎn)：高度個(gè)性化

舉一個(gè)例子，根據(jù)實(shí)際研發(fā)和市場(chǎng)運(yùn)作的經(jīng)驗(yàn)，我們發(fā)現(xiàn)有一個(gè)算得上“圣杯屬性”是特質(zhì)是：“高度個(gè)性化”。

在GUI時(shí)代，用戶使用產(chǎn)品時(shí)，有一個(gè)可視化的界面，比如找餐廳，我們打開(kāi)點(diǎn)評(píng)看上去是這樣：

這看上去是一個(gè)大家非常熟悉的界面，只是所有用戶能做的選擇范圍，都明確的顯示在界面上（所見(jiàn)即所選）。找美食，用戶能做的選擇基本就是：附近，類型，智能排序（不點(diǎn)開(kāi)可能還不知道是什么意思）以及排序。當(dāng)用戶自己不知道該如何決策的時(shí)候，這些視覺(jué)化的框架，給了用戶提示該從這些方面根據(jù)自己的需求來(lái)做篩選和匹配。

但是在智能助理的界面，用戶看到的是這樣的：

用戶對(duì)可以做哪些選擇一無(wú)所知——在沒(méi)有可視化的參考下，面對(duì)如此開(kāi)放的交互，當(dāng)用戶要找一個(gè)餐廳的時(shí)候，他們提出的要求，大都不在GUI設(shè)定的范圍以內(nèi)。

根據(jù)我們實(shí)際操作的經(jīng)驗(yàn)，用戶提出的問(wèn)題是這樣的：

只有“在外灘附近的”是之前GUI的查詢范圍當(dāng)中的，其他的需求都是過(guò)去GUI的類型當(dāng)中不存在的維度。但因?yàn)镃UI的開(kāi)放性，用戶很容易給出上面這樣的高度個(gè)性化（非結(jié)構(gòu)化）的需求。

如果GUI的產(chǎn)品試圖在個(gè)性化同樣給用戶那么多選擇，就不得不面臨用戶使用成本的問(wèn)題。一個(gè)界面可能會(huì)被大量的下拉列表，層級(jí)關(guān)系，各種填空和操作充滿。如此是加深了個(gè)性化程度了，但是操作的成本會(huì)讓用戶放棄使用。

如果在智能助理的產(chǎn)品設(shè)計(jì)上，不尊重用戶“高度個(gè)性化”的需求，只提供過(guò)去APP本身提供的個(gè)性化程度“在XX附近找個(gè)YY菜”，那么用戶在實(shí)際提需求的時(shí)候得靠運(yùn)氣撞到既定的條件上，不然就是無(wú)法識(shí)別的范圍，繼而失望。另一方面，如果CUI只是在做GUI范圍內(nèi)的事情，會(huì)遠(yuǎn)不足以顛覆APP。

除此之外，CUI還有一些專屬的特點(diǎn)。比如

使用流程非線性：比如GUI是線性的流程，界面引導(dǎo)用戶一步一步走到結(jié)果；而CUI則可以是完全無(wú)視先后順序的，用戶可以再最開(kāi)始就提出本來(lái)到排在最后的條件當(dāng)中。

可避免信息過(guò)載：用戶打開(kāi)GUI的一個(gè)界面，比如點(diǎn)評(píng)上找一個(gè)餐廳，用戶得在一個(gè)列表里去找尋自己最想要的選項(xiàng)（典型的案例是，GUI讓用戶選擇國(guó)家的時(shí)候那一長(zhǎng)排的列表）。而CUI則可以規(guī)避用戶的信息過(guò)載，直接給出期望的結(jié)果。這個(gè)特點(diǎn)的另一面是，GUI因此是informative的，給不熟悉場(chǎng)景的用戶更多的提示，或者比較結(jié)果的機(jī)會(huì)。

復(fù)合動(dòng)作：“明天或后天，晚上最便宜的機(jī)票”——從用戶的操作和實(shí)際體驗(yàn)來(lái)看，GUI無(wú)法一次給出結(jié)果，只能用戶先查一次明天的機(jī)票，再查一次后天的機(jī)票，然后手動(dòng)來(lái)對(duì)比。CUI完勝——可以直接給出相關(guān)條件的檢索結(jié)果，前提是AI足夠優(yōu)秀。

這里只是拋磚引玉，詳細(xì)更多特質(zhì)會(huì)不斷被開(kāi)發(fā)者發(fā)掘出來(lái)。在這里就不詳細(xì)展開(kāi)了。在另一篇《人工智能時(shí)代的產(chǎn)品經(jīng)理》文章當(dāng)中，會(huì)做更多關(guān)于CUI的分析。

【什么樣的AI Agent能滿足C端的需求？?】

為什么現(xiàn)在的助理產(chǎn)品都是坑？很多團(tuán)隊(duì)不是底層的算法差，而是團(tuán)隊(duì)對(duì)產(chǎn)品的理解有問(wèn)題。

要滿足C端用戶的需求，確實(shí)非常難。10次使用，有一次因?yàn)槿我庠虻氖?，用戶心理就?huì)開(kāi)始有疑慮。從體驗(yàn)上來(lái)看，在用戶熟悉的場(chǎng)景下得全面理解用戶提出的需求；在用戶自身不清楚場(chǎng)景下，得自然的協(xié)助用戶挖掘需求；獲得需求后得幫助用戶做決策，并最終呈現(xiàn)結(jié)果。以此來(lái)看，對(duì)話式的agent就得至少滿足以下功能：

具備基于上下文的對(duì)話能力 (contextual conversation)

具備理解口語(yǔ)中的邏輯 (logic understanding)

所有能理解的需求，都要有能力履行（full-fulfillment）

1、基于上下文的對(duì)話能力(contextual conversation)

在當(dāng)前，做助理的產(chǎn)品的底層技術(shù)基本都是圍繞NLU（自然語(yǔ)言理解）打造的，很多還沒(méi)有涉及到NLP?？墒菬o(wú)論是大公司還是小公司的NLU都是讓人失望的。舉個(gè)簡(jiǎn)單的例子，在大公司的幾個(gè)產(chǎn)品上提出需求：我下周五要去北京，幫我查一下航班。

需要識(shí)別意圖：查機(jī)票

需要識(shí)別entities：時(shí)間（下周五），目的地（北京），出發(fā)地（無(wú)/當(dāng)前地理位置）

我們看看結(jié)果，首先看三家的回復(fù)，從左到右分別是蘋果的SIRI, 微軟的CORTANA, Google的ALLO。

沒(méi)有一個(gè)能識(shí)別出來(lái)意圖，全部做為用關(guān)鍵詞來(lái)檢索網(wǎng)頁(yè)(SERP)。沒(méi)有識(shí)別出意圖，繼而也就沒(méi)有可能識(shí)別entity所在的場(chǎng)景。對(duì)于C端用戶而言，這可能算是最基礎(chǔ)的服務(wù)之一，而三大巨頭提供的產(chǎn)品完全不能用。

不過(guò)當(dāng)我們看到國(guó)內(nèi)的創(chuàng)業(yè)公司，卻能按照需求識(shí)別出意圖，并且識(shí)別出對(duì)應(yīng)的entity，組合查詢出結(jié)果，看上去比幾個(gè)巨頭更強(qiáng)大。

我們繼續(xù)測(cè)試上下文的對(duì)話。比如，我是國(guó)航的會(huì)員，agent給出上面的結(jié)果里沒(méi)有國(guó)航的航班，我自然會(huì)問(wèn)：”有沒(méi)有國(guó)航的？“

結(jié)果并沒(méi)有如期望那樣，在給出的列表里找到國(guó)航的航班。而是開(kāi)始了重新的一次查詢。

換一句話來(lái)說(shuō)，沒(méi)有結(jié)合上下文的對(duì)話。我并不是為了黑，事實(shí)上這個(gè)產(chǎn)品在國(guó)內(nèi)的創(chuàng)業(yè)公司中也算不錯(cuò)的技術(shù)了。但是不會(huì)結(jié)合上下文的對(duì)話，會(huì)造成的最嚴(yán)重的問(wèn)題就是這個(gè)agent基本不能獨(dú)立完成服務(wù)。因?yàn)橛脩舨粫?huì)在一個(gè)句子里把所有的條件都列出來(lái)。

以上是基本要素，就當(dāng)前的產(chǎn)品形態(tài)來(lái)看，只有非常少的產(chǎn)品能真正做到第一點(diǎn)。大部分號(hào)稱能做到的，都是濫竽充數(shù)，連續(xù)問(wèn)問(wèn)題而已。

不能真正理解上下文的對(duì)話（機(jī)票查詢）：

AGENT： 從哪里出發(fā)？

用戶：上海虹橋機(jī)場(chǎng)

AGENT：到哪里？

用戶：還是從浦東走吧

AGENT：好的，從虹橋出發(fā)到浦東的航班是……

在上面的對(duì)話，AI Agent在問(wèn)第二個(gè)問(wèn)題的時(shí)候，不能理解用戶對(duì)前一個(gè)回答的修改（出發(fā)地從“虹橋”改為“浦東”），只是按照預(yù)先設(shè)計(jì)對(duì)話的順序，填上命名實(shí)體識(shí)別得來(lái)的entity。繼而查詢不到結(jié)果，給用戶的感覺(jué)就是笨。

真正理解上下文的對(duì)話（機(jī)票查詢）：

AGENT：從哪里出發(fā)？

用戶：上海虹橋機(jī)場(chǎng)

AGENT：到哪里？

用戶：算了，從浦東走吧

AGENT：好的，出發(fā)改為浦東。那到達(dá)城市呢？

用戶：北京

AGENT：好的，從浦東到北京的航班是…（給出正確的結(jié)果）

而具備真正上下文理解的對(duì)話，agent可以正確理解用戶第二個(gè)回答的內(nèi)容（從浦東走），其實(shí)是在修改上一問(wèn)題的回答（出發(fā)機(jī)場(chǎng)），而不是真的在回答第二個(gè)問(wèn)題（到達(dá)地在哪里）。

這只是上下文的例子，而對(duì)于服務(wù)類agent而言，所有后續(xù)的NLP功能都基于上下文對(duì)話為前提。這些看上去其實(shí)都是非常簡(jiǎn)單的需求，但是當(dāng)前沒(méi)有任何一個(gè)2C的agent可以做到。

可能有人會(huì)問(wèn)，大部分用戶都應(yīng)該在第一時(shí)間把需求表達(dá)出來(lái)吧，為什么還需要對(duì)話？實(shí)際上，真正操作過(guò)大量案例的同學(xué)就會(huì)發(fā)現(xiàn)，用戶不可能如此”貼心“地按照開(kāi)發(fā)者的設(shè)計(jì)來(lái)提出需求。

幫我看看下個(gè)星期五去北京，下午3點(diǎn)多，從虹橋出發(fā)，國(guó)航的航班?！啊@一類的表達(dá)方式在幾乎從來(lái)沒(méi)有出現(xiàn)過(guò)。哪怕是在用戶最熟悉的場(chǎng)景，也很難確保一個(gè)句子的表達(dá)里包含了所有必須的檢索條件。而且，用戶還會(huì)不停的補(bǔ)充更多的個(gè)性化需求。

對(duì)于用戶自己比較了解的場(chǎng)景，如：訂機(jī)票需要提供到達(dá)地，用戶提出的大多數(shù)需求，在最初都是非常簡(jiǎn)單，然后逐漸開(kāi)始細(xì)化的。所以需要當(dāng)用戶提出不完整需求的時(shí)候，根據(jù)其意圖，結(jié)合之前已經(jīng)給過(guò)的條件，通過(guò)對(duì)話，向用戶提出問(wèn)題，再獲得答案來(lái)補(bǔ)全剩下還需要的條件，最后再完成服務(wù)。

對(duì)于用戶自己不熟悉的場(chǎng)景，用戶根本就不知道自己該提出哪些方面的需求。如：不懂酒的用戶，想買一瓶合適的威士忌。他就根本很難提出除了價(jià)格以外的需求，比如產(chǎn)地，年份，釀造原料，水源等等。因此，Agent得以合適的方式來(lái)提問(wèn)，引導(dǎo)用戶給出偏好，并且用對(duì)話提出推薦。

而且對(duì)于agent而言，很難判斷哪些用戶對(duì)服務(wù)的認(rèn)知有多深。如果不做識(shí)別，就容易問(wèn)”老手“一些”新手問(wèn)題“，繼而讓老手覺(jué)得我還不如自己下單；而給新手又留下”你在說(shuō)什么我都不懂“的印象，也是不聰明。

所以要有好的體驗(yàn)，這是非常困難的。而基于上下文的對(duì)話，只是最基礎(chǔ)的用戶需求之一。

2、理解口語(yǔ)中的邏輯 (logic understanding)

在我們的實(shí)踐中，我們發(fā)現(xiàn)對(duì)”邏輯“的理解直觀重要。原因也是因?yàn)橛脩舻恼?duì)話，大部分都不是開(kāi)發(fā)者預(yù)設(shè)那樣的。

再做一個(gè)簡(jiǎn)單的測(cè)試，比如找餐廳，試試：幫我推薦一個(gè)附近的餐廳，不要日本菜。

這是一個(gè)簡(jiǎn)單邏輯，但是你看所有的服務(wù)，這次包括剛剛那個(gè)國(guó)內(nèi)創(chuàng)業(yè)公司C一樣，都會(huì)是一個(gè)結(jié)果：全部推薦日本菜。

也讓朋友測(cè)試了亞馬遜echo的alexa，結(jié)果也無(wú)法識(shí)別”不要“這個(gè)最簡(jiǎn)單的邏輯

這次其實(shí)比剛剛好多了，至少4家里面除了google allo，都識(shí)別出來(lái)我的意圖是找餐廳——但是，當(dāng)我明確提出不要日本菜的時(shí)候，給出結(jié)果的三家全部都是日本菜……也就是說(shuō)“不要” 兩個(gè)字被完全忽略了。

觀察大量的用戶案例表明，當(dāng)用戶越是個(gè)性化需求強(qiáng)烈的時(shí)候，對(duì)話中出現(xiàn)邏輯和指代關(guān)系的頻次越高。

“有沒(méi)有更便宜的？”

“除了大床房以外的房間有么？”

“后天會(huì)比今天更冷么？”

“就要?jiǎng)倓偟哪莻€(gè)2千多的吧。”

“除了廉價(jià)航空，其他的航班都可以?！?/p>

以上這些需求是提需求的時(shí)候，在對(duì)話中經(jīng)常出現(xiàn)的表達(dá)方式，而且看似簡(jiǎn)單，但是目前沒(méi)有任何一個(gè)NLU的系統(tǒng)或產(chǎn)品能夠正確的理解。主要的阻礙就是對(duì)邏輯的理解，還有在基于上下文對(duì)話中的指代關(guān)系的理解失敗。

3、NLP不是全部，還要有能力履行（API困境）

NLU并不是智能助理發(fā)展的瓶頸，供給端的數(shù)據(jù)才是。

我們假設(shè)如果有一個(gè)黑科技出現(xiàn)，使得NLP有了極大的進(jìn)步，以至于兩個(gè)條件：1）基于上下文場(chǎng)景的對(duì)話；2）口語(yǔ)邏輯，都能被理解了，甚至還能基于場(chǎng)景和上下文用NLG來(lái)生成各類問(wèn)題——它能理解我們所有講出來(lái)的需求。

在用戶熟悉的范圍內(nèi)，它能結(jié)合所有的過(guò)去的對(duì)話，歷史記錄等等內(nèi)部外部條件，幫助用戶盡可能的實(shí)現(xiàn)“不用開(kāi)口，就知道我在這個(gè)的需求”。比如當(dāng)用戶提出“推薦餐廳的需求”：

用戶：“女朋友周日過(guò)生日，推薦一個(gè)餐廳，找有江景的，最好桌子旁邊有一個(gè)大落地窗戶，能看到外面的夜景。吃的不要太貴，環(huán)境好點(diǎn)，有現(xiàn)場(chǎng)音樂(lè)的最好是爵士，不要太吵的?！?（btw，這是一個(gè)真實(shí)需求）

Agent：“菜系有偏好么？”

用戶：“意大利餐和法餐都可以，對(duì)了不要離外灘太遠(yuǎn)了”

agent解析出以下選擇餐廳的條件：

周日晚（營(yíng)業(yè)）

適合女朋友過(guò)生日

有江景

有大落地窗

不要太貴

環(huán)境好

有現(xiàn)場(chǎng)音樂(lè)，爵士

不能太吵

意大利餐或者法餐

距離外灘不能太遠(yuǎn)

然后它去哪里找到這樣的餐廳呢？在地圖服務(wù)提供商，或者點(diǎn)評(píng)的API提供的信息里只有8，9，兩項(xiàng)能找到數(shù)據(jù)。假設(shè)評(píng)論中有這樣的數(shù)據(jù)，該用什么方式來(lái)傳遞呢？接口提供的都是結(jié)構(gòu)化的數(shù)據(jù)，而“環(huán)境好”這樣的非結(jié)構(gòu)化數(shù)據(jù)，最多以標(biāo)簽的方式來(lái)做，但是這樣的話，標(biāo)簽就會(huì)有無(wú)止境的多也不現(xiàn)實(shí)。

這就是我們所謂的“API困境”——當(dāng)前基于API的數(shù)據(jù)傳遞方式，只能1）承載結(jié)構(gòu)化數(shù)據(jù)；2）承載數(shù)量非常有限的結(jié)構(gòu)化數(shù)據(jù)。

當(dāng)前基于GUI的產(chǎn)品，都是用API來(lái)傳遞結(jié)構(gòu)化數(shù)據(jù)。但大量個(gè)性化數(shù)據(jù)往往是非結(jié)構(gòu)化的，以當(dāng)前API的方式很難被處理。這還是在使用場(chǎng)景或者服務(wù)比較簡(jiǎn)單的情況下。

在用戶不熟悉的場(chǎng)景下，agent面對(duì)稍微專業(yè)一點(diǎn)的服務(wù)，就會(huì)遇到知識(shí)圖譜的問(wèn)題。簡(jiǎn)單來(lái)講，agent要做推薦的前提是對(duì)推薦的內(nèi)容得先有了解。好比，要向一位不懂酒的用戶推薦一款威士忌，那就不能依賴這位用戶自己提出的問(wèn)題（很可能提不出要求），而得依賴“懂行”的自己對(duì)威士忌的理解的方方面面來(lái)引導(dǎo)用戶做合適他的選擇。一個(gè)助理顯然無(wú)法擁有所有服務(wù)所需的知識(shí)圖譜。

從知識(shí)圖譜的結(jié)構(gòu)來(lái)看，是相對(duì)可被結(jié)構(gòu)化。一個(gè)服務(wù)可以以各種方式被拆解成很多個(gè)方面，但大量的方面在當(dāng)前是沒(méi)有結(jié)構(gòu)化數(shù)據(jù)的（比如我們沒(méi)有每家餐廳的”營(yíng)業(yè)面積“的數(shù)據(jù)）；甚至很多方面無(wú)法用結(jié)構(gòu)化數(shù)據(jù)來(lái)表達(dá)（比如每家餐廳有否”適合浪漫約會(huì)“的環(huán)境）。

因此，智能助理就算有了強(qiáng)大的NLP，還需要全面的知識(shí)圖譜（結(jié)構(gòu)化數(shù)據(jù)）和處理并傳遞非結(jié)構(gòu)化數(shù)據(jù)的能力——而這兩點(diǎn)，在目前是無(wú)解的。

總結(jié)

在“API困境”解決之前，再加上NLP本身還有很長(zhǎng)的路要走，基于人工智能的多任務(wù)服務(wù)agent不大可能達(dá)到C端滿意的水平。

創(chuàng)業(yè)團(tuán)隊(duì)各自最基礎(chǔ)的認(rèn)知計(jì)算的能力不會(huì)有太大的區(qū)別，都是踩在世界頂尖大牛的肩膀上——在這個(gè)領(lǐng)域創(chuàng)業(yè)團(tuán)隊(duì)想和大公司鋼正面，不是很理性。

創(chuàng)業(yè)團(tuán)隊(duì)在垂直領(lǐng)域有些自己的技術(shù)突破可以創(chuàng)造一些階段性的優(yōu)勢(shì)，但面對(duì)教育市場(chǎng)的大山而言，這點(diǎn)差異遠(yuǎn)不足以make a difference。

在各自領(lǐng)域，開(kāi)發(fā)者對(duì)人工智能相關(guān)技術(shù)的理解和其帶來(lái)的交互層面的有效應(yīng)用，可能會(huì)在垂直商業(yè)應(yīng)用上創(chuàng)造更大的差異——比較起”95% VS 98%的識(shí)別率“ 而言。

來(lái)源：雷鋒網(wǎng)