1956年盛夏季节，在美国汉诺斯小镇宁静的达特茅斯学院，约翰•麦卡锡（John McCarthy）、马文•明斯基(Marvin Lee Minsky)等人提出了“人工智能”的概念，这就是著名的“达特茅斯会议”，也是人工智能（AI）的元年。

65年，从科学假说变成通用技术

当时，科学家们在会上讨论的是一个看似完全科幻的问题——用机器来模仿人类学习以及其他方面的智能是可能的吗？整整65年过去了，经过无数次的怀疑、低谷，人工智能终于从一个开放式的命题变成为一个确定性的话题。

本文想探讨一个问题——即发展到通用技术阶段的人工智能的产业意义。

所谓通用技术，我们可以理解为可以广泛地应用于各个领域，产生强烈的溢出效应，带来方方面面变革的技术。当人工智能随着整个应用环境的成熟，包括技术方向、落地场景、算力、云计算和带宽等方面的飞速进展，人工智能第一次可以以一种通用技术的姿态登上历史舞台。

我们毫不怀疑，人工智能通用化对于变革整个社会系统中资源分配和资源运用方式的巨大潜力和推力，它将注定是可以和蒸汽机、内燃机、电力、计算机与互联网等发明并列于人类文明史的最大规模的技术革命，它将改变人类文明的进程。

而它的发展速度也是惊人的。近期，英特尔发布了一个代号为Pohoiki Beach的类脑芯片，集成了1320亿个晶体管，总面积3840平方毫米，将800万个数字神经元和80亿个突触塞进了这个计算机系统里，大小超过人的手掌。而或许在5-10年之后，达到这一算力的芯片会出现在我们的电脑、智能手机或其他消费电子产品上。

通过AI知晓AI

给人工智能分级的工作是令人兴奋的，因为它是按人的方式去创造另一个智慧体系。我们有幸为人类自己创造未来的助手、伙伴和同行者，这令我们意识到自己正在书写历史新的一页，赋予每个人工智能工作者前所未有的使命感。

目前，对于人工智能的发展阶段划分有种种不同的标准或者假说。作为人工智能行业的从业者，从人工智能与人脑的思维过程的相似性出发，将之划分为四到五个阶段，即：感知、理解、分析、决策、创新。

首先，感知能力是最基本的能力，即通过多模态的传感器（比如你的手机摄像头）感知外部信息和态势的能力，类似于人类的五官获取外部信息的能力，它是一切的基础，目前已经发展到了相对成熟的阶段。

随之而来的理解能力，重点在于分辨出感知到的事物究竟为何。举个例子，一个摄像头可以把我和你分辨出来，但“我是谁”或者“谁是我”则超越了感知范畴，进入了理解即认知范畴。理解，可以说是连接感知和此后的更高级思维过程如分析、决策和创新的关键枢纽，只有正确的理解才能够构建解析出的思维过程。目前，知识图谱、深度学习等热门技术都为人工智能的理解能力提供了重要的支持。

但最激动人心的莫过于从理解到“分析+决策”的飞跃，分析能力可以提供事务洞察，作为判断和决策的基础。它是人工智能真正切入解决现实痛点的一个重要的分水岭，尽管这一过程目前还不够完善，而且也许需要人类数十年如一日的努力才能最终完善，但我们已经可以看得到它正在落地，正在对整个社会的资源的分配变革发生效应，它是人工智能的当下。未来科技的发展可能最终实现具有分析决策能力的高阶人工智能应用，而人类更多的资源将投入到创新的工作中去。

本文要讨论的重点是，我们究竟应该如何加速人工智能对我们的社会、产业、商业的变革？对此，笔者很赞同埃森哲报告中的一句话：要把人工智能付诸实施，一定要从业务模式而非技术模式，即从需要解决什么问题而不是可以解决什么问题出发，加之以强有力的机构作为变革的推动者，才能加速其落实。

正是秉持问题先行的原则，我们可以看到，进入智能推理即分析+决策阶段的人工智能，已经为我们的生活带来了哪些激动人心的变化。

今天，全社会的生产要素正在重构

“千人千面”这个词现在非常流行，从我们的各种互联网广告系统，从“今日头条”、“抖音”这样的推荐引擎，从“必要”这样的先下单、再生产的柔性供应链电商，我们发现一个什么规律呢？就是无论是内容、服务还是产品，都开始实现从生产端到需求端的极度个性化供给，这是非常极致的一种体验。

我们知道，大工业时代解决了产能不足的问题，但是也带来了巨大的产能过剩问题。不说很远的事情，中国大概20年不到的电商发展史上，至少有5-10家非常有希望的电商平台倒在了库存问题上。为什么呢？因为现在绝大多数商品的模式都是，在销售季节到来之前靠人工推测趋势，然后对赌式地生产，如果踏准了市场的节奏，就风生水起，如果踏错了就大败亏输。这听起来也许很可笑，但却是事实。某种意义上来说，在人工智能出现之前，人类基本一直是沿着这种模型来组织生产的。

但是具有智能推理能力的人工智能可以解决这个问题，它从本质上把大工厂、大流水线式的生产资料分配方式，切割成了千千万万个点，这种切割是虚拟的，但它重构了整个社会的供需关系。

现在我们看到的更多是营销、内容、娱乐这样的本身已经是纯数字化的载体借助于智能分发取得了极高的估值，未来它一定可以转移到实体产品的生产上。它将带来什么？带来的是资源的极大节省和效率的极大提高，它将是中国80%的还没有数字化、智能化的实体产业进行弯道超车的一次彻底的潜能释放。

再举一个我们都很感兴趣的例子——破案。其实，在真实的生活里，破案绝不如影视文学作品那样充满了刺激和张力，更多的是进行沙里淘金式的艰苦工作，因为我们的警力严重不足。笔者所在机构参与过一个涉毒案件侦破，我们构建的某市“警务大脑”，围绕涉毒这个关键词在公安内部及政府部门的相关系统中找到了323亿条数据，识别出全省高危涉毒人员3.5万余人。

坦率地说，如果是在福尔摩斯的时代，案件到此可以说已经中断了。因为没有人有能力去分析323亿条数据和识别3.5万个仅仅是有某种可能性的“涉毒者”的嫌疑。因为这里的核心逻辑已经不仅仅是感知和识别，它涉及根据多方面的因素进行组合的分析、排除、确认、搜索……简单说，它基于分析挖掘模型，最终判定嫌疑人身份及活动区域。然而，正是因为我们已经进化到人工智能的高级时代，因为我们的系统不能说完全代替但已经可以充分根据公安人员的思维系统来提供辅助的决策依据，所以我们得以分析和处理天量的数据，最终根据已有线索挖掘出多个嫌疑人，从而在一项重大案件中辅助警察实施抓捕涉毒人员41名，缴获毒品3公斤。

这样的案例还有太多太多，比如轨道交通行业，就拿上海作为例子。上海地铁经营16条线路，415个车站，总里程705公里，平均每天乘客超过1100万人。地铁最重要的问题是安全检修，但这是一个非常消耗人力的工作。

能不能把预防性的维护，变成预测性的维护呢？从“防”到“测”，一字之差，其实包含了人工智能从识别到“分析+决策”的飞跃，这是轨道交通行业几十年都没有解决的问题。

其实，问题的逻辑并不复杂，轨道交通作为一种非常复杂的机械车辆可以产生大量数据，而其中相当一部分数据已经数字化了，关键是这些数据需要非常有专业判断能力的人来进行分析才能产生“预测”式的效果，而这在传统的人力组织架构中是无法实现的。但是，通过对11个车型的300辆列车的监控，并围绕每列车每500毫秒产生4000个采集点（相当于每秒采集240万个测点，一天2TB数据），逐步构建感知-认知-分析-决策的反馈闭环，上海地铁成为全国第一家完成路网级车辆大规模在线监测的地铁运营方。

在上面我们列举了三个例子，所有的例子都有一个共性，就是在人工智能介入前，其实可用于分析、决策的数据基础已经有了，但从人力的角度来说，这个数据过于庞大，以至于超过了在现实中组织这些人力的事实可能，最终把可预测、可分析的事情变成了不可能。而进入智能推理境界的人工智能则用数据处理能力高得多的机器在特定问题的分析上取代人工，最终实现了生产资源、供需关系、信息处理方面的二次飞跃。

AI未来

正是因为这种飞跃，我们完全有理由期望一个更美好的时代的到来。

前面提及，1956年由达特茅斯会议开启了人工智能的元年。其实，那一年也是中国科技史上的一个重要时刻。也在这一年，国务院科学规划委员会集中全国数百位专家，完成了《1956-1967年科学技术发展远景规划纲要》（简称《十二年科技规划》）这一指导性文件的编写，将计算机、自动化、电子学、半导体列为需要重点快速发展的紧急措施。然而，非常可惜的是，因为种种因素，人工智能在中国的发展陷入了停滞，长达数十年之久。

然而，仅仅通过30年不到的努力，现在，中国已经一跃成为美国之外全球具有人工智能完整产业链和创新发展落地最密集、最蓬勃的国家，我们有理由为这个时代骄傲。但我更经常和我们的朋友分享的是，要想推动这个行业的发展，所能依靠的唯有具体的案例落实和拿出真实的成绩，而一旦它深入社会的经济核心，可能如核聚变般释放出整个社会进步的巨大潜能。