機器人老王——有趣的機器人
一、人對機器人的想象三部曲
Robot機器人，到底是機器還是人呢，人對機器人的想象三部曲。
初級：工具的延伸
這個(gè)階段的關(guān)注點(diǎn)在于，更強更快更準確的做人所不能。但是對機器人的認識，像棍棒、輪子是一樣的，就是個(gè)工具。
升級：人自己的投射
這個(gè)階段的機器人是有性格的，有自己處理問(wèn)題的能力，有情感可以交流，可以給人類(lèi)安慰。人類(lèi)和機器人之間，形成了一種除生產(chǎn)過(guò)程的接觸之外的心靈相通，也就是和機器人談一場(chǎng)“戀愛(ài)”。
終極：生命體的終極追求
這個(gè)階段，不管人類(lèi)是什么，機器人是什么，我們都只是靈魂的存在，人類(lèi)放棄肉身，機器人放棄機械，合而為一。聽(tīng)上去有點(diǎn)懸，暫時(shí)只有在科幻電影和小說(shuō)里能看到。
現在我們正處于——初級到升級的中間。初級目標已經(jīng)實(shí)現，有大量機器人在各種場(chǎng)景下輔助我們工作，但是現在更希望機器人懂我們，而并非幫我們，所以正往投射的方向前進(jìn)。
二、機器人五大能力模型
鏈接能力
與外界有通訊能力，可以交互信息。如果不具備這個(gè)能力就不能和整個(gè)環(huán)境去交互有無(wú)，不具備生存能力
感知能力
通過(guò)光學(xué)、聲學(xué)、力學(xué)一系列傳感器，根據感知能力，進(jìn)一步取得交互能力，通過(guò)語(yǔ)音屏幕甚至腦電波，與人之間產(chǎn)生互動(dòng)
交互能力
學(xué)習能力
不是像軟件一樣的版本迭代，而是在新的場(chǎng)景下去應付更多模糊的場(chǎng)景，不是原先規定好的特定場(chǎng)景
執行能力
三、機器人常見(jiàn)分類(lèi)
四、苦逼的產(chǎn)品經(jīng)理
做機器人難在哪？
機器人是軟硬件結合非常深的、大的一個(gè)系統。
但是軟硬件的基礎思考邏輯是不同的。軟件用戶(hù)獲取成本低，硬件用戶(hù)獲取成本會(huì )比較高；軟件的回報邏輯是后置回報，硬件的回報邏輯是前置回報；軟件周期比較短，硬件的周期比較長(cháng)；軟件重迭代，硬件重規劃；軟件更多是內部開(kāi)發(fā)，硬件更多是配合開(kāi)發(fā)；軟件發(fā)布后可控，而硬件發(fā)布后不可控。
產(chǎn)品經(jīng)理難在哪？
不同的團隊有不同的思路，要全都融合在一起。軟件產(chǎn)品經(jīng)理核心是一個(gè)設計師定位，邏輯是什么、是否好看、如何生成生態(tài)。硬件產(chǎn)品經(jīng)理核心是一個(gè)生意人定位，每天考慮如何低買(mǎi)高賣(mài)?？梢詫⒂布壎ㄒ环N服務(wù)，收取硬件增值服務(wù)費或為硬件承載的內容付費。
為什么很苦逼？
行業(yè)不成熟——沒(méi)有人可抄
上游不給力——有鍋沒(méi)人背
東西做太貴——土豪才會(huì )買(mǎi)
應用太有限——買(mǎi)回去沒(méi)用
怎么辦？
做機器人，跨界才是唯一出路。要將把硬件和軟件深度結合在一起，把學(xué)術(shù)和產(chǎn)品整合在一起。
趙帥——產(chǎn)品視角淺談對話(huà)機器人
任何一款產(chǎn)品的出現，本質(zhì)都是源自用戶(hù)需求，而不是源于老板的腦袋，也不是源于頭腦風(fēng)暴。要么是已經(jīng)存在的存量需求，如何能讓產(chǎn)品做得更好；要么是正在規?；脑隽啃枨?，讓需求成為新的機會(huì )點(diǎn)，對話(huà)機器人也不例外。
一、探索“對話(huà)”行為背后的需求
對話(huà)為什么能夠開(kāi)始？
第一層，是基礎問(wèn)答的需求，可以描述為：我有一個(gè)問(wèn)題，請你回答我。
第二層，是任務(wù)流程協(xié)作的需求，以達成某種目的為止。
第三層，是共同的情感建立，無(wú)論喜怒哀樂(lè )。
對話(huà)為什么會(huì )持續？
第一個(gè)原因，是至少一方的需求沒(méi)有得到滿(mǎn)足。比如我去提問(wèn)題，對方回答我不滿(mǎn)意，我就會(huì )持續追問(wèn)。
第二個(gè)原因，是雙方相對平等。如果我提了個(gè)問(wèn)題，或者請對方幫個(gè)忙，但是對方始終是一種高姿態(tài)不搭理我，那我就很容易放棄，不想聊了。反過(guò)來(lái)，如果對方對我過(guò)分尊敬，總在說(shuō)一些沒(méi)有營(yíng)養的恭維拍馬屁的話(huà)，時(shí)間久了，我也會(huì )變得更虛榮，而且會(huì )覺(jué)得很無(wú)聊。
對話(huà)會(huì )終止，最根本的原因是，雙方都放棄了這輪對話(huà)。感性一些來(lái)描述對話(huà)終止的原因，可以認為是雙方都覺(jué)得“疲憊”了，也就是這一輪對話(huà)的能耗消耗殆盡。所以，對話(huà)總會(huì )終止，能耗殆盡就會(huì )終止。
二、“對話(huà)機器人”產(chǎn)品場(chǎng)景：封閉域對話(huà) VS 開(kāi)放域對話(huà)
優(yōu)秀的產(chǎn)品經(jīng)理是很懂得如何控制自己的用戶(hù)使用產(chǎn)品時(shí)的各種操作，從而提前把控用戶(hù)的預期，進(jìn)而達到體驗的相對最優(yōu)。許多優(yōu)秀App的基本設計邏輯就是，頁(yè)面之間的跳轉有規則且有順序，這樣用戶(hù)不會(huì )通過(guò)點(diǎn)擊跳出預設流程，預期就相對可控。可是對話(huà)機器人該如何控制預期呢？
在對話(huà)聊天的場(chǎng)景中，用戶(hù)的輸入時(shí)而可控，時(shí)而不可控，我們做不到像App設計那樣可以制造一個(gè)封閉的邏輯閉環(huán)來(lái)讓用戶(hù)遵守規則，對話(huà)聊天是一個(gè)天然的開(kāi)放場(chǎng)景，用戶(hù)平時(shí)怎么和朋友對話(huà)，和機器人也會(huì )怎么對話(huà)。
因此，我們人為地把對話(huà)分為兩種場(chǎng)景，一種是“要求用戶(hù)輸入指定地話(huà)語(yǔ)才能繼續對話(huà)”，這部分稱(chēng)之為“封閉域對話(huà)”，而其他那些“用戶(hù)愛(ài)說(shuō)什么就說(shuō)什么都可以持續對話(huà)”的部分，稱(chēng)之為“開(kāi)放域對話(huà)”。
封閉域對話(huà)有三個(gè)關(guān)鍵的特征
1.輸入和輸出是可枚舉的
2.有明確的始與終
3.有明確的流程
封閉域對話(huà)的設計邏輯延續自“ifttt（if this then that）”，是workflow的進(jìn)化交互形式。
封閉域聊天兩個(gè)典型案例
（1）讀心機器人
10年前微軟必應推出過(guò)一個(gè)“讀心機器人”，它會(huì )在20個(gè)問(wèn)答中猜你心中所想。這個(gè)機器人曾經(jīng)在幾年前出過(guò)一個(gè)對話(huà)問(wèn)答版本，用戶(hù)只要在每一步時(shí)回答“是”或者“不是”，對話(huà)就會(huì )持續進(jìn)行，直到猜出或者猜不出結果。這就是一個(gè)典型的封閉域多輪問(wèn)答對話(huà)，用戶(hù)的輸入只有兩個(gè)，而過(guò)程是一大堆背后的邏輯判斷，且有相對固定的流程，而且有明確的開(kāi)始和結束。
（2）Amazon Echo音箱
Amazon的Echo音箱，大家都很熟悉了，Echo之所以成為爆款產(chǎn)品，很關(guān)鍵的一個(gè)原因是，它的對話(huà)機器人Alexa在Echo音箱的場(chǎng)景設計中是一個(gè)封閉域對話(huà)。由于音箱是我們居家場(chǎng)景中，除了遙控器之外最常見(jiàn)的高頻交互式Commander，我們很難再在家里找到一個(gè)這樣的硬件，它除了可以輕易地輸入指令，還可以快速且明顯地反饋。
當我們面向Commander進(jìn)行輸入時(shí)，我們可以輸入的話(huà)語(yǔ)就已經(jīng)變得局限，可以想象到的是，在居家場(chǎng)景中我們可以發(fā)出的指令幾乎就是“打開(kāi)”、“關(guān)閉”之類(lèi)的。更重要的是，在居家場(chǎng)景中可以控制的物品也是有限的，而且任何一個(gè)操作的流程都很短。
封閉域對話(huà)在產(chǎn)品設計中的特征
其一，封閉域對話(huà)其實(shí)是workflow的延伸
其二，封閉域對話(huà)場(chǎng)景單一可控
其三，封閉域的邊界處理很重要
在封閉域對話(huà)的邊界設計中，很難做到萬(wàn)無(wú)一失周密完全，因為用戶(hù)輸入可能會(huì )千奇百怪，所以最佳也是最討巧的方式，就是用開(kāi)放域對話(huà)來(lái)“兜底”。
開(kāi)放域對話(huà)
開(kāi)放域是相對于封閉域而言的。由于對話(huà)機器人的話(huà)題幾乎都源自用戶(hù)，而每個(gè)用戶(hù)可能有任何輸入，話(huà)題就會(huì )無(wú)法窮舉，且在多個(gè)場(chǎng)景中跳來(lái)跳去，進(jìn)而形成了所謂的開(kāi)放域對話(huà)，也就是“啥都能聊”。
開(kāi)放域對話(huà)最大的特點(diǎn)是，輸入無(wú)法窮盡，導致輸出無(wú)法窮盡，而且對話(huà)沒(méi)有確切的結束點(diǎn)，無(wú)流程可言。我們一般情況下想去考驗一個(gè)機器人是否智能，通?？简灥木褪情_(kāi)放域對話(huà)，大名鼎鼎的“圖靈測試”通常所面向的也是開(kāi)放域對話(huà)能力。
開(kāi)放域對話(huà)產(chǎn)品設計的基本原理
對話(huà)需要的是雙方的平等。和微軟小冰聊天時(shí)，有時(shí)甚至感受不到她是真人還是假的機器。其實(shí)這并不重要，小冰正在解決開(kāi)放域聊天中一個(gè)核心的問(wèn)題，如果不斷給用戶(hù)制造話(huà)題，從而延續聊天的能量。
說(shuō)到話(huà)題制造，幾乎所有開(kāi)放域對話(huà)語(yǔ)料都源自于網(wǎng)絡(luò )上公開(kāi)的對話(huà)，譬如百度知道、知乎、豆瓣、貼吧等等，這些對話(huà)都是人與人形成的，那么，當一個(gè)機器人把其中的某些話(huà)在當時(shí)的場(chǎng)景下再說(shuō)一遍，我們是分辨不出來(lái)這個(gè)機器人是不是真人的。這便是開(kāi)放域對話(huà)機器人制造的基本依據。
開(kāi)放域對話(huà)機器人的兩個(gè)產(chǎn)品陷阱
其一，面向用戶(hù)的機器學(xué)習
很多人認為，對話(huà)機器人和人聊得越多，學(xué)習的語(yǔ)料就越多，就可以省去很多語(yǔ)料獲取的問(wèn)題，這是一個(gè)巨大的誤區。由于用戶(hù)的語(yǔ)料是海量且無(wú)規則特征，導致語(yǔ)料清洗非?？嚯y，無(wú)法使用。
其二，無(wú)人為引導的個(gè)性
由于開(kāi)放域的語(yǔ)料完全來(lái)自于互聯(lián)網(wǎng)，所以機器人回復的話(huà)語(yǔ)帶有何種語(yǔ)氣很難把控，如果不加以認為干預，機器人說(shuō)的話(huà)會(huì )顯得時(shí)而有趣，時(shí)而刁蠻，時(shí)而無(wú)知，時(shí)而夸張，時(shí)而智慧，在用戶(hù)的心智中無(wú)法用一個(gè)或幾個(gè)明確的形容詞去形容它，這會(huì )帶來(lái)一個(gè)很尷尬的結果，用戶(hù)是抱著(zhù)“調戲、戲謔”的態(tài)度去對話(huà)，長(cháng)此下去，想建立用戶(hù)的親密感和信任感幾乎不可能。
四、對話(huà)機器人的用戶(hù)價(jià)值
我們知道，任何產(chǎn)品都能和用戶(hù)產(chǎn)生親密感和信任感的，這份親密和信任是建立在產(chǎn)品體驗之上的，我們因為問(wèn)題解決而對一個(gè)產(chǎn)品產(chǎn)生依賴(lài)，因為驚喜而對產(chǎn)品形成感情。站在產(chǎn)品的視角來(lái)看，解決需求通過(guò)封閉域對話(huà)完成，而開(kāi)放域對話(huà)來(lái)不斷制造驚喜。
一個(gè)事實(shí)
瞎聊難為剛需，情感計算任重道遠
一個(gè)問(wèn)題
用戶(hù)真的需要一個(gè)秘書(shū)機器人嗎？
我們先來(lái)看兩個(gè)例子。
（1）一個(gè)肯定：?jiǎn)?wèn)答機器人是很有價(jià)值的
最常見(jiàn)的問(wèn)答機器人是“客服機器人”，譬如京東的JIMI，阿里的小蜜機器人，還有一些銀行的客服機器人，但它們更像FAQ過(guò)濾器。
問(wèn)答機器人其實(shí)是在頭部問(wèn)題上實(shí)現了綜合過(guò)濾，然后通過(guò)對話(huà)的形式反饋給用戶(hù)，如果用戶(hù)實(shí)在問(wèn)的是長(cháng)尾問(wèn)題，問(wèn)答機器人回答不了的，可以把問(wèn)題再拋給人工客服。滿(mǎn)足了用戶(hù)九成以上問(wèn)題的直接答復，是問(wèn)答機器人的核心目標。而至于其他類(lèi)似導購、協(xié)助訂單管理等等，不過(guò)是附加在頭部問(wèn)題之上的增值體驗優(yōu)化。
五、對話(huà)機器人的產(chǎn)品價(jià)值
對待產(chǎn)品，一定要從其商業(yè)視角出發(fā)，不然沒(méi)有聊的意義。站在商業(yè)視角，對話(huà)機器人擁有三個(gè)方面最核心的產(chǎn)品價(jià)值。
跨場(chǎng)景連接成為可能
由于對話(huà)機器人的交互方式原始而單一，使得機器人背后所有的計算邏輯都被隱藏，機器人可以成為一個(gè)獨立的橋梁連接不同場(chǎng)景下的服務(wù)，讓用戶(hù)只在一個(gè)對話(huà)場(chǎng)景下都可以完成交互。
交互升級帶來(lái)的流量深度沉淀
（1）指數級的流量增長(cháng)
百度DuerOS和Amazon Alexa的邏輯是相似的，都是通過(guò)賦予所有智能硬件語(yǔ)音對話(huà)的能力，進(jìn)而獲取新流量，同時(shí)實(shí)現流量的深度交互和沉淀。
（2）高頻次的端計算
我有一個(gè)猜測，由于對話(huà)機器人是一個(gè)高頻次交互場(chǎng)景，帶來(lái)的最直接影響可能是要求在設備端上擁有更加強大的計算能力，可能一些封閉域或者開(kāi)放域的計算能力直接預加載到了客戶(hù)端，可能是硬件也可能是軟件。
流量沉淀帶來(lái)的數據深耕
正是由于流量的深度沉淀，使得每個(gè)用戶(hù)多維的數據沉淀成為可能。
莫瑜——基于對話(huà)交互的智能導購技術(shù)
鄭俊成——AI產(chǎn)品經(jīng)理成長(cháng)之路
在人工智能時(shí)代，產(chǎn)品經(jīng)理的合作者不再是開(kāi)發(fā)人員，而是算法工程師。用戶(hù)的需求也變成了利用語(yǔ)音識別、圖像識別、自然語(yǔ)言處理等技術(shù)處理問(wèn)題、提取特征，根據算法或知識圖譜來(lái)為用戶(hù)產(chǎn)生最終的返回結果。
除了以上這些普適性質(zhì)的區別之外，智能一點(diǎn)科技在實(shí)際培養 AI 產(chǎn)品經(jīng)理的過(guò)程中又進(jìn)行了更深層次的劃分,平臺型產(chǎn)品經(jīng)理與對話(huà)交互型產(chǎn)品經(jīng)理應運而生。
我們發(fā)現傳統行業(yè)和一線(xiàn)互聯(lián)網(wǎng)行業(yè)對于A(yíng)I的需求非常的強烈，產(chǎn)品經(jīng)理是直接解決需求的那個(gè)人，需要有一定的用戶(hù)思維，也要思考怎么去幫企業(yè)節約成本、提高效率，怎么節約用戶(hù)的時(shí)間，產(chǎn)品經(jīng)理一定要知道，AI的邊界。
形態(tài)型產(chǎn)品經(jīng)理
傳統行業(yè)的需求抽象成一個(gè)產(chǎn)品，是一個(gè)非常難的過(guò)程，現在很多用戶(hù)對AI的期望值非常高，產(chǎn)品人需要將這個(gè)期望控制在一定高度上，因為產(chǎn)品需要不斷的迭代，沒(méi)有辦法一蹴而就。
對話(huà)交互型產(chǎn)品經(jīng)理
產(chǎn)品人需要把很多人說(shuō)的話(huà)，抽象成一種表述形式，所以這個(gè)產(chǎn)品人自身的語(yǔ)言表達能力、理解能力，就是很重要的一個(gè)判斷標準。
除此之外，產(chǎn)品經(jīng)理通過(guò)產(chǎn)品設計，給產(chǎn)品賦能。如果說(shuō)溝通能力和理解能力是基礎，那么語(yǔ)料的規劃、語(yǔ)法句法的分析能力、數據統計的能力、持續學(xué)習的能力則是剛需。
許多互聯(lián)網(wǎng)產(chǎn)品經(jīng)理不淡定了，工程技術(shù)以及算法模型這不是研發(fā)人員需要的知識么，作為非技術(shù)人員是不是門(mén)檻有點(diǎn)高？所以產(chǎn)品經(jīng)理和技術(shù)團隊，究竟應該如何配合？
傳統推薦是基于用戶(hù)行為積累用戶(hù)行為，然后給用戶(hù)推薦用戶(hù)某種程度喜歡的東西，而對話(huà)交互的方式來(lái)獲取用戶(hù)的信息更為直接。
為什么需要個(gè)性化推薦？
（1）對話(huà)交互有利于信息的獲取，不利于信息的展現
（2）對話(huà)交互需要細粒度的個(gè)性化
個(gè)性化推薦如何解決對話(huà)式交互的獨特問(wèn)題？
傳統的推薦系統一般多依賴(lài)于隱式反饋，如點(diǎn)擊、購買(mǎi)、評論等用戶(hù)行為。不考慮時(shí)間、地點(diǎn)、場(chǎng)景、情緒、活動(dòng)狀態(tài)等上下文。
上下文感知推薦系統考慮更多的上下文場(chǎng)景，能結合更豐富的信息（包括顯式反饋），給用用戶(hù)提供更準確、更有效的推薦。
一、問(wèn)答導向的對話(huà)交互。
也就是用戶(hù)提問(wèn)題，我們給答案。技術(shù)框架為用戶(hù)提問(wèn)題，先語(yǔ)義理解模塊，得到用戶(hù)表達的內容，通過(guò)主體模塊——問(wèn)答庫/文檔庫中找到候選，然后進(jìn)一步去排序，找到最終給用戶(hù)的答案或者回答用戶(hù)問(wèn)題的信息。
用戶(hù)提問(wèn)題總共分三種場(chǎng)景：
CBQA，找到一個(gè)問(wèn)題和主問(wèn)題是一樣的，那就給這種答案。它是基于問(wèn)答庫回答的問(wèn)題。所以工程師的難點(diǎn)在于，如何找到模型去表達這兩個(gè)東西兩句話(huà)是一樣的。
DBQA，將一句話(huà)拆分成若干句話(huà)，找到一句話(huà)表達的是問(wèn)題。
KBQA，核心問(wèn)題在于，如何構建知識圖譜、如何解析語(yǔ)義、如何查詢(xún)和推理知識圖譜。
智能一點(diǎn)的解決方案是，橫軸是有多少是對的，縱軸是覆蓋率，也就是表達用戶(hù)問(wèn)100個(gè)問(wèn)題，有多少是正確的。里面涉及到文本相似度、次序/問(wèn)題類(lèi)型、歸一化/停用詞、一詞多義、一義多詞等五個(gè)方面的挑戰。
任務(wù)導向的對話(huà)交互
語(yǔ)音識別到文本，經(jīng)過(guò)理解開(kāi)始分析語(yǔ)義到底是什么，然后進(jìn)入對話(huà)管理模塊，再由內容生成文本，不斷的循環(huán)迭代。語(yǔ)義理解的目標，是抽取用戶(hù)輸入的領(lǐng)域分類(lèi)、意圖識別、槽值抽?。ㄋ柘嚓P(guān)信息）三個(gè)信息。
傳統序列標注方法最主要的問(wèn)題在于，離散語(yǔ)義表示導致不能很好的捕捉兩個(gè)詞的語(yǔ)義差異。例如/；巴黎VS倫敦、巴黎VS紙尿褲，兩隊詞語(yǔ)的語(yǔ)義差異是類(lèi)似的。那么如何解決這個(gè)問(wèn)題呢？
方案1.維護詞表。維護City詞表，存儲類(lèi)似巴黎、倫敦等詞語(yǔ)，并構建詞表相關(guān)特征。但此方案的缺點(diǎn)在于，需要維護，并且仍然沒(méi)有解決其他詞語(yǔ)之間語(yǔ)義相似度的問(wèn)題。
方案2.利用詞的連續語(yǔ)義表示?；谠~向量聚類(lèi)，計算每個(gè)詞的Cluster ID
智能一點(diǎn)的解決方案是：
推薦導向的對話(huà)交互
數據收集
信息：通常重點(diǎn)為時(shí)間、地點(diǎn)、個(gè)性、關(guān)注點(diǎn)、情緒、用戶(hù)行為等上下文信息。以電商導購客服為例，早中晚時(shí)間段含義不同，星期幾也有差異。
方式：GUI以隱式獲取為主，利用交互日志，獲得包括瀏覽、點(diǎn)擊、收藏、購買(mǎi)等行為。GUI還可以采取顯示獲取，交互詢(xún)問(wèn)。
2.用戶(hù)偏好分析
信息：長(cháng)期的靜態(tài)信息和短期的動(dòng)態(tài)信息，對偏好因素考慮的越細，推薦結果會(huì )越好
方式：基于規則或啟發(fā)或統計模型的方式。
3.推薦結果生成
基于協(xié)同過(guò)濾的上下文感知推薦技術(shù)
Pro：可以利用群體智慧做推薦
Cons：數據稀疏和冷啟動(dòng)的問(wèn)題
基于內容的上下文感知推薦技術(shù)
Pro：常用方法推薦效果不錯，矩陣分解、張量分解、因子分解機
Cons：矩陣運算計算量大，對新用戶(hù)的擴展性不夠好
混合式上下文推薦技術(shù)
基于隱變量和考慮序列數據特點(diǎn)的推薦系統
智能一點(diǎn)的解決方案：
卓浩——AI時(shí)代的產(chǎn)品設計
一、AI發(fā)展之路
當大家還在驚嘆于A(yíng)IphaGo的勝利時(shí)，AIphaGo Zero又出現沖擊大家的認知。但對于A(yíng)IphaGo的情況需要辯證地去看。一方面需要正視事實(shí)，AI確實(shí)為我們帶來(lái)不可思議的新面貌；另一方面確實(shí)沒(méi)有大家想的那么夸張。
為什么在圍棋領(lǐng)域，可以有如此大的突破？主是的原因在于，這是一個(gè)非常適合AI發(fā)揮的場(chǎng)景——規則清晰且不變的有一個(gè)閉環(huán)的系統。
AI不是普通百姓想的科幻。人工智能正在點(diǎn)點(diǎn)滴滴的融入生活，也在滴滴點(diǎn)點(diǎn)的變聰明改變生活。我們現在掏出手機，其實(shí)已經(jīng)在使用AI了。
二、AI的四波浪潮
第一波：互聯(lián)網(wǎng)智能化，1998年
今天行業(yè)內戲稱(chēng)人工智能七大黑洞——BAT、Google、微軟、Facebook、Amazon，就是那個(gè)時(shí)候形成的。企業(yè)握著(zhù)大量數據，有數據和人才得天獨厚優(yōu)勢，想做什么都很容易。
第二波：商業(yè)智能化，2004年
互聯(lián)網(wǎng)驅動(dòng)下，傳統行業(yè)IT系統的商業(yè)數據（如銀行）被使用起來(lái)，陸續出現各種該類(lèi)型的公司。
第三波：實(shí)體世界智能化，2011年
在移動(dòng)互聯(lián)網(wǎng)驅動(dòng)下，誕生新一批硬件公司。最開(kāi)始很多人認為，單純就語(yǔ)音技術(shù)來(lái)講，和1998年沒(méi)什么區別，但是巨頭很快醒悟過(guò)來(lái)，雖然技術(shù)沒(méi)用，但是收集到的數據很厲害，誰(shuí)掌握更多數據，就能做出更好的產(chǎn)品。
比如曠世科技，全球范圍內面部識別做的最好的公司。當初創(chuàng )新工場(chǎng)投的時(shí)候，公司還跟AI無(wú)關(guān)，只是單純的做技術(shù)，但是隨著(zhù)數據量積累起來(lái)的時(shí)候，自然而然走入AI領(lǐng)域。再比如語(yǔ)音識別翻譯做的最好的是Google、科大訊飛、搜狗，因為掌握特別多的語(yǔ)料。
第四波：全自動(dòng)智能化，2015年
汽車(chē)工業(yè)就是人工工業(yè)明珠之一，這一波是以自動(dòng)駕駛為代表的。表面上只是汽車(chē)領(lǐng)域的應用，但實(shí)際上牽涉到其他產(chǎn)業(yè)鏈，也就是自動(dòng)駕駛研究出來(lái)的技術(shù)，可以應用在其他領(lǐng)域內的，這一波推進(jìn)至關(guān)重要。
三、技術(shù)與商業(yè)的關(guān)系
技術(shù)人往往因為技術(shù)發(fā)展能做更多事，非常激動(dòng)，而企業(yè)心中關(guān)心的是，如何多賺錢(qián)、如何少花錢(qián)。例如我們會(huì )覺(jué)得刷臉、無(wú)人收款很酷，但是企業(yè)想知道怎么多賺錢(qián)、怎么少花錢(qián)，希望有完整的解決方案，商業(yè)邏輯是什么，哪些相關(guān)那些不相關(guān)。
其實(shí)今天的我們是吃老本。這一波AI主要依賴(lài)于，過(guò)去三十年積累的海量的、標注過(guò)的、可以供機器學(xué)習的大數據。技術(shù)進(jìn)步，讓過(guò)去無(wú)法利用的信息變成數據。例如監控的靜態(tài)、動(dòng)態(tài)識別，有突破進(jìn)展，但是也沒(méi)有天網(wǎng)那么厲害。
刷臉開(kāi)門(mén)技術(shù)實(shí)現畢竟在同一場(chǎng)景下，總共沒(méi)多少人，進(jìn)行比對。但若是在火車(chē)站幾百萬(wàn)人流情境下，攝像頭再高清，也不能對每一個(gè)人都高清識別，即使能做到，帶寬也受不了。
四、這一波AI獲得機會(huì )的公司類(lèi)型
第一種：互聯(lián)網(wǎng)巨頭、成熟創(chuàng )業(yè)公司
如滴滴，出行數據都在手上，可以動(dòng)態(tài)調整付多少錢(qián)，這就是商業(yè)場(chǎng)景。
第二種：傳統行業(yè)
手上有大量數據，基本自己不知道怎么用，但是潛力大，找不到合適的方式，很難建立一個(gè)有足夠技術(shù)實(shí)力的團隊搞定數據，產(chǎn)生價(jià)值。
第三種：AI領(lǐng)域創(chuàng )業(yè)公司
技術(shù)導向的AI創(chuàng )業(yè)公司&人工智能供應鏈。有的公司過(guò)去發(fā)展的好，有太多的包袱，例如奔馳傳感器硬件要比特斯拉多50%，但是特斯拉自動(dòng)駕駛比奔馳做的好，因為特斯拉是軟件公司。
五、如何用AI思維方式去思考
跨越時(shí)間、空間的界限。
人類(lèi)在做數據分析時(shí)，成本太高，會(huì )受到時(shí)間和空間的限制。但是機器可以不斷的采集數據，承受不住了，大不了再換一個(gè)機器，不受到時(shí)間和空間束縛，只要想做就可以做。人類(lèi)有一種思維定式，會(huì )恐懼擴大規模做測試。最典型的例子就是圍棋，對于人來(lái)說(shuō)，想那么多干嘛，能想出來(lái)這些步驟就已經(jīng)很好了，但是機器會(huì )去窮舉。
千人千面。
過(guò)去產(chǎn)品，一個(gè)給所有人用，推薦所有人關(guān)注的東西給每一個(gè)用戶(hù)。后來(lái)開(kāi)始學(xué)習個(gè)人行為偏好，但是依據個(gè)人偏好，太嚴謹會(huì )少了些驚喜，太松會(huì )難保質(zhì)量?，F在基于社交網(wǎng)絡(luò )，相似類(lèi)型的人會(huì )做交叉推薦，但依舊是不足的。但是AI可以針對不同人提供不同服務(wù)。
綜上兩點(diǎn)，還有一個(gè)典型案例——英語(yǔ)流利說(shuō)。
AI英語(yǔ)老師，可以實(shí)現完全的針對性教學(xué)，36小時(shí)教學(xué)成果比真人100小時(shí)更好。人的精力是有限的，但是機器沒(méi)有，可以跨越時(shí)間和空間的，去了解孩子的不同問(wèn)題，給出相應指導。
六、一切回歸商業(yè)
以前，畫(huà)線(xiàn)框圖交付開(kāi)發(fā)就OK；現在，線(xiàn)框圖畫(huà)什么呢，都是語(yǔ)音交互的連界面都沒(méi)有。
以前，研發(fā)老大做產(chǎn)品，銷(xiāo)售去賣(mài)，賣(mài)不好是銷(xiāo)售的責任；現在，和客戶(hù)交流的人BD、銷(xiāo)售、市場(chǎng)關(guān)系逆轉，研發(fā)團隊反而是在跟著(zhù)跑，想要突破，就需要跑在市場(chǎng)最前面，接觸真實(shí)需求，不然會(huì )變得非常的被動(dòng)。
創(chuàng )造力、跨領(lǐng)域總和思考的領(lǐng)導人才最稀缺。誰(shuí)能對商業(yè)做深刻解讀，誰(shuí)能最早將產(chǎn)品做最好的定義，超級重要。當一個(gè)領(lǐng)域內，技術(shù)快速發(fā)展的時(shí)候，先吃香的，一定是誰(shuí)搞出來(lái)0-1尖端技術(shù)的人。但是隨著(zhù)時(shí)間推移，會(huì )不斷有人填進(jìn)來(lái)，市場(chǎng)有看不見(jiàn)的手，沒(méi)有那么高的門(mén)檻。算法工程師最稀缺是因為真的少，但實(shí)際產(chǎn)品很重要，甚至更重要。
