作者：?Vincent Granville ? ?編譯：機器之心

在這篇文章中，數(shù)據(jù)科學家與分析師 Vincent Granville明晰了數(shù)據(jù)科學家所具有的不同角色，以及數(shù)據(jù)科學與機器學習、深度學習、人工智能、統(tǒng)計學、物聯(lián)網(wǎng)、運籌學和應用數(shù)學等相關(guān)領(lǐng)域的比較和重疊。Granville介紹說，由于數(shù)據(jù)科學是一個范圍很廣的學科，所以他首先介紹了在業(yè)務(wù)環(huán)境中可能會遇到的數(shù)據(jù)科學家的類型，你甚至可能會發(fā)現(xiàn)你自己原來也是某種數(shù)據(jù)科學家。和其它任何科學學科一樣，數(shù)據(jù)科學也可能會從其它相關(guān)學科借用技術(shù)。當然，我們也已經(jīng)開發(fā)出了自己的技術(shù)庫，尤其是讓我們可以以自動化的方式（甚至完全無需人類干預）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，進而實時執(zhí)行交易或進行預測。

1.數(shù)據(jù)科學家具有哪些不同類型？

要更詳細地了解數(shù)據(jù)科學家的類型，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)科學家 Ajit Jaokar則又討論了 A型數(shù)據(jù)科學家（分析師）和 B型數(shù)據(jù)科學家（建造者）之間的區(qū)別：

A型數(shù)據(jù)科學家能夠很好地編寫操作數(shù)據(jù)的代碼，但并不一定是一個專家。A型數(shù)據(jù)科學家可能是一個實驗設(shè)計、預測、建模、統(tǒng)計推理或統(tǒng)計學方面的事情的專家。然而總體而言，一個數(shù)據(jù)科學家的工作產(chǎn)品并不是「P值和置信區(qū)間」——就像學術(shù)界的統(tǒng)計學有時候建議的那樣（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)科學家被稱為統(tǒng)計學家、定量分析師、決策支持工程開發(fā)分析師，也有一些被稱為數(shù)據(jù)科學家。

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

而對于業(yè)務(wù)處理優(yōu)化，我也有自己的看法，我將其分成了 ABCD四個方向，其中 A表示分析科學（analytics science），B表示業(yè)務(wù)科學（business science），C表示計算機科學（computer science），D則表示數(shù)據(jù)科學（data science）。數(shù)據(jù)科學可能會涉及到編程或數(shù)學實踐，但也可能不會涉及到。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)科學的差異。在一家創(chuàng)業(yè)公司，數(shù)據(jù)科學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)計學家、建模師（做預測建模等等）和開發(fā)人員。

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

對我而言，在過去的十年里，我專注于機器到機器和設(shè)備到設(shè)備的通信、開發(fā)自動處理大型數(shù)據(jù)集的系統(tǒng)以及執(zhí)行自動化交易（比如購買網(wǎng)絡(luò)流量或自動生成內(nèi)容）。這意味著需要開發(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)科學的交叉領(lǐng)域，也可被稱為深度數(shù)據(jù)科學（deep data science）。其對數(shù)學的需求相對較少，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)計的全新統(tǒng)計技術(shù)。

在此之前，我的工作是實時的信用卡欺詐檢測。在我事業(yè)的早期階段（大約 1990年），我開發(fā)過圖像遠程感知技術(shù)，其中包括識別衛(wèi)星圖像的模式（形狀和特征，比如湖泊）和執(zhí)行圖像分割：那段時間我的研究工作被稱為是計算統(tǒng)計學，但在我的母校，隔壁的計算機科學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，這項工作被稱作數(shù)據(jù)科學或人工智能，其子領(lǐng)域包括信號處理、用于物聯(lián)網(wǎng)的計算機視覺等。

另外，數(shù)據(jù)科學家也可以在各種各樣的數(shù)據(jù)科學項目中出現(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)計建模和已有系統(tǒng)維護。

2.機器學習對比深度學習

在深入探討數(shù)據(jù)學習與機器學習之間的區(qū)別前，我們先簡單討論下機器學習與深度學習的區(qū)別。機器學習一系列在數(shù)據(jù)集上進行訓練的算法，來做出預測或采取形同從而對系統(tǒng)進行優(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、神經(jīng)網(wǎng)絡(luò)、ensembles、關(guān)聯(lián)規(guī)則、決策樹、邏輯回歸或多種方法之間的結(jié)合。

這些都是數(shù)據(jù)科學的分支。當這些算法被用于自動化的時候，就像在自動飛行或無人駕駛汽車中，它被稱為人工智能，更具體的細說，就是深度學習。如果數(shù)據(jù)收集自傳感器，通過互聯(lián)網(wǎng)進行傳輸，那就是機器學習或數(shù)據(jù)科學或深度學習應用到了 IoT上。

有些人對深度學習有不同的定義。他們認為深度學習是帶有更多層的神經(jīng)網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)是一種機器學習技術(shù)）。深度學習與機器學習的區(qū)別這一問題在 Quora上也被問到過，下面對此有詳細的解釋：

人工智能是計算機科學的一個子領(lǐng)域，創(chuàng)造于 20世紀 60年代，它涉及到解決對人類而言簡單卻對計算機很難的任務(wù)。詳細來說，所謂的強人工智能系統(tǒng)應該是能做人類所能做的任何事。這是相當通用的，包含所有的任務(wù)，比如規(guī)劃、到處移動、識別物體與聲音、說話、翻譯、完成社會或商業(yè)事務(wù)、創(chuàng)造性的工作（繪畫、作詩）等。

自然語言處理只是人工智能與語言有關(guān)的一部分。

機器學習被認為是人工智能的一方面：給定一些可用離散術(shù)語（例如，在一些行為中，那個行為是正確的）描述的人工智能問題，并給出關(guān)于這個世界的大量信息，在沒有程序員進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)學術(shù)語中，也就是函數(shù)：饋入輸入，產(chǎn)生正確的輸出。所以整個問題就是以自動化的方式建立該數(shù)學函數(shù)的模型。在二者進行區(qū)分時：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)不是自動從數(shù)據(jù)進行學習，它就不是機器學習。

深度學習是如今非常流行的一種機器學習。它涉及到一種特殊類型的數(shù)學模型，可認為它是特定類型的簡單模塊的結(jié)合（函數(shù)結(jié)合），這些模塊可被調(diào)整從而更好的預測最終輸出。

3.機器學習與統(tǒng)計學之間的區(qū)別

《Machine Learning Vs. Statistics》這篇文章試圖解答這個問題。這篇文章的作者認為統(tǒng)計學是帶有置信區(qū)間（confidence intervals）的機器學習，是為了預測或估計數(shù)量。但我不同意，我曾建立過不需要任何數(shù)學或統(tǒng)計知識的工程友好的置信區(qū)間。

4.數(shù)據(jù)科學對比機器學習

機器學習和統(tǒng)計學都是數(shù)據(jù)科學的一部分。機器學習中的學習一詞表示算法依賴于一些數(shù)據(jù)（被用作訓練集），來調(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)都適合機器學習。例如有一種統(tǒng)計和數(shù)據(jù)科學技術(shù)就不適合——無監(jiān)督聚類，該技術(shù)是在沒有任何先驗知識或訓練集的情況下檢測 cluster和 cluster結(jié)構(gòu)，從而幫助分類算法。這種情況需要人來標記 cluster。一些技術(shù)是混合的，比如半監(jiān)督分類。一些模式檢測或密度評估技術(shù)適合機器學習。

數(shù)據(jù)科學要比機器學習廣泛。數(shù)據(jù)科學中的數(shù)據(jù)可能并非來自機器或機器處理（調(diào)查數(shù)據(jù)可能就是手動收集，臨床試驗涉及到專業(yè)類型的小數(shù)據(jù)），就像我剛才所說的，它可能與「學習」沒有任何關(guān)系。但主要的區(qū)別在于數(shù)據(jù)科學覆蓋整個數(shù)據(jù)處理，并非只是算法的或統(tǒng)計類分支。細說之，數(shù)據(jù)科學也包括：

當然，在許多公司內(nèi)數(shù)據(jù)科學家只專注這些流程中的一個。

對于這篇文章，技術(shù)顧問 Suresh Babu給出了一個評論，機器之心將其編譯整合到了下面：

這篇文章說明了解使用機器/計算機來處理類似人類決策的任務(wù)的統(tǒng)計學習的基本術(shù)語是件很麻煩的事。

但文章中「當這些算法被用于自動化的時候，就像在自動飛行或無人駕駛汽車中，它被稱為人工智能，更具體的細說，就是深度學習?！惯@樣的說話看起來卻有些隨意任性。

當過去計算機/機器還不夠友好，沒有得到廣泛使用的時候，統(tǒng)計學家和數(shù)據(jù)科學家的工作和現(xiàn)在這個領(lǐng)域的工作有很大的不同。比如說，當制造業(yè)開始使用計算機輔助后，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)。用制造機器來做原本人類做的程序化工作的想法最早來自 19世紀初 Jacquard和 Bouchon等人。而 Jacquard織布機的工作方式和現(xiàn)在計算機控制的織布機的工作方式基本相同。

現(xiàn)在的數(shù)據(jù)科學是一個知識體系，囊括了統(tǒng)計學和計算方法等等（而且在不同的具體領(lǐng)域不同學科的比例也不一樣）。

機器學習（或使用了其它的術(shù)語，比如深度學習、認知計算）是讓機器像人類一樣思考和推理，基本上而言是指通過人工的方法（所以也叫人工智能）來代替人類天生的自然智能——涉及到的任務(wù)從簡單到復雜都有。比如，無人駕駛汽車（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遇到的——我說「目前」是因為也許未來人類將很少能夠直接駕駛機器，「駕駛（drive）」這個詞本身都可能會改變含義。

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

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就在引導著人類的學習。但這就扯遠了。

未來的世界屬于誰？

沒有人能給出一個確切的答案，但總有人能根據(jù)歷史發(fā)展的趨勢、科技發(fā)展的方向，給出一個比較靠譜的預測。而許多這樣的預測都表明，未來將是一個屬于碼農(nóng)的世界。

在農(nóng)業(yè)社會，男耕女織，社會的經(jīng)濟基礎(chǔ)是農(nóng)業(yè)，而社會的建設(shè)者就是農(nóng)民；到了工業(yè)時代，機器轟鳴，工業(yè)生產(chǎn)成為拉動經(jīng)濟增長的主要動力，這時主要的社會建設(shè)者是工人；而在后現(xiàn)代化的科技時代，一切都在朝著智能化、信息化的方向發(fā)展，這時的主體建設(shè)者就是程序員，也就是碼農(nóng)。

《人類簡史》的作者尤瓦爾?赫拉利前不久又推出另一本大部頭的著作《未來簡史》，其中有以下2個核心觀點：

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

2，生命本身就是算法——動物和人都各有精密的算法，為的是生存和繁衍。人的感覺、情緒、想法都是算法在支配。人類已經(jīng)開發(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。人類社會的未來將會是一個全新的、效率更高的數(shù)據(jù)處理系統(tǒng)，稱為“萬物互聯(lián)網(wǎng)”。

尤瓦爾?赫拉利指出，未來屬于人工智能和神人，神人就是通過生物科技升級了肉體，通過人工智能融合技術(shù)加強了智力的“超人類”，他們將和“無意識、無處不在的、自我進化、自我升級的人工智能算法系統(tǒng)”一同統(tǒng)治人類。

換句話說，神人就是能給自身編寫代碼的人。

在電影黑客帝國里，人類世界變成了一個虛擬的世界，任何物體、甚至人類自身也只是一行行代碼，實際存在的物體如此，意識更成了代碼運行的結(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的未來。

但在可預見的一段時間內(nèi)，顯然是屬于碼農(nóng)的黃金時代。

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，若想機器人能服務(wù)于人類，并且不構(gòu)成傷害，必須滿足機器人三大定律。而這三大定律如何實現(xiàn)，當然必須落實于一行行代碼。未來屬于人工智能，更屬于創(chuàng)造它們的碼農(nóng)。

此外，在一個越來越智能化的時代，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，必將是實現(xiàn)萬物互聯(lián)。這必將是一個漫長的過程，而這個過程也必將是碼農(nóng)們施展才華的黃金時代。

在當今現(xiàn)實生活中，“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，然而碼農(nóng)卻是未來世界必不可少的建設(shè)者。

未來需要碼農(nóng)，未來屬于碼農(nóng)。如此，“碼農(nóng)”當然不是一個苦逼的職業(yè)，而是一個酷斃的事業(yè)。

而“機器人基金管家”，也就是通過數(shù)學模型進行量化投資的計算機。據(jù)悉，貝萊德此次重組規(guī)模為300億美元，約占主動型基金規(guī)模的11%。其中，有60億美元將被并入集團旗下的BlackRock Advantage基金，即機器人管家來掌控的基金。

消息一出，反響四起。

畢竟，基金經(jīng)理向來是高智商財經(jīng)人才所從事的職業(yè)，從業(yè)者需要具備良好的數(shù)學基礎(chǔ)和扎實的經(jīng)濟學理論功底。機器人代替流水線工人尚在意料之中，代替基金經(jīng)理實在讓人意外。

凱文﹒凱利曾在《失控》中指出，人們在將自然邏輯輸入到機器的同時，也把技術(shù)邏輯帶到了生命之中，因而，人造和天生的聯(lián)姻是未來發(fā)展的方向。

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

1，機器人士兵

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

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

美國波士頓動力公司研制了一款名為“PetMan”的軍用機器人，能夠像士兵一樣活動手臂和大腿，它的職能是為美軍實驗防護服裝。

圖為PetMan機器人

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

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

當然，最人道的方案還是——沒有戰(zhàn)爭。

2，機器人廚師

當今社會，生活節(jié)奏不斷加快。有一個會做飯的機器人，實在是能讓自己省下烹飪的時間，并依然能享受到美味的佳肴。

圖為Moley

英國的研發(fā)團隊，就開發(fā)了這樣一個機器人，Moley，其號稱是“世界上第一款自動化廚師機器人”，能夠?qū)崿F(xiàn)完全自動化的烹飪體驗。

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

3，機器人司機

機器人司機其實就是自動駕駛，不少科技巨頭都花費重金布防在自動駕駛領(lǐng)域。

像蘋果公司的造車項目“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備和技術(shù)支持，成為自動駕駛領(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曾說過，“我們意識到自動駕駛一定會引領(lǐng)世界潮流，如果我們不能參與到其中，我們就會被未來世界拋棄?！比ツ辏琔ber高調(diào)宣布和沃爾沃達成合作，共同研發(fā)自動駕駛技術(shù)。

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

而國內(nèi)的公司，在自動駕駛領(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駕駛事業(yè)部，并提出了三年實現(xiàn)自動駕駛汽車商業(yè)化，五年實現(xiàn)自動駕駛汽車量產(chǎn)的目標。2015年12月份，百度以改裝過的寶馬三系GT為試驗車輛在北京5環(huán)上進行了自動駕駛測試。不久后，百度還拿到了美國加州頒發(fā)的全球第15張無人汽車上路測試牌照。

不難想象，在如此多的科技巨頭研發(fā)、布局的情況下，實現(xiàn)自動駕駛只是時間問題。

而在未來世界，是不是也就沒了“老司機”？

4，機器人記者

機器人能寫新聞，這不算是新聞了。

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

但大家的關(guān)注點并不在內(nèi)容，而是這篇報道是由新聞寫作機器人寫出來的。

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

當然不論是國內(nèi)還是國外的新聞寫作機器人，如今都是在寫一些有著固定模板的簡單新聞。真正的寫作，需要想象力和情感，而這些，現(xiàn)在的機器人沒有，未來會有嗎？

……

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

你覺得呢？

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)有機體，而一直到7萬年前，我們的祖先智人才開始創(chuàng)造“文化”，繼而發(fā)展出我們所謂的“人類歷史”。

要將7萬年的人類歷史在400頁的書內(nèi)講完，顯然不能窮盡細節(jié)，單是講中國的簡史，恐怕400頁書也不能夠。因而這本書只講歷史發(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、化學、生物學、政治學、心理學等等多個角度，來闡釋7萬年來的智人個體，乃至整個人類社會的來龍去脈。

這樣一本人類歷史的“提綱挈領(lǐng)”，可算是“哲學”了，因為它講雖是過去，卻讓你看到了未來。

人類的歷史，約7萬年前，發(fā)生認知革命；約12000年前，農(nóng)業(yè)革命；約500年前，科學革命。而這本書也是圍繞這三次革命來展開。

我們提到“人類”，想到的只是我們自己。其實，按照生物分類學“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”下的一個物種。智人的親戚有很多，只不過都已絕跡：

尼安德特人，魁梧高大、肌肉發(fā)達，適應寒冷氣候，主要活動于歐洲；

直立人，存續(xù)時間最久的人類物種，近200萬年，居住在亞洲；

梭羅人，適應熱帶氣候，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25公斤（估計是《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，200萬年前到1萬年前，是許多人類物種共存于世的。但從7萬年前開始，智人向全球擴張，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，但遠不是尼安德特人的對手。而我們勝出的原因，就是距今7萬年前至3萬年前發(fā)生的“認知革命”，即新的思維和溝通方式：

1，? 八卦。我們的語言除了用來探討獵物，警示危險，還開始被用來“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？確實如此。通過八卦，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，部落因而擴大，并聯(lián)系緊密。但“八卦”維持的最大自然團體大約是150人。超過150人，大家無法深入了解彼此，緊密的合作也無從談起。比如有專家研究，自然的黑猩猩部落維持在20~50只，超過100只必然陷入崩潰。然而“虛構(gòu)的故事”卻可以使成千上萬的人組成“部落”，并緊密配合。

虛構(gòu)的故事，重點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識的人在同一天進教堂禱告。甚至是國家、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，就能讓無數(shù)的人集結(jié)起來，有序地合作。

會八卦，能編故事，這迅速讓智人部落壯大起來。如果尼安德特人看到一棵樹，那它就是一棵樹?？芍侨丝吹搅艘豢脴?，他可能會說，這樹是我們的保護神，違背樹神旨意就要得到懲罰，成百上千的智人雖互不了解，但樹神的旨意是統(tǒng)一的，這棵樹就能凝聚無數(shù)信仰樹神的人，并讓他們整齊劃一，分工合作。

這棵樹，在古代是上帝，在現(xiàn)代是法律。

智人個體戰(zhàn)斗能力比不過尼安德特人，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個人一起戰(zhàn)斗。好比動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。而這場人類物種之戰(zhàn)，顯然也是智人完勝。

人類有250萬年的時間靠采集和狩獵為生，但在大約1萬年前，我們開始停止游蕩，全心全意培育幾種動植物，以之為食，這便是農(nóng)業(yè)革命。

1萬年前，小麥只是野草中的一種。當人類發(fā)現(xiàn)它的食用價值之后，便開始精心種植小麥，日出而作日落而息，除草、殺蟲、灌溉、施肥，草場變成麥田，最終的結(jié)果是人馴化了小麥，定居走入農(nóng)業(yè)社會，但小麥何嘗不是馴化了人類，為自己謀了個終身保姆？

農(nóng)業(yè)革命之前，人類居無定所，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，人口也開始不斷增加。如果以DNA拷貝數(shù)的多寡來衡量一個物種演化成功與否，難么智人絕對算是成功的。但就智人個體來說，農(nóng)業(yè)革命帶來了更幸福的生活嗎？

答案是否定的。智人定居下來進行農(nóng)耕，變成農(nóng)民，第一代農(nóng)民不用擔心野獸襲擊、風吹雨淋，確實享受到了好處。

但是（下面才是重點），

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

﹒而農(nóng)耕部落顯然強于采集部落，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，同時農(nóng)耕部落還面臨著河堤決口、旱災等自然災害，迫使需要大規(guī)模的政治和社會制度作為保障，最終形成國家；

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

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。

與此對應的是奢侈品陷阱，我們想讓生活變得容易的努力，卻帶來了無窮的麻煩。比如，以前寄信很麻煩，寫信封、貼郵票，還要經(jīng)過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?？涩F(xiàn)在，尤其對上班族來說，每天都面臨著幾十、上百封email，且都在等著立刻回應。相比于車馬很慢的年代，電子郵件省下了很多時間，但實則是生活步調(diào)被極大加速，我們整天忙忙碌碌，疲于應付。

而且革命還有其他受害者，就DNA拷貝數(shù)來說，被人類馴化的雞，牛，豬，羊，可以說演化很成功。但在現(xiàn)代畜牧場里，一只小?？赡芙K生被關(guān)在籠子里，避免走動而肌肉變硬，因為肌肉越柔軟，牛排也越鮮嫩多汁。牛是演化成功的物種，但牛的個體卻可能承受著無比悲慘的生活。

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，與其他生物畫出界限。

2，? 農(nóng)業(yè)革命之后，社會變得格外復雜，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。早期的文字只用來記錄事實和數(shù)字?，F(xiàn)發(fā)現(xiàn)的人類史上第一個文本，不是詩歌法律，卻是財經(jīng)文件，記著稅務(wù)、債務(wù)及財產(chǎn)所有權(quán)。而史上記下第一個名字的人，是記錄這些數(shù)字的會計師。

人類在這些無聊的數(shù)字外，不斷加入其它符號，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，如果僅從鳥瞰的角度，看過去的幾個世紀，還不足以得出結(jié)論，而應該從“間諜衛(wèi)星的高度”，看幾千年，幾萬年的發(fā)展軌跡，才能得到結(jié)論：合久必分只是一時，分久必合才是大趨勢。

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，正因為人們相信一張紙代表的價值，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，但他對美元卻是來者不拒。

2，帝國。帝國就像一臺壓路機，將許多民族獨特的多樣性夯平，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、赫爾維蒂人等都沒有恢復重生，這是因為這些后代早就被羅馬帝國同化。

3，宗教。社會秩序只是想象的產(chǎn)物，因此，社會規(guī)模越大，秩序也就越脆弱。而宗教則說有一種絕對的神圣最高權(quán)柄，超越人類，不容動搖。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，即大航海時代，通過地理大發(fā)現(xiàn)，世界逐漸連為一個整體。從這之后，一直到人類登上月球，發(fā)生就是“科技革命”。

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

而科學的蓬勃發(fā)展，還要歸因于其他力量的推動，其中帝國主義和資本主義尤其重要。

1，科學和帝國的聯(lián)姻。過去的歐洲帝國主義自以為了解整個世界，“征服世界”是為了傳播自己對于世界的看法，但在征服過程中，不斷發(fā)現(xiàn)新領(lǐng)地，也不斷發(fā)現(xiàn)新知識，反過來這些新知識又成為它們繼續(xù)征服的武器。

因為資助科學家能帶來新知識，而新知識能帶來更大的利益。因此，公元1500年之后，帝國越來越愿意資助科學研究。

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

過去，許多文化認為賺錢是種罪惡，認為世界是一張大餅，你多拿一塊，勢必損害別人的利益。賺錢就是零和游戲。比如耶穌就說：“駱駝穿過針的眼，比財主進神的國還容易呢！”

直到1776年，亞當斯密出版了《國富論》：如果地主賺的的利潤高于基本所需，多余的錢就會用來雇傭更多的助手，好進一步提升利潤。利潤越高，所雇人員也越多。因而獲利并投入再生產(chǎn)正是社會繁榮的基礎(chǔ)。

由此產(chǎn)生了新的道德標準：拿出利潤，投入再生產(chǎn)，并如此循環(huán)。所謂，資本的生命在于運動。

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

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

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)濟便崩潰了。而資源有限，這只是相對的說法。因為，科學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，能源其實無窮無盡，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，放眼整個太陽系，乃至整個宇宙，更是發(fā)現(xiàn)它取之不盡。

現(xiàn)代資本主義經(jīng)濟想要存活，就必須要不斷生產(chǎn)。如同鯊魚，停止游動就會窒息。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，并誘惑著你去購買。這也便是資本主義創(chuàng)造出的消費主義，從而使整個現(xiàn)代社會變成：有錢人，投資；消費者，購買。

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)問題。

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

但拋卻這些問題，我們今天確實生活在比以往更和平的環(huán)境里，以往戰(zhàn)爭帶來殖民地便帶來海量財富，在今天戰(zhàn)爭絕對得不到這樣的利潤，而且核子末日的威脅也促進了和平主義。然而今天的我們是否生活的更幸福了呢？好比農(nóng)業(yè)革命更像一場騙局，工業(yè)革命又帶來了什么？

此外，歷史書籍總是對社會建立和瓦解，帝國興衰，科技發(fā)明與傳播，知無不言、言無不盡。但對這一切給人類帶來的是快樂或痛苦，卻只字不提?？鞓返臍v史，有待研究，而人生的幸福，則要靠自己體會。

21世紀曙光乍現(xiàn)之際，自然選擇的法則開始被智慧設(shè)計的法則取代。智人通過生物工程、仿生工程、無機生命工程，來干預、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)計也被用于智人自身，如果未來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，也將是智人歷史落幕之日。

（全文完）

說到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)說百度的AI是中國的“國家隊”，而馬云前幾天立項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研究終于有了一個比較喜人的成績：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，馬總很開心

雖然這次比賽沒有AlphaGo參加，但這個新聞也著實讓很多人對于一直不顯山不露水的騰訊的AI水平有了新的認知。

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

“絕藝”在野狐平臺使用過的馬甲，每升級一次，挑戰(zhàn)對手實力更強一階（圖片來自全景網(wǎng)）

有意思的是，在這之前，weigo在野狐平臺叫過各種“小名”，已知的第一次對戰(zhàn)在去年8月，它用“虎虎有生氣”這個ID開始在野狐下棋，8月23日第一次戰(zhàn)勝了職業(yè)選手。
接下來，不知是不是出于信心增長，改用“野狐掃地僧”ID，在9月4號和網(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)平的長子孔令文。

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

野狐平臺上“絕藝”的信息，明確標識為“十段”
這一陣狂風之后，根據(jù)野狐平臺的計算方式，“絕藝”榮升“十段”。
雖然當時騰訊從來沒有出面認領(lǐng)過，但是棋迷們大部分都已經(jīng)猜出“絕藝”就是騰訊當年那個叫作“Weigo”的AI。
甚至有網(wǎng)友扒出去年騰訊報名UEC的時候，使用的名稱仍然是Weigo。然而，大概是由于“絕藝”這個馬甲早已深入人心，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)友扒出的參賽報名名單（來自新浪微博）
很多人可能都知道DeepZenGo，但是沒有聽過“絕藝”，對普通人來說，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)，我們可以說一開始營造神秘感，之后一炮而紅的做法，似乎有著更好的宣傳效果，這個套路在江湖上人稱“憋大招”。
“憋大招”之所以讓人覺得很厲害，是因為在沉默中爆發(fā)，“屌絲逆襲”的故事總是震撼人心。但是說到這里，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厚的優(yōu)勢——
首先，騰訊從來不是屌絲，而是高富帥，與此同時直接導致絕藝不可能是個屌絲，至少是個富二代。

騰訊的AI實驗室由13人團隊組成
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)器進行計算的。計算時間有限，就對于計算速度提出了非常高的要求，而騰訊在調(diào)用計算資源上的優(yōu)勢相對于其他顯然是碾壓。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，更不要說中國已經(jīng)具備了世界領(lǐng)先的超級計算能力。
如果規(guī)定所有參賽者使用同等服務(wù)器，結(jié)果可能對絕藝不利。
不過，絕藝一路走來也不是一帆風順的。騰訊從一開始就對于打造圍棋AI這件事說得很保守，對于為什么要做AI，就有“鍛煉說”和“檢閱說”兩個說法：當時副總姚星的說weigo項目可以“鍛煉”團隊的研發(fā)能力；研發(fā)團隊說做圍棋機器人可以對團隊的算法研究、大規(guī)模計算以及工程能力進行一次“檢閱”。
這兩種說法都讓騰訊做圍棋機器人蒙上一層“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)和默默無聞的一個好處就是，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沒有應邀參賽。有人說，現(xiàn)在的AlphaGo面對絕藝眾人，其俯視感仍是上神之于小仙。不過什么時候絕藝們成長到足夠階段，不排除AlphaGo也會走下神壇跟它們較量一把的可能。

AlphaGo對戰(zhàn)李世石
但是小編認為，其實目前的絕藝距離去年和李世石對戰(zhàn)時的阿爾法狗的水平（AlphaGo之后又有重大突破），也許并沒有大家說的大得那么離譜的距離。因為不能單純把本次UEC比賽的棋譜水平和當時AlphaGo李世石棋譜水平進行簡單比較，因為本次UEC下得是快棋，而李世石那場下得是慢棋，計算時間限制小，這樣比對絕藝、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，我們最好還是少糾結(jié)于AI圍棋比賽的勝負，因為AI對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水平競爭的一種娛樂化形式。而真正重要的總應該是各家AI在今后無人駕駛、保險金融、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，希望到時各家AI也能力爭上游，友善競爭，給人類創(chuàng)造更多價值。
來源：互聯(lián)網(wǎng)叫獸

作者：互聯(lián)網(wǎng)叫獸

在確定這個話題之前，有必要先對群嘲做個限定：

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)——幫助個人完成多項任務(wù)或多項服務(wù)的虛擬助理，當前討論的核心驅(qū)動力是人工智能。（什么你說用人來做處理單元？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，國內(nèi)國外無所謂。

都是坑：創(chuàng)業(yè)公司做消費端的虛擬助理，一定無法實現(xiàn)消費級產(chǎn)品效果。對于巨頭也是，我相信大部分的相關(guān)負責人都以“進步”為目標，而不敢跟自家CEO擔保要以“搞定”為目標。

【什么是智能助理？】

智能助理屬于對話式服務(wù)

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

對話式：人機交互的方式由圖形化交互（GUI-Graphical User Interface）變?yōu)橐詫υ捵鳛榻换シ绞剑–UI-Conversational User Interface業(yè)界暫時還沒有定義，這是我自己瞎編的），就是用說話來代替觸摸或者鼠標，操作計算設(shè)備。

服務(wù)：提供服務(wù)，解決問題都算，如訂機票，購買禮物等。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）起來的這一波對話式服務(wù)在硅谷有多火？看看創(chuàng)業(yè)團隊增長的數(shù)量就知道了：2015年的時候有129個類似的項目出現(xiàn)，而14年的時候才42個。

Tracxn Report:Conversational Commerce

在各類科技博客上，對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^點就是”對話式的交互將會成為下一個風口，大家趕緊上啊！“。截止到2016年6月的時候，在Producthunt上標記為對話式服務(wù)（ConvComm）的有一百多個創(chuàng)業(yè)項目。

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決策，在過去嘗試過用bot/AI但可惜達不到效果，或者magic模式，完全是靠”真人幫懶人用APP“驅(qū)動運營。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）蘋果的股價如何？

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

1）明天這個天氣狀況會會造成航班延誤么？

2）我只有支付寶，附近的星巴克可以用么？

3）我什么時候該買蘋果的股票？

使用體驗方面，這些助理的服務(wù)范圍覆蓋面基本跟當前的所有引擎一樣。在設(shè)計邏輯上，基本都是基于用命名實體識別來代替打字輸入關(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?說的，當初他創(chuàng)建siri的時候，是想要重新挑戰(zhàn)移動服務(wù)，而不是造一個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iOS和macOS的操作；Cortana對windows的操作；echo對關(guān)聯(lián)著的智能家居設(shè)備的操作等等。此類操作的一個特點，是對結(jié)果非常的確定，出現(xiàn)個性化選擇范圍非常的少。

另一方面，對于創(chuàng)業(yè)項目而言，因為不具備類似的生態(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當中排在最前150位的項目進行分析，其中高達70%的項目定位都在2C的個人助理（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)當中有23.1%是專業(yè)類型的服務(wù)，主要是在醫(yī)療和理財方面。而剩下來的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)都打包進去的產(chǎn)品。

Producthunt上面69.7%的對話式服務(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】

移動紅利的結(jié)束，行業(yè)需要新的增長點

很多跡象都指向同一個結(jié)論：移動互聯(lián)的高速增長已經(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5萬個新的APP被提交到了appstore，但是在美國市場有65%的智能手機用戶在一個月內(nèi)下載新APP的數(shù)量為0，下了1個新APP的人占8.4%。

2015年中到現(xiàn)在，在國內(nèi)2C市場中，幾乎找不到一款真正能爆發(fā)并留存的移動產(chǎn)品。對于移動開發(fā)者而言，能放首屏的高頻應用早就擠不進去了。而且很多中低頻的服務(wù)，并不是最適合用app來承載的。比如訂生日蛋糕，作為商業(yè)其價值一直存在，能通過信息化的方式來解決獲客或者能效問題么？宏觀來講肯定可以，但是開發(fā)一個APP則會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——這些問題，都讓開發(fā)者懷疑要不要做APP，特別是在最開始的PMF核心邏輯還沒有被驗證的時候。

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，宏觀上有沒有新的產(chǎn)品形態(tài)可以再來一次？甚至運氣更好點，甚至開拓出以前沒有被耕耘過的維度？

對話式服務(wù)具備新的增長點的潛質(zhì)

回顧過去，最大的幾次浪潮基本都伴隨著一個規(guī)律：核心技術(shù)（軟硬一堆）的出現(xiàn)和整合，帶來全新的人機交互方式 ，在此基礎(chǔ)上大量的商業(yè)應用應運而生。

從90年代，人機交互的三種變化

比如2007年末移動互聯(lián)開始，核心驅(qū)動的硬件是觸摸技術(shù)、各種sensor的成熟以及整體計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)造出完全顛覆過去的觸摸操作的體驗，并使其稱為真正可用的人機交互方式——讓圖形化界面的輸入工具，從鍵鼠時代跨越到了更intuitive的觸摸，并完美的與后面開放的生態(tài)系統(tǒng)結(jié)合起來（不得不再次對喬大爺表示敬佩）。

人機交互越來越傾向于人

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

將來越來越多的人都能更自然的通過計算設(shè)備來獲得價值。下一個超級增長點的交互方式，一定是交互更接近人的自然行為，更多人可以使用的。

因為軟硬件限制，過去用上計算設(shè)備的人很少。一方面，當時的人機交互是讓人來“將就”機器——人學習機器的語言——操作需要專業(yè)技術(shù)，如打孔…（在個人電腦方面，當年知道’cd 文件夾名’的命令行的人也都是高端人士）；另一方面計算設(shè)備巨貴，還不屬于個人設(shè)備，大眾都買不起；再者，日常應用和普通生產(chǎn)力應用幾乎沒有，所以買來設(shè)備學會了UI也沒啥用。而移動設(shè)備出現(xiàn)就讓更多的人從使用計算設(shè)備中獲利，更多不會鍵盤鼠標的人，通過觸摸手機屏來操作。將來人們想要獲得服務(wù)的時候，或許不需要有“計算設(shè)備”這個中間載體的概念。直接提出需求，就能獲得結(jié)果。

下一代的交互方式，似計算設(shè)備能覆蓋更廣的商業(yè)。

Google Assistant Allo

看看過去app如何顛覆web的，在沒有移動互聯(lián)之前，大眾點評只是一個不知道幾流的小眾產(chǎn)品，web也并非最合適這個商業(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候，身邊都沒有PC來獲得其他人的點評信息；而移動互聯(lián)的APP解決了這個問題。

這并不是說app代替了web（比如PS還是在桌面端更好用），而是借由移動設(shè)備，app開啟了過去沒有的維度，繼而大眾點評的商業(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，也會同樣發(fā)生在下一代人機交互的形態(tài)來顛覆當前app的時候。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會打開新的維度，解放更多的商業(yè)價值。

如果一個C端產(chǎn)品做得好，傳播不受硬件束縛，沒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里實現(xiàn)過去用app承載的服務(wù)，甚至還能開拓新的形態(tài)…比起當前的其他選擇AR/VR/IoT/區(qū)塊鏈，CUI帶來的想象空間更大。所以，就有很多人，巨頭小頭沒頭的都來嘗試。

【對CUI的特點的理解決定產(chǎn)品價值】

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

話說當前國內(nèi)有很多投資人認為，只要是做人工智能的團隊，就必須是MIT，Caltech出來的機器學習博士或者是GOOGLE，F(xiàn)ACEBOOK的AI團隊的人；如果團隊不是頂級院校的學者或者是巨頭出來的項目帶頭人，就沒有什么好搞的——這是典型的誤區(qū)，或者說對行業(yè)的理解太淺了。這種理解基本等于 “聽說你是計算機專業(yè)畢業(yè)的，幫我裝一下電腦吧”這樣的水平。很不幸國內(nèi)好多年輕點的投資經(jīng)理基本都是這種水平（為什么年紀大點的不是？因為他們理解’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觀點：1）所謂“做AI的”也有幾個類型，底層研發(fā)和做應用的是兩碼事。2）人工智能的底層交給大公司，小創(chuàng)業(yè)公司可以做點小模塊。而應用層則有大量的空間給創(chuàng)業(yè)公司來實現(xiàn)商業(yè)化。3）“這個行業(yè)缺AI的產(chǎn)品經(jīng)理，不缺一般意義上的明星，特別牛x的算法達人，牛x的北京的BAT出來的人?！?這方面吳恩達也有類似的觀點，“人工智能社區(qū)是極其開放的，大多數(shù)頂級研究者會出版他們的著作／分享他們的想法身子開源代碼。因此，在這個技術(shù)開元環(huán)境下，數(shù)據(jù)和人才就是稀缺的資源?！?/p>

有點跑題了，在這里就強調(diào)一下，CUI的核心技術(shù)是AI（不僅限NLP后面會提到）。對CUI作為新一代顛覆性人機交互的理解，才在產(chǎn)品形態(tài)上能發(fā)揮底層技術(shù)的商業(yè)價值。最后，再舉個例子，GUI的核心突破是技術(shù)大牛（xerox）帶領(lǐng)的，而其商業(yè)應用的發(fā)揚光大則是產(chǎn)品經(jīng)理喬布斯從xerox那兒“偷來”的。

1973年，xerox推出第一款GUI技術(shù)個人電腦；

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。

CUI的不可延續(xù)GUI的特點

為了深入理解這個問題，我們可能要先分析一下，CUI和GUI究竟給用戶體驗帶來什么影響？因為這絕不是現(xiàn)在主流的“把按鈕變成語言操控”那么簡單的事情。

當移動設(shè)備出現(xiàn)的時候，大家對如何在智能手機上開發(fā)產(chǎn)品還沒有來得及有深入的了解。所以當時開發(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。早期的大量應用，都是從“如何把web縮小到手機屏幕”的思路出發(fā)來設(shè)計APP的。——這是典型的延續(xù)上一代交互的思路。

隨著開發(fā)者不斷思考和挖掘移動端的潛力，慢慢有了對移動端真正的核心特質(zhì)的理解——這些“圣杯屬性”才是真正讓移動端產(chǎn)品設(shè)計出眾的要素。比如“碎片時間”、“個人身份綁定“、”LBS”等等，這些特質(zhì)才是真正讓移動產(chǎn)品體現(xiàn)價值的——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”這個明顯的交互行為沒有直接關(guān)系。

現(xiàn)在CUI出現(xiàn)的時候，產(chǎn)品經(jīng)理也會面臨類似的問題。當前大多數(shù)智能助理的設(shè)計思路都是“過去APP是怎么用的，我現(xiàn)在用語言來代替觸摸操作”。好比是用語言來代替手指去觸摸屏幕，或者是用說話來代替手指打字。而能讓用戶感覺真正智能的核心，我認為依然藏在CUI的“圣杯屬性”里，有待大家發(fā)掘。

CUI的特點：高度個性化

舉一個例子，根據(jù)實際研發(fā)和市場運作的經(jīng)驗，我們發(fā)現(xiàn)有一個算得上“圣杯屬性”是特質(zhì)是：“高度個性化”。

在GUI時代，用戶使用產(chǎn)品時，有一個可視化的界面，比如找餐廳，我們打開點評看上去是這樣：

這看上去是一個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（不點開可能還不知道是什么意思）以及排序。當用戶自己不知道該如何決策的時候，這些視覺化的框架，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：

用戶對可以做哪些選擇一無所知——在沒有可視化的參考下，面對如此開放的交互，當用戶要找一個餐廳的時候，他們提出的要求，大都不在GUI設(shè)定的范圍以內(nèi)。

根據(jù)我們實際操作的經(jīng)驗，用戶提出的問題是這樣的：

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

如果GUI的產(chǎn)品試圖在個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題。一個界面可能會被大量的下拉列表，層級關(guān)系，各種填空和操作充滿。如此是加深了個性化程度了，但是操作的成本會讓用戶放棄使用。

如果在智能助理的產(chǎn)品設(shè)計上，不尊重用戶“高度個性化”的需求，只提供過去APP本身提供的個性化程度“在XX附近找個YY菜”，那么用戶在實際提需求的時候得靠運氣撞到既定的條件上，不然就是無法識別的范圍，繼而失望。另一方面，如果CUI只是在做GUI范圍內(nèi)的事情，會遠不足以顛覆APP。

除此之外，CUI還有一些專屬的特點。比如

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

可避免信息過載：用戶打開GUI的一個界面，比如點評上找一個餐廳，用戶得在一個列表里去找尋自己最想要的選項（典型的案例是，GUI讓用戶選擇國家的時候那一長排的列表）。而CUI則可以規(guī)避用戶的信息過載，直接給出期望的結(jié)果。這個特點的另一面是，GUI因此是informative的，給不熟悉場景的用戶更多的提示，或者比較結(jié)果的機會。

復合動作：“明天或后天，晚上最便宜的機票”——從用戶的操作和實際體驗來看，GUI無法一次給出結(jié)果，只能用戶先查一次明天的機票，再查一次后天的機票，然后手動來對比。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，詳細更多特質(zhì)會不斷被開發(fā)者發(fā)掘出來。在這里就不詳細展開了。在另一篇《人工智能時代的產(chǎn)品經(jīng)理》文章當中，會做更多關(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？很多團隊不是底層的算法差，而是團隊對產(chǎn)品的理解有問題。

要滿足C端用戶的需求，確實非常難。10次使用，有一次因為任意原因的失望，用戶心理就會開始有疑慮。從體驗上來看，在用戶熟悉的場景下得全面理解用戶提出的需求；在用戶自身不清楚場景下，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。以此來看，對話式的agent就得至少滿足以下功能：

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

具備理解口語中的邏輯 (logic understanding)

所有能理解的需求，都要有能力履行（full-fulfillment）

1、基于上下文的對話能力(contextual conversation)

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

需要識別意圖：查機票

需要識別entities：時間（下周五），目的地（北京），出發(fā)地（無/當前地理位置）

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

沒有一個能識別出來意圖，全部做為用關(guān)鍵詞來檢索網(wǎng)頁(SERP)。沒有識別出意圖，繼而也就沒有可能識別entity所在的場景。對于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。

不過當我們看到國內(nèi)的創(chuàng)業(yè)公司，卻能按照需求識別出意圖，并且識別出對應的entity，組合查詢出結(jié)果，看上去比幾個巨頭更強大。

我們繼續(xù)測試上下文的對話。比如，我是國航的會員，agent給出上面的結(jié)果里沒有國航的航班，我自然會問：”有沒有國航的？“

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

換一句話來說，沒有結(jié)合上下文的對話。我并不是為了黑，事實上這個產(chǎn)品在國內(nèi)的創(chuàng)業(yè)公司中也算不錯的技術(shù)了。但是不會結(jié)合上下文的對話，會造成的最嚴重的問題就是這個agent基本不能獨立完成服務(wù)。因為用戶不會在一個句子里把所有的條件都列出來。

以上是基本要素，就當前的產(chǎn)品形態(tài)來看，只有非常少的產(chǎn)品能真正做到第一點。大部分號稱能做到的，都是濫竽充數(shù)，連續(xù)問問題而已。

不能真正理解上下文的對話（機票查詢）：

AGENT： 從哪里出發(fā)？

用戶：上海虹橋機場

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……

在上面的對話，AI Agent在問第二個問題的時候，不能理解用戶對前一個回答的修改（出發(fā)地從“虹橋”改為“浦東”），只是按照預先設(shè)計對話的順序，填上命名實體識別得來的entity。繼而查詢不到結(jié)果，給用戶的感覺就是笨。

真正理解上下文的對話（機票查詢）：

AGENT：從哪里出發(fā)？

用戶：上海虹橋機場

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話，agent可以正確理解用戶第二個回答的內(nèi)容（從浦東走），其實是在修改上一問題的回答（出發(fā)機場），而不是真的在回答第二個問題（到達地在哪里）。

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

可能有人會問，大部分用戶都應該在第一時間把需求表達出來吧，為什么還需要對話？實際上，真正操作過大量案例的同學就會發(fā)現(xiàn)，用戶不可能如此”貼心“地按照開發(fā)者的設(shè)計來提出需求。

幫我看看下個星期五去北京，下午3點多，從虹橋出發(fā)，國航的航班?！啊@一類的表達方式在幾乎從來沒有出現(xiàn)過。哪怕是在用戶最熟悉的場景，也很難確保一個句子的表達里包含了所有必須的檢索條件。而且，用戶還會不停的補充更多的個性化需求。

對于用戶自己比較了解的場景，如：訂機票需要提供到達地，用戶提出的大多數(shù)需求，在最初都是非常簡單，然后逐漸開始細化的。所以需要當用戶提出不完整需求的時候，根據(jù)其意圖，結(jié)合之前已經(jīng)給過的條件，通過對話，向用戶提出問題，再獲得答案來補全剩下還需要的條件，最后再完成服務(wù)。

對于用戶自己不熟悉的場景，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得以合適的方式來提問，引導用戶給出偏好，并且用對話提出推薦。

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

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

2、理解口語中的邏輯 (logic understanding)

在我們的實踐中，我們發(fā)現(xiàn)對”邏輯“的理解直觀重要。原因也是因為用戶的正常對話，大部分都不是開發(fā)者預設(shè)那樣的。

再做一個簡單的測試，比如找餐廳，試試：幫我推薦一個附近的餐廳，不要日本菜。

這是一個簡單邏輯，但是你看所有的服務(wù)，這次包括剛剛那個國內(nèi)創(chuàng)業(yè)公司C一樣，都會是一個結(jié)果：全部推薦日本菜。

也讓朋友測試了亞馬遜echo的alexa，結(jié)果也無法識別”不要“這個最簡單的邏輯

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

觀察大量的用戶案例表明，當用戶越是個性化需求強烈的時候，對話中出現(xiàn)邏輯和指代關(guān)系的頻次越高。

“有沒有更便宜的？”

“除了大床房以外的房間有么？”

“后天會比今天更冷么？”

“就要剛剛的那個2千多的吧。”

“除了廉價航空，其他的航班都可以。”

以上這些需求是提需求的時候，在對話中經(jīng)常出現(xiàn)的表達方式，而且看似簡單，但是目前沒有任何一個NLU的系統(tǒng)或產(chǎn)品能夠正確的理解。主要的阻礙就是對邏輯的理解，還有在基于上下文對話中的指代關(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)如果有一個黑科技出現(xiàn)，使得NLP有了極大的進步，以至于兩個條件：1）基于上下文場景的對話；2）口語邏輯，都能被理解了，甚至還能基于場景和上下文用NLG來生成各類問題——它能理解我們所有講出來的需求。

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

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

Agent：“菜系有偏好么？”

用戶：“意大利餐和法餐都可以，對了不要離外灘太遠了”

agent解析出以下選擇餐廳的條件：

周日晚（營業(yè)）

適合女朋友過生日

有江景

有大落地窗

不要太貴

環(huán)境好

有現(xiàn)場音樂，爵士

不能太吵

意大利餐或者法餐

距離外灘不能太遠

然后它去哪里找到這樣的餐廳呢？在地圖服務(wù)提供商，或者點評的API提供的信息里只有8，9，兩項能找到數(shù)據(jù)。假設(shè)評論中有這樣的數(shù)據(jù)，該用什么方式來傳遞呢？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)，最多以標簽的方式來做，但是這樣的話，標簽就會有無止境的多也不現(xiàn)實。

這就是我們所謂的“API困境”——當前基于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)。

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

在用戶不熟悉的場景下，agent面對稍微專業(yè)一點的服務(wù)，就會遇到知識圖譜的問題。簡單來講，agent要做推薦的前提是對推薦的內(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題（很可能提不出要求），而得依賴“懂行”的自己對威士忌的理解的方方面面來引導用戶做合適他的選擇。一個助理顯然無法擁有所有服務(wù)所需的知識圖譜。

從知識圖譜的結(jié)構(gòu)來看，是相對可被結(jié)構(gòu)化。一個服務(wù)可以以各種方式被拆解成很多個方面，但大量的方面在當前是沒有結(jié)構(gòu)化數(shù)據(jù)的（比如我們沒有每家餐廳的”營業(yè)面積“的數(shù)據(jù)）；甚至很多方面無法用結(jié)構(gòu)化數(shù)據(jù)來表達（比如每家餐廳有否”適合浪漫約會“的環(huán)境）。

因此，智能助理就算有了強大的NLP，還需要全面的知識圖譜（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，在目前是無解的。

總結(jié)

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

創(chuàng)業(yè)團隊各自最基礎(chǔ)的認知計算的能力不會有太大的區(qū)別，都是踩在世界頂尖大牛的肩膀上——在這個領(lǐng)域創(chuàng)業(yè)團隊想和大公司鋼正面，不是很理性。

創(chuàng)業(yè)團隊在垂直領(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，但面對教育市場的大山而言，這點差異遠不足以make a difference。

在各自領(lǐng)域，開發(fā)者對人工智能相關(guān)技術(shù)的理解和其帶來的交互層面的有效應用，可能會在垂直商業(yè)應用上創(chuàng)造更大的差異——比較起”95% VS 98%的識別率“ 而言。

來源：雷鋒網(wǎng)