传统的制造业基本上以器械、电器和电力为主，其生产流水线基本上要用很大规模的投资来建立，后续很难调整。比如一家汽车制造厂，要重新建立一条生产流水线，成本很高，花的时间很多。当数据智能、自动化、精准预测对制造业的改造完成之后，后者的面貌将焕然一新。未来的制造业生产流程将是模块式的，全部是数字控制。当一家汽车制造厂要调整生产，制造另外一种样式的汽车，它不再需要重建生产线，而只需要把新产品模块的接口（API）调过来就可以了。这将彻底改变制造业基础，制造业效率也将会极大地提升。
这个改变的核心是数据和知识，即制造的流程、制造的工艺、制造的设计，制造的每一步都会用数字来控制。
再比如制药行业。以前一款新药的诞生要经历长期的研发过程，去发现某种方式对某种病症有效。未来借助人工智能计算技术，将庞大的基因数据与海量的健康信息结合起来分析，人类可以很快发现规律，找到个性化的基因药物。
从国家层面，人工智能给中国带来的不光是整体竞争力的提升，还是一个超越他国的天赐良机。中国是制造业大国，数据量的庞大规模无出其右，也就意味着我们有机会提取比别人多得多的“知识”。你懂的比别人多，看的比别人多，能做到的就比别人多，你就比别人强大。智能时代，在国家竞争、产业竞争中，掌握更多“知识”也就可能使自己立于不败之地。单从制造业来讲，如果中国能把握住这个机会，完成真正的智能化升级，其他国家是没有办法跟我们竞争的。但是智能制造具体怎么去实现，需要整体的战略考量。
<img src="/uploads/allimg/200412/1-2004120Q232594.jpg" />
图2-2 DNA测序猛增[2]
资料来源：nature.com
<h2>
中国的优势与我们的责任</h2>
目前，美国和中国是在人工智能方面发力最大的两个国家。
人们习惯于把百度和谷歌放在一起比较，这也可以看作中美比较的一个缩影。我觉得两家公司有很多类似的地方，因为起源都一样，公司层文化有很多类似的地方，百度在中国的优势跟谷歌在美国的优势也类似。
两家公司也有不同，百度的创新空间和在某些领域的创新速度可能比谷歌更大、更快，这源于中国的国情与美国的国情不一样。
移动互联网在中国的创新程度在很多层面已经超过了美国。
比如，手机百度在信息流方面的创新，用人工智能核心技术可以把信息找人做得非常精致。在移动互联网上做这个事情，百度创新的机会比谷歌在美国要多，因为两国IT工业的格局不一样。还有金融业，百度金融可以依托中国市场和数据的优势，用人工智能技术对金融业做一个革命性的提升。但在美国，金融业相对“壁垒森严”，谷歌要切入金融领域就很难。
再比如，在无人驾驶汽车方面，谷歌、百度都是世界第一梯队，现在谷歌在这个领域稍稍领先于百度，但未来不一定。因为，中国的汽车制造厂家很多，拥有更开放的合作环境，与百度这样的人工智能企业联合起来，创新的机会就非常多，创新的速度也就会更快。反观美国，汽车制造商就集中在底特律那么几家企业，人工智能企业找上门去跟它们合作就很难。
总之，无论是无人驾驶汽车、金融、医疗，还是整体制造业，中美都面临智能升级的节点。但是，中国的宏观环境给百度这样的智能企业的机会和空间要比谷歌在美国获得的更大一点。
那么，在这场波及世界的浪潮中，百度应该承担什么样的责任？
在美国，IT工业体系一般就靠五家公司：苹果、谷歌、脸书、亚马逊、微软。支撑企业不是一家，而是带动了一波企业，扮演的是一个生态系统的领军者的角色。
在人工智能时代的背景下，百度是一家支撑企业，有这样一个机会，因此要争取对中国乃至世界的智能革命做出更大贡献。
具体来讲，战略上我们要以“赋能”来定位。百度首先是中国的，百度大脑要做探路者和奠基者。百度的智能云是提供给所有行业的，对任何行业都将起到促进、赋能、带动的作用。
作为国内人工智能的先行者，百度已经在多个维度上创新开拓，同时逐步形成自身智能生态的雏形。
比如，医疗和教育是人工智能应用潜力非常大的领域，因为其本质都是数据问题，高级教师和老医生一样，能力来自经验（数据）积累，未来我们可以让机器自动分析数据，辅助医生对症下药，辅助教师个性化施教。医疗或者保健能让人的生活更健康，教育能给人更多的知识，因此，人工智能在这两个领域的社会应用价值巨大。
另外，还有无人驾驶领域。无人驾驶也是通过感知、认知、知识获取来实现。目前，无人驾驶汽车真正商用还需要一点时间，但是一旦商用普及成功，对于整个社会的改造会非常大。因为这不光是汽车和交通问题，一旦有了无人驾驶机器，它可以自己行动，自己联网，就会带来很多不同行业的改变。
人工智能的实践范围如此之广，人类很少有这样一个机会，可以彻底改变、改造当下的一切。当然战略落实要一步一步走，方向要坚定，步伐要稳健。
<h2>
企业挑战：如何落地</h2>
在工作态度上，陆奇常说：“Head above cloud，Feet on ground”，就是脑袋要在云端之上，才能看得远，看得清，但是你的脚必须要踩在坚实的大地上，一步一步向前迈进。
做人工智能事业要跨越的第一个障碍就是如何落地。人工智能意味着一个非常大的改变，时间会很长。要落地的话，首先必须找到非常好的、实际的用户体验，就是能给用户带来实际效益；其次，场景必须清楚，智能助手也好，无人驾驶汽车也好，信息找人也好，一定要有实际的用户体验价值；最后，还要找到商业模式，不然就没有可持续性。
所以重要的挑战在于，是否能够找到落地的用户体验和实现用户价值的场景，然后找到适合的商业模式，建立一个创新的循环。即数据—知识—用户体验—新的数据。找到这样一个循环往复的流，人工智能事业就可以像滚雪球一样往前滚。
<img src="/uploads/allimg/200412/1-2004120Q2323C.jpg" />
图2-3 人工智能创新“飞轮”示意图
最重要的是每个公司的CEO（首席执行官）一定要重视人工智能，这是起步。然后必须投入一定的资源，包括雇用真正懂人工智能的人和能帮助做决策的人。公司可能是做零售业的，可能是做制造业的，也可能是做旅游业的，要按照自身业务的情况制定有效的智能化战略，然后坚决执行。要赋予执行者足够的权力，通过有效的战略分解，把智能化落实到具体业务上。
我们不妨以“工作引擎”模式来分解人工智能战略的落实步骤。
首先，要根据人工智能浪潮的推进方向，重新梳理企业的定位，根据企业要在人工智能时代抓住的机会，设置新的发展方向，确定崭新的使命和愿景。
其次，根据企业新的定位制定智能化战略蓝图。这就需要企业领导层对公司在即将到来的人工智能浪潮中的愿景进行定位，对“进入什么”和“退出什么”做出取舍，进行投注。
在制定“进出”决策时要遵循一定的原则。硅谷咨询专家Geoffrey Moore（杰弗里·摩尔）的层次结构框架是评估人工智能浪潮的一个很好的例子，其中的关键是进入高增长的类别，跳出低增长的类别。人工智能浪潮将创造新的、有巨大增长潜力的类别，如无人驾驶汽车、机器人、回声设备、对话系统；同时，人工智能也可能给某些行业带来阻碍，因为新的人工智能驱动产品可以用某些方式取代原来的在位者，如新的人工智能硬件+软件堆栈可以使基于旧的HW堆栈的投资受损。一个好的做法是制定包含新的高增长类别、重新增长类别和逆风类别的完整列表，以便领导层可以做出系统性和原则性的决定。
接下来是对产品的出发点做出区分，如产品是否“拥有价值和无与伦比”。需要强调的是，在人工智能时代，企业能否保持差异化，关键在于是否拥有独特的数据资产（它带来独特的知识）。
下一步是理解不确定性、风险/回报和时间表，以进行投注和管理进程。“地平线模型”是一个良好的框架，可以用于制定决策和组织投资组合。大致做法如下：H1时段（未来18个月）围绕目前的核心业务展开；H2时段（未来18~36个月）投资于创造盈利引擎；H3时段（未来36个月+）致力于具有更大潜力但风险更高的长期投注。人工智能浪潮提供了一个非常丰富的H2时段和H3时段的机会，一些人工智能投资甚至可以帮助提升H1时段。总的来说，人工智能处于非常早期的阶段，有很多未知数和不确定性。要想真正深入理解人工智能，有原则性和务实地做出决定非常重要。
在企业人工智能战略的执行阶段，首先要坚持“结构完整性”原则，即在产品体验、技术架构以及商业模式上要连贯一致。如果你正朝ICS（服务器/客户端架构）方向改变，或者投资于“自治系统”，那么技术决策需要与产品和商业决策同步。
其次是企业要紧跟人工智能浪潮的技术路线图，与当前飞速发展的深度学习技术同步是必不可少的。
对于人工智能行业的领军企业而言，就需要可以改变世界的愿景、世界级的技术远见、强大的科研团队和研究议程，这些需要与我们的企业愿景智能技术的呈现和产品开发相一致。DeepMind、谷歌、百度以及一些积极进取的先驱企业都表现出这个共同模式。
在这个阶段，更新研究机制也是必不可少的步骤。因为，传统上，IT行业以及学术界并不擅长将研究成果商业化。最近的OtherLab或OpenAI以及其他一些人工智能的初创企业正在积极招聘研究团队，这是一个新的趋势。有许多工作需要各类组织（大学、早期生态系统、大型企业、培训和研发机构）协同制定出结构化的和可持续的解决方案。
投资力度是企业亟须考量的重要因素。随着智能革命的不断深入，人才争夺战不断升级，导致发展人工智能的成本不断提高。一些初创企业能够筹集大量资金，是因为长期的投资回报是非常巨大的（高风险/高回报）。制定投资规划的关键在于排列资源的优先次序以及一个能够反映人工智能风险的深思熟虑的决策过程。
所有客观条件逐渐汇聚之后，人就成为决定性因素，其中领导才能是一个深远且难得的要素。鉴于人工智能浪潮基于与以往完全不同的核心技术（以神经计算为核心），它需要高层管理团队的高级管理能力。同时，人工智能驱动的新兴行业是如此多样化和跨学科（从基因学到机器人，凡是你可以想到的），因此企业需要一个具备创新精神的人（虽然这并不容易，因为今天的社会生活在很多领域都是非常专业化的）。微软研究院首席研究员Bill Buxton（比尔·巴克斯顿）提供了解决方案，即为高级管理层建立一个充满创新精神的团队。
值得指出的是，人工智能创新飞轮的核心是数据—知识—用户体验—新的数据的反馈循环。对这个反馈循环的容量和速度进行优化是规划中非常重要的一环。
最后要强调的是，居于战略核心的是基于当前的现状和推断积极设定目标，以及展开可以实现目标的行动。
<h2>
需要什么样的宏观环境</h2>
企业与科研机构的工作离不开良好的宏观环境，正如中国大脑计划是对国家整体层面智能基础设施的呼唤。迎接人工智能时代的到来，也需要政府通过宏观规划创造适宜的土壤。
第一，要确保数据的获取途径畅通。数据越来越成为很多组织的战略资产，可被视为一种新型的“自然资源”。特别是对政府而言，可以通过政策的制定获取数据并公开，以此激励更多的创新。
第二，要有开源的工具和平台。人工智能浪潮需要一个新的硅+软件堆栈，在早期，这类似PaddlePaddle这样的开源工具和平台，其能被开发者和创新者使用是非常重要的。展望未来，我们需要不断降低参与的障碍，并系统使用更多的工具和更多的模块。就像AWS（亚马逊云服务）使计算更容易一样，一些AI-as-a-service（人工智能服务）也可以让人工智能技术更容易被获取。
第三，创新者可以迅速将产品的市场条件和政策体系培育给用户，这也是非常重要的，因为创新的飞轮需要“数据—知识—用户体验—新的数据”的快速反馈循环。
第四，鼓励持续的应用性研究。在人工智能浪潮初起阶段，持续的应用研究特别是开发可以从数据中获取知识，创造智能体验的ML（机器学习）算法是这个变革飞轮的核心。在这个阶段，所有人工智能企业努力的重要组成部分就是拥有持续的应用研究。
第五，上述几点势必会引出人才的问题，教育和培训出更多可以设计、实现机器学习算法并成为数据科学家的人才是一个关键因素。
最后，通过新的结构化方法，把公共世界的信息和知识变成有组织的素材，并可获取，这对于许多企业的人工智能创新至关重要。
<h2>
智能社会的文化和长期管理</h2>
这一波人工智能浪潮需要几十年才能充分发挥作用。雄心壮志和改变世界的投注需要足够长期的投资。所以，有目的的长期管理在人工智能浪潮中扮演了一个重要角色。这将是一种遍及全社会的商业和管理文化的变革。
具体而言，这需要执政者建立并获取一个更大的“许可信封”，使管理团队有较长的时间跨度来培育大赌注（通常是从0到1的赌注类型），这也日益成为高层领导任期职权的一个重要组成部分。马斯克就说过：“如果创新失败，不应该受到惩罚。”
对那些受人工智能浪潮影响而需要进入新格局的公司，整个组织的更新和改造非常关键，而高层领导团队需要面对和管理这种变革。
与长期管理相关的一个因素是创造新的组织结构，使其成熟，以便容易适应人工智能带来的改变。Alphabet（谷歌重组后的“伞形公司”的名字）便是其中一个最早的尝试。在这方面，中国企业的管理创新做得比美国更多。
另外，文化是一个组织的持久力量，它是可以超越几代的领导力和商业活动。对于许多成熟的企业（如谷歌、百度），进入人工智能浪潮代表着一个重大的挑战——需要获取新的人才、新的技术专利以及创造与之相应的新文化。保持积极主动，有耐心，并且执着是极为重要的，因为文化转型是一个成熟企业最具挑战性的工作之一。另外，需要一提的是，相比学习人工智能的新方法，更困难的在于忘却旧模式下的工作方法。
由于我们正处于人工智能浪潮发展的初级阶段，招聘并维护人工智能领域的专家对管理者来说是非常重要的。
总体上，有目的地进行长期管理是抓住任何重要机会而不仅仅是人工智能浪潮的关键。如何调整结构来吸引更多的资金和人才以及放置更多的改变游戏格局的赌注，对企业领袖而言都是一个有趣且极具挑战性的工作。面对更深刻、更有趣、更具挑战性的问题本身就是人类进步的标志。
<h2>
人工智能技术目前的发展状态</h2>
人工智能、深度学习方面每天都有新研究、新文章出来。今天有点像文艺复兴时代，所有的科学都在变。因为科学的真谛就是观察世界、总结知识。我们现在观察世界的能力越来越强，一旦选好观察角度，把深度学习的算法用上去，很快崭新的知识就出来了。
现在不光是物理学、生物学、材料学……每一个科学领域都在拼命往前走，走的速度很快。所以总体来讲，人类是处在一个突飞猛进的状态。让我们再次把头脑放到云端，以量子计算作为本章的结尾。
我们注意到人工智能和神经计算框架之间非常有趣的联系，这两个框架都采用分布式表示超大向量，其基本运算都是线性代数而不是布尔代数。它告诉我们人类的大脑和物理性质的计算方式相似。甚至有科学家提出，人类的大脑运作原理与量子物理、量子计算理论、量子计算算法类似。
关于量子计算和人工智能的结合，我们看到微软、谷歌建立了量子人工智能实验室，国内也有这方面的项目。量子计算不是一个该不该有的问题，而是一个什么时候有的问题，它一定会发生。至于什么时候发生大家有不同的想法，可能是5年，甚至是5年之内就会出现早期的量子机器。
为什么量子计算这么重要？因为量子计算跟人工智能有本质上的关系。量子计算的核心就是利用量子的叠加状态。量子有一个能力状态的变化，就是加一定的能量以后会改变状态。不同于现在的计算机数位，0或者1，一个时间只有一个状态。量子的叠加态特性可以在同一时间有四个状态，计算能力呈指数上升。
好处就是通过量子计算可以解决很多数据问题。以前的办法就是数字分解。比如数据加密和解密，统统要用素数分解。素数分解是非常难的，给你一个很大的数字，用一般的算法，算到地球毁灭可能也算不出来，但是用量子算法以后，可以很快算出来。未来用量子算法做机器学习是很自然的。
与此相关，硬件也一定要革新。因为现在的硬件都是以布尔代数为主，而深度学习的核心计算是不同的，是矩阵和张量的计算，不是0和1的计算，而且一定要进行微分运算。量子计算也是一模一样的，每个量子改变能级的时候，就是一个矩阵和张量的计算关系。大自然其实就是这样计算的，人脑也是一样。Matthew Fisher（马修·菲舍尔）、潘建伟、朱清时等科学家都认为，意识的本质就是量子纠缠。
2007年Nature（《自然》）杂志发表了加州大学伯克利分校Graham Fleming（格雷厄姆·弗莱明）领导的实验室的成果，他们利用飞秒激光技术，在极短的时间内向光合作用复合物上照射激光，结果发现了复合物上仿佛鼓点般的光回波，这意味着光子的能量不是通过单一路径传入反应中心的，而是利用量子相干性同时从所有可能的路径进行传递，从而证明了量子效应在叶绿素光合作用中起到不可替代的作用。这鼓点般的量子回波，正是大自然与人类智慧之光的映射。量子效应在生物体上的发现极大地鼓舞了人类对量子计算和人机结合的新探索。
虽然量子计算机还没有实现，但很多人已经在思考，假定有了量子计算机该如何来做机器学习？这个领域已经有了很多前沿文章和研究成果出来。假定10年之后量子计算机出来了，它会对人工智能行业带来一个根本性的改变，因为量子计算跟人工智能、深度学习的核心计算是彻底吻合的。我们现在实际上是走了一条弯路：任何算法都要把它变成是布尔代数，用0、1来模拟一个微分方程。
<img src="/uploads/allimg/200412/1-2004120Q232612.jpg" />
图2-4 经典计算机和量子计算机
资料来源：http://www.zwzyzx.com/show-336-227290-1.html
量子计算和DNA（脱氧核糖核酸）计算的规模和能量将远远超出今天的基于硅的计算能力。随着工程技术的进步，我们将迎来全新的计算体验（如量子化学和量子材料）。
其应用也无比广泛。首先落地的可能就在最古老的农业，参考上面光合作用的例子，就会知道植物也在计算。以后农作物都可能用计算机来计算和设计。所以量子计算对于整个社会可能是一波超级改变，很可能就此引领人类文明的长河走向彻底数字化。
总之，量子计算不是玄学，而正是“知道更多，做到更多，体验更多”这个人类进步规律的未来。在这方面，无论多大的想象力都不够。我们要敢于想象，同时坚持立足大地。30年前，陆奇在毕业纪念册上写下了“这颗电脑科学皇冠上的明珠非君莫属”，我们这一代人做不到，下一代人继续努力，这是“大写的人类”不变的梦想。
[1] 陈景润因证明哥德巴赫猜想“1+2”定理而享誉世界。徐迟的报告文学《哥德巴赫猜想》以陈景润为主人公，发表于1978年1月的《人民文学》第1期，在当时家喻户晓。
[2] 英国2014年启动了“10万人基因组计划”，美国和中国则宣布要完成多达100万人的基因组数据收集工作。世界知名的基因测序公司Illumina仪器测序所得的数据，每12个月就能翻一番。这是一个巨大的“数据黑洞”，也是一个亟待发掘的数据金矿。