此书回顾人工智能的发展历史，分析了下面几种关系：

西方和中国

AlphaGo的胜利不仅代表着机器战胜人类，也展示了西方科技公司睥睨全球的科技力量。

中国直接跳过美国发达的传统商业时代，高速发展40年的中国市场和中国消费者接受新产品和新模式的速度超过世界上所有其他国家。

当中国的投资人、创业者及政府官员聚焦某个产业时，他们能集结撼动世界的力量。

机遇与挑战

在21世纪，要建设人工智能超级大国，需要具备四个条件，

• 大量的数据
• 执着的企业家
• 优秀的人工智能科学家与工程师
• 有利的政策环境

数据

移动支付

移动支付生成的数据之多，能描绘出有史以来最丰富的消费者活动图，远超传统的信用卡消费。

IoT

传统工厂已经部署了大量传感器来收集数据，遍布大街小巷的共享单车，智能摄像头，智能井盖等产品的应用正逐步在数字世界重建物理世界。

科学家与工程师

谷歌开创了让一流的科学家写来代码，变身成为一流的工程师的人才培育路线。

费米和曼哈顿计划代表了在专业知识领域，质量高于数量的年代。为了实现基础学科的突破，一个费米比一千个普通的物理学家都重要。

但并非每次科技革命都是这种模式。通常，基础领域的突破出现后，发展的重心会很快从顶尖的科学家转移到普通的工程师。这些工程师有足够的专业能力将这种新技术应用于解决不同的问题。例如，爱迪生让电能变得更廉价后，数以千计的电气或电子工程师开始想办法利用电能，用电驱动各种新设备，重组工业生产过程。

人工智能知识的开放与交流。人工智能研究人员对自己的算法、数据和成果一向采取开放的态度。各国的研究团队一起参加比赛，并相互切磋。其它的工程师能实时的接触到前沿先驱们的研究成果。

企业家

美国的创业者和中国的创业者

美国知识产权的保护，使得模仿和借鉴别人的作品是耻辱的。因此，硅谷的创业小公司有良好的竞争环境，致力于原创思考与创新。

中国的创业者没有这样的待遇，如果成功打造出一款产品，不是胜利的宣告，而是向其它的竞争者宣战。在中国的创业公司身边是凶猛的竞争者，虎视眈眈地准备对现有的产品逆向分析。它们必须用规模、资金及劳动力的效率来跟竞争者拉开差距，疯狂烧钱，依靠大量廉价劳动力来运作它们的产品，使他们的商业模式难以复制。中国缺失知识产权的保护，点子会被剽窃，核心员工被挖走，融资烧钱的比拼，小公司竞争激烈且残酷。在中国，创业者是一批敏捷、能干且吃苦耐劳的创业者。

中国的创业者践行着精益创业的核心理念：创始人不知道市场需要怎样的产品，只有市场才知道。因此，创业公司不应该花大量时间，投入大笔金钱，默默地开发自己眼中完美的产品，而是应该快速推出最小可行产品，以此测试市场对该产品不同功能的需求。根据用户需求开发产品，根据用户反馈迭代产品，丢弃用户不用的功能，加上他们可能需要的新功能，继续在市场上试水。

在中国，精益创业的公司必须察觉消费者行为的微妙改变，坚持不懈地调整产品以迎合用户需求，它们必须放弃已经无利可图的产品或业务，以利润为导向改变或重新部署策略。

商业模式

轻量 going light, 理念在于分享信息，消除知识鸿沟，用数字方式连接大众。硅谷的创业公司只建立网上平台，但会选择让实体企业处理现实世界里的工作。它们希望用智慧战胜对手，用优雅的代码解决信息问题。同时，也不愿意通过补贴用户来“收买用户”。

中国的公司则倾向于重磅。他们建平台，招揽每一个卖方，处理货物，运营配送团队，控制支付流程。甚至会补贴整个流程，快速获取更多的用户，通过价格战来打败对手。以此建立规模经济，改变数字经济的同时，也改变实体经济。在中国，互联网更深入地渗透了大众的经济生活，并影响着消费趋势及就业市场。

中国政府

中国政府不同于美国政府，对经济的干预能力强，他们要加速人工智能的发展，用中国特色来融合硅谷精神。同时，中国政府认为如果在长期利益非常可观时，短期的支出过多包括浪费可能是市场必须的，也可能是正确的。

中国政府这种行为，难免会出现效率不够理想的情况。政府的政策推动也决定了难免会出现浪费的现象：为人工智能公司员工盖的宿舍会空置，创业公司会失败倒闭，会有传统公司套上人工智能的牌子骗补贴，会有人工智能的设备在办公室积灰。但是中国政府愿意冒险，愿意承担追求一个伟大目标的过程中遭受的损失。这个目标就是强力推动经济增长，进行技术升级。这是自上而下的引导和转型。

国务院《新一代人工智能发展规划》。

人工智能革命分为四波浪潮：

• 互联网智能化（Internet AI）
  使用人工智能算法作为推荐引擎，了解、研究、学习互联网用户的喜好，从而推荐针对我们的内容。驱动此类人工智能引擎的是用户的数据，而且是带有标签的数据。

• 商业智能化（Business AI）
  传统公司数十年积累的大量专业数据。商业智能从这些数据中挖掘人类往往会忽视的隐性关系，参考以往的决策与结果，利用贴了标签的数据训练算法，最终使其超越经验最丰富的人类从业者。原因是人类会通常根据强特征（Strong Features）来做预测，而人工智能算法除了会把这些强特征纳入考虑范围内，也不会放过其他弱特征（Weak Features）。这些弱特征数据点可能表面上与特定结果无关，但是把数千万个例子结合后，可以发现一些对预测结果有帮助的重要联系。例如，金融信用会利用用户输入出生日期的速度，手机电池的电量等弱特征来决策。使用复杂的数学关系，把许多强特征与弱特征结合起来的算法，能在许多商业分析工作上胜过技术顶尖的人类。

由于中国企业的信息化的标准化程度不足，所以，企业内部使用特有系统来保存数据，所以难以和现有企业软件整合，数据的整理与结构化非常困难。而美国公司使用第三方标准软件专业服务多，数据储存结构好，整合难度小。

• 感知智能化 （Perception AI）
  线上与线下的界限开始模糊（OMO，Online-Merge-Offline），现实世界与数字世界建立新的连接，并完全整合，所线上世界的便利带进线下世界，同时把线下世界里感知到的内容带到线上世界。

• 自主智能化 （ Autonomous AI）
  自动驾驭的汽车，仓储中心的自动小车，竞赛的局势并不明朗。

人工智能技术

初期，人工智能的领域分为两个阵营：

• 规则式方法（rule-based）, 符号系统（symbolic systems），将相关领域的人类专家智慧写进软件。用一系列写好的逻辑规则编写进软件。所以，简单且明确的问题可以采用。
• 神经网络方法（neural netword），在机器上重建人脑，模仿人类大脑结构。从标记后的数据中学习、识别规律。

杰弗里辛顿2006年找到了有效训练人工神经网络中新增神经元的方法。深度学习是过去 50 年来最大的飞跃。

深度学习

本质上说，深度学习的算法使用了大量来自特定领域的数据，为想到的结果做出最佳决策。其方法是让系统使用这些输入的数据，训练自己识别数据和期望结果之间的关联性。所以，有三个条件要满足：大量相关数据，强大的算法，足够细化的领域以及明确的目标。数据太少，算法无法发现有意义的联系；目标太广，算法缺乏衡量最优解的明确标准。

深度学习的转变：

从发明的年代转变为实干的年代：想要利用这个时期赚钱的公司，需要拥有远见和才干的创业者、工程师和产品经理；研究中遇到的困难大都已经解决，要把深度学习算法思换为持续经营的事业。就像电的发明，以及各种电器的出现是不同的层面的事物。

从专家的年代转变为数据的年代。可以降低到顶尖人才的需求，数据量大可以仅需大量的数据。深度学习只能根据看到的数据进行优化，中国接地气的技术形态为深度学习算法提供了更多的眼睛，让它们看到我们日常的生活。

人工智能和人类的关系

人工智能将会取代人类，完成不属于人类专有的各种重复性工作。对于人类来说，最大的挑战并不是失去工作，而是失去了存在的意义。自工业革命以来，工作不仅是一种谋生手段，更是一种自我认同以及生活的意义的源泉。工作在很大程度上将自我与所处社会联系起来，工作是一种身份，薪水是社会对人社会价值的肯定。如果切断这些联系，真实世界里大规模失业可能引发严重冲击，以及伴随而来的社会动乱。

人工智能是人类学习过程的阐明，人类思考过程的量化，人类行为的解释，以及对智能原理的了解。它是人类了解自身的最后一步。