未來可期，也許正是2020年，即使是在普通的縣區醫院，醫生在AI的輔助下進行更高效更準確的診治將變為可能。當然，一步到位未免太過誇張，但AI 的介入將會大大提高醫生的診治效率是將至的未來。

最後分享一家被AI耽誤的遊戲公司OPENAI的可愛小作品：AI捉迷藏。喜歡的留個贊再走吧

( 『-ω?? )

「我們想要的是飛行汽車，卻只得到了 140 個字的社交媒體。（指 Facebook 和 Twitter）」

Facebook 早期投資人 Peter Thiel 2013 年在耶魯大學演講時說的這句話，可以說代表了整個 2010 年代人們對技術的期盼與失落。

這是信息技術、社交媒體大發展的 10 年，也是技術對實體世界的改變相對停滯的 10 年。直到今天，製造業仍然大多得益於電氣化的技術改進，還沒有完全進入信息化的時代。

這個問題是在問「人工智慧」可以實現什麼，其實我們首先要問的是，到底什麼是「人工智慧」。一方面，「人工智慧」可以指「計算機模擬出的類似人的智能」，比如語音助手、機器人，但另一方面「人工智慧」也可以泛指一套具有智能型的，複雜的信息系統，來幫助人類分析數據、進行決策。

在「摩爾定律」逐漸失效，計算機算力的發展開始放緩的今天，我們很難期待未來 10 年，計算機還能像過去那樣，算力日新月異。整個信息技術領域，更重要的問題開始變成，我們如何利用目前的基礎技術，儘可能實現更多的效用。

最近，阿里發布了 2020 的十大科技趨勢，其實與其說這是 2020 年的十大科技趨勢，不如說是未來 10 年的科技趨勢。這 10 個科技趨勢中，大部分都是在預測科技如何改變產業、商業、工業，比如量子計算、工業互聯網以及機器協作這些領域。

在阿里描繪的圖景裏，計算機將以更多元的形態，出現在更多的場景，擁有更強的感知力、計算力、協作力。

比如人工智慧從感知智能走向認知智能，就是在說感測器的革命。未來的感測器將不只是單一的一個比如溫濕度感測器、動態感測器，它將具有類似人類的認知能力，結合其他信息，將溫濕度的變化確切定義為事件，比如「空調開啟」、「天氣變化」，感知到動態時，也可以結合計算機視覺技術，對物體進行識別，到底是家裡的一個掃地機器人，還是房屋的主人，還是非法闖入的竊賊。

包括模塊化晶元、機器協作、雲技術，就是在講不同設備協作的問題。

傳統的智能家居里，一個溫濕度感測器就只能測到一個房間的溫濕度。但如果這樣一個感測器被聯網，和房屋主人的手機連接。它就可以獲取天氣，和家裡的溫度進行對比，在房屋主人快到家的時候，提前設定家裡的空調設定到一個合適的溫度，讓人剛到家的時候不至於感受到特別大的溫差，之後再逐漸把溫度調節到一個舒適的程度。

同時，這套系統也將徹底改變商業的形態。

我們可以想像一種未來，在這個未來裏，感測器和計算機無處不在，每個人的公開行為，都會變成數據，被上傳到某個數據集散中心，統計成集合，並且成為一種趨勢。比如食品巨頭可以對一種牛奶的配方進行微調，收集用戶反饋，並通過神經網路分析來對配方進行優化。

當紅豆口味的牛奶突然在某個地點暢銷，並且隨著人的遷徙而流行開來，人工智慧系統識別到了這個趨勢，就可以告訴商品生產廠家，研發更多紅豆口味的商品，並且結合地域熱度信息來進行配貨。而在這個過程中，加密演算法又能保護我們每一個人的隱私，保證數據的脫敏。

而這還只是工業信息化未來的冰山一角。

在這個未來裏，人類可以通過量子計算解決複雜的計算、分析問題；工業互聯網，使不同的工業系統更高效、更精確地協作，增加效率。比如可以根據淘寶上的銷售數據，經過深度學習的分析，來指導下一代產品的更新迭代，生產。提前預測不同地區不同季節的銷售情況，合理安排生產，並且通過更多的機器化流水線提高生產、運輸效率。

整個工業體系，從研發、生產、品控，到物流、銷售，都將迎來全面的信息化和協作化，各種需求和解決方案會更深刻地被技術契合起來，軟體和硬體會更加一體化，填補目前的信息技術還未觸及的很多行業死角。

阿里發布的 2020 十大科技趨勢，其實就是在說，要建立這樣一套完整的「新工業」，還有哪些領域的技術需要突破。阿里列舉了包括量子計算、工業互聯網、保護隱私的 AI、機器協作、模塊化晶元、AI 認知、新材料、雲技術這些方向，其實就是要讓整個工業體系，都能被感知、被增強。

而這樣一套工業系統，在完全實現了信息化、智能化之後，其實就是一種「人工智慧」。這種能對數據有更深刻理解的「智能」，將帶領我們進入一個更高效的工業時代。

這是消費互聯網的熱潮已經慢慢退卻，產業互聯網馬上將要抬頭的 10 年。我們或許會看到更多確切的改變，更多曾經不可能發生的事情，即將發生。

這些趨勢匯聚在一起，將重新定義「人工智慧」的概念。

其實2020年的現在，作為企業級java系統的人來說，有事沒事，我和其他架構師每天從早到晚談到最多的問題，就是怎麼可以讓更多的計算機/伺服器可以同時協作完成一個任務。

大家都知道，我是阿里雲的支持者。而阿里系，可以算是國內國際雲計算中間的頂流。最近達摩院2020十大趨勢中提到的機器大規模協作，本質上就是分散式的問題，讓計算機協作來完成一個任務。問題的出現，隨著需求的增加，很多任務是單獨一臺計算機根本沒有辦法在可以接受的時間來解決的，就比如比特幣挖礦，現在挖礦難度靠家用的電腦可能要花上幾十年才能挖到一個，但是如果你有很多臺計算機，時間都能夠大大減少到可以接受的範圍內。大規模協同計算前景如此之好，但是很多情況下無法實現的原因就在於就和人一樣，大家一起辦一件事的時候，本來簡單的事會變得複雜化——也就是三個和尚沒水喝的道理。雖然說很多人平分了一個人的任務，在完成任務的時間方面可以有效減少，但是因為這點而引入的額外的溝通成本，是不可忽略的，尤其是隨著參與任務的人數增加，必然會導致溝通成本的大幅增加。同樣的，在分散式計算裏也出現了類似的問題——當通信開銷遠大於任務的開銷，還不如一個人完成——這就叫做分散式計算失效。現在很多應用場景面對的就是這個問題，並且很難解決。

隨著科學技術發展和城市化進程加快，人類的生活需求日益多元化精細化，交通、物流、倉儲等地域跨度大、協作要求高的行業也需要智能化提供產業優化和精準滿足的驅動力。5G通信技術的商用為遠距離大規模智能協同組建了信息傳輸的「大動脈」，物聯網協同感知等技術的發展，則為人們提供了能夠獲取海量有效數據的「千里眼」。通過這些，人們可以分析共享海量數據，進行實時感知決策，進行遠程或者大規模協作工作。如達摩院所預測的，機器間大規模協作成為可能，並將成為未來大勢所趨。

多智能體協同是綜合的技術學科，涉及大數據處理、多模式感知、無人協同決策等研究課題。這些課題，每一個都是未來頗具潛力的研究領域。而阿里在每個領域都邁出了堅實的腳步。AI技術和大數據技術融合，構成了杭州主城區的「城市大腦」，通過各類數據感知交通態勢進而動態實時調整信號燈的配時，有效緩解了杭州的擁堵；無人車通過感知基站動態精確感知全局路況，首創的車路協同技術方案，大大提升了無人駕駛的安全性；智能倉庫配備自動化流水線、AGV 機器人、機械臂等倉儲機器人，通過人機交互協作，極大降低了揀貨員的勞動強度，提升了三倍的工作效率；將羣體無人機應用於無人智慧物流，協同高效的打通最後一公里配送，降低了人工成本，提升了配送快捷性。如今，多智能體協同帶來的羣體智能進一步放大了智能系統的價值，帶來了「1+1&>2」的良性放大效果，與智能技術和系統的發展形成了良性互動。

阿里雲計算的技術進一步降低了多智能體協同的軟硬體成本，有效提升了智能程度和自我學習能力，拓展了多智能體協同的應用領域和範圍。通過雲技術，分佈在世界各地的智能體開展合作或競爭，共享信息資源，完成更大、更複雜的任務成為可能。展望未來，機器間大規模協作成為可能，並終將成為未來智能發展的重要方向，將引領著人類走向更為前景廣闊的新時代。

對於人工智慧，如果我們摒棄現在非常多的無良媒體，尤其是科學素養極低的自媒體等二手三手渠道，認真地以行內的眼光來看待的話，在2020年的確可能是會開始迎來一場新的工業革命。

目前來說，在正經的人工智慧範疇內，主要是兩個部分，一個是理論研究領域，一個是實現領域，在理論研究領域，基於各大主力互聯網公司和頂級高校，比如谷歌研究院，微軟研究院，FB的人工智慧實驗室，以及國內的互聯網領軍者阿里達摩院，都匯聚了非常強大的研究力量。

從最近達摩院公佈的十大科技趨勢，我們可以驚喜地看到，在研究佈局和研究方向的選定上，中國本土頂尖的科技企業，和世界頂尖的科技企業之間，並不存在差距，可以說是齊頭並進了。我非常建議無論是行內還是行外的人士，都可以去看看，擴充下自己的知識面也是好的。

在我看來，有三個領域，過去因為各種各樣的原因，主要是技術力量的限制和成本的限制，在2020年開始的近未來，能夠藉助人工智慧的東風，得到較快程度的發展。

1、大規模社會性實驗

2、新影視模式的發展

3、計算機編程生產力提高

可能有的人讀到這裡會有疑惑，這三個點，應該稱不上不可能。不錯，就性質來說，這三個點的「不可能性」遠遠比不上類似於可控核聚變的「幾乎不可能」，但是，就如同獨木舟也能渡河，卻遠遠達不到萬噸輪的效率一樣，目前這三個點的瓶頸，將會被人工智慧這個超強算力打破，從而爆發出嶄新的生機。

1. 大規模社會性試驗

事實上，人類在對於社會性的研究上，一直處於一種「基本靠蒙」的程度。相當多的社會性試驗研究，受限於試驗條件，得到的結果穩定性非常差。原因在於，同科學性試驗不同，社會性試驗，這種研究人的試驗，對於樣本的質量和數量依賴非常大。在物理試驗，化學試驗上，兩瓶同樣的鈉，兩塊同樣的鐵，是可以互換而不影響試驗結果的，但是在社會性試驗上，就算是兩個同年級，同性別，同班，乃至於同時出生的小嬰兒，都是不同的，有著細微的差別。這就導致了研究社會性，人類心理性的實驗，非常難做。那麼解決這個問題的唯一途徑，就是增加樣本數量。學過科學統計的人可以很快明白，增加了樣本數量，可以在一定程度上抵消樣本的個體差異。而由於將人作為個體研究，成本和獲取實驗結果的難度就會大大增加。尤其是現在的社會學實驗，在客觀性報告中，都要依靠實驗人員的觀察，這又引入了實驗人員之間的不確定性和實驗樣本數量的限制。

而人工智慧，尤其是基於計算機視覺的人工智慧的發展，就能解決這個問題。過去的社會性試驗，由於需要由試驗人員進行觀察，一般都需要把實驗樣本圈定在某個範圍內方便觀察，這樣子，總是會讓實驗樣本「心裡有這個實驗」從而在一定程度上造成影響，這有點像量子物理上的「觀察崩塌」。但是引入了人工智慧計算機視覺以後，就可以在一定的範圍內，減少這個情況，可以更客觀的分析樣本的行為。而且，由於人工智慧計算機視覺的計算力遠遠超過實驗人員，一臺普通的伺服器能夠同時識別追蹤數萬數十萬的樣本，這遠超了任何由人類當做觀察員的實驗，而且這數萬樣本，都可以通過一個嚴格統一的標準來判斷量化，這是過去的人類觀察員根本做不到的。

以這個角度去看，對於人類羣體性社會性行為的研究，將會極大程度地被人工智慧提高。

2. 新影視模式的發展

我們知道，自從1985年法國人在咖啡館地下室播放了第一部電影，影視藝術在不到百年內蓬勃發展，在視覺藝術的基礎上，遊戲，電影，劇集，綜藝，VR，以及現在興起的直播，佔據了人類絕大部分的娛樂模式。而這些娛樂模式，無論表象是什麼，都有一個共同的渠道：由人類製作。

這一點很重要。由人類製作意味著，越是精良的製作，需要的人數越多，週期越長。很多頂級的電影，遊戲的開發週期動輒以年計算，職員表能放三分鐘那麼久。而隨著人類社會整體提高，對於精神娛樂的追求，無論質還是量都將大大提高。這時候，一定會遇到一個生產力不足的問題。或許，人工智慧會帶給我們一些新的轉機。

目前的影視娛樂，大多有一個弱點，互動性不強，而比起「觀看」，人類顯然更喜歡「參與」，這也是為什麼現在大部分遊戲都會提供聯網的部分，也解釋了直播行業擊敗錄播的原因。但是目前的「可參與」娛樂，事實上仍然是原始的。原因在於實時性和精美度之間不可調節的矛盾。在現在初見端倪的直播行業「實時視頻美顏」當中，我們就能看出，人工智慧比人類職員更強的一點，就在於可以實時進行計算和調節。以此推廣而去，在基於人工智慧的AR，VR前提下，或許我們能找到更有趣，更實時娛樂方式。或許能夠天涯若比鄰的來一場舞會，球賽，又或許能讓客機上每一個乘客變成飛行員來度過十幾個小時的長程飛行。乃至於，將來的蠟像館，能夠基於人工智慧技術，將世界上的名人，動態地，活生生地展現在人面前，與你交談。

3. 計算機編程生產力提高

這一點上，可能只有行內纔能有一個直觀的理解。目前來說，計算機編程在進入高級語言以後，主要在於堆工作量。雖然高級語言層出不窮，但是仔細想想，大部分語言的改進和提高，都只是讓人能更容易編程。其終極目的，不過是增加總體參與的個數，所謂的堆人。當任何事情，到達了堆人這個程度，事實上就告訴我們，瓶頸到了。

而計算機編程的生產力，恰恰是在於減人。行業內已經努力了很多年了，無論是運維自動化，還是Devops，乃至於雲計算也有一部分目的是減人，但是，歸根結底，編程活動這個腦力勞動，必須要足夠的腦力來進行，而過去，腦力的唯一提供方，只有人類。

直到基於深度學習的人工智慧出現。這種模仿人類思維的人工智慧，同過去我們研究的基於專家系統的人工智慧完全不同，可以說，是正確的方向。雖然相比人類，人工智慧目前仍然有很多不足，比如能量消耗大，訓練難度高，但是計算機編程，恰恰是最適合訓練人工智慧的行業，在這種前提下，人工智慧輔助編程一定會成為一種更新的方式。程序員對於改進自己的工具這個事情，是有著莫名的熱情的。比如測試用例的覆蓋率，尤其是單元測試這種比較可控的測試用例，很有可能能夠訓練人工智慧去執行，我們知道，測試用例真正100%覆蓋，這是軟體行業一直以來，求之不得的夢想。再比如一定程度的運維調節，目前來說，運維的調節雖然有一定程度的自動化，仍然主要是基於專家系統的，這就需要專家識別出可能出現的情況，並制定，編寫預案。而基於深度學習的人工智慧，可以通過學習過往的實際數據，來進行預測和調節，這就能更實時，準確地幫助運維。乃至於UI的運用，也可以通過人工智慧的監測，實時調整，優化，這些，如果要由程序員來做，投入是幾乎不可計算的。

總結

我們要承認，人工智慧，尤其是基於深度學習的人工智慧，目前來說，雖然已經有了不少非常棒的應用，仍然非常稚嫩，方興未艾。但是，我們可以看到，相比於過去無數的探究，深度學習是目前為止最接近我們對人腦的理解的一種模擬。在這種情況下，我們有理由相信，計算機行業也將迎來第二次革命，從幫助人們進行計算的機器，升格成為幫助人們進行思考的機器，這種世代級別的提高，帶來的結果，一定是巨大的，變革性，顛覆性的。我們非常幸運，能站在現在這個時間點上，能看到這個令人激動的未來。

雲計算對人工智慧的影響與加成，可能是一件2020年會產生巨大疊加效應的一件事。

如今雲計算基本上已經成為了信息社會的「基礎設施」，光去年一年，雲計算的市場規模就達到了962.8億元，雲計算和人工智慧好像天生就是一對，雲計算助力人工智慧應用快速落地。

一開始，以阿里雲為代表的雲服務提供的是基礎資源設施，慢慢的開始嚮應用開發環境和智能雲服務體系轉變，演變成可以充分發揮雲平臺能力的應用和架構，基於多種雲計算體現實現了「雲原生」。它就像是天生為人工智慧而設計的，對於AI的相關建模、訓練推理等方面的應用非常契合：部署快，擴展性高，不同平臺間的移植難度更低。

換言之，雲原生可以幫助互聯網企業輕鬆實現人工智慧技術落地。

以往網頁程序開發需要從後端（伺服器）到前端全部需要企業自行搭建，而現在只需要寫好函數等待被調用，雲原生可以一鍵部署。

更奇妙的是，雲原生以使用量按需付費。作為對比，以往的實體伺服器或者虛擬伺服器，難免會運算能力不足或者過剩，而現在利用雲原生的服務，可以實現自動化無縫對接程序，在訪問流量過多時，能夠及時擴充資源。

這對於雙方都是一件好事，雲服務商避免了閑置算力的浪費，企業也能夠把錢都花到實處。

換言之，在未來，大多數互聯網公司都不再需要自己的伺服器機房，也不需要專門維護人員，徹底不用管資源管理、系統運維方面的工作，只需要注重於應用層面的開發，這纔是完完全全的「輕資產」。

說得更通俗一點，就像一個只需要賣貨、上架不需要進貨、管理庫存的商店一樣，在降低門檻的同時，也極大地節約了運行成本。

當雲原生為人工智慧加持，會給我們帶來什麼呢？

其實大家都會注意到一點，從前的人工智慧技術應用基本上都是獨立的，比方說相機裏的「人臉記錄和識別」，語音助手的「聲紋識別」來判斷是不是你的聲音，這些其實都屬於人工智慧技術。但它們只應用於一個單一的場景。

如果與雲原生相結合，人工智慧會獲得更加系統化的應用：就好比2019年的天貓雙十一，阿里巴巴把核心系統100%地搬運到了雲上，然後出現了一些有趣的變化。

總的來說可以概括成三點，更低的延遲，規模化，更加智能。

2019年的雙十一，大多數人最直觀的感受是，不卡了。但還有一個非常有趣的點，今年雙十一每個小時播報的銷售額，是非常實時的數據，一直到12號0點，一共銷售了2684億元。

他們是如何統計出來的呢？以往這些銷售數據會混在資料庫裏，然後再從資料庫裡面提取出來，而今年的統計數據，是直接從消費數據到流式系統裏，實現了實時、低延遲的效果，今年的數據量級最高值較往年增加了一倍多，但完全沒有任何卡滯的情況出現。

電商平臺每天銷售完以後，要進行結算，分配商家和銀行的錢，以往雙十一銷售額比較大，會比平常算得要慢一些，但今年在雲技術的輔助下，實現了和平常一樣的數據運算速度。

用戶體驗變得「更加智能」究竟時如何體現的呢？在這裡，有一個非常直觀的例子，那就是手機淘寶的「拍立淘」，你有沒有發現，如今「拍立淘」找到同款的速度越來越快，準確度也越來越高了？拍立淘的商品圖庫每天會增加10億張圖片，而如今系統分析這個量級的圖片僅僅只需要5分鐘。將服務整體遷移到雲端以後，即使面對大量複雜的數據，人工智慧藉助於雲原生數據互通、低延時的優勢，依然高效、精確地能幫助我們找到想要的答案。

對於雲服務對人工智慧的加持，我們其實可以保留更多的想像空間，隨著5G/IoT技術所帶來的「萬物智聯「時代，人工智慧會徹底擺脫」人工智障「的標籤，利用雲所帶來的海量數據和充沛算力，AI可以獲得更多場景下的應用，也許那時，我們會迎來一個更輕鬆、更幸福的新時代。