1、趋势2：人工智能的认知能力可能会媲美人类专家顾问。 高德纳公司曾指出，新兴技术“认知专家顾问”将在25年内成为主流。过去几年，人工智能技术的快速发展主要得益于更强大的人工神 经网络、更便宜的芯片和大数据这三个要素的融合，其中作为机器学 习基础的神经元网络是对人脑的仿真，其学习能力的不断提升将使人 工智能更接近人类专家顾问的水平。今后，它可能会取代人类专家顾 问的地位。当然，这个过程需要不断地获取和积累大数据。在美国，不仅那些新兴的科技公司，就连传统金融机构也开始关 注人工智能给各行各业带来的巨大变化，并做出了相应布局。比如， 高盛（Goldman Sachs）收购在线退休储蓄平台Honest
2、Dollar，苏格 兰皇家银行上百名传统理财师的工作被智能投顾替代等。趋势3：人工智能更倾向实用主义。 人工智能与不同行业的结合有着深远的影响，由此可以看出，其实用化趋势越来越明显，这使人工智能逐渐成为同生活用品一样可以购买的商品。比如，在物流领域，京东开始使用机器人进行配送；在 汽车领域，人们开始研发无人驾驶汽车；在环境领域，人们利用人工 智能监测天气变化等。所有的这一切都意味着未来人工智能将倾向实 用主义，这将给我们的生活带来诸多积极变化。趋势4：人工智能将给劳动密集型行业带来变革。 在科学技术领域中，包括比尔盖茨（Bill Gates）、埃隆马斯克（Elon Musk）、史蒂芬霍金（St
3、ephen Hawking）在内的许多知名人士都曾对人工智能的发展提出警告。虽然距离人工智能对人类产生真正的威胁可能还有很长一段时间，但可以肯定的是，人工智能 正冲击着各行各业，尤其是劳动密集型行业，这些行业也许会迎来由 人工智能发展带来的新一轮洗牌，大批从业者也许会因此失业。事 实 上 ， 全 球 已 有 机 器 人 取 代 普 通 劳 动 者 的 案 例 发 生 。 Knightscope是一家位于硅谷的机器人保安公司。无论是高楼大厦，还 是停车场等公共场所，都需要保安进行维护，而可以自动巡逻、能够 识别人脸和车牌、每小时租金约为7美元的机器人保安正好可以大显身 手。Knightscope
4、已与包括中国在内的16个国家签署了合同，这意味着 机器人保安抢走了原本属于人类保安的工作和薪资。未来几年，人工智能造成的大规模失业将成为劳动密集型行业变 革的主导因素。例如，在机械制造业，价值创造主要依靠劳动力，而 当技术成本低于劳动力成本时，劳动力被淘汰是一种必然趋势，机械 制造企业的商业模式也将发生改变。一看到人工智能这个字眼，我们总会情不自禁地把它和变形金 刚（Transformers）、我，机器人（I，Robot）等电影联系在 一起，然而，虚构的电影情节中有很多当前技术根本无法实现的应 用，因此，我们对人工智能总是缺少一种真切的认知。如今，人工智 能正逐渐深入我们的生活。展望未来，人工
5、智能的发展会为我们人类 带来一场真正意义上的变革。人工智能的应用打击金融犯罪金融犯罪现状长期以来，银行等机构一直都在不遗余力地打击洗钱等金融犯 罪，然而金融犯罪案件数量仍日益增加。金融系统中沉积了大量的数 据和信息，银行和保险公司收集的数据量大约每两年增加一倍。随着数据量的不断增加，数据类型和来源也越来越复杂。由于传统工具无法大规模访问这些数据，仅靠人力来处理这些不断增加的数据变得越 来越困难。据联合国统计，全球每年洗钱金额约为全球国内生产总值 的2%5%。此外，仅在2016年，就有近1 540万消费者的身份信息被非 法挪用或盗窃，造成约160亿美元的损失。人工智能的兴起为打击金融 犯罪提供了
6、一种新的思路。目前对抗欺诈行为的方法由于自身所具备的特性，规则引擎和信誉列表现在常被用来打击 欺诈行为。与专家系统相似，规则引擎和信誉列表自20世纪70年代首 次进入人工智能领域后，一直发展至今。专家系统中的程序易于启动 和运行，且具备类人的理解能力，但自身也存在灵活性比较低、人力 成本高昂等限制。规则引擎是指用来检测存在欺诈的账户和行为的逻辑语句。举例 来说，可以对一项交易制定这样一个规则：如果一个账户一次性转账 或消费的金额超过两万元，地点位于新加坡，登录时间小于12小时， 就阻止该项交易。同样，信誉列表也是基于已知的不良行为来检测 的。在信誉列表中有诸如IP地址、设备类型等的特征以及这些
7、特征值 对应的信誉评分，如果黑名单中记录的IP地址出现在账户中，系统就 会自动拦截它。在检测及防止欺诈行为方面，规则引擎和信誉列表都是比较好的 方法。但现在网上注册账户过程的简化给一些不法分子提供了“钻空 子”的机会。这些不法分子可以在短时间内创建成百上千个账户，然 后使用这些账户来学习规则引擎和信誉列表，从而逃避信誉列表的检 测。机器学习是人工智能领域的一个分支。研究人员希望机器能够主动从数据中获取信息，而无须手动编程（与专家系统不同）。机器学 习从20世纪90年代开始取得重大进展，并在21世纪有效地被用于打击 欺诈行为。有监督机器学习不再仅仅通过简单的规则来查看所有账户特征， 而是参考所有
8、其他的数据特征和欺诈行为的发生情况，不断修正规 则，进而打击欺诈行为。这种方法也存在不足之处：有监督机器学习模型必须使用历史数 据检测欺诈行为，然而历史数据有其自身的局限性对新兴的特征 无法预测。但无可否认的是，该模型可以扫描鉴别所有与账户相关的 特征，进而做出决策。不同于有监督机器学习，无监督机器学习仅适用于个别领域。针 对欺诈行为的无监督方法需要同时处理数亿个事件，目前来说这仍是 一项挑战，有待未来继续深入探索。不过让人高兴的是，已有公司在 这方面取得了重大进展。无监督机器学习可以解析欺诈性攻击模式，因此可以被用于反欺 诈检测。普通用户不会遵循一定的规律行动，但是欺诈者恰恰相反， 他们通常
9、会采用固定的攻击行为模式（无论他们是否意识到这点）。 他们以一定的组织规模快速工作：从成千上万个账户中分别骗取少量 金额，而不是从一个账户中骗取数十万美元。他们以为这种欺骗行为 不会引人注目，但是他们采取大规模活动时难免会遵循常规的模式， 而无监督机器学习可以监测到这些有规律且具备规模的攻击，进而打 击这些欺诈行为。无监督机器学习有天然的优势，不同于有监督机器学习，无监督 机器学习不需要大量历史数据进行训练，并且可以在损失发生前发现新模式的攻击。这不仅避免了账户的损失，也提高了打击欺诈行为的效率和准确性。2017 年 10 月， 英特尔（ Intel） 推出Saffron AML（ Anti-
10、Money Laundering）Advisor，通过使用高透明度的关联记忆人工智能解决方 案来检测金融犯罪，从而提高调查与分析人员的判断和决策能力。 Saffron AML Advisor最大的特点就是它可以模仿人类大脑的学习方 式。它可以通过连接各种数据来源的信息，发现异常值和相似性，而 这对于人类调查员来说是非常困难的。通过无监督的学习方法，Saffron AML Advisor利用关联内存，处 理来自电子邮件、互联网等多个来源的结构化和非结构化数据，以发 现洗钱迹象。在这个过程中，它是完全透明的，并能提供关于连接和 建议的合理解释，确保使用该软件的金融服务机构符合监管标准。那么它是怎样
11、对付金融犯罪的呢？知识索引将结构化和非结 构化数据统一到单个实体级别的360度视图中，以便了解数据存储的边 界模式；持续学习与传统机器学习方法不同，它无须特定于某个 领域的模型，也无须培训和再培训，从而节省了洞察时间；合规验证银行须遵守各种规定来收集所需的数据，但由于人为错误或错过 期限，往往不得不支付数十亿元的违规罚款，该产品可帮助银行实现 合规，减少罚款并减少修改报告的时间。科技巨头“军备竞赛”如今我们可以看到，人工智能频繁出现在各大媒体或杂志的头条 新闻中。人们开始思考人工智能与人类之间是否会存在竞争这样的问 题。从目前来看，人类与人工智能之间并未达到竞争的程度，但是竞 争已经出现在世界
12、科技巨头之间。全球的科技公司正狂热地投资人工智能，为了在未来的商业竞争中占据更大的竞争优势、掌握更多的话语权，展开了一场火热的人工智能“军备竞赛”。微软、谷歌、IBM等 国外科技巨头已经在人工智能领域拥有绝对优势，国内BAT（XX、阿 里巴巴、腾讯）也逐渐把重心转移到了人工智能领域。随着人工智能技术的发展，全球人工智能市场的规模将显著增 长。据万德数据（Wind）粗略统计，目前国内已有30余家上市公司布 局了包括软件算法核心系统、图像语音识别技术、计算机视觉及传感 器等领域在内的人工智能产业链。微软微软在2016年开始重组拥有近5 000名计算机科学家和工程师的研 究团队。据统计，微软每年在研
13、发领域上投入的资金有近百亿美元， 其中很大的比例都集中在人工智能领域。近期，微软又计划将人工智 能技术融入Windows、Office和Azure云这三大主力产品中。谷歌早在2011年，谷歌就成立了人工智能部门，目前包括谷歌搜索、 Google Now、Gmail等在内的近百个团队在使用人工智能技术，其开源 安卓手机系统也开始大量注入人工智能功能。可模仿人类大脑工作方式的TensorFlow已在许多领域开始使用， 如语音识别、照片识别等，而谷歌智能助手更是语音识别、自然语音 理解等方面的高手。最近，谷歌与NASA（美国国家航空航天局）联手 开发量子硬件并发布了张量处理单元（Tensor Pro
14、cessing Unit，简 写为TPU），正式进军芯片市场。IBMIBM将未来十年的战略核心称为“智慧地球”计划。IBM 2014年就开始关注人工智能并展开了相应部署，每年研发投入资金均超过30亿 美元。IBM曾一度在人工智能领域表现出色，如1997年深蓝计算机击败 国际象棋冠军卡斯帕罗夫、2011年沃森系统在美国智力竞赛节目中战 胜其人类对手。目前，IBM一改之前的运营策略，将沃森功能分解成不同部分，每 个部分都可被租借以解决特定业务问题。沃森系统在替客户提供创新 解决方案的同时，也在不断吸收企业客户的数据，以实现自我训练和 升级。XXXX最先提出“All in AI”，可见其布局人工智能
15、的决心。近年 来，研发实力雄厚的XX在全球设立了3个实验室，雇用了超过2 000 名人工智能研发工程师，汇集了世界顶尖的人工智能精英。凭借先发优势，XX目前已经有多款人工智能产品落地，覆盖范 围广泛且全面。近期主要有两大产品独领风骚：一个是主要被用于语 音、自然语言和图像识别领域的DuerOS；另一个则是自动驾驶开源平 台阿波罗，该平台的推出主要是为了降低自动驾驶的研发门槛，推动 技术普及。此外，XX研发的深度语音识别系统也已经开始部署。阿里巴巴阿里巴巴庞大的电子商务业务量决定了它是世界上使用人工智能 技术的最大公司之一，从旗下全球市场份额第四（3.2%）、中国市场 份额第一（40.7%）的阿
16、里云就可以看出它在人工智能上的“能量”。 截至2017年6月，阿里云的付费用户量已经达到百万以上，并且其用户 保留率非常高。2017年12月，阿里云正式推出集城市管理、工业优化、辅助医疗、环境治理等综合能力为一体的“ET大脑”。而在同年10月的云栖 大会上， 阿里巴巴宣布成立承载“NASA计划” 的实体组织“ 达摩 院”，计划在3年之内对新技术投资超过1 000亿元。此外，蚂蚁金服 覆盖面非常广，付款数据超过7亿，如此庞大的数据量无疑是阿里巴巴 布局人工智能领域的一大优势。腾讯相较于XX和阿里巴巴，腾讯虽然起步较晚，但也不甘落后。在 布局人工智能的过程中，腾讯可以获得人工智能实验室和微信智能语
17、 音团队等的技术支持，同时，腾讯更关注人工智能领域中的应用场 景、计算能力等，从自身业务出发，布局了游戏、社交网络和内容人 工智能。腾讯的人工智能已经广泛应用在诸多领域。目前，优图的人脸识 别技术在性别识别上已达到95%的高准确率，而且年龄识别的误差不超 过5年。在医学影像领域，腾讯推出的用于筛查早期食道癌的医学影像 产品腾讯觅影，食道癌检出率达到90%。在游戏领域，腾讯开发的 人工智能围棋“绝艺”在“第10届UEC杯世界计算机围棋大会”上 一展风采，拿到第一名的成绩。腾讯不仅注重自身研发水平的提升， 也通过投资其他领域拓展其在人工智能领域的版图，为今后的发展奠 定基础。人工智能的未来风险与机
18、遇并存人工智能技术与物联网、大数据等技术结合，构建出一个整合的 信息物理世界。但与此同时，一些消极情绪也开始蔓延：人工智能将 应用于越来越多的行业，很多人类的工作将被机器取代。麦肯锡全球研究院的一份报告指出：通过分析全球800多种职业所涵盖的2 000多个工作岗位，发现世界上近一半的工作可以通过改进现有技术实现自 动化。这对整个人类来说是一个巨大的挑战，如何应对即将到来的困 境值得人们深思。新生事物的诞生总是伴随着机遇与挑战，抓住机遇、迎接挑战是 当下的主要突破口。我们在很多领域都可以看见人工智能带来的变 革，如在环保领域，人工智能通过分析气候特征以及其他因素，可以 帮助人们更好地监测和应对气
19、候变化，并降低这个过程中的能源消 耗。未来人工智能会发展到什么程度，我们不得而知。但是可以肯定 的是，人工智能时代可能会迟到，但不会缺席，我们当下要做的就是 做好充分准备，迎接人工智能时代的来临。人工智能时代，数据是灵魂大数据时代的来临为什么人们常说大数据时代已经来临？从PC互联网发展到移动互 联网，这个过程的一个显著特征就是数据量的激增。如今，许多人都 拥有两到三个移动设备，这些移动设备每时每刻都贡献着大量的数 据。总而言之，我们已经进入一个万物互联的时代。人与设备的联 系、人与人的联系、设备与设备的联系都在产生数据，万物互联将促 成大量数据无处不在的生态。大数据人工智能进步的催化剂毫无疑问
20、，大数据时代的来临将极大地推动人工智能的发展。无 论是互联网巨头还是小公司，其数据量都还远远不够，人工智能需要 用大量的数据进行学习。具体而言，机器不同于人类，人有主观思 维，可以从主观上进行判断。但是机器需要根据输入的数据来进行判 断，因此数据量在一定程度上决定了判断的准确度。目前人工智能还 处在学习的初级阶段，仍需要不断增加知识（数据），不断依托积累 的数据提高准确度。从这个角度来说，数据对于人工智能的重要性可 想而知。数据共享优化现有模型人工智能模型的优化依赖大量数据，但数据的垄断阻碍了人工智能对数据的获取。去中心化或者数据共享将促使可用数据量倍增。数 据越多，模型自然也会越完善，这一点
21、可以通过以下例子来说明。在 一个学校中，将来自不同学院和专业的数据通过区块链技术进行合 并，可以降低学校管理成本，学校的各个职能部门若有了这些新数 据，就能构建出比只能在某个学院层面构建的模型更好的人工智能模 型，这些人工智能模型能够更准确地预测诸如学院资源等的使用情 况。数据共享催生新的模型合并孤岛数据后，增加的数据量不仅可以优化之前的模型，还可 以催生新的模型，为我们提供新的思路。这里我们通过鉴别宝石真假 的例子来进一步说明。提供宝石保险的银行想构建一个能够识别宝石 是否造假的分类器。世界上一共有四家著名的宝石认证实验室，它们 都有各自的数据库。如果该银行只能获得其中一家实验室的数据库，
22、其构建的分类器就很可能将已经通过另外三家实验室鉴定的宝石判定 为冒牌货，这种误报会造成损失，使该系统失效。此时，如果区块链 促成四家实验室共享数据库，打破数据孤立的僵局，拥有所有合法的 数据，分类器就可以鉴别所有的宝石，检测出真正的假冒伪劣产品， 从而使保险提供商和认证实验室共同受益。人工智能DAO实现自主决策人工智能分类按照智能程度的高低，我们可以将人工智能分成弱人工智能、强 人工智能以及超人工智能三大类。弱人工智能（Artificial Narrow Intelligence），是指只专注于某一个特定领域的人工智能。比如专注于打乒乓球的人工智能，它 只会打乒乓球，如果你让它去打台球，可能就
23、会失败。强人工智能（Artificial General Intelligence），是指在各方 面都能和人类比肩的人工智能，无论是思考问题、抽象思维、快速学 习、从经验中学习，还是其他方面。超人工智能（Artificial Super Intelligence），牛津哲学家和 著名人工智能思想家尼克博斯特罗姆（Nick Bostrom）把超人工智 能定义为“在几乎所有领域都比最聪明的人类大脑更智能”的人工智 能。正如其名，超人工智能将在各个领域超越人类，这也正是为什么 人工智能这个话题总能引发人们对人工智能取代人类的担忧。人工智能DAODAO是可以自动运行在去中心化基础架构上的计算进程，它具
24、有资 源管理能力，我们熟悉的比特币和以太坊网络就是一种DAO。人工智能 DAO具有可以访问资源、征用更多其他资源、拒绝人为干涉等特性。病 毒就是一种去中心化程序，没人可以拥有或者控制它们，也没人能关 闭它们，它们试图干扰甚至破坏你的计算机。如今，借助更好的智能 合约语言以及集中式的存储系统（区块链），去中心化的程序变得更 加强大，可以实现更多的功能。强人工智能是可以自发行动且建模成反馈控制系统的代理决策 者。控制系统具备很多优越的特性，比如有强大的运算基础，能够通 过传感器和执行机与这个世界交互，能够适应这个世界（通过内部模 型与外部传感器来更新自己的状态）等。控制系统应用广泛，如恒温 空调、
25、降噪耳机、下围棋的AlphaGo等。人工智能DAO是一种类似强人工智能的控制系统，它在去中心化的 处理和存储底层上运行。其反馈回路是独立的，获得输入信息后，自我更新状态并获取资源以维持反馈循环。既然人工智能DAO的性能如此优越，那么怎样获得人工智能DAO 呢？有两个思路：第一，从人工智能（强人工智能代理）入手，只要 通过一定途径让其实现去中心化即可；第二，从DAO入手，为它赋予人 工智能决策功能。尽管这两种实现路径的难易程度不尽相同，但可以 确定的是，无论哪一种实现方式都能在真正意义上实现人工智能DAO。 人工智能获取其缺失的一环资源，DAO获取其缺失的一环自主 决策。两者融合可能比单独的人工
26、智能或者单独的DAO功能更强大。实例应用人工智能商务秘书ViVi在2017年的世界移动大会上海站，微位科技人工智能DAO项目 人工智能商务秘书ViVi进入人们的视野，这是国内第一个人工智能DAO 的实例。该产品可以帮助用户记录遇到的人员、与他们相关的业务以及应 该关注的一些问题或事项，也可以搜集和整理相关业务数据等。目前它可以通过AR-OCR（增强现实-光学字符识别）技术来读取和 解构名片信息，随后使用谷歌TensorFlow人工智能神经网络来分析和 学习名片信息。与此同时，它的人工智能引擎还可以积极地在整个网 络爬取相关的业务数据，从而提升自己在不同场景中的能力。人工智能的进步取决于“养料”
27、的补给，去中心化区块链架构让 该产品获得更多数据源“喂养”，从而逐步提升对不同商业场景和维 度的理解。去中心化的分布式部署机制，可以鼓励更多企业和商务人 士加入数据共享网络，从而获得越来越多公司的业务数据，对于各自 业务的提升意义较大。下一个科技浪潮作为目前最热门的两项技术，人工智能和区块链越来越受到各大 机构尤其是科技公司的重视。它们一个是在封闭的数据平台上培育中 心化的智能，另一个则是在开放的数据环境下促进去中心化的应用。 实际上，人工智能的优化需要大量数据的支持，因此大数据时代的到 来给人工智能带来了前所未有的进步。但是，目前的数据孤岛问题限 制了两者结合的巨大潜力。可以想象，使用同时具
28、备超级数据库和分 布式账本的技术将给科技领域带来怎样的颠覆性变革。人工智能如何影响区块链区块链存在局限性。无论是技术方面还是行业文化方面，区块链 在某种程度上都会受到人工智能的影响。能源消耗：挖矿需要耗费大量的能源和金钱。而人工智能已经被 证明是优化能源消耗的有效手段，把类似的技术应用在区块链上，将 减少挖矿硬件方面的投资。可扩展性：区块链以每10分钟1兆（MB）的速度稳步增长。人工智 能可以采用新的分布式学习系统（如联合学习）来提高系统效率。安全性：虽然区块链遭受攻击的可能性很低，但其更深层次的应 用就没那么安全了（比如DAO）。近年来，机器学习取得了很大进展， 人工智能成为区块链技术安全方
29、面的有力保障。隐私性：个人数据的隐私问题受到密切关注。同态加密技术（直 接处理加密数据）、Enigma系统和大零币等都是可能的解决方案，但这些解决方案涉及可扩展性和安全性问题。效率：据德勤估计，每年在区块链上验证和共享交易数据的总运 营成本近6亿美元。人工智能通过计算特定节点优先执行任务的概率， 提醒矿工找寻其他路径，从而降低整体运算成本。此外，更高的效率 和更低的能量消耗也可以减少网络延迟并加快处理速度。区块链如何影响人工智能区块链与人工智能互相影响。讨论完人工智能对区块链产生的影 响，下面我们再看看区块链对人工智能的发展会产生什么样的影响。助力人工智能追溯历史：人工智能的“黑盒问题”一直困扰着我 们，区块链清晰的审计跟踪不仅可以提高数据和模型的可信度，还可 以提供一条清晰的路径来追溯机器决策过程。提高人工智能的有效性：数据共享可以使参与各方获得更多的数 据，从而建立更好的模型、更好的方案。降低市场进入壁垒：一方面，区块链将促进建立更加真实可信的 个人数据；另一方面，区块链也会促进新市场的出现从数据市场 到模型市场，再到人工智能市场。安全的数据共享、新市场的产生以 及区块链数据审查技术，可以减少小企业的参与障碍，降低科技巨头 们的竞争优势。减少灾难性风险：编码在DAO中的人工智能系统规则清晰明了，操 作范围非常有限，只要是所需的操作就会被准确地执行。
