被誉为“AI 教母”的李飞飞，正在组建一家与“空间智能”有关的初创公司，它将利用类人视觉数据处理技术，让 AI 可以实现高级推理。
据了解，目前李飞飞已经为该公司筹集了一轮种子融资，投资者包括风险投资公司 Andreessen Horowitz（a16z）和 Radical Ventures。值得一提的是，后者的公司地址坐落在加拿大，由李飞飞担任科学合伙人。
如上所说，空间智能，是描述这家公司时用到的概念。李飞飞曾在加拿大温哥华举办的 TED 2024 大会上发表的演讲中提到它。
她指出，AI 对空间智能的理解正在推动机器人不断学习，并使我们更接近一个 AI 不仅可以看到和创造，还可以与周围环境互动的世界。
这里的“理解”指的是，从物体与物体之间的关系中，获得预测和洞察力的能力。
正如她所言，“其中最前沿的研究涉及一种算法，可以合理地推断出图像和文字在三维环境中的样子，并基于这些预测采取行动”。
为进一步阐明这个想法，她以一张有趣的图片为例，图片中的猫正在伸出爪子将杯子推向桌子的边缘。
显而易见，对于人类大脑来说，仅仅在短短的一瞬间，就能感知到其中呈现的关键信息，包括这个杯子的几何形状、在三维空间中的位置，以及它与桌子、猫和其他一切事物之间的关系，并且可以预测出接下来将要发生什么，和该如何采取行动来阻止。
“在空间智能的推动下，大自然创造了这种看见与行动的良性循环。”李飞飞表示。
为进一步落实上述概念，李飞飞也在所在学校的实验室中，着力帮助计算机学会“怎样在三维世界中行动”。
比如，利用大语言模型让机械臂执行诸如开门、制作三明治等任务，从而实现对口头指令的响应。
其实，在 AI 领域，李飞飞早已远近闻名。
据介绍，她于 1999 年获得美国普林斯顿大学学士学位，并于 2005 年获得美国加州理工学院博士学位。
而她对当代 AI 发展做出的突破性贡献主要表现在，于 2009 年首次实现大型可视化数据集 ImageNet。
需要说明的是，该数据集收录了从网络上抓取的超过 1400 万张图像，并涵盖由众包工人手动标记的超过 20000 个名词类别，能够用于训练和测试 AI 物体识别算法的有效性。
直到目前，ImageNet 还在给 AI 领域带来深远的影响，最明显的莫过于建立在大量数据之上、以 ChatGPT 为代表的大语言模型的突破。
也正是在同一年，李飞飞入职斯坦福大学。在斯坦福大学就职期间，她不仅担任该校 AI 实验室主任，还共同领导“以人为本”人工智能研究院，后者致力于通过“改善人类状况”的方式开发 AI 技术。
除了学术上的工作，她也曾在Google Cloud 带领团队专注于 AI 技术的民主化，包括开发 AutoML 等产品，另外也担任过推特董事会成员，并曾向政策制定者提供建议。
在 AI 领域工作二十多年的李飞飞，曾在这两年对媒体表示：“没有比现在更好的 AI 时代了”。
而从她正在组建空间智能初创公司的行动，我们也可以看出，她将加入现如今在众多 AI 公司之间开展的激烈竞赛。
虽然基于目前的公开信息，不论是李飞飞本人，还是 a16z 和 Radical Ventures 这两家风险投资公司，都尚未发表与该公司相关的一切回应。
但据媒体透露，她希望能够通过这家公司帮助算法学习常识，以克服当前包括大语言模型在内的 AI 技术的局限。
毕竟，这些模型在像人类那样理解和生成自然语言文本的同时，也往往会输出一些具有危害性的虚假信息。
不过，对于上述问题的解决方法，该领域的研究者也存在不同的看法。
有的认为在 AI 模型实现通用人工智能（AGI，Artificial General Inteligence）之前，必须建立更高级的推理能力。
有的认为可以通过构建更大、更复杂的模型来提高推理能力。
还有的认为需要开发新的“世界模型”，通过复制儿童的学习方式，学习来自周围物理环境的视觉信息，并由此发展出良好的推理能力。
但就李飞飞来说，她的新公司究竟会如何克服 AI 技术面临的难题，还需要拭目以待。
参考资料：
https://www.xm.com/fr/research/markets/allNews/reuters/stanford-ai-leader-feifei-li-building-spatial-intelligence-startup-53830004
https://ca.news.yahoo.com/exclusive-stanford-ai-leader-fei-170450257.html
https://www.axios.com/2023/02/10/fei-fei-li-ai-expert-radical-ventures
https://en.wikipedia.org/wiki/Fei-Fei_Li
https://profiles.stanford.edu/fei-fei-li
https://blog.ted.com/mind-expanders-notes-on-session-2-of-ted2024/
https://www.theguardian.com/technology/2023/nov/05/ai-pioneer-fei-fei-li-im-more-concerned-about-the-risks-that-are-here-and-now
排版：罗以
01/ 或将塑料转为小分子化合物，科学家实现聚苯乙烯的可控降解，降解产物分子量低于1000Da
02/ 北大团队发现类病毒颗粒新机制，将发展基于类病毒颗粒的RNA递送体系，助力研发新型疫苗
03/ 西交大团队实现自组装六方氮化硼纳米片制备大面积薄膜，兼具高探测率与低暗电流，可用于空间微光探测
04/ 光电催化制氢领域迎新突破：科学家开发氧化亚铜薄膜制备新方法，将载流子迁移率提升1个数量级
05/ 科学家提出GenAINet框架，能让工业机器人互换经验，让AI网络成为综合智能体
《人工智能》李开复/王咏刚
我读该书最大的收获：
什么是深度学习？ 李开复举得例子很通俗易懂、很形象
这一次人工智能复兴的最大特点是，AI在语音识别、机器视觉、数据挖掘等多个领域走进了业界的真实应用场景，与商业模式的紧密结合，开始在产业界发挥出真正的价值。
1 三次人工智能浪潮：
2 第三次人工浪潮的特点：
语音识别领域的三次跨越：
创新工场管理合伙人、资深投资人汪华认为，人工智能的商业化分为三个主要阶段：
第一阶段 AI会率先在那些在线化程度高的行业开始应用，在数据端、媒体端实现自动化。 这一过程会首先从线上“虚拟世界”开始，随着在线化的发展扩张到各个行业，帮助线上业务实现流程自动化、数据自动化和业务自动化。
拥有高质量线上大数据的行业会最早进入人工智能时代。 互联网和移动互联网的发展已经在许多领域为AI做好了业务流程和数据上的准备。例如：大家常说的金融行业是目前人工智能应用的热点，这正是因为金融行业特别是互联网金融已经做好了使用AI的准备。此外，美团等公司将餐饮服务与线上业务连接了起来，滴滴、摩拜单车等公司将交通出行与线上业务连接了起来。在这些拥有线上业务流程和高质量数据积累的地方，AI同样开始发挥作用，大幅提高线上业务的自动化程度。
第二阶段 随着感知技术、传感器和机器人技术的发展，AI会延伸到实体世界，并率先在专业领域、行业应用、生产力端实现线下业务的自动化。
可以感知实体世界信息的传感器和相关的感知技术会越来越成熟，越来越便宜。在线下业务中，计算机系统可以通过物理方式接收线下信息或帮助完成线下操作。这个转变意味着人工智能从线上的“虚拟世界”走进了线下的实体世界。这个阶段，人工智能的商业化会首先从生产力的角度切入，整个世界的生产制造会逐渐被AI渗透。工业机器人、仓储机器人、物流机器人等将在这个阶段实现大范围的普及。
第三阶段 当成本技术进一步成熟时，AI会延伸到个人场景，全面自动化的时代终将到来。
随着技术的日趋成熟，相关的智能产品价格大幅下降，AI终将从企业应用进入个人和家庭 。那时，每个人的工作和生活中，大量的应用场景都会因为AI的帮助而更加自动化、更有效率，人类的生活质量终将因AI的普及而大幅提升。这个阶段里，AI商业化的核心目标是创建全面自动化的人类生活方式
根据汪华的判断，我们目前正在进入A商业化的第一个阶段，也许只需要3年的时间，AI就可以在各种在线业务中得到普及。AI商业化的第二个阶段，要花5~7年的时间才能充分发展起来。而标志全面自动化的第三个阶段，需要十几年的时间。
清晰的领域界限 人工智能创业，要解决的领域问题一定要非常清晰，有明确的领域边界，因为这一类问题是今天以深度学习为代表的人工智能算法最善于解决的。例如，同样是做机器人，如果做一个借助视觉传感器更好地规划扫地线路、提高清洁效率的扫地机器人，将机器人的需求限定在一个有限的问题边界内，这样的解决方案就相对靠谱。 如果上来就要做一个长得像人一样、可以与人交流的人形机器人，那以今天的技术，做出来的多半不是人工智能，而是“人工智障”。
闭环的、自动标注的数据 针对要用AI解决的领域问题，最好有在这个领域内，有闭环的、自动标注的数据。例如，基于互联网平台的广告系统可以自动根据用户点击以及后续操作，收集到第一手转化率数据，而这个转化率数据反过来又可以作为关键特征，帮助AI系统进一步学习。这种从应用本身收集数据，再用数据训练模型，用模型提高应用性能的闭环模式更加高效。 谷歌、网络等搜索引擎之所以拥有强大的人工智能潜力，就是因为它们的业务，比如搜索和广告本身就是一个闭环的系统，系统内部就可以自动完成数据收集、标注、训练、反馈的会 过程。
千万级的数据量 今天人工智能的代表算法是深度学习。而深度学习通常要求足够数量的训练数据。一般而言，拥有千万级的数据量是保证深度学习质量的前提。当然，这个“千万级”的定义过于宽泛。事实上，在不同的应用领域，深度学习对数据量的要求也不尽相同。而且，也不能仅看数据记录的个数，还要看每个数据记录的特征维数，特征在相应空间中的分布情况，等等。
超大规模的计算能力 深度学习在进行模型训练时，对电脑的计算能力有着近乎“痴狂”的渴求。创新工场曾经给一个专注于研发深 学习技术的团队投资了1000万元人民币。结果，团队建设初期才两三个月时间，仅购买深度学习使用的计算服务器就花掉了700多万元，一个类型的深度学习任务，通常都要求在一台或多台安装有四块甚至8块高性能GPU芯片的计算机上运行。涉及图像、视频的深度学习任务，则更是需要数百块、数千块GPU芯片组成的大型计算群。在安装了大型计算集群的机房内，大量GPU在模型训练期间发出比普通服务器多数十倍的热量。许多机房的空调系统都不得不重新设计、安装。在一些空调马力不足的机房里，创业围队甚至购买了巨大的冰块来协助降温。
顶尖的AI科学家 今天的人工智能研发还相当依赖于算法工程师甚至是AI科学家的个人经验积累。水平最高的科学家与普通水平的算法工程师之间，生产力的差异不啻千百倍。人工智能创业公司对顶尖AI科学家的渴求直接造成了这个领域科学家、研究员的身价与日俱增。谷歌雇用杰弗里·辛顿、李飞飞，Facebook雇用扬·勒丘恩，据说都开出了教百万美元的年薪。国内AI创业公司如旷视科技，也用令人瞠目的高薪，将机器视觉领域的顶尖科学家孙剑“挖”了过来，把任公司的首州时科学家。
把握时机对创业和投资至关重要。创新工场根据技术成熟度和未来发展趋势，将人工智能各应用领域划分为现阶段已成熟、3到5年成熟、5到10年成熟、10年后成熟等不同类型，并分别设计相应的投资策略。
如图中所示，创新工场将人工智能领域的应用划分为大数据、感知、理解、机器人、自动驾驶等不同门类，每个门类中，按照人工智能技术的成熟度，将具体应用领域排列在时间维度上。
总体来说，人工智能在互联网、移动互联网领域的应用，如搜索引擎、广告推荐等方面已经非常成熟。在商业自动化、语音识别、机器视觉、手势识别、基础传感器、工业机器人等方面，人工智能可以立即应用，立即收效。
金融类人工智能的应用虽然已经起步，但尚需一段时间才能真正普及。智能教育、智能医疗、AR/VR中的人工智能、量产的传感器、商业用机器人等，预计会在3到5年成熟可用。
可以供普通技术人员乃至非技术人员使用的人工智能平台(包括计算架构、算法框架、传感平台、云服务等），会在3到5年后趋于成熟并拥有足够大的商业机会。
通用的自然语言对话工具、智能助手、普及型的家用机器人等，则至少需要10年甚至更长的时间，才有可能完成商业化。
另外，在自动驾驶领域，3到5年内，必将是第2级到第3级的辅助驾驶最先大规模商用，而且，鉴于安全考虑，这些自动驾驶应用也会是限定场景、限定道路等级的。真正意义上的“无人驾驶”，即第4级或第5级的自动驾驶，还需要5到10年才能上路运行。
我的理解： 跟着“数据”走，哪里有质量高的大数据，哪里就有金子。
AI大模型扎堆上线，你觉得谁能强势出圈？
撰文 / 涂彦平编辑 / 黄大路设计 / 赵昊然ChatGPT在这个春天霸占了中文互联网，普通人面对它多生出兴奋和焦虑交织的复杂情绪，而大公司不甘落后，纷纷宣布自己也在做类似的AI大模型。
继3月16日网络发布文心一言之后，4月7日，阿里云官宣大模型通义千问开始邀请测试。
4月8日，在人工智能大模型技术高峰论坛上，华为云人工智能领域首席科学家田奇分享了盘古大模型的进展及应用。他透露，华为盘古大模型正在推动人工智能开发从“作坊式”到“工业化”升级。
接下来，有多场大模型相关发布会扎堆举办。
4月10日，商汤“日日新SenseNova”大模型体系问世；4月11日，毫末智行自动驾驶生成式大模型DriveGPT雪湖·海若发布；由昆仑万维和奇点智源合作研发的天工大模型3.5发布在即，并将于4月17日启动邀请测试；5月6日，科大讯飞“1+N认知智能大模型”即将发布……
互联网巨头、人工智能公司、智能硬件公司、自动驾驶公司等各方力量，都积极参与到大模型这一场盛宴中来。
行业监管也迅速出手。4月11日，国家网信办发布通知，就《生成式人工智能服务管理办法（征求意见稿）》面向社会公开征求意见。
根据计算机科学家、自然语言模型专家吴军的说法，ChatGPT背后是一个叫做语言模型的数学模型在发挥作用，这项语言模型技术早在1972年就已经有了，是由他的导师弗莱德里克·贾里尼克(Fred Jelinek)在IBM期间带领团队研发出来的。
只是到了今天，由于算力不断提升，语言模型已经从最初基于概率预测的模型发展到基于Transformer架构的预训练语言模型，并逐步走向大模型的时代。
复旦大学计算机学院教授、MOSS系统负责人邱锡鹏曾这样描述大模型的能力飞跃：“当模型规模较小时，模型的性能和参数大致符合比例定律，即模型的性能提升和参数增长基本呈线性关系。然而，当 GPT-3/ChatGPT 这种千亿级别的大规模模型被提出后，人们发现其可以打破比例定律，实现模型能力质的飞跃。这些能力也被称为大模型的‘涌现能力’（如理解人类指令等）。”
每当有革命性的技术诞生，无一不是由其在具体行业的商用化应用来实质性地推动行业进步。作为连接技术生态和商业生态的桥梁，大模型也将在很多行业应用落地。
只是，这波来势凶猛的大模型热，究竟会催生万物生长改变万千业态，还是继区块链、元宇宙之后又一个看上去很美的泡沫？
无限想象空间？特斯拉将Transformer大模型引入自动驾驶领域中，拉开了AI大模型在自动驾驶领域应用的开端。大模型在自动驾驶行业的应用将提升系统的感知和决策能力，已经被视为自动驾驶能力提升的核心驱动力。
4月2日，网络正式发布网络自动驾驶云Apollo Cloud2.0。网络智能驾驶事业群副总裁、智能网联业务总经理高果荣表示，Apollo Cloud2.0基于大模型实现了自动驾驶数据智能的搜索引擎，大模型的能力积累了自动驾驶数据智能的搜索引擎，从海量数据中能够精准找到自动驾驶面向不同场景的数据。
“在自动驾驶领域，BEV(Birds Eye View，鸟瞰视图)是当前主流的技术路线，未来可以朝着多模态、通用智能的方向发展。”商汤科技联合创始人、首席科学家、绝影智能汽车事业群总裁王晓刚表示。
他认为，在通用人工智能时代，输入提示词和多模态内容，就可以生成多模态的数据，更重要的是，可以用自然语言生成对任务的描述，用非常灵活的方式覆盖大量的长尾问题和开放性的任务，甚至是一些主观描述。
王晓刚举了一个例子来说明AI和AGI处理任务的不同。给定一张图片，判断是否需要减速，AI和AGI的反应有什么不一样呢？
现有的AI系统，会首先做物体检测，然后再物体框里做文字识别，最后做决策。整个过程中每一个模块都是事先定义好的任务。
而在通用人工智能下，给定图像，人们只需要用自然语言去问问题，比如，“这个图标是什么意思？我们应该做什么？”模型本身不会发生变化，它会通过自然语言的方式给出一系列逻辑推理，最后得出结论。比如，它会说，“前面限速30公里/小时”“前面100米是学校区域”“有小孩”“应该小心驾驶”“将车速降到30公里/小时以下”等。
王晓刚还指出，智能驾驶汽车领域有“数据飞轮”的说法，通用人工智能时代则会产生“智慧飞轮”，人和模型之间可以互动，通过人的反馈，模型能更好地理解人需要它展示什么样的能力，而去解锁更多技能。从数据飞轮升级到智慧飞轮，可以实现人机共智。
商汤基于多模态大模型，可做到数据的感知闭环和决策闭环。从前端自动采集高质量的数据，到利用大模型进行自动化的数据标注和产品检测，“能够几百倍地提升模型迭代的效率并降低成本”。
华为云EI服务产品部总裁尤鹏也表示，“整个数据标注是整个自动驾驶领域准确率、效率、成本最高的一部分”，这部分的效率直接影响到自动驾驶算法和驾驶等级的提升。他透露，华为云正在做预训练标注大模型，支撑后续的自动驾驶算法的训练，可能会在几个月后会发布。
除了自动驾驶，很多行业人士相信，智能座舱也将在大模型的赋能下有着质的提升，尤其将为人机交互打开新的大门。
网络集团资深副总裁、智能驾驶事业群组总裁李震宇认为人工智能将重塑汽车空间，人与汽车的关系将会截然不同。“未来，我们相信每辆汽车都会搭载一个数字虚拟人。未来的数字虚拟人不仅可以模拟人的外形，还可以注入灵魂，真正拥有对人类意图的理解……同时也不再是单一以前场景的车机助理的身份，而会转化成全能助理。”
他相信，随着通用人工智能的发展，智能座舱将成为汽车创新的新焦点，将会重塑其空间，届时用户和车企之间的距离将缩短，用户和品牌之间的关系将更为紧密。“拥有自然语言交流能力的智能车可以让车企与用户直接进行一对一的对话。当汽车成为全能助理后，车企将面对用户需求爆发式的增长。”
王晓刚称，在智能座舱板块，通用人工智能可以使基模型具备对空间环境的理解、用户状态的感知、多模态指令解析及多轮逻辑对话、内容生成等一系列能力，进而赋能包括情绪感知、智能助手、基于情感的对话、创意内容生成、个性交互等一系列功能，不断地提升个性化体验，进一步拓展应用场景。
“智能汽车是通用人工智能实现闭环的一个非常好的场景，我们已经有人机共驾。”王晓刚表示，“未来我们希望车和模型之间能够产生更有效的互动，那就完成了从人到车到模型这样一个互动闭环，能够让通用人工智能为我们提供更好的驾乘体验，解锁无限的想象空间。”
只是，消费者距离这种有着“无限的想象空间”的汽车生活还有多远，没有人说得出答案。
希望在于将来想象是美好的，不过，挑战也随之而来。
“过去我们一年要做大概1000万帧的自动驾驶图像的人工标定，请外包公司进行标定，大概6到8元钱一张，一年的成本接近一个亿。但是当我们使用软件2.0的大模型通过训练的方式进行自动化标定，效果会非常可怕——过去需要用一年做的事情基本上三个小时就能完成，效率是人的1000倍。”理想汽车创始人、董事长兼CEO李想OK表示，“对于员工来说，他们会感觉用拳头打架遇到了拿枪的。”
他认为，在这样的状况下，如何能够让软件2.0和现有人才进行融合，为他们提供怎样的全新工作流程、激励机制，如何去选用任用人才，给全行业提出了挑战。
更大的挑战可能还在于中外大模型技术的差距。
3月25日，在2023中国发展高层论坛上，360创始人、董事长兼CEO周鸿祎表示，目前来看，中国大语言模型和GPT-4的差距在两到三年时间，GPT的技术方向已经明确，不存在难以逾越的技术障碍，中国在场景化、工程化、产品化、商业化方面拥有巨大优势，应当坚持长期主义精神，迎头赶上。
4月9日，由中国人工智能学会主办的人工智能大模型技术高峰论坛上，融汇金信CTO李长亮认为，未来做通用大模型的和做场景的分层很清晰，没有中间态。做通用大模型需要大量的算力、数据、人员、资源等，只有有很强技术储备和资源调配能力的大公司才能做，中小创业公司在这条赛道上会很难；在垂直应用上，基于大模型的发展，结合场景的know-how做一些创新应用，则会有无数的企业诞生。
他还认为，中国在大模型这个产业赛道上是很有机会的，因为在中文场景下，我们更懂我们自己的语言，沉淀了大量的中文知识，会迅速追赶并超越。
我们也注意到，计算机科学家、自然语言模型专家吴军在4月3日晚得到的一场直播中则给当下的ChatGPT热泼了盆冷水。他直言ChatGPT在中国被过度炒作了，中国的大部分研究机构是做不了的。
在他看来，ChatGPT的原理很简单，但是在工程上要想做到，其实蛮困难，因为ChatGPT太耗资源，光硬件的成本就要差不多10亿美元，这还没算电钱。ChatGPT训练一次要耗多少电？吴军的说法是，大概是3000辆特斯拉的电动汽车，每辆跑到20万英里，把它跑死，这么大的耗电量，才够训练一次。这是非常花钱的一件事。
他的结论是，ChatGPT不算是一项新的技术革命，带不来什么新机会，最后可能的一个结果就是给几家大的做云计算的公司交钱。
由ChatGPT带起的大模型热，最终会在各行各业开花结果，还是盛名之下其实难副？不妨把这个问题交给时间。
AI全球格局之人工智能即将变革的三大领域
人工智能技术的应用，或许能帮助蓝色星球的科学家们摆脱无穷无尽实验的痛苦，加速重大科学理论的发现，将人类文明提升到新的台阶。
——题记
人工智能技术的潜力大家都有目共睹，但未来人工智能可以用来做什么，将会给人类社会带来多大的变革，也在考验我们的想象力。
尽管人工智能技术还处在初级发展阶段，但它现有的能力也足以改变众多领域，尤其是那些有着大量数据却无法有效利用的领域。
1 人工智能推动基础科学理论突破实际上，材料、化学、物理等基础科学领域的研究过程中充满了“大数据”，从设计、实验、测试到证明等环节，科学家们都离不开数据的搜集、选择和分析。
由于物理、化学或力学规律的存在，这些领域的数据往往都是结构化的、高质量的以及可标注的。
人工智能技术（机器学习算法）擅长在海量数据中寻找“隐藏”的因果关系，能够快速处理科研中的结构化数据，因此得到了科研工作者的广泛关注。
人工智能在材料、化学、物理等领域的研究上展现出巨大优势，正在引领基础科研的“后现代化”。
以物理领域为例，人工智能的应用给粒子物理、空间物理等研究带来了前所未有的机遇。为寻找希格斯玻色子（上帝粒子），进一步理解物质的微观组成，欧洲核子研究中心（CERN）主导开发了大型强子对撞机（LHC）。
LHC是目前世界上最大的粒子加速器，它每秒可产生一百万吉字节（GB）的数据，一小时内积累的数据竟然与Facebook一年的数据量相当。
有一些研究人员就想到，利用专用的硬件和软件，通过机器学习技术来实时决定哪些数据需要保存，哪些数据可以丢弃。
事实证明，机器学习算法可以至少做出其中70%的决定，能够大大减少人类科学家的工作量。
尽管人工智能商业化发展更容易受关注，但人工智能在基础科研中的应用，却更加激动人心。
因为社会生产力的变革，归根结底在于基础科研的进一步突破。
我们或许再也回不到有着牛顿、麦克斯韦和爱因斯坦等科学“巨人”的时代。
在那个时代，“巨人”们可以凭借着超越时代的智慧，在纸张上书写出简洁优美的定理，或者设计出轰动世界的实验。
像这样做出伟大工作的机会或许不多了，在这个时代，更多需要的是通过大量实验数据来获取真理的工作。
大到宇宙起源的探索，小到蛋白质分子的折叠，都离不开一批又一批科学家们前赴后继、执着探索。
人工智能技术的应用，或许能帮助蓝色星球的科学家们摆脱无穷无尽实验的痛苦，加速重大科学理论的发现，将人类文明提升到新的台阶。
2 人工智能推动社会生产效率快速提升人工智能无疑是计算机应用的最高目标和终极愿景：
彻底将人类从重复机械劳动中解放出来，让人们从事真正符合人类智能水平、充满创造性的工作。
在60年的人工智能发展史中，已经诞生了机器翻译、图像识别、语音助手和个性推荐等影响深远的应用，人们的生活在不知不觉中已经发生了巨大变化。
未来，人工智能应用场景进一步延伸，是否能够带来社会生产效率的极大提升，引领人类进入新时代？
为了探索这一问题，曾在谷歌和网络担任高管的吴恩达于2017年成立了一家立足于解决 AI 转型问题的公司 Landing . ai。
吴恩达通过一篇文章和一段视频在个人社交网站上宣布了该公司的成立，并表示希望人工智能能够改变人类的衣食住行等方方面面的生活，让人们从重复性劳动的精神苦役中解脱。
Landing的中文含义是“落地”，这家公司的目标是帮助传统企业用算法来降低成本、提升质量管理水平、消除供应链瓶颈等等。
截至目前，Landing . ai已经选择了两个落地领域，分别是制造业和农业。
Landing . ai最先与制造业巨头富士康达合作。
Landing . ai尝试利用自动视觉检测、监督式学习和预测等技术，帮助富士康向智能制造、人工智能和大数据迈进，提升制造过程中AI应用的层次。
吴恩达认为，人工智能对制造业带来的影响将如同当初发明电力般强大，人工智能技术很适合解决目前制造业面临的一些挑战，如质量和产出不稳定、生产线设计弹性不够、产能管理跟不上以及生产成本不断上涨等。
目前，工业互联网、智能制造和工业4.0等概念已经深入人心，传统企业都在向智能化、数据化转型，但生产过程中获取的大量数据如何应用又成了新的问题。Landing . ai与富士康的合作，或许将给传统制造的从业者带来新的启示。
当然，制造业的核心竞争力还在于制造业本身，比如车床的精度、热处理炉的温度控制能力等等，农业的核心竞争力也在于农业本身，比如育种技术、转基因技术等等。
人工智能技术的主要价值在于提升决策能力，进一步提升生产效率，以及降低人的重复性劳动等方面，这就是人工智能为什么可以“赋能”各个行业的原因。
3 人工智能将有效改善人类的生存空间自第一次工业革命以来，人类活动对自然界造成的影响越来越大，日益增长的资源需求使得土地利用情况产生巨大变化，污染愈发严重，生物多样性锐减，人类的生存空间变得越来越恶劣。
进入人工智能时代后，怎样更好地利用大数据和机器学习等前沿技术，为环保和绿色产业赋能，成为了政府、科学家、公众以及企业的关注焦点。
在能源利用方面，谷歌旗下的DeepMind无疑走在了最前面。
2016年开始，DeepMind将人工智能工具引入到谷歌数据中心，帮助这家科技巨头节省能源开支。
DeepMind利用神经网络的识别模式系统来预测电量的变化，并采用人工智能技术操控计算机服务器和相关散热系统，成功帮助谷歌节省了40%的能源，将谷歌整体能效提升了15%。
2018年后，DeepMind更是将“触手”伸向了清洁能源领域。我们都知道，风力发电因为有较大的波动性和不可预测性，因而难以并入电网，无法有效利用。
DeepMind利用天气预报、气象观测等数据训练神经网络模型，可以提供36小时后的风力预测，从而让农场的风力发电变得能够预测。
一旦风力发电可以预测，电厂就能有充裕的时间启动需要较长时间才能上线的发电手段，与风力互补。如此一来，风电并网难的问题就可轻松解决。
DeepMind预测的风力发电量和实际发电量对比
在自然环境保护方面，微软的“人工智能地球计划（AI of Earth）”则为大家做出了表率。
这一计划于2017年7月启动，旨在借助云计算、物联网和AI技术，保护和维持地球及其自然资源，通过资助、培训和深入合作的方式，向水资源、农业、生物多样性和气候变化等领域的个人和组织机构提供支持。
例如，“SilviaTerra”项目通过使用Microsoft Azure、高分辨卫星图像和美国林务局的现场数据来训练机器学习模型，实现对森林的监测；“WildMe”项目通过使用计算机视觉和深度学习算法，可对濒临灭绝的动物进行识别；“FarmBeats”项目在户外环境下可以通过传感器、无人机以及其它设备改进数据采集，进而提高农业的可持续性。
在前三次工业革命中，科学技术进步给人们带来极大生活便利的同时，也带来了气候变化、生物多样性退化、大气与海洋污染等棘手的自然环境问题，人类的生存环境正逐渐变得恶劣。
从表面上看，似乎发达经济体的自然环境已经改善了，但这种改善是以转移污染、破坏发展中国家自然环境为代价的，世界整体的自然环境状况依然不容乐观。
一直以来，人们寄希望于未来的科学技术进步能够解决当下的自然环境问题，而人工智能技术的出现点燃了这一希望。
一旦人工智能技术可以加速基础科学理论的突破，实现生产效率的大幅提升，有效改善人类的生存空间，一切发展与自然环境的问题也就迎刃而解。
4 总 结站在2019年看人工智能，不免感到几丝寒意。人工智能算法没有明显突破，鲁棒性差、算法黑箱等问题依然突出，部分商业化落地也不及预期，一些专家学者开始担心人工智能将迎来新的“寒冬”。
但若站在未来回顾人工智能，当前所有的担忧将仅仅是一个个小插曲。
即便是目前，人工智能技术的潜力也远远未终结。
人工智能即将带来的变革，仍将会超乎大部分人的想象。
近年来，许多行业都已切实感受到人工智能带来的颠覆，包括金融、制造、教育、医疗和交通等等。
但人工智能的价值维度还有很多，加速基础科学研究、提升社会生产效率和改善人类生存空间也只是其中的几个方面，我们不妨先提升一下自己的想象力。
人工智能将为人类带来怎样的变革，让我们拭目以待吧！
