挤塑板一立方等于多少平方

在这个意义上人工智能有些危险，因为现在变现似乎是个难题。资本永远是逐利而短视的，如果只有好玩的结果，没有能快速变成足够多钱的结果，不久这个游戏就会无以为继。

如何挤塑板一立方等于多少平方尽可能地把成果真正变现，或者让投资者更清晰地看到变现的道路，而不是画饼，这确实是AI从业人员此时需要更多思考的问题。

首先刷ImageNet当然不能变现。人脸识别的空间也不大（国内有很多人脸识别的startup，因为够简单够成熟，然而壁垒和盈利能力如何，大家心里清楚。是的，现在有投资者养着，但以后呢。是的，可以卖给安防公司，但这是当初描述的远大前景吗）。只有自动驾驶是稍微靠谱一点的，然后可能到医疗和基因工程，至于语音助手还很远。自然语言识别好像就只能做炒股机器人了，而翻译怎么变现请告诉我（评论里有朋友还奇怪怎么不能变现，您这个变现不是VC想要的变现）。说起来现在有一个深度学习真正变现了的领域，就是广告和推荐，但所有需要这个的公司都成立了自己的团队，没有创业的窗口。在模型共享化的今天，许多方面的技术壁垒已经被无限降低，许多所谓AI创业公司都只是拿公开的模型来调而已（然后向投资者大吹技术实力）。

很直接地说：目前看来，AI可能并不足以支撑一个独立的公司，它更适合作为其它公司的一个部门，或被其它公司收购。如果你做社交APP，做电商，做游戏，做生物，做材料，都可以自己活下去。但做AI，就会有难度。如果你幻想技术授权，或SaaS，你可能最终难免会失望。理想很美好，现实很骨感。

资本很没耐心，之前的波士顿动力大狗机器人看上去是不是也超酷，最后还是要被Google挂牌出售（感叹）。前几年许多公司狂招DL人才，怕的是lagging behind，但后来就有点有苦说不出了，因为人太多了，不需要这么多。我调查了一圈，发现Nvidia的股价可能都虚高了，因为大家甚至不需要那么多显卡来训练！看来只能看NVDA能不能开拓好自动驾驶市场（2018.8 更新：NVDA 还是很猛的，不过 AMD 其实也挺有前途，现在 AI 芯片创业也全面开花了）。

这有时令人想起生物。所有人都知道生物的前景光明，前途无量，必将改变人类的命运，生物的世纪必有一天会到来，生物已经有无数的应用，无数的盈利模式，而且生物还在日新月异地发展，时不时搞个大新闻。这么看来生物真的很好啊！但是现在有多少人往生物跳呢？继“生物民工”之后，会不会出现“调参民工”（什么？调一层十元钱？）？生物的今天是不是人工智能的明天？（补充：可能90后00后的同学不知道，那时有句话叫"21世纪是生物的世纪"，后来令无数人懊悔不已）（2018.8 更新：现在 AutoML 也渐渐成熟了，调参可以逐渐脱离人类了）

在各位PhD同学和startup工程师陶醉于人工智能的美好未来之时，请警惕生物的前车之鉴。生物现在依旧是热门的创业领域之一，只是大家更加理性，因为已经吃过了泡沫的亏。目前DL之所以这么热，很重要的原因是因为DL的几位领军人物很聪明，在很有意地试图引导资本（尤其是现在大家都来找国内资本，因为国内资本更多更笨），但资本不会被忽悠太久。

最后说一个我发现的规律，这是一个令人忧伤的故事，就是如果学数学物理的同学都开始涌进某个行业，这个行业就必然会出现泡沫的严重化和最终的破灭，就像从前做金融衍生品，后来做APP，等等等等。哎，俺们学基础科学的就是惨，哈哈。

===========

看到评论好像还是有同学没明白，最后补充一句：这里的问题在于和生物的情况太像了，都是要研究很多年才能实用化。生物一个小领域活两三家公司更没有问题，基因就可以活n家公司。自动驾驶重要，还是治疗疾病重要？我觉得治疗疾病一点也不差吧。识别准确率进步10%重要，还是癌症5年生存率进步10%重要？好像不能说生物就低一等吧。但是学生物的同学肯定就很郁闷了：凭什么AI现在就这么热呢？这时我要说，生物也曾经热过嘛，大家都有这个过程。

泡沫破灭了之后，也并不是说就没有人研究，没有人投资，没有人创业了，而是回归理性，成为公司的一个正常部门（比较遗憾的是薪水和就业可能不会像现在这样好了），而不是一个投资概念，一个炒作题材。就像360老周说的实在：“今天再出来做一个公司，你要不说自己是用深度学习、人工智能，你都不好意思出来混。就跟前两年，你要不说自己是O2O，都不好意思去融资一样，我觉得这个有泡沫的成分。”

===========

上面的答案写于2017.2，现在是2018.8，涌现了无数新研究，美股连创新高，没人知道泡沫会持续到何时。不过AI方面最热的仍然是自动驾驶，最成熟的仍然是图像，最能变现的仍然是广告和推荐，AI之路还是任重道远啊。

我认为DL应该更普及化，最近我也写了一本深度学习的入门书，欢迎关注~

作者：武侯

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

细数一下2000年以后的学术浪潮: 2003年LDA topic model刚出来的时候，火的不行，按我师兄的话说，整个实验室都在坑此坑次热火朝天的搞topic model，恨不得每篇文章里面都建一个Graphical model加一些隐变量进去，那时候的盛况我是无缘得见了。。2004年MapReduce论文刚出来，以及后来MapReduce的开源实现Hadoop出现，算是掀起了新的一波数据热，各个领域各种问题都能扯上大数据三个字，一个传统算法只要用MapReduce框架改写一下就可以发篇文章；2010年Spark 出来之后Hadoop在学术界就不怎么能看到了，简单来说是因为Hadoop不能支持在线计算；2010年左右深度学习出来了之后，在很多应用上效果完爆topic model，现在在NLP领域内的会议里topic model的文章已经没有以前那么多了。。

泡沫之所以会破，是因为人们找到了更大更漂亮的泡沫，一样技术被取代也是因为人们发现了比他更牛逼更有前景的技术。但从目前来看，深度学习在语音识别，图像，NLP等很多领域的效果都非常好，训练时间和模型复杂度也还在可接受的范围内，并没有出现其他可以相提并论的技术，所以我觉得深度学习在很长一段时间内都还会在学术界火下去。而通常工业界的普及要比学术界的工作晚个5-10年以上，相信深度学习在未来一段时间里都还会频繁出现在大家的日常生活里。

更新：

挤塑板一立方等于多少平方