如果要问未来最重要的事，很多人都会回答：科技。如果要问科技界最重要的事，所有人都会回答：人工智能。

作为本世纪三大尖端技术（基因工程、纳米科学、人工智能）之一的人工智能，近三十年来获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。

人工智能是最能体现人们想象力的技术，就目前看来，也是人类对于这个世界能做的最大改造。众多的科学家断言人工智能将有能力改造整个世界，甚至有人提出一个论调：科技是第一生产力，人工智能是最终生产力。

人工智能发展到目前阶段，由于在移动互联时代BIT流动速率的极大提升，使得人工智能的学习成本大大的降低，这也使得人工智能成为当下科技界最瞩目的一个话题。人们从问题求解、 逻辑推理与定理证明、自然语言理解、博弈、自动程序设计、专家系统、学习以及机器人学等多个角度展开了研究，已经建立了一些具有不同程度人工智能的计算机系统，数学领域内的求解、设计分析集成电路、合成和分析人类自然语言，进行情报检索，提供语音识别、 手写体识别的多模式接口，应用于疾病诊断的专家系统以及控制太空飞行器和水下机器人更加贴近我们的生活。

而基于此，未来人工智能的发展方向也日渐清晰。

应用：生产力的转化

目前来看，现有阶段的人工智能技术已经开始逐步渗入人们的生活当中了。包括智能语音助手，无人驾驶汽车，图像识别技术等等的生产生活应用，对于人们来说已经不再是什么新鲜玩意儿。

不久前李彦宏在百度世界中的演讲中，阐述和演示了百度大脑在未来的多种应用场景，人工驾驶，搜索助手等等，从生活应用的角度来描述现有以及未来的人工智能应用方向。然而人工智能做能做的事情却非仅限于此。而对于人工智能的应用，从更实际的来看，是从智能到生产力的转化。

不可否认的是，人工智能在目前的技术层面层面上对于协同效率的提升是比较明显的，然而如何在繁冗的数据之中，分析得出结论而使得极其能够精确的实现操作还有很长的路要走。仅仅执行简单而又机械的命令并不足让人工智能对于生产力的转化实现质的飞跃，这为众多科技企业在人工智能探索及变现的道路上给出很大的预留空间。苏黎世ABB Group、德国Kuka AG等机器人生产厂商以及我国台湾台达电子、富士康等信息技术企业正在研发、生产并试验以低于人力成本提供服务的低端机器人。而这个发展趋势也指出人工智能将在生产力转化方面，具有更多的可视的发展和商业空间，这也是驱动现阶段人工智能技术发张最重要的力量。

逻辑：从深度学习到增强学习

迄今为止的人工智能都只是利用机器来模拟人脑进行简单的运算和处理。机器学习与简单的人工智能相同步，模拟人脑进行复杂、高级运算的人脑研发活动始终未曾止步。由美欧发起的人脑科研计划为这一技术努力描绘了一份崭新的演进路线图。从人脑计划的研究目的来看，是要打造基于信息通信技术的综合性研究平台，采用计算机模拟法绘制详细的人脑模型，促进人工智能、机器人和神经形态计算系统的发展，预计将引发人工智能实现由低级别人脑模拟向高级别人脑模拟的飞跃，从而助推人工智能实现终极理想和目标。

而从Google近年的技术布局来看，神经网络和深度学习已经成为人工智能最核心的架构。从AlphaGo围棋对战碾压李世石九段开始，Google人工智能的神经网络和深度学习一度成为人工智能领域各个发展方向中的翘楚， 更是把人们对人工智能的期望推到了新的高度。人工智能是研究使计算机来模拟人的某些思维过程和智能行为涉及到计算机科学、心理学、哲学和语言学等学科，甚至可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，并且在不断的接近人的智慧。未来真正的人工智能并不仅仅只是像很多人想象的那样是几个科学家的工作，而是随着社会各学科发展而默默发展的，从数据采集整理，逻辑运算推演，进而由深度学习到增强学习的整个过程。就像Alphago的团队Hassabis指出的一样：“未来的人工智能发展，增强学习方法，是让机器学习软件学会更复杂任务的关键。”

感知：交互系统革命

人工智能具有在高效的数据处理能力和逻辑分析能力的时候，传感设备和即时变量的处理分析能力将成为人工智能实现真正“智能”的最后一道门槛。

感知是智能设备的重要输入端口，历史数据的积累和学习只能让人工智能设备“智商”更高，而必须借助于由设备搭载的传感系统才可以实现真正的即时交互。从另一个方面来讲，传感系统也是深度学习的一个必备条件。机器学习只通过分析已有数据而进行的学习并不能产生类似人类大脑的决策，从而无法被称为真正的“智能”。

而感知系交互系统则需要设备搭载大量的传感器，让传感器为逻辑核心的“神经网络”提供真正的神经元。只有AI设备可以即时的在周围空间中获得和采集信息的时候，才有可能进一步完成机器的深度学习。

对于苹果来说，为了保证用户信息的私密性和搜索引擎业务的缺失，使得他们更专注于即时环境变量分析，以图在苹果设备上搭载各种各样的传感器来完成个体化的人机交互。这是一个因失而得的例子，搜索引擎的却是无法让神经网络更快的完成学习，反而促成了传感器对于神经网络在另一个方面的训练，也使得在具体场景变量数据上领先以搜索引擎见长的谷歌一整个量级。而且有预言称未来的场景感知交互系统革命将成为人工智能飞跃的主导。

思达派（startup-partner）原创文章，转载请注明链接及出处。作者：Eyan 微信：zrzlike