人工智能：人工智能的四个层次

前面我们分析了人工智能的行业格局，见《凯哥讲人工智能：行业格局》，了解了人工智能的发展，带来了软件技术行业的一次革命，所有的企业都希望在这一次革命中弯道超车，快速建立起自己的相关的能力。

和众多企业CIO和信息化同业人士沟通，凯哥发现，在人工智能的话题上，普遍存在两种极端的认知：

万能论者：

这一类认知认为人工智能是灵丹妙药，并且是通用的灵丹妙药，不管什么问题，只要上了AI了，就一定能搞定，搞不定那就是你能力不行。这一类凯哥称为万能论者。

无用论者：

这一类认知认为人工智能是纯忽悠，是概念，本质上和传统的数据分析，BI没有太大区别，所以对人工智能技术带着抵触和抗拒的情绪，一听到人工智能就觉得不靠谱，肯定是忽悠钱来的。这一类，凯哥称为忽悠论者。

但是，人工智能在应用上到底能发挥什么作用，靠谱不靠谱，我们应该如何去认知人工智能技术对于业务的驱动作用呢？

我们要理解人工智能从本源到应用过程，理解它的结构，从而客观的认知这个问题。

人工智能应用的四个层次

凯哥把人工智能人工智能技术的应用分成四个层次：

从下往上，分别是：

第一层，学术论文层：

最底层是学术论文层，就是纯理论的数学、计算科学相关的算法论文，这是人工智能产业的基石。这一层就可以比喻成人工智能领域的理论基础，一篇论文可能会给多个领域带来影响，比如现在非常流行的深度学习，其中很重要的一篇论文，是Hinton在2015年的论文《Deep Learning》，对于语言识别、物体识别、目标检测以及药物发现、基因组合等方向都有促进。这一个层次的能力主要在学术领域，研究机构，比如斯坦福，哈佛等。而大部分的企业所应用的算法，在底层都是类似的，很多经典的算法甚至都已经存在了20年以上。这些论文是公开的，开放使用的，在这个层次来讲，所有的非研究性机构和企业差异都不大，。

比如，全球顶级的跟人工智能相关的顶级论文大会清单如下：

比如这里面的ACL大会，是自然语言处理领域全球最顶级的会议，每年都能产生一些很有影响力的论文从而改变和促进自然语言处理技术的发展。

2018年的ACL大会，在墨尔本举办：

我很欣喜的看到，近几年的国际顶级学术会议的赞助商中，有很多我们中国的企业了，比如ACL2018的顶级赞助商里出现了今日头条这样的中国企业。

学术算法层有几个特性：

基础性

学术论文层的能力，往往是非常基础的理论，解决的是某一个理论领域的基础性问题。

通用性

这个层次的成果，很多时候能够在多个细分领域应用，具有一定的通用性。

持续性

程序语言本身会不断地进化，而论文本身则有一定的持续性。随着编程语言，工程技术的发展，对一篇论文算法的实现经常是持续优化的。

总结一下，学术算法层是人工智能现阶段的核心层，目前大部分人工智能所应用的算法都是公开通用的，很多经典的算法都已经存在了十几年以上。

在人工智能的商业应用行业里，这一层大家的差异都不是很大，基础都差不多。

第二层，工程实现层：

有软件编程能力的工程师（一般我们叫他们数据科学家）将第一层的论文学术成果实现成工程代码，从而能够被软件所调用。这一层是人工智能的核心能力层，同样的算法，不同的工程代码实现的效果，速度是有差异的，也会影响在软件中的应用。软件工程能力直接决定了这些算法的优化程度。

比如CNN的算法相关的实现在GitHub上就有不下15000种，见下图所示：

第一层学术算法层，大部分的人工智能从业公司差距都不大，基本上使用的都是公开的通用的算法。所以第二层，工程实现层是区分能力的一个关键分水岭，如何将算法实现的最优化，效率更高？工程能力很重要。

第三层，平台服务层：