本文将带你了解物联网之肾再多，也不能随便做AI，希望本文对大家学物联网有所帮助。

　　看过了VR从去年10月的风潮掀起，到今年4月的疯狂，再到7月骤冷的整个历程，让人惊喜，狂欢，再到冰冷，惨淡，挣扎……
   
    　　眼下，又一股科技风暴——AI点燃了这个冬季。那么，几个月之后的AI，还会如此狂热吗？
   
    　　AI与VR虽是不同领域，但都难免被资本催熟
   
    　　互联网时代的浪潮总是一波未平，一波又起，而且被推向的峰值越高，摔的越重。
   
    　　2013年的互联网金融，2014年的O2O，2015年的智能硬件，今年轮到VR了，它的“寿命”更短了一点。
   
      　　而短寿命的背后难掩被资本催熟的影响。VR就是一个典型的例子。今年年初，VR创业公司井喷，市场鱼龙混杂，资本也鱼贯而入，开始炒作二级市场VR概念。而当资本骤冷，二级市场对VR概念不再追捧，VR迅速从过热趋向于过冷。
   
    　　而实际上，VR的发展仍处于早期，技术与产品没有办法满足良好的用户体验，很多公司也找不到很好的发展方向，只是资本市场的投机者。
   
    　　眼下，AI大热。接踵而来的融资消息撩拨着媒体人、创业者的心，而资本更为疯狂。
   
      　　这几年，随着互联网金融平台的崛起，投资基金的数量剧增。统计显示，截至今年10月底，在中国证券基金业协会登记的股权基金达7769家，其中创投基金管理人1216家。过去一年多时间，创投基金数量已经翻倍。
   
      　　这意味着，投资基金之间的竞争剧增。但是好的项目是极少的，留给投资人看项目的时间很短。所以经常出现投资人对AI技术都没弄明白的情况下，就“下单”了。
   
      　　其实，产业的关系链是这样的，创业者通过媒体看行业趋势，媒体看资本动态，而资本看赛道。当一个产业热起来，投资人会尽可能快地占据各个赛道，比如AI+金融，AI+医疗、AI+安防和AI芯片等赛道。而资本市场热起来，必然带动创业者、媒体的火热，呈现一幅大热的景象。
   
      　　从根本上来说，现阶段技术还不成熟，更多的是资本在催熟整个产业。如果在资本助力的这段时间，AI技术未能实现快速迭代和行业升级，盈利，很可能会面临VR相似的遭遇。
   
    　　AI创业：一面理想一面现实
   
    　　科技始终在快速迭代。
   
    　　1960-1980年是PC时代；
   
    　　1990-2000年是网络时代；
   
    　　2010年开始步入移动互联网时代；
   
      　　接下来，即将到来的是人工智能时代。根据凯胜2016人工智能调查报告，明年全球的人工智能市场规模接近400亿元，未来几年将继续以50%的速度增长，到2020年，全球人工智能市场规模将超过1200亿元。
   
      　　国内资本市场也非常火爆，创业公司估值猛增。例如，今日头条估值达500亿元，芝麻信用估值68亿元，碳云智能估值54亿元，旷视科技估值40亿元。根据爱分析调研报告结果，国内前50家人工智能企业总估值约2697.1亿元，平均估值53.94亿元。
   
      　　资本推动和巨大的市场前景，为AI创业者们埋下了美好的梦，但道路且长而曲折。笔者经过与CloudIn云英CTO胡湿，前索尼架构工程师Mask的深入探讨，从人工智能的技术本身、应用场景和团队的角度分析，总结出人工智能创业将面临两大困境。
   
    　　1.人工智能创业的门槛高，小团队很难玩起来
   
      　　人工智能的创业和移动互联网的形式不一样。移动互联网做APP就可以卖成千上百万，但是AI时代不是小白可以创业的时代，必须是科学家，或者受过高等教育，或者受过专业训练的人才有机会，而且不一定能成。
   
    　　AI项目开发模式和以前不一样，一般会有一个特定领域的科学家，把对应的模型做成算法，例如AI在自动驾驶汽车上的应用，把道路上的人、车、物做成算法。再由专业的人，结合特定领域的场景做成产品。
   
    　　在团队搭建方面，一般需要三样人：科学家+对特定领域非常熟悉的人+程序员，团队门槛非常高。
   
      　　人工智能创业的高门槛还体现在云计算能力上。深度学习需要处理大量的数据，而以往PC时代的服务器满足不了要求，这就要创业公司搭建云服务平台或者购买第三方云平台服务，而无论哪种方法，都将极大提升成本。
   
    　　此外，创业公司还非常缺乏高质量的大数据。数据是人工智能的基础，拥有针对特定领域的庞大数据集，能够成为竞争优势的重要来源。
   
    　　创新工场AI工程院副院长王咏刚说，“我看人工智能，深度学习助力，人类前途所系；成熟模式尚早，最缺人才数据。”
   
    　　相比之下，具有大量数据源、以及具有云储存/云计算能力的企业（例如BAT、互联网大型企业）优势明显。这也意味着，留给创业公司的挑战巨大。
   
    　　2.人工智能技术弊端，决定应用场景局限
   
    　　从人工智能的技术本身来看，它还存在很多弊端。例如以下三个比较有代表性的方面：
   
    　　深度学习存在先天性技术弊端
   
      　　如果你了解深度学习就会发现，它和高等数学里面讲到的“极限”有相同之处，即无限接近一个准确值，但永远达不到100%。这种先天性的技术弊端，极大限制了人工智能的应用场景。所以像法院判案、医疗等一些不允许出错领域，是不允许纯粹靠机器来完成的。（当然，人工智能是可以扮演辅助人类的角色，帮助法院和医生完成工作）
   
    　　“黑天鹅效应”里面讲到，一些不可预测的重大事件，它罕有发生，但一旦出现，就具有意料之外的重大冲击。人工智能一旦出现事故，影响巨大。
   
    　　深度学习不会考虑到人的一些未知情况
   
      　　特斯拉自动驾驶出车祸就是一个很好例子。今年7月，美国一辆特斯拉ModelS电动汽车在途径十字路口的时候，撞上了一辆正在左转的卡车。ModelS的前挡风玻璃撞进了卡车地步，驾驶人也因此死亡。
   
    　　对于此事的原因，特斯拉官方回应，“在强烈的日照条件下，驾驶员和自动驾驶都未能注意到拖挂车的白色车身，因此未能及时启动刹车系统。由于拖挂车正在横穿公路，且车身较高，这一特殊情况导致ModelS从挂车底部通过时，其前挡风玻璃与挂车底部发生撞击。”
   
      　　特斯拉说“拖挂车的车身较高“（事实上比轿车高很多）属于特殊情况，说明之前他们给机器训练的数据里面并没有输入此类案例，当汽车遇到的此类情况时，不知所措才最终酿成大祸。
   
    　　再如今年AlphaGo与李世石世纪围棋大战。比赛的最终比分是3:1，AlphaGo最终输了第四场，而且输的很惨。那么阿法狗什么会输了第四场呢？而且输的那场比分悬殊。其实根本原因是，李世石在最后一场的比赛中采用了反常的棋路，这才让机器不知所措。
   
      　　总之，当机器遇到一些意外情况，机器之前未经过此类情况的大量数据训练时，它的准确率就会极大降低。这在一些对安全要求很高的应用场景上，是非常可怕的事情。
   
    　　机器视觉在动态场景下的准确率骤降
   
    　　人脸识别就是一个很好的例子。它可以应用到金融、安放等诸多领域。国内在这一领域也不乏佼佼者，在2014年全世界最权威的人脸识别评测系统LFW中，旷视科技以97.27%的超高识别率，超过了Facebook和其他国际强手，斩获了世界第一。
   
      　　但是，当机器遇到戴口罩和刘海的脸部有遮掩的情况，识别准确率就会迅速降低；而且当人处于复杂的动态场景时，比如表情变化的情况下，识别准确率也下降的很明显。
   
    　　机器视觉在动态场景下的极低准确率，必将影响其在行业应用上的作用和效能。例如交通领域，当犯罪份子戴口罩作案时，目前阶段的人工智能技术还很难捕捉到。
   
      　　总之，这些技术上的弊端，极大限制了人工智能的应用场景，而对于AI创业者来说，一方面要面临技术上的巨大挑战；另一方面，在选择创业赛道的时候也备受限制。
   
    　　写在最后
   
      　　眼下，VR寒冬论盛行，但依然有一些企业在坚持和匍匐前行。从长远来看，VR是未来趋势，但机遇与挑战并存，在光明到来之前，还需要穿过一段黑暗期。
   
    　　两年前，在O2O最火热的时期，王兴并没有像竞争对手那样全盘砸钱开拓市场，而是在默默地优化模式、提升效能。待到资本寒冬来临，他才开始出击，此时原本砸钱的对手纷纷遇到资金链问题，相继退场，而美团活到了最后，且未被BAT收购。美团成功的背后，是王兴对市场规律的准确判断和不为形势所导向的坚定心态。
   
      　　其实，任何一个行业刚起来，都难免被浮躁的资本市场催熟，O2O如此，VR如此，AI或将也如此。对于AI创业者，能否看清形势，掌好船舵，并能沉下心打磨产品和模式将是创业成败的关键。
     
     
     
     
     
     
         

以上就介绍了物联网的相关知识，希望对物联网有兴趣的朋友有所帮助。了解更多内容，请关注职坐标人工智能之物联网频道！

延伸阅读

数据分析是什么工作内容

很适合，本书展现了数据分析工作的日常内容，给出了数据分析岗位的工作技能要求，然后讲述了数据分析笔试与面试中对SQL的考查知识点。通过3种难度的题目练习，能提升求职能力并达到初级数据分析挖掘岗位对SQL的能力要求。

财务方向的工作每天都会遇到大量的数据处理与数据分析的内容，行业领域的相关性很高，对于拥有数据分析能力的小伙伴是有很大的助力优势，可以利用财务的工作经历上手是很快的。具体学习的计划可以从这三个方面入手学习：

前几天，我们数据分析就业班新报名的一个学员跟我们聊起了她的报名原因：她在面试一家心仪行业头部大厂的市场总监岗位时，三面的业务笔试70%内容都需要用数据分析来解答。虽然市场工作经验、管理能力和资源都不错，但还是遗憾的折戟沉沙。

同样用使用excel对数据进行统计、分析的过程来类比的话，数据挖掘、数据分析和机器学习方向相关岗位的工作，相当于通过数据透视表等功能，来完成对原始积累和统计的数据分析，找出一定的规律并进行假设、验证，较终提出根据数据分析的结果来说可能的改进方案等。

学习数据分析之前的准备工作数据分析的定义数据分析的应用互联网的数字化趋势数据分析入门：快速形成数据分析思路了解数据分析了解数据分析的通用流程

3、数据分析：工作手机量化员工工作内容，助力审查员工工作态度，优化绩效考核体系。客户数据分析，完成客户画像，精准营销，提高转化率。

本书的内容分享非常多，是满满的干货，总分总的写法，从头到尾的梳理了数据分析整个事情，除了对细节知识点的详细讲解和内容串联、内容逻辑清晰之外，最后还通过实际案例讲解了具体应用对于相关从业者来说，是值得研习通读的好书。推荐。

很多初学者搞不清楚数据分析工作内容，面试时候比较茫然。于是初学者们去书店买数据分析相关书籍，如果运气不好，看了书后会更加茫然。我在书店喝冷饮休息时，会有看看书习惯。我发现书店的大量数据分析书籍与实际工作内容相差甚大。书里把数据分析和，机器学习算法，数据挖掘，人工智能深度学习知识混杂在一起，这会造成初学者困惑，到底什么是数据分析?该如何下手学习？如何快速掌握数据分析内容，以后去公司上班时会更加接地气？

系统学习好数据分析的相关方法论，同时运用学习来的方法论试着去分析自己所在行业的相关数据，尝试把方法运用在实际工作中去。建立自己的数据分析思维与方法。

举个例子，如果你只想用Python来数据分析，那么你只需要学习第一天和第三天的内容，并在项目实战中挑选数据分析的训练即可。