人工智能商业创投离我们还远吗

有朋友问我，说人工智能特别是你经常说的认知计算技术，目标是打造可以学习并与人类自然交互的系统。在你们“凯泰结构洞科技”研发的“结构洞投融资生态链智能系统”中主要担负着对随机来自于创投市场中大量存在的海量碎片化“非结构性”初创企业项目融资信息数据包括文字、图像、图表、语音甚至视频等，能够让计算机系统像人的大脑一样学习、思考、进行数据分析并做出正确的决策，并且认为“投资人们最需要真正能够产生洞察的关键，是能够理解并解读这些非结构化数据，而这也正是未来数字经济时代所需要的”。

对于这样的观点我们都非常认同，可问题是真的能像一个非常专业的职业投资人那样，具备达到人类的认知水平吗？要知道一个职业资深的专业投资人，往往除了要具备非常厚重的专业理论知识以外，还要具备宽广的认知边界，丰富的实战投资经验和智慧，更为重要的是要养成沉稳、谨慎、理性和缜密的逻辑思维以及自律等的性格特征，这样的人才可不是一朝一夕就能修炼而成的，需要经历漫长岁月的艰辛实践历练，还有就是要具有敏锐的感知、洞察和创造的能力以及直觉，这类市场精英人才本来就非常稀缺。当然要是该人工智能系统能达到这样的认知水平，那自然是非常棒的一件了不起的事情，这让人想起来就是件非常不容易实现的目标，更何况起码在中国的创投市场中，到目前为止我们还没有看到人工智能，尤其是认知计算技术被成功创新应用的真实案例。

老实说，针对这样的问题和疑虑非常正常，的确人工智能发展到今天离完全取代人类的思维和认知事物的能力还相距甚远，这不仅仅只局限于在创投市场领域，在其它领域也是如此，特别在具体的商业场景的应用上，往往并不像系统开发者们宣传的那样，给客户以超出预期的强体验感觉，但是最起码在弱智能领域，将那些重复或者机械的脑力劳动这样的基础性工作用人工智能取代却已经变成了人们最现实的选择。

比如在创投市场中投资人在进行投资决策的过程中就存在者大量的基础性工作，投资人在获得市场融资项目信息数据时，一般都很难在市场中某确定的时间段内获得足够数量规模的信息数据量，并且即便获得也不知道如此庞大的信息数据量中那些数据是自己所需要的，需要对这些信息数据进行分类、筛选、识别和初步判断，这就需要耗费大量的时间成本、人力物力，并且往往专业性和效率也不高，更重要的是从数理统计和概率学的专业角度，需要在信息数据来源的市场范围、数量规模和各种相关数据之间的共性特征等方面都无法保障，从而很难确定你选择的对象是否具有市场真实价值的时效代表性，这将给投资人的决策判断带来非常大的困难和障碍，即便投资人拥有超强的专业技能和智慧。

在没有这些基础必要的工作充分准备支撑下，恐怕也很难发挥出其智慧的真实市场商业价值，显然在这些方面正好是人工智能系统的强项，并且就目前的技术而言也达到了相当成熟稳定的程度。也就是说最起码我们这个“智能系统”工具可以现实的帮助到目前创投市场中的投资人们有效的解决“由于缺乏有效的融资信息数据过滤，会导致信息数据过多，增加投资决策难度的矛盾”。

当然我们的期望值远不止于此，在人工智能和机器学习以及深度学习研究的基础上，会在多层神经网络之中使用新的拓扑学和学习方法，使得神经网络的进化成功解决了多个领域的棘手问题。比如应用了基于“反向传播”为基础的AI模型，包括相互连接层，传输“信号”并调整连接的突触强度（权重），比如可以从输入数据中提取特征并学会做出预测。

深度神经网络的优化始于Transformers，这种方式甚至抛弃了传统RNN/CNN结构，从自然语言本身出发，实现了基于“注意力”机制的Transformers机器翻译网络结构，这得益于动态计算权重的注意力机制，AI系统将采取无监督的，可以从未标记、未分类的测试数据中提取知识，在学习“共性”和对“共性”是否存在做出反应的能力方面，无监督学习的能力几乎达到了人类的认知水平。

在过去十年中，认知计算（CogniTIve compuTIng）技术的出现，其目标是打造可以学习并于人类自然交互的系统，这通过成功击败Jeopardy游戏的世界选手，IMB Watson证明了认知计算的价值。也就是说“凯泰结构洞科技”所研发的这个在创投市场中提供给主要客户“投资人”使用的智能系统工具，其目标也是可以学习并与投资人、初创项目创始人和资源提供者这三类利益群体之间交互的系统，具有规模性、交互性和概率性的显著特征，本质上就是将认知计算技术与互联设备产生的数据和这些设备可以执行的 *** 作结合使用，从而创造出“会思考”的一个“价值生态链智能系统”工具。今天的观点是：人工智能，特别是认知计算技术应用于创投商业决策已经在路上。