【编者按】转眼间人机大战已有21年历史，人们对人工智能的期待绝不是一次又一次的在象棋和德州扑克领域打败人类，而是期待这种技术能够为人类在各领域的发展带来更多可能性。本文作者人工智能领域的资深投资人龙滔，将人工智能应用分成物理世界应用、数字世界应用、物理世界的非关键性应用、数字世界的非关键性应用四大类，结合美国人工智能年会(AAAI)上8家科技公司人工智能的技术主管在各自领域的技术进展进行了深入的分析，指出了目前人工智能在实践应用方面的难点及相关领域创业公司的发展机会。
本文发自“硅谷密探”，作者：AI严肃说，亿欧转发，供业内人士参考。
从实际应用角度来看，关键性的应用几乎不允许发生错误，一旦发生故障可能造成人员和财产损失，所以对整体系统包括硬件和软件的可靠性要求非常高，实现难度也随之加大。
而面向物理世界的应用，要求系统的鲁棒性强，能够处理物理世界的各种不确定性和复杂性。
因此，从数字/物理世界、关键/非关键应用两个维度来分析，人工智能的应用分成四大类：
第一类是发生在物理世界的关键性应用，比如无人驾驶，毕竟人命关天。
第二类是发生在数字世界的关键性应用，比如涉及到金融领域和计算机安全领域的问题，可能直接造成财产损失。
第三类是发生在物理世界的非关键性应用，比如扫地机器人。
第四类是发生在数字世界的非关键性应用，比如推荐系统。就商业应用路线而言，一般规律是从数字世界的非关键应用开始，逐步渗透到物理世界的关键应用。
发生在物理世界的关键性应用
总体而言，发生在物理世界的关键性应用技术难度非常大，比如高级别的无人驾驶，是需要长时间的培育和等待的领域。
“AI in Practice”的演讲者之一，来自谷歌的Vincent Vanhoucke以及Waymo(谷歌的无人驾驶公司)的Dimitri Dolgov都分享了一些研发机器人和无人驾驶的经验和教训。
Vincent所带领的Google Brain团队目前工作主要集中在三个领域：语音识别、计算机视觉、机器人。而Dimitri引用了加利福尼亚车管局(DMV)提供了2016年关于无人驾驶里程及失灵（Disengagements）的数据（失灵时需要人类司机来驾驶），这个数据也基本验证了无人驾驶的难度。
失灵比例最低的是谷歌，每5128英里失灵1次，可以想象的是，谷歌无人驾驶的测试数据依旧是在一定的限定环境下，特斯拉则是3英里就失灵1次。
即使是按照谷歌无人车现在这个数据，在驾驶如此高频的情况，离完全的无人驾驶（Lever4or5）还有很长一段距离。
按照长期以来的工业界的实践，把可靠性从90%提升到99%，往往比0%提升到90%难很多，然而从99%提升到99.99%比从90%提升到99%更难，而我们对无人驾驶可靠性的要求可能要超过99.9999%。
实现固定场景的几个英里的无人驾驶距离实现高级别无人驾驶还有漫长的一段路要走，此外无人驾驶汽车从设计到生产的周期还需要额外的3到5年的时间，该行业的创业公司的周期会非常长。不过值得一提的是，限定场景（比如高速公路）下的无人驾驶或者辅助驾驶依然很有意义。
Vincent Vanhoucke演讲的最后一部分集中在机器人！他说之前还没进入机器人领域时，看到DARPA挑战赛中机器人的各种摔倒镜头会大笑，然后真正开始接触之后，就再也笑不出来了。机器学习的研究人员会想当然地认为机器人已经大规模使用机器学习技术、想当然地认为机器人和环境状态完全已知、想当然地认为样本充足、想当然地认为计算机模拟十分逼近真实物理世界。从这个角度，机器人领域给机器学习提供了很多有意思的话题。
第一：如何协调感知和执行是机器人的关键。
机器人的感知是软件层面，而执行则是机械层面。做算法的不懂机械，做机械的不懂软件往往是业界共同面临的问题。