从精确性到灵巧性：机器人需求推动的技术变革

共享单车下半场，日渐迎来尾声了。此前，笔者独家获悉，酷骑单车致信员工称，目前公司资金确实非常紧张，甚至可能会影响到公司的正常运营，让员工自愿选择去留。

继重庆的悟空单车没搞几个月就宣布倒闭后，又一家共享单车面临资金困局。尤其是酷骑单车被指出现押金退款难问题，部分用户无法在平台承诺的7天内收到退款，且客服无人接听。更有公司前员工向记者爆料，酷骑单车和P2P公司共用财务，员工自己都偷退押金。

除了酷骑单车，陷入资金困局的还有小鸣单车。因8月以来小鸣单车退还押金的消费者投诉激增，广州市消委会发出调查函督促企业尽快实现押金即还即退。从共享单车屡被曝出资金困境来看，市场即将迎来终局的信号释放的愈加明显。

6月底，ofo创始人戴威表态，ofo在2018年能实现海内外全面盈利；前两日，ofo投资人朱啸虎便在复旦首席经济学家论坛上放言，摩拜和ofo合并才能盈利。这恰恰说明，面对共享单车目前两极争霸带来的巨额投入，投资人无法看到短期内盈利的可能性，因此希望走回网约车的老路，通过摩拜和ofo合并，最大限度地占据市场份额，从而持续放大规模效应，寻求通过降低边际成本等路径获取其他收益。

ofo和摩拜尚属业内龙头，对于二三梯队成员来说，前路更加艰辛。据不完全统计，截至2017年7月，全国共有共享单车运营企业近70家，累计投放车辆超过1600万辆。这意味着除了摩拜和ofo，剩下60多家第二、第三梯队共享单车企业的日子更难过，毕竟它们无法获得摩拜和ofo如此多的融资，也不具备与之相对应的市场投放量。而随着各地对于共享单车投放设置限制性条款，机器人维修，以及一二线城市的需求量饱和，第二、第三梯队共享单车企业不可能像摩拜和ofo一样，再通过高速扩张的故事来吸引投资人。

寻回网约车的老路，并非不可能，但步子却卖得有点大。

相比网约车可以做社会化车辆的增量，共享单车最大的问题在于，只能靠自己投放，这是典型的重资产运营。一旦融资无法支撑，资金链很容易断裂。不久前，已经上市的永安行砍掉共享单车业务逾六成股权，对于这次出让股权的原因，永安行明确表态称，是对共享单车业务不看好。永安行半退出共享单车市场，以及悟空单车倒闭、酷骑单车爆出资金危机，是共享单车市场洗牌的印证。

不过，对于用户而言，最担忧的还是押金及其他权益可能因此受到损害。

正因如此，对于这场市场洗牌，监管层需要保持足够敏感性。比如，对所有共享单车企业构建信息联动机制，有必要提上日程了。

尤其是用户押金方面，虽然之前已有北京、天津、深圳、成都、上海、南京、济南、海口8个城市先后发布了征求意见稿或管理办法，要求共享单车押金由第三方监管，但从意见稿、管理办法到实际执行之间存有不短的时间差。在如今已成红海的共享单车市场，时间关乎着生死，更关乎用户权益。

如何制定完善的信息联动机制，并尽快落地，真正让共享单车的用户押金管理规范化，是监管亟待解决的下一问题。

当前，共享单车进入政策出台密集期，资金放量、用户放量所带来的野蛮生长时代一去不复返。面临接下来或将出现的共享单车倒闭潮，相关部门要加紧细化监管规则，做好防火墙，如此才能倒逼行业发展趋于规范，走向理性。

人工智能+专家+高性能计算>顶级专家

其中人工智能就是搜索技术、剪枝技术，高性能计算就是那些芯片，专家是加入深蓝小组的一些国际象棋大师级棋手。所以，这件事意义非凡，这是人类历史上第一次人工智能在复杂博弈问题上战胜人类。在这一点上，深蓝的贡献超过了阿尔法狗。

下面就到围棋了，看一下阿尔法狗是怎么做的。两个所谓的大脑就是两个神经网络。这样一说其实又容易给我们造成一些误区，好像阿尔法狗技术跟以前的人工智能博弈没有关系，其实不是的。

这两个网络在理论上都是我前面跟各位介绍的决策论模型中的东西，都是马尔可夫决策里面的东西。但是它是有创新的，通过引进机器学习技术，直接学习Policynetwork和Valuenetwork，绕过了概率转移函数，直接学出了回报函数，根本不去学概率转移矩阵。

也就是说，现在阿尔法狗也还是学不了概率转移矩阵，所以它绕过去了。但新闻报道里没有人说这个事，说的都是深度学习。其实深度学习技术支撑了阿尔法狗的理论创新。

我们分析人工智能获得成功的领域，发现都有一些共同的特征，一个是确定性的，比如下棋就是确定的，一个子落在哪里不能含糊。还有一个是规则化，下棋一定是有明确规则的。第三，环境也是结构化的。在这三个条件成立的场景中，人工智能已经可以超过人。但三个条件之一不成立，人工智能就不行了。

当然我们也得留一个尾巴，做阿尔法狗的公司是不是有一些没有公布的东西，而那些东西能够超越这三个要求，超越固定性、规则性和结构化的局限仍然可以战胜人类？如果有这样的技术，那是非常强大的，同时也就变得非常危险。但目前我们看到的已经公开的技术是无法超越的，现有成果是在这三个条件下的科技创新。

机器人应用的新需求

既然是有条件的，在这些条件下，这些新的智能技术能不能用来满足机器人应用的新的需求？

如果有一个人在家里摔倒了，你不知道摔在什么地方，没有夹具把他夹住的，机器人要去找，要观察他是不是真的倒了，倒的是一个人还是一条狗。找到以后先通过对话询问，你感觉好不好？是自己累了在地上躺着休息休息，还是需要我帮助？如果需要帮助，需要什么帮助？是需要拿药，还是抱起来？抱起来现在还不容易做到。

这个过程显然跟工业机器人完全不一样，环境没有精确化，环境中的对象都得靠机器人自己去感知，而且是变化的，比如人每次摔倒的位置可能都不一样。所以家庭应用真的是挺难的，但确实是人类所需要的。

还有一个更难一点的应用，即救援机器人，救援比在家庭里提供服务更复杂。

你执行了一个动作，这个动作的结果是什么？你事先是不知道的，没有办法确定的。很多复杂的环境因素决定了行动的结果。这就是所谓的不确定性。当前国际人工智能最大的挑战就在于不确定性问题。救援就是不确定性问题的一个非常好的例子。

精确性-灵巧性谱系

工业机器人具有最大的精确性，最少的灵巧性。再看手术机器人，它和工业机器人不是同类，却也很成功，为什么？因为手术机器人也是主要靠精确性的，灵巧性很少。手术前医生为患者打麻药，再捆皮带，确保患者在手术过程中不会乱动，库卡机器人，而且很多手术机器人是人来操作的，这样就多了一些灵巧性。