去年，AlphaGo依賴人工智能挑戰號稱最難的人類游戲圍棋大獲成功，讓人工智能背后的“深度學習”廣為人知，也把谷歌收購的AI科技公司DeepMind推向了鎂光燈下。

　　深度學習需要兩樣東西：海量的計量處理能力和海量的可學習數據（大數據）。DeepMind從匯聚業余和專家棋手的網站中摘選3000萬步棋來訓練AlphaGo。他們并對AlphaGo稍作改動，制造出它的一個分身，讓兩者互搏，從而更迅速地生成更多訓練數據。按照DeepMind的CEO及聯合創始人哈薩比斯的計劃，公司的目標是發明類似人腦運作方式的AI新算法，正因如此，公司聘用了大批神經科學家。哈薩比斯稱，從人腦尋求靈感使DeepMind大大有別于其他機器學習研究團隊。雖然DeepMind的方法并沒有完全排除蠻力計算，但AlphaGo的自學法與人類下圍棋的方法接近的程度要遠高于“深藍”和人類在下國際象棋上的接近度。

　　提起“深藍”，馬上就能想起二十年前這臺IBM的超級計算機擊敗國際象棋冠軍卡斯帕羅夫的例子，當時機器第一次在人機大戰中獲勝。而Waston（沃森）就是深藍的后身。沃森在2011年大放異彩，因為當年它贏得了美國電視智力競猜節目《危險邊緣》（Jeopardy！）特別版的冠軍。面對節目中用充滿雙關的英語提出的費解問題，沃森能做出分析并在巨大的自然語言數據庫中尋找線索，將這些線索合成答案，再用語音的方式回答，從而擊敗了美國競猜節目中最聰明的人腦。被沃森打敗的人類選手詹尼斯當時就感慨道：“我，代表本人，歡迎我們新的電腦霸主。”

　　與DeepMind力圖學習人腦運作方式創建新算法的做法不同，沃森背后依賴的是被IBM稱之為“認知計算”的原理，其核心是所涉軟件能自我修改從而不斷學習。沃森會把拿到的問題和一個潛在答案數據庫做比對，從中生成一個羅列各種可能答案的長列表。然后它用大量其他數據庫如百科全書、醫療文檔、音頻或圖片的內容來給這些答案打分。事實核查算法會根據資料來源的可信度來調節這個過程，然后一個（或常常是幾個）最可能是正確答案的結果被挑選出來。最后一步是由人類專家評定和微調這些結果，在一個迭代過程中完善它們（從而教導軟件該做什么），直到該系統被訓練得足夠好而可向外界發布。為達到這一目標，IBM雇用了一批語言學家、心理學家、社會學家及編程人員，人機結合是沃森的重要賣點。

　　不管從什么方式去設計并改進算法，沃森與DeepMind所代表的人工智能研究都需要大量的數據幫助算法進行學習，盡快將人工智能推向市場，有助于它們在實踐中學習，再學以致用。

　　IBM推動沃森商業化應用的步伐要早一些。2014年，IBM就把沃森開放給一般商業用途使用，讓企業創造和銷售自家基于沃森的應用。為此，IBM還設立了一個價值1億美元的基金來支持那些使用沃森背后技術的創業公司。一年多以前，IBM發布了一套新工具來幫助外部人士開發沃森的商業應用。

　　如今，沃森在醫療、法律等領域都已經有了比較成熟的應用，而最新的應用在金融監管合規領域。IBM意識到每年在監管和合規方面的巨大支出（它預計達2700多億美元，僅是理解監管要求就要花掉200億），2015年初開始在沃森上開發這一業務功能。大量可能的違規手法被輸入沃森，它可以對交易模式和各種交流內容（從公開信息到社交媒體）進行分析，這種監察還能延伸至交易對手方的人際網絡，以厘清復雜的關系。同時，IBM希望旗下金融咨詢公司Promontory熟悉金融領域監管及變化的專家能幫助沃森學習。

　　相比之下，DeepMind剛剛開啟在各個領域內的應用。去年七月，谷歌宣布DeepMind已找到方法將谷歌數據中心的制冷用電量減少五分之二。它的算法先分析數據中心的操作日志來理解任務，然后通過反復模擬運行來優化過程。同樣，DeepMind也已經進入醫療行業。去年11月，公司獲得了首個付費工作，與NHS公立醫院皇家自由倫敦醫院（Royal Free London）簽下五年的合同，為其處理170萬份病歷。

　　人工智能的競爭已經開始，谷歌、Facebook、微軟、亞馬遜、百度和IBM等全球IT巨頭都已投身其中，沃森與DeepMind只是廣為人知的兩個例子。在這場人工智能的比拼中，獲取現實世界的大數據至關重要。即使擁有大量數據的可供挖掘的谷歌，運用AI及機器學習技術改進醫院、電網及工廠等系統時，獲取其具體操作數據也非常重要。IBM開放沃森平臺給各個行業開發應用，也是在積極獲取分析各種大數據的機會。人工智能算法通過對各類大數據的分析學習所獲得的改進和汲取的知識與洞察，可能是這場競爭的最大標的。