共享單車下半場，日漸迎來尾聲了。此前，筆者獨家獲悉，酷騎（qí）單車（chē）致信員工稱，目前公司資（zī）金（jīn）確實非常（cháng）緊張，甚至可能會影響到公司的正常運營，讓員工（gōng）自願選擇去留。
 
　　繼重慶的悟空單車沒搞幾個月就宣布倒閉後，又（yòu）一家共享單車（chē）麵（miàn）臨資（zī）金困局。尤其是酷騎單車被指出現押金“退款難”問題，部分用戶（hù）無法在平台承諾的7天內收到退款，且客服無人接聽。更有公司（sī）前員工向記者爆料，酷騎單（dān）車（chē）和P2P公司（sī）共用財務，員工自己都偷退押金（jīn）。
 
　　除了酷騎單車，陷入資金（jīn）困局的還有小鳴單車。因8月以（yǐ）來小鳴單車退還押金（jīn）的消（xiāo）費者投（tóu）訴激增，廣州市消委會發出調查函督促企業盡快實現押金“即還即退”。從共享單車屢（lǚ）被曝出資金困境來看，市場即將迎來終局（jú）的信號（hào）釋放的愈加明顯。
 
　　6月底，ofo創（chuàng）始人戴威表（biǎo）態，ofo在2018年能實（shí）現海內外全麵盈利；前兩日，ofo投資人朱嘯虎便在複（fù）旦首席經濟學家（jiā）論壇上放言，“摩拜和ofo合並才（cái）能（néng）盈利（lì）”。這恰恰說明，麵對共享單車目前兩（liǎng）極爭霸帶來的巨額投入，投資人無法看到短期（qī）內盈利的可能（néng）性，因（yīn）此（cǐ）希望走回網約車的老路，通過摩拜和ofo合（hé）並，最大限（xiàn）度地占據市場份額，從而持續放大規模效應，尋求通過降（jiàng）低邊際成本等路（lù）徑獲取其他收益。
 
　　ofo和摩拜尚屬業內龍頭，對於二三梯隊（duì）成員來說，前路更加艱辛。據不完（wán）全統計，截至2017年7月，全國共有（yǒu）共（gòng）享單車運（yùn）營企業近70家，累計投放車輛超過1600萬（wàn）輛。這意味著除了摩拜和ofo，剩下（xià）60多家第二、第三梯隊（duì）共享單車（chē）企業的日子更（gèng）難過，畢竟它（tā）們無法獲（huò）得摩拜和ofo如此多的融資，也（yě）不具備與之相對應的市場投放量。而隨著各地（dì）對於共享單車投放設置限製性條款，以及一二線城市（shì）的需求量飽和，第二、第三梯隊（duì）共享（xiǎng）單車企業不可能像摩拜和ofo一樣，再通過高速擴張的故事來吸引投資人。
 
　　尋回網約（yuē）車的老路，並非不可能，但步（bù）子卻賣得有（yǒu）點大。
 
　　相比網約車可以做社（shè）會化車輛的增量，共享單車最大的問題在（zài）於，隻（zhī）能靠自己投放，這是典型的重資產（chǎn）運營。一旦融資無法（fǎ）支（zhī）撐，資（zī）金鏈很容（róng）易斷裂。不久前，已經上市的永（yǒng）安行砍掉共享單車業務逾六成（chéng）股權，對於這次出讓股權的原因，永安行明確表態稱，是（shì）對共享單車業務不看好。永安行半退（tuì）出共享（xiǎng）單車市場，以及悟空單車倒閉、酷騎單車爆出資金危機，是共享單車市場洗牌的印證。
 
　　不過，對於用戶而言，最擔憂的還是押金及其他權益可能因此受到損害。
 
　　正因如此，對於（yú）這場市場洗（xǐ）牌（pái），監管（guǎn）層需要保（bǎo）持足夠敏感性。比如，對所有（yǒu）共享單車企業構建信息聯動機製，有必要（yào）提上日程了。
 
　　尤其是用戶押金方麵，雖然之前已有北京、天津、深圳（zhèn）、成都、上（shàng）海、南京、濟南、海口8個城市先後發布了征求（qiú）意見稿或（huò）管（guǎn）理辦法，要求共享單車“押金”由第三方監管，但（dàn）從意見稿、管理辦法到實際執行之間存有不短的時間差。在如今已成紅海的共享單車市場，時間關乎著生死，更關乎（hū）用戶權益（yì）。
 
　　如何製定完善（shàn）的信息聯動（dòng）機（jī）製（zhì），並盡快落地，真正（zhèng）讓共享單車（chē）的用戶押金管（guǎn）理規（guī）範化，是監管亟（jí）待解決的下一問題。
 
　　當前，共享單車進入政策出台密（mì）集期，資金放量、用戶放（fàng）量所（suǒ）帶來的野（yě）蠻生長時代一去不複（fù）返。麵臨接下來或將出現（xiàn）的共享單車倒閉潮，相關（guān）部門要加緊細化監管規則，做好防火牆，如此才能倒逼行業發展趨於規範，走向理性（xìng）。

 
　　人（rén）工智（zhì）能（néng）+專家+高性能計算>頂級專家
  
　　其中“人（rén）工智能”就是搜索技術、剪枝技（jì）術，高性能計（jì）算（suàn）就（jiù）是那些芯片（piàn），專家是加入深藍小組的一（yī）些國際象棋大師級棋（qí）手。所以，這件（jiàn）事意義非凡，這是人（rén）類曆史上第一次人（rén）工智能在複雜博弈（yì）問題上戰勝人（rén）類（lèi）。在（zài）這一點（diǎn）上，深藍的貢獻超過了阿爾法狗。
 
　　下麵（miàn）就到圍棋了，看一下阿爾（ěr）法狗是怎麽做（zuò）的。兩個所謂的“大腦”就是兩個神經網絡。這樣一（yī）說其實又容（róng）易給我們造成一些誤區，好像阿爾法狗技術跟以前的人工智能博弈沒有關係，其實不是的。
 
　　這兩（liǎng）個網絡在理（lǐ）論上都是我前麵（miàn）跟各位介紹的決策論模型中的東西（xī），都是馬爾可夫決策裏麵的東西。但是它（tā）是有創新的，通過（guò）引進機器（qì）學習技術，直（zhí）接學習Policynetwork和Valuenetwork，繞過了概率（lǜ）轉移函數，直（zhí）接學出了（le）回報函數，根本不去學（xué）概率（lǜ）轉移矩陣。
 
　　也就是說，現在阿（ā）爾法狗也還是（shì）學不了概率轉（zhuǎn）移矩陣，所以它繞過去了。但新聞報道裏沒有人說這個事，說的都是深度學習。其實深度學習技術支撐了（le）阿爾法狗的理論創新。
 
　　我們分析人工（gōng）智能獲得成功的領域，發現都有一些共同的特征，一個是確定性（xìng）的，比如（rú）下棋就是確定的，一個（gè）子落在（zài）哪裏不能含糊。還有一個是規則化，下棋一定是有明確規則的。第三，環境也是結構化的。在這三個條件成立的場景中，人工智能已經可以超過人。但三個（gè）條件之一不成立，人工（gōng）智能就不（bú）行了。
 
　　當然我（wǒ）們也得留一個尾巴（bā），做阿爾法狗的公司是（shì）不是有一些沒有公布的東西，而那（nà）些東西（xī）能夠超越（yuè）這三個要求，超越固定性、規則性（xìng）和結構化的局限仍然可以戰（zhàn）勝人類？如果有這樣的技術，那是非常強大的，同時（shí）也就變得非常危險。但目前我們看到的已經公開的技（jì）術是無法超越的，現（xiàn）有成果是在這三個條件下的（de）科技（jì）創新。
 

　　機器人應用（yòng）的新需求
  
　　既然是有條（tiáo）件的，在這些條件下，這（zhè）些新的智能技術能不（bú）能用來滿足（zú）機器人應用的新的（de）需求（qiú）？舉幾個例子。一（yī）個是家庭服務機器人，這（zhè）張（zhāng）圖是服務機器人的比（bǐ）賽（sài），現在（zài）服務機器人還（hái）沒有在家庭裏應（yīng）用。
 
　　這張圖裏有一個人在家裏摔倒（dǎo）了，你不知道摔（shuāi）在什麽地方，沒有夾具把他夾住的，機器人要去找，要觀察他是不是真的倒了，倒（dǎo）的是一（yī）個人還是一條狗。找到以後先通過對話詢（xún）問，你感覺好不（bú）好？是（shì）自己累了在地上躺著休息休息，還是需要我幫助？如果需要幫助，需（xū）要什麽幫助？是需要拿藥，還是抱起來？抱起來現在還不容易做到。
 
　　這個比賽顯然跟工業機器人完全不一樣，環境沒（méi）有（yǒu）精確化，環境中的對象都得靠機器人自己去（qù）感知，而且是變化的，比如人每次摔倒的位置（zhì）可能都不一樣。所以家庭應用真的是挺難的，但確實是人類所需要的。
 
　　還有（yǒu）一個更難一點的應用，即救援機器人（rén），救援比在家庭裏（lǐ）提供服務更複雜。
 
　　你執行（háng）了一個動作，這（zhè）個動作的結果是什麽？你事先是不知道的，沒有辦法確定的。很多複雜的環境因素決定了行動的結果（guǒ）。這就是所謂的“不確（què）定性”。當前（qián）國際人工智能最大的挑戰就在於不（bú）確定性問題。救援就是不確定性問（wèn）題的一個非常好的例子（zǐ）。
 

　　精確（què）性-靈巧性譜係
  
　　這張圖中，工業機器人具有（yǒu）最大的精確性，最少的靈巧性。再看手術機器（qì）人，它和工業機器人不是同類，卻也很成功，為什麽？因（yīn）為手術機器人也是（shì）主要靠精確性的，靈巧性很少。手（shǒu）術前醫生為患者打麻藥，再捆皮帶，確保患者在手術過程中不（bú）會亂動，而且很多手術機器人是人來操作的，這樣就多了一些靈巧性（xìng）。
 
　　最右邊是家庭（tíng）服務機器人（rén），需要很大的靈巧性。在它的右邊是救援機器人（rén），救援機器人我都沒畫到圖（tú）裏。農業機器人比（bǐ）家庭機器人需要的靈巧性要少一些，精確性稍微多一些。這樣一看（kàn），農業（yè）機器人（rén）的投資方向非常好。
 
　　因為農作物在播種前可（kě）以對田（tián）地做一些安排，所以（yǐ）農業生y產（chǎn）其實是（shì）一個（gè）半結構化環境，因此農業機器人難度是比較低的。智能製造需要更多的精確性（xìng），相對（duì）少一點的靈巧性。智能製造（zào）精確性和靈巧性都需要的比較多，所以比農業機器人還要更難一點。
 
　　最有意思的是中間的自主無人駕駛（shǐ）汽（qì）車，出來兩條線（xiàn），左邊一條線需要比較多的精確性，這代表自主駕駛（shǐ）的（de）理想（xiǎng）狀態，包括兩個方麵的要求。一個是路況和所有的交（jiāo）通標識，要求自（zì）動駕駛所需要的交通標識都能夠被無人車傳感器得到。
 
　　另一個是（shì）周圍其他的車輛和行（háng）人都遵守交規。這兩個條件都滿足了，無人車是很簡單的，現在的技術就能實現（xiàn）。但實際上這兩個條件很難滿足，特別是（shì）在（zài）中國，不遵守交規的太多了（le），有的地方交通標識也不是很清晰，有的被破（pò）壞了。這就是現實狀態，需要很大的靈巧性（xìng）（靈敏性、靈活性）。所以在（zài）中國做（zuò）全自主無（wú）人車是非常了不（bú）起的。
 

　　機器人新應用挑戰
  
　　傳統機器人依靠精確性（xìng），新的人工（gōng）智能依賴（lài）確定性。我們麵臨新的應用，需要用靈巧性處理不確定（dìng）性。這是新的應用需求對我們提出的主要挑戰。我們如果能在技術（shù）上對這種挑戰想出一些好的辦法，或（huò）者在工程上想出（chū）好的辦法（fǎ），那就可以滿足新的（de）應用需求。
 
　　需求是“家”，技術是“回家”的路。新的應（yīng）用（yòng）和老的（de）應用是什（shí）麽關係？老的應用相當於我們（men）過去的“家”，新的應用相當於我們有了一個新（xīn）“家”。但是人都有路（lù）徑（jìng）依賴性，我們（men）不（bú）自覺的就會往老（lǎo）路（lù）上走。所以，現在大部分（fèn）機器人（rén）的研發都是立足（zú）於精確性技術途徑的。我理解這（zhè）是一種（zhǒng）路徑依賴性。
 
　　針對我們麵臨的挑（tiāo）戰，中科大發（fā）展了一套靈巧性技術。這裏用（yòng）一個例子加以說明。
 
　　假設想（xiǎng）讓（ràng）機器人給我送一杯水，放桌邊，離我越近越好。但是，由於存在感知誤差（chà）和操作誤差，在誤差區（qū）域內是不（bú）能放（fàng）東西的，那我們就不在（zài）那（nà）個區域放。所以在很多應用（yòng）裏（lǐ），特別是在很多新的應用裏，是不需要太精確的，有些危（wēi）險的區域避開就行了。
 
　　我們提出了一個框架：全局有一個粗略模型，機器人（rén）先按（àn）照粗略模型做一個（gè）全局決策，在執行全局決策的過程中根據任務需要進（jìn）行局部觀察，對全局的決策做局部調整，這樣就不需要對（duì）桌麵形狀、邊緣做精確的度量和建模，就能完成靈巧操作。
 
　　我們（men）做（zuò）過一個實驗，用可佳機器（qì）人來操（cāo）作微（wēi）波爐，加熱食品，整個過程都（dōu）是機器人獨立完成的，現在世界上還沒有第二個團隊（duì）完整實現過。這個實驗和背（bèi）後的技術體係也得過（guò）不少獎。最近我們提出了一個新的框架，將精確性和靈巧性相結合，再加上局部的深度強化學習。我們用新的框架重新開發了係統，開發效率大（dà）大提升了。
 

　　總結
 
　　當前我們（men）所處的曆史（shǐ）階段，一個是工業機器人大規模的應用，已經成功了半個世紀。二是（shì）人工（gōng）智能研究了半個世紀，現在也有一（yī）些新的發展，特別是以深度學習為代表的新技術達到了（le）非常高的水平。
 
　　新的應用需求要處理不確定性，處理不完（wán）全（quán）信息，具體表現為非結構化環境，這（zhè）些需求和現有技術比（bǐ）較還是有一點差距的。不（bú）是說深度學習出來了以後，馬上就能解決我們（men）所有實際問題，其實不能完全（quán）解決。但是，如果我們轉到靈巧性，轉到以靈巧（qiǎo）性為（wéi）核心的技（jì）術體係，現有的很多技（jì）術可以組合起來，那（nà）就能達到很好的效（xiào）果。