说起人工智能的时候，大家都在说是机器具有了人的思维，可以进行情感表达，决策判断。并且通过越多的数据和越长的训练，智能性会越来越高。那么这种智能怎么来评价其可用性，包括怎么训练，怎么集成，怎么选择呢？
人工智能的基础
在这个点上，我们谈一下要做到人工智能需要的几个必备条件。
海量数据
“海量”数据究竟是多少，其实对于不同的学习目标标准是不一样的。训练一个具有智能和学习能力的算法，或许不需要海量，但是足量是必须的。只有在大量有效的，多样的，具有普遍性的数据训练下，才能使得学习算法的各个参数更加符合“智能”的要求。
大型计算平台
机器学习算法大部分情况下需要通过分布式计算方式进行训练，在应用的过程中实现近乎实时的反馈和识别。而这种高并发，大数据的算法执行依赖于一个稳定的，并且代码优化程度极高的计算平台，平台的容错性，计算效率，以及数据存储能力都是非常重要的点。
牛逼的算法团队
算法团队是人工智能的初期大脑，他们设计了一个智能的最初训练方式，整体学习模式，在智能训练的过程中关注着算法的偏差并且不断进行错误纠正。不断使用新的数据和参数以及维度去使得智能更加自然和符合常规。这种智力劳动是无可替代的，也正是这些疯狂的智能专家推动着人工智能逐渐从科幻小说中一步一步到了现实，甚至引起一部分人类的恐慌和伦理批判。也许只有历史才能评说这部分人的意义和价值。
人工智能产品化
人工智能在我看来可以作为一种生产工具，这种工具只有在具体的生产环境中被使用的时候，才能具有价值。试想一下，一个非常厉害的情感分类器，如果没有将它用于具体的沟通平台，IM产品中，不断训练和计算迭代，这个算法本身是没有意义的。所以任何人工智能的算法和工具，都必须融入到业务场景，产品体系中进行产品化。具体包括以下步骤：
产品定义
由一个牛逼的算法可以产生一个产品，比如美图秀秀，本身就是对人脸照片的一些图像处理的计算，但一个产品却不仅仅是算法本身。所以人工智能的产品化，首先在于对智能算法的产品定义，定义这个产品的边界，价值，展示形态，受众人群乃至操作方式等等。
切入点
切入点是指这个人工智能的产品是如何与真实需求融合的，比如说：智能客服，目前支付宝手机端的“我的客服”背后就有一套智能的逻辑在里面。通过语音识别，与知识库对接，找到合适的解决问题的答案。这是一个典型的通过智能算法来解放人力的产品。那么对于其它形式的智能产品，就比如说AlphaGo，作为一个具有高水平围棋技能的智能型产品，找到怎样的切入点进行产品化呢？有可能后续会作为围棋陪练，培训师等等。
智能程度
每个智能算法都是有边界的，尽管其具有非常强的学习能力。在智能算法产品化的过程中，首先要想到的不是他能做什么，而是不能做什么。漏洞永远存在，要考虑这种智能缺陷是否是可控的，尤其是在大规模推进的产品和面向大众的智能服务中，一旦出现bug，怎么进行补救，兜底方案也很重要。
智能产品的平台应用
再接下来就是在大型平台中，智能产品怎样嵌入进去。第一，作为一个独立的产品功能承担一部分工作，比如搜索引擎，智能推荐；第二，作为一个参数结果，供大平台的多维决策；第三：目前大量的服务和判断平台仍然基于规则条件，智能产品可以作为与之并列的一个模块，输出预测型结果，以支持决策的偏差纠正。这个应用过程肯定是循序渐进的，不要企图一下子就能做到多么智能，数据准备，算法调优，模型训练，都是一个长期积累的过程。
人工智能平台的未来猜想
大公司中起步和发展
鉴于以上所述，我们可以清楚的看出，人工智能的研究成本和运行成本是需要体量很大的公司来进行支撑。目前真正进行人工智能研究的，除了高校之外，就是像Google，百度，阿里，Facebook一类的大型公司，人工智能的概念和起步发展肯定是从大公司开始的。
小产品上落地和普及
大公司承担了大量的基础算法研究工作，其成果却极有可能优先应用于小的产品。第一是人工情感类产品，如聊天机器人等；第二是一些具有共性特性成都小的服务产品，如智能客服；第三是与硬件结合，形成玩具类的人工智能产品。这些产品的出现和发展，让人们可以近距离感受人工智能，并且逐渐接受这种新型的技术形式对人类生活的改变。
开源的人工智能平台成为基础服务
人工智能的平台开放也是大的趋势。就像众多的移动开发者平台，开源硬件平台，大型公司提供了平台的算力，数据共享能力，基础算法模块的集成能力。在此基础上的智能产品化和算法优化成为热点。
以上是对人工智能的自我认识和简单猜想。未来一定是智能的时代，不管伦理学家多么反对，不管人的内心是否存在恐惧。技术和数据的发展，带来的必将是不断的巅峰和超越。不过我们也应该小心将来有一天被自己制造的机器人锁在笼子里。
