专栏名称: InfoQ
有内容的技术社区媒体。
目录
相关文章推荐
涵江时讯  ·  早安!涵江! ·  17 小时前  
36氪  ·  金沙江创投也要「分家」了 ·  昨天  
51好读  ›  专栏  ›  InfoQ

吴恩达:为什么我说人工智能会是划时代的变革?

InfoQ  · 公众号  · 科技媒体  · 2017-04-07 08:55

正文

作者|Andrew Ng
译者| 杨旸
如果说最近的技术圈,有一个名词一直保持着火热的关注度的话,那一定是「人工智能」。如果说以前还在观望AI是不是下一个风口,现在讨论的则是怎样抓住AI的发展机遇了。人工智能永恒的春天已经到来,你准备好了吗?
1 写在前面

本文基于Andrew Ng在斯坦福MSx论坛的演讲(Artificial Intelligence is the New Electricity),经演讲人授权,由InfoQ中文站总结并分享。

2017年2月,前百度首席科学家、Coursera的联合创始人Andrew Ng在斯坦福MSx未来论坛上的一个演讲,吸引了全球的眼球。 他认为,人工智能(AI)对未来许多行业带来的变革,如同100多年前,美国“触电”一样——电对制造、运输、农业(尤其是冷藏)、医疗等等带来了划时代的变革。

AI驱动着百度的搜索和广告,调度百度外卖的快递员,选择路线,和预估运送时间。AI正在彻底改变金融工程,对物流的转变进行了一半,医疗和自动驾驶刚开始,而前景巨大。和“电”带来的变革一样,很难想象哪个行业不会被AI改变。

2 监督学习

驱动百亿的市场容量的,基本上属于同一种AI: 监督学习(Supervised learning),即用AI来确定A-->B的映射——输入A和响应B的映射。

  • 用Email作为输入A,判断是否是垃圾邮件是响应B。

  • 用图像作为输入,识别这是一千种物体中的哪种?

  • 从声音A到文字B,从英文到法文,或从文字到声音。

软件可以学习这些输入A到响应B的映射——有很多好的工具来让机器学习。比如50,000小时的音频和对应的文本,就能让机器学到如何从音频内容转化为文本内容。通过大量的电邮数据和区分垃圾的标签,也可以很快地训练出一个垃圾邮件过滤器。

现在的AI还很初级——A到B的映射而已,不过已经推动着很大的市场。百度有很好的算法来预测某用户是否会点击某广告。向受众呈现更相关的广告,能为互联网营销和广告公司带来极大的赚钱机会。这可能是AI最赚钱的应用。

3 在哪些产品里能用到AI?

产品经理常常希望了解AI能实现的,和不能实现的。一个简单的思路是:一般人能在一秒内想出来的事情,现在或很快就可以用AI自动实现。

AI进展最快的领域正是人能做得到的领域。比如自动驾驶。人类能驾驶,所以AI也能驾驶。在医学影像阅片和分析上,人类放射科医生能够阅片,所以AI也很可能在未来几年内做到。

而人类难以做到的事情,比如预测股市变化,AI可能也难。

原因1:人类能做的,至少是可行的;

原因2:可以利用人类的数据作为培训样本,比如前面提到的输入A和响应B;

原因3:人类能提供指导。如果AI对某个放射影像的结论有误,设计者可以向医生请教,医生所做的正确结论的原因是什么? 进而对AI进行改善。

在Andrew Ng所接触到的80-90%的AI项目中,都遵循这一规律:在人类能做到的领域,AI的进展更快。很多项目的发展一旦超越人类水准,发展也会变得缓慢。这也带来一个社会矛盾: 如果AI和人的水平类似,实质上是跟人类竞争。

4 AI的发展趋势

AI已经出现了几十年了,而近五年发展明显加速,为什么?

当以前的机器学习算法性能上升到一定程度,即使再增加数据样本量(前文谈到的输入A、响应B的A-B映射),性能改善也很有限。似乎超过一定样本量之后,再多的数据也对算法不起作用。

而过去几年,主要由于GPU,我们终于实现了能利用这么巨大的数据集的机器学习软件。将数据输入一个小的神经网络,当超过一定性能后,上升变得平缓。而不断地把数据输入一个很大的神经网络时,即使性能上升没有那么快,也会保持上升趋势,随着数据量的增大,不断提高。

因此,要想获得很好的AI性能,需要两样东西:

  • 很大的A-B映射的数据集;

  • 大的神经网络。现在常用的大型神经网络建立在HPC高性能计算集群上。

现在的大型AI团队包括机器学习和高性能计算两组人,才能获得足够计算能力。百度AI团队里的这两种人员都专注于各自领域,没有人能两者兼备。

5 什么是神经网络?有没可能取代人类大脑?

问题是,我们不清楚人脑如何工作,所以很难造出取代人类大脑的神经网络。

什么是神经网络?先看个最简单的神经网络:

如果想输入房屋面积,得到房屋总价,可以用面积-总价的一阶近似的线性模型来描述这个神经网络。

或者用更多因素建模,比如通过面积和卧室数,从第一个神经元得到可以支持的家庭人数。再通过所在地址的邮编和社区富裕程度,从第二个神经元得到附近学校的质量。

这就成为一个神经网络。面积、卧室数、邮编、社区富裕程度属于“输入”集合A,总价属于“响应”集合B。

好处在于,当训练这样一个神经网络时,用户无需关心中间因素,诸如家庭人数、安全度、学校质量等,也无需关心每个神经元如何将输入映射到中间结果。只需要给出输入集合A和响应集合B,神经网络将自动形成中间的计算过程和参数。当A和B的集合足够大,神经网络可以自动算出很多东西。 神经网络看上去非常简单,让很多初学者觉得有点失望,但它确实能解决很多问题。关键在于数据量要够大——几万或几十万个样本本身能提供大量的信息,而软件本身只是一小部分。

6 如何保护AI业务?

AI研究较前沿的团队都比较开放,常常发布研究成果。百度的AI研究论文也没有隐藏什么成果——在人脸识别等论文里,都分享了所有的细节。既然很难把算法本身隐藏起来,如何保护AI业务? 当前稀缺资源有两种,一种是数据,二是人才。获取巨量数据很难,要包括输入A+响应B。比如语音识别用了5万小时的音频来训练,今年准备用10万小时,相当于百度10年积累的音频。

以人脸识别所用的训练图像数量为例,

  • 学术上最常用的基准测试/比赛:1百万幅;

  • 所用图像数最多的计算机视觉对象识别学术论文:1500万幅;

  • 百度用来训练世界上最先进的人脸识别系统:两亿幅!

如果只是5-10人的研发团队,很难获得这样规模的数据。百度这样的大企业的经常推出一些新产品不一定是为了营收,而是为了数据,然后通过后续的产品来获得收益。

另一个稀缺资源是人才。AI的应用需要根据具体业务场景来定制。仅仅下载个开源包,无法解决问题。实际情况下,是否适合用某种垃圾邮件识别或语音识别技术?针对某种场景,机器学习怎么用? 所以各个公司都在为数据挖掘争夺AI人才,来定制AI技术,找到所需要的A和B各自代表什么,怎么找到这些数据和如何调整算法来适应业务场景。

AI的良性循环


  • 先做出某种产品。比如通过语音识别,以语音实现搜索;

  • 然后吸引来很多用户,用户产生数据;

  • 再通过机器学习,用数据改善产品。

这就形成了AI产品的良性循环。最好的产品能获得最多的用户,带来最多的数据,通过现代机器学习体系,能得到最好的AI,最终让产品变得更好,周而复始。

百度发布新的产品,会特别考虑怎样推动这样的良性循环,会包括相当先进的产品发布策略,比如按地理区域、细分市场等,来更好地推动这个循环。

这种良性循环的理念很早就有了,只是最近变得更加明显。正如前文所述,当数据超过一定规模后,传统AI算法无法明显改善AI性能,因此数据多的优势不明显,大公司也很难保护自己的AI业务。现在数据越多,AI性能越好,大公司也更容易保护自己的优势。

AI炒作的非良性循环

许多人担心AI会不会取代或威胁人类。有一小部分研究AI的人专门从事对“邪恶AI”的炒作,以获得投资人或政府机构的投资,来研究“反邪恶AI”。道高一尺,魔高一丈,又进一步推动对“邪恶AI”的炒作,从而形成非良性循环,非常不健康。

担心AI变得邪恶,类似于担心火星的未来人口过剩。现在看不出AI将会怎样走偏,因此也谈不上有针对地研究相应措施。 研究本身没有问题,不同的研究是好事,但是对邪恶AI的研究占用不恰当的资源,就不应该了。两个人,或者10个人来研究邪恶AI也许没问题,但是现在投资得太多。

AI对就业的影响

AI对就业带来的影响更让人担心。有些AI项目确实是瞄准了某些人类岗位,而从事这些工作的人并不清楚严重性。硅谷创造了大量财富,但也应该对其造成的问题承担责任,比如造成的失业问题。AI取代人类岗位的现实问题,更应该引起重视,而不是被邪恶AI的炒作转移了注意力。

7 AI产品管理

AI是个让人兴奋的领域,同时也存在一些挑战。 如何将AI融入公司业务?

产品经理的职责是找到用户喜欢的,而工程师的角色是做出可行的产品。两者共同协作,才能做出理想的产品。

AI是个新生事物,所以技术公司以前的流程和工作方法,不太适用。硅谷的产品经理和工程师的合作已有一套标准流程。比如开发APP时,产品经理先画出线框图,比如logo, 按钮,各个板块等,工程师再写出代码来实现。 但是AI的APP无法通过画线框来描述。通过什么形式,把产品经理头脑里对AI产品的功能要求明白地分享给工程师呢?

比如开发语音识别系统,实现语音搜索,有很多改善方向。比如:

  • 在嘈杂环境下如何改善,比如车里或咖啡馆?

  • 仅改善窄带语音信号;

  • 对不同口音改善;

百度发现,产品经理通过数据和工程师沟通,是个较好的办法。 产品经理负责提供测试数据集给工程师,比如一万个音频和对应的文字,来说明所关心的问题,工程师也能更明白需要解决的问题。如果这些音频里有大量车辆噪音,工程师就知道车辆噪音是问题。 如果是混合了几种不同噪声,工程师也能想办法解决。最糟糕的情况是,产品经理提供的测试数据,并不能代表自己想解决的问题,那就出问题了。

同时,新产品设计的流程有很多, 比如想设计一个交流型AI机器人:

  • 人:“我想叫个外卖”;

  • AI:“你喜欢哪种类型餐馆?”;







请到「今天看啥」查看全文