在AI熱潮之下，你該如何構(gòu)建一個更理性更純粹的思考框架？

裁員！最近，人工智能健康領(lǐng)域的老大哥 IBM沃森健康（Watson Health）傳來了裁員達70%的消息，備受業(yè)內(nèi)關(guān)注，甚至有金融分析師稱這個部門是燒錢的無底洞。

那么，在AI熱潮之下，你該如何構(gòu)建一個更理性更純粹的思考框架？這一次，邢波教授可謂將AI的邊界問題講透了。

?我們?nèi)ト藶榈闹圃煲粋€謊言，最后這個謊言被戳穿以后，反而是那些誠實工作的人，去承擔(dān)懲罰。這對研發(fā)人員很不公正。

——邢波

邢波，師從機器學(xué)習(xí)泰斗級學(xué)術(shù)大咖Michael Jordan，卡耐基梅隆大學(xué)機器學(xué)習(xí)和醫(yī)療中心主任，同時，他還是生物化學(xué)與計算機科學(xué)的雙料博士，創(chuàng)立了通用機器學(xué)習(xí)平臺Petuum，并獲得了軟銀投資。

挑戰(zhàn)Facebook的1億用戶

一次不“體面”的經(jīng)歷

現(xiàn)在的人工智能，正在面臨一個非常非常實際的工程問題——規(guī)模瓶頸：

你的算法可以在實驗室的單機上實現(xiàn)，可到了現(xiàn)實環(huán)境中，就可能不行。

我講下在Facebook的經(jīng)歷。

大概2011年左右，我們做了一個比較成功的社交建模——

依靠擁有100萬人的好萊塢影星數(shù)據(jù)庫，可以實現(xiàn)對人進行分類和精準推薦。

但當(dāng)我把這個模型部署在Facebook里1億規(guī)模的用戶上時，結(jié)果相當(dāng)讓人失望：

原則上，6分鐘能算完100萬個，如果有1000臺機器，那么，0.6分鐘就可以算完，但結(jié)果呢？

不要說0.6分鐘了，1星期都沒有算完，中間就卡了。

>>>>

算法也沒有錯，建模也沒有錯，機器也有，但為什么還是卡了？

指揮1000人的部隊和指揮一個人是不一樣的，當(dāng)你把算法放在1000臺機器上時，涉及到一個機器之間通訊的問題。

比如，機器學(xué)習(xí)需要不斷遞歸迭代，每次迭代需要握一次手，告訴我，迭代完了，或者還沒迭代完，你得等一下，等一次就是一個門檻。當(dāng)你有好幾臺機器迭代的時候，他們的速度是不一樣的，每一次，你都要等到最后一個機器完成以后，才能往前走。

所以，這就涉及一個非常關(guān)鍵的問題：

機器學(xué)習(xí)作為算法理論工具，作為模型，跟它的計算設(shè)備，有著重要關(guān)聯(lián)，新的AI程序需要新的AI引擎，就像新的飛機設(shè)計必須有新的引擎來助推。

作為一個成熟的人工智能學(xué)者，不僅僅是要成為一個算法專家或者建模專家，你不能把活扔給程序員，讓他們實現(xiàn)，而是要對任務(wù)和工作環(huán)境，有更深刻的理解。

舉個例子，人工智能在工程實現(xiàn)上，目的性非常強，而操作方式，實際上是次要要素。

比如，你要飛行表演，隊形完整即可，不必飛的太快，即可以損失效率；但如果飛機是去救火，飛行姿態(tài)其實不必特別精準同步，以換回效率。

掘金AI

AI架構(gòu)者必須要思考9個關(guān)鍵問題

>>>>

如何把握AI的未來機遇？

先說個故事，美國早期，很多人去加州淘金，但實際上靠淘金致富的真不多，最后真正的巨富，我記住的是這樣兩個人：

造牛仔褲的李維·斯特勞斯，當(dāng)時，他給一些工人制作裝備和衣服；

造工具鐵鍬的薩姆·布瑞南，因為每個挖金人的都需要鐵鍬。

同理，AI 也有很多落地場景：你可以從數(shù)據(jù)里生成產(chǎn)品或是生成服務(wù)，也可以為AI的研發(fā)者或者使用者，提供他們所需要的工具。

所以，你可以好好思考一下，你的機會是在AI價值鏈的哪一端呢？

現(xiàn)今，科技公司的人工智能解決方案面臨的最大瓶頸是：無法像商品一樣，以可控的成本，進行大量的創(chuàng)造和復(fù)制。

所以，要實現(xiàn)靠譜的，有用的，可用的AI，必須要跨越手工坊制作，采用標準化的工業(yè)量產(chǎn)模式。就好比造車，先把零件弄好，然后產(chǎn)生一個供應(yīng)鏈，最后做一個組裝。

我們希望通過這樣的嘗試，把人工智能從獨門秘笈、黑科技，往工程的方向做一個推動：

使它對于語言的依賴、設(shè)備的依賴和對于界面依賴弱化，讓不同的人，像我們使用電或者使用微軟的文字工具一樣，各取所需，而不是說非要雇一個Chief AI Officer，或者雇一大堆博士，做手工作坊式的研發(fā)。

>>>>

總之，一個成熟的AI架構(gòu)者要學(xué)會思考以下9個關(guān)鍵問題：

①建立一個完整的，工程上可信的解決方案，而不是一個玩具或是Demo；

而且，這個體系可插入可拔出，是一個插件式的平臺，就像你做一個汽車生產(chǎn)線一樣，產(chǎn)品升級，更換零件或者更換局部就可以，不必拆掉整個產(chǎn)品線重來。

②可復(fù)制性；

別人也可以用，而且也可以做出來。

③經(jīng)濟可行性；

④適用于各種用戶的特殊狀況；

舉個例子，比如波音公司生產(chǎn)飛機，要為每一個用戶造一家不同的飛機嗎？不用，提供基本的飛機引擎、機身、操作軟件等就可以。

換句話說，用戶的個性需求和生產(chǎn)商提供的解決方案，兩邊應(yīng)該在中間相遇，而不是在某一端相遇，這是現(xiàn)在人工智能還比較缺少的設(shè)計思路。

⑤結(jié)果可重現(xiàn)；

⑥理解解決方案是如何建構(gòu)起來的；

⑦可解釋性，尤其是出現(xiàn)意外結(jié)果時知道哪兒出了問題；

⑧能交流結(jié)果，讓大家也能重現(xiàn)你宣稱的結(jié)果；

⑨清楚什么能夠做到，什么不行。

舉個例子，我可以告訴你，我在5年之內(nèi)不準備坐自動駕駛車，或者我強烈要求自動駕駛車有方向盤，我自己得握著，為什么呢？

因為作為一個研發(fā)者，我很清楚，現(xiàn)在很多算法包括深度學(xué)習(xí)算法里的因果性，還沒有搞清楚。

人工智能會超越人類嗎？

要警惕對學(xué)科的傷害

很多人認為，人工智能的發(fā)展，會像摩爾定律一樣，實現(xiàn)指數(shù)型爆炸，但現(xiàn)實是，摩爾定律有堅實的數(shù)據(jù)基礎(chǔ)，人工智能沒有。

人工智能的發(fā)展是有邊界的，并且最終會收斂，而且，它收斂的地方并不是在人類智能，甚至還可能會出現(xiàn)倒退。

比如最近，一向熱衷激進部署機器人工廠的埃隆·馬斯克，在Facebook上承認，工廠自動化了以后，效率沒有提高，反而下降了。

>>>>

那么，人工智能不能做什么呢？有以下3個方面：

①機器無法提出問題；

人是很善于挑戰(zhàn)未知，去提出問題的，但對于機器來說，提出一個未知問題（不是根據(jù)書本的內(nèi)容知識，來提測驗問題），發(fā)現(xiàn)一個新的物理定理和數(shù)學(xué)定理，這一點非常非常難，我不相信在可預(yù)見的將來，有任何的算法或者模型能夠做到這一點。

②機器也無法知道未知的問題；

有一種說法，對人的修養(yǎng)和學(xué)識的衡量標準之一是，你是否知道未知，這一點，機器也不知道。

因為機器對邊界沒有感覺，它并不知道在它的知識范圍之外，還有什么東西它不知道，這是不能被設(shè)置的功能。

③機器難以從小數(shù)據(jù)學(xué)習(xí)，依然需要人工架構(gòu)和調(diào)教。

人的學(xué)習(xí)都是通過小數(shù)據(jù)來開始學(xué)，依靠環(huán)境、先驗知識和邏輯思維的綜合方法，從不同的數(shù)據(jù)里面來獲得知識，然后他們還能綜合、成長。

這也是人工智能相當(dāng)弱的地方，而且即便可以實現(xiàn)，到了工程層面，其性能也是相當(dāng)不穩(wěn)定。

它需要有非常非常激進的調(diào)參，非常非常神秘的獨門暗器，各種各樣的秘訣敲門，這都妨礙了人工智能的商業(yè)化、規(guī)?；?。

>>>>

另外一個問題，人工智能會超越人類嗎？

實際上，人工智能和人類智能是兩條不一樣的路。

成功的人工智能體現(xiàn)的是機械或者工程美學(xué)，而人類智能是自然的美學(xué)，或者是一種生物、哲學(xué)上的美。

所以，我的觀點是：

①在有限規(guī)則的特定任務(wù)下，機器超越人類的水平只是時間問題。

比如算數(shù)學(xué)題、下圍棋、打撲克，規(guī)則一清楚了以后，結(jié)果就確定了，不必吃驚。

②在非結(jié)構(gòu)化的場景下，即使簡單的情感識別問題，機器仍然沒有突破人類。

比如，這位女生到底是高興了還是難過了？這樣的程序其實是寫不出來的。

總之，在可預(yù)期的將來，人機協(xié)作才是真正的方向，人類不應(yīng)該害怕人工智能或者機器學(xué)習(xí)，而真正應(yīng)該擔(dān)憂的是什么呢？

人別到時候跟機器一樣，變得冷酷或者完全沒有人性，這是值得關(guān)注的。

小結(jié)

最后，我想為人工智能的從業(yè)者，那些沉默的大多數(shù)，不太在網(wǎng)上出聲，也不太會獲得相應(yīng)運作利益的那些人，說幾句話：

由于資本的驅(qū)動、人性的弱點，或者由于其他的一些因素，我們看到了人工智能被追捧，但由于并沒有跟現(xiàn)實來匹配，結(jié)果就產(chǎn)生了一個預(yù)期和現(xiàn)實的落差，最后的受害者是誰呢？

對學(xué)科的傷害。我是相當(dāng)痛心的。

因為在前兩個人工智能的低谷期，其實有大量的天才和非常非常誠實、踏實的研究者，由于這樣的誤解，得不到經(jīng)費、支持、和理解，他們最后不得不離開這個行業(yè)。

這樣的現(xiàn)象正在發(fā)生。

我們?nèi)ト藶榈闹圃煲粋€謊言，最后這個謊言被戳穿以后，反而是那些誠實工作的人，去承擔(dān)懲罰。這對研發(fā)人員很不公正。

所以，希望大家對待人工智能，能夠更理性更純粹一些。