在當今的數(shù)字經(jīng)濟中，沒有什么資產(chǎn)比數(shù)據(jù)更有價值。將數(shù)據(jù)稱為“新石油”已經(jīng)到了陳詞濫調(diào)的地步。正如最近的《經(jīng)濟學(xué)家》雜志標題所說，數(shù)據(jù)是“世界上最有價值的資源”。

由于數(shù)據(jù)在推動機器學(xué)習和人工智能解決方案中發(fā)揮著至關(guān)重要的作用，因此今天的數(shù)據(jù)如此受到高度重視。從Netflix的推薦引擎到Google的無人駕駛汽車，要訓(xùn)練一個有效運行的AI系統(tǒng)，需要大量的數(shù)據(jù)。

結(jié)果就是對越來越大的數(shù)據(jù)產(chǎn)生了迷戀。根據(jù)流行的智慧，擁有最多數(shù)據(jù)的他可以構(gòu)建最好的AI。從IBM到通用電氣的老牌公司都在爭相將自己重新命名為“數(shù)據(jù)公司”。軟銀的愿景基金（Vision Fund）是世界上最大，最具影響力的技術(shù)投資者，這毫不掩飾事實，即尋求初創(chuàng)公司支持的重點是數(shù)據(jù)資產(chǎn)。用軟銀領(lǐng)導(dǎo)人孫正義（Masayoshi Son）的話說，“那些統(tǒng)治數(shù)據(jù)的人將統(tǒng)治世界”。

隨著商業(yè)和技術(shù)界越來越多地將數(shù)據(jù)定位為最終的制表王，人們對一個重要現(xiàn)實的關(guān)注已很少：人工智能的未來可能會大大減少數(shù)據(jù)密集性。

在人工智能的前沿，正在進行各種努力來開發(fā)不需要大量標記數(shù)據(jù)集的改進形式的AI。這些技術(shù)將重塑我們對AI的理解，并以深刻的方式破壞業(yè)務(wù)格局。行業(yè)領(lǐng)導(dǎo)者最好注意。

綜合數(shù)據(jù)

今天，為了訓(xùn)練深度學(xué)習模型，從業(yè)人員必須收集成千上萬，數(shù)百萬甚至數(shù)十億的數(shù)據(jù)點。然后，他們必須在每個數(shù)據(jù)點上粘貼標簽，這是一個昂貴且通常是手動的過程。如果研究人員不需要費力地收集和標記現(xiàn)實世界中的數(shù)據(jù)，而是可以從頭開始創(chuàng)建他們需要的確切數(shù)據(jù)集怎么辦？

領(lǐng)先的技術(shù)公司（從Nvidia等知名競爭對手到Applied Intuition等初創(chuàng)企業(yè)）正在開發(fā)方法，以幾乎完全免費的方式完全數(shù)字化地制作高保真數(shù)據(jù)。這些人為創(chuàng)建的數(shù)據(jù)集可以根據(jù)研究人員的確切需求進行定制，并且可以包含數(shù)十億種替代方案。

Nvidia仿真技術(shù)主管Mike Skolones說：“出去改變現(xiàn)實世界中的照明非常昂貴，而且您無法在室外場景中改變照明?！钡悄梢允褂镁C合數(shù)據(jù)。

隨著合成數(shù)據(jù)準確地逼近現(xiàn)實世界數(shù)據(jù)，它將使人工智能民主化，削弱專有數(shù)據(jù)資產(chǎn)的競爭優(yōu)勢。如果一家公司可以通過仿真快速生成數(shù)十億英里的真實駕駛數(shù)據(jù)，那么Waymo投資十年收集的幾百萬英里的真實世界駕駛數(shù)據(jù)有多有價值？在可以按需廉價地生成數(shù)據(jù)的世界中，跨行業(yè)的競爭動態(tài)將被顛覆。

隨著人工智能在未來幾年變得越來越智能，它可能需要更少的數(shù)據(jù)，而不是更多。

少量學(xué)習

與當今的AI不同，人類不需要學(xué)習成千上萬的例子就可以學(xué)習新概念。正如Google一項頗具影響力的研究論文所說：“一個孩子可以從一本書中的一張照片中概括出“長頸鹿”的概念，但是我們最好的深度學(xué)習系統(tǒng)需要成百上千個示例。

為了使機器智能真正發(fā)揮其功能，它應(yīng)該能夠從少數(shù)示例中學(xué)習和推理人類的行為。這是AI中一個重要領(lǐng)域的目標，即“少數(shù)學(xué)習”。

鮮為人知的學(xué)習取得了令人興奮的最新進展，特別是在計算機視覺領(lǐng)域。（當僅使用一個或零個數(shù)據(jù)點時，該技術(shù)分別稱為“單次學(xué)習”或“零次學(xué)習”。）研究人員已經(jīng)開發(fā)了可以在適當情況下實現(xiàn)最新性能的AI模型?；谝粋€或幾個數(shù)據(jù)點的面部識別等任務(wù)。

目前，這些進步仍主要局限于學(xué)術(shù)界。但是，隨著小數(shù)據(jù)方法在未來幾年中從學(xué)術(shù)界轉(zhuǎn)移到商業(yè)化生產(chǎn)，它們將從根本上改變AI的完成方式，從而侵蝕大數(shù)據(jù)資產(chǎn)在此過程中的重要性。

深度學(xué)習先驅(qū)，谷歌和百度前AI負責人安德魯·吳（Andrew Ng）解釋說：“如果在智能手機上進行外觀檢查，則不會有一百萬張刮擦智能手機的照片?！薄叭绻挥?00或10張圖像就可以工作，那么它將打破許多新的應(yīng)用程序?！?/p>

強化學(xué)習

在不需要大量實際數(shù)據(jù)的情況下取得重要進步的最終AI方法是強化學(xué)習。

在強化學(xué)習中，一個AI模型不是通過蠻力數(shù)據(jù)攝取而是通過自我指導(dǎo)的反復(fù)試驗來學(xué)習：讓模型在給定的環(huán)境中嘗試不同的動作是放任的，并且在收到關(guān)于哪個模型的反饋時逐漸優(yōu)化其行為行動是有利的，而不是。

強化學(xué)習助長了AI突破，這是近年來獲得最廣泛宣傳的突破之一：DeepMind在古老的Go游戲中擊敗了世界上最好的人類玩家。

DeepMind的原始模型AlphaGo通過結(jié)合歷史數(shù)據(jù)和強化學(xué)習來學(xué)習游戲。但是真正的非凡成就來自更復(fù)雜的后繼者AlphaGo Zero。除了游戲規(guī)則外，AlphaGo Zero絕對沒有任何先驗數(shù)據(jù)。沒有其他輸入，僅通過與自己的對戰(zhàn)，AlphaGo Zero就比任何人或機器都更了解Go的游戲：它擊敗了最初的AlphaGo 100-0。

“專家數(shù)據(jù)集通常很昂貴，不可靠或根本不可用，”AlphaGo Zero團隊解釋道?！跋啾戎?，強化學(xué)習系統(tǒng)是根據(jù)自身的經(jīng)驗進行培訓(xùn)的，原則上可以使它們超越人類的能力，并可以在缺乏人類專業(yè)知識的領(lǐng)域中運作?！?/p>

除棋盤游戲外，強化學(xué)習正在機器人，化學(xué)工程，廣告等領(lǐng)域找到實際應(yīng)用。強化學(xué)習代表了AI中的一種新穎方法：與其不需要大量的預(yù)先存在的數(shù)據(jù)集，它還可以生成自己的數(shù)據(jù)，并隨著時間的流逝而學(xué)習。隨著它進入商業(yè)應(yīng)用，強化學(xué)習將代表對大數(shù)據(jù)正統(tǒng)觀念的又一挑戰(zhàn)。

結(jié)論

人工智能的世界在不斷變化。隨著該領(lǐng)域的前沿技術(shù)飛速發(fā)展，當今最前沿的方法論可能會在明天過時。

目前，最主要的AI范例是深度學(xué)習，它依賴于多達數(shù)十億的標記數(shù)據(jù)點來訓(xùn)練神經(jīng)網(wǎng)絡(luò)識別模式并做出預(yù)測。由于神經(jīng)網(wǎng)絡(luò)非?？释麛?shù)據(jù)，因此業(yè)務(wù)和技術(shù)領(lǐng)導(dǎo)者已沉迷于積累最大的數(shù)據(jù)集，希望數(shù)據(jù)將成為AI驅(qū)動世界中最終的競爭優(yōu)勢。

但是深度學(xué)習是AI漫長道路上的一個終點，而不是其最終目標。將當今的神經(jīng)網(wǎng)絡(luò)的海量數(shù)據(jù)需求作為長期業(yè)務(wù)戰(zhàn)略的基礎(chǔ)，是無法理解未來AI的未來范式轉(zhuǎn)變。合成數(shù)據(jù)，快速學(xué)習和強化學(xué)習等領(lǐng)域的最新進展表明，隨著AI在未來幾年變得越來越智能，它可能需要更少的數(shù)據(jù)，而不是更多。

這些新范例將重塑AI格局，并重新定義公司競爭的條件。對于有遠見的商人和技術(shù)人員來說，這將是一個巨大的機會。