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(lái)了裁員達(dá)70%的消息，備受業(yè)內(nèi)關(guān)注，甚至有金融分析師稱(chēng)這個(gè)部門(mén)是燒錢(qián)的無(wú)底洞。

那么，在AI熱潮之下，你該如何構(gòu)建一個(gè)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(wèn)題講透了。

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

——邢波

邢波，師從機(jī)器學(xué)習(xí)泰斗級(jí)學(xué)術(shù)大咖Michael Jordan，卡耐基梅隆大學(xué)機(jī)器學(xué)習(xí)和醫(yī)療中心主任，同時(shí)，他還是生物化學(xué)與計(jì)算機(jī)科學(xué)的雙料博士，創(chuàng)立了通用機(jī)器學(xué)習(xí)平臺(tái)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(gè)非常非常實(shí)際的工程問(wèn)題——規(guī)模瓶頸：

你的算法可以在實(shí)驗(yàn)室的單機(jī)上實(shí)現(xiàn)，可到了現(xiàn)實(shí)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(gè)比較成功的社交建模——

依靠擁有100萬(wàn)人的好萊塢影星數(shù)據(jù)庫(kù)，可以實(shí)現(xiàn)對(duì)人進(jìn)行分類(lèi)和精準(zhǔn)推薦。

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

原則上，6分鐘能算完100萬(wàn)個(gè)，如果有1000臺(tái)機(jī)器，那么，0.6分鐘就可以算完，但結(jié)果呢？

不要說(shuō)0.6分鐘了，1星期都沒(méi)有算完，中間就卡了。

>>>>

算法也沒(méi)有錯(cuò)，建模也沒(méi)有錯(cuò)，機(jī)器也有，但為什么還是卡了？

指揮1000人的部隊(duì)和指揮一個(gè)人是不一樣的，當(dāng)你把算法放在1000臺(tái)機(jī)器上時(shí)，涉及到一個(gè)機(jī)器之間通訊的問(wèn)題。

比如，機(jī)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(méi)迭代完，你得等一下，等一次就是一個(gè)門(mén)檻。當(dāng)你有好幾臺(tái)機(jī)器迭代的時(shí)候，他們的速度是不一樣的，每一次，你都要等到最后一個(gè)機(jī)器完成以后，才能往前走。

所以，這就涉及一個(gè)非常關(guān)鍵的問(wèn)題：

機(jī)器學(xué)習(xí)作為算法理論工具，作為模型，跟它的計(jì)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(jī)設(shè)計(jì)必須有新的引擎來(lái)助推。

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

舉個(gè)例子，人工智能在工程實(shí)現(xiàn)上，目的性非常強(qiáng)，而操作方式，實(shí)際上是次要要素。

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

掘金AI

AI架構(gòu)者必須要思考9個(gè)關(guān)鍵問(wèn)題

>>>>

如何把握AI的未來(lái)機(jī)遇？

先說(shuō)個(gè)故事，美國(guó)早期，很多人去加州淘金，但實(shí)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(gè)人：

造牛仔褲的李維·斯特勞斯，當(dāng)時(shí)，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?yàn)槊總€(gè)挖金人的都需要鐵鍬。

同理，AI 也有很多落地場(chǎng)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(jī)會(huì)是在AI價(jià)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(wú)法像商品一樣，以可控的成本，進(jìn)行大量的創(chuàng)造和復(fù)制。

所以，要實(shí)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(biāo)準(zhǔn)化的工業(yè)量產(chǎn)模式。就好比造車(chē)，先把零件弄好，然后產(chǎn)生一個(gè)供應(yīng)鏈，最后做一個(gè)組裝。

我們希望通過(guò)這樣的嘗試，把人工智能從獨(dú)門(mén)秘笈、黑科技，往工程的方向做一個(gè)推動(dòng)：

使它對(duì)于語(yǔ)言的依賴(lài)、設(shè)備的依賴(lài)和對(duì)于界面依賴(lài)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(shuō)非要雇一個(gè)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(gè)成熟的AI架構(gòu)者要學(xué)會(huì)思考以下9個(gè)關(guān)鍵問(wèn)題：

①建立一個(gè)完整的，工程上可信的解決方案，而不是一個(gè)玩具或是Demo；

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

②可復(fù)制性；

別人也可以用，而且也可以做出來(lái)。

③經(jīng)濟(jì)可行性；

④適用于各種用戶的特殊狀況；

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

換句話說(shuō)，用戶的個(gè)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(jì)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(lái)的；

⑦可解釋性，尤其是出現(xiàn)意外結(jié)果時(shí)知道哪兒出了問(wèn)題；

⑧能交流結(jié)果，讓大家也能重現(xiàn)你宣稱(chēng)的結(jié)果；

⑨清楚什么能夠做到，什么不行。

舉個(gè)例子，我可以告訴你，我在5年之內(nèi)不準(zhǔn)備坐自動(dòng)駕駛車(chē)，或者我強(qiáng)烈要求自動(dòng)駕駛車(chē)有方向盤(pán)，我自己得握著，為什么呢？

因?yàn)樽鳛橐粋€(gè)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(méi)有搞清楚。

人工智能會(huì)超越人類(lèi)嗎？

要警惕對(duì)學(xué)科的傷害

很多人認(rèn)為，人工智能的發(fā)展，會(huì)像摩爾定律一樣，實(shí)現(xiàn)指數(shù)型爆炸，但現(xiàn)實(shí)是，摩爾定律有堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)，人工智能沒(méi)有。

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

比如最近，一向熱衷激進(jìn)部署機(jī)器人工廠的埃隆·馬斯克，在Facebook上承認(rèn)，工廠自動(dòng)化了以后，效率沒(méi)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(gè)方面：

①機(jī)器無(wú)法提出問(wèn)題；

人是很善于挑戰(zhàn)未知，去提出問(wèn)題的，但對(duì)于機(jī)器來(lái)說(shuō)，提出一個(gè)未知問(wèn)題（不是根據(jù)書(shū)本的內(nèi)容知識(shí)，來(lái)提測(cè)驗(yàn)問(wèn)題），發(fā)現(xiàn)一個(gè)新的物理定理和數(shù)學(xué)定理，這一點(diǎn)非常非常難，我不相信在可預(yù)見(jiàn)的將來(lái)，有任何的算法或者模型能夠做到這一點(diǎn)。

②機(jī)器也無(wú)法知道未知的問(wèn)題；

有一種說(shuō)法，對(duì)人的修養(yǎng)和學(xué)識(shí)的衡量標(biāo)準(zhǔn)之一是，你是否知道未知，這一點(diǎn)，機(jī)器也不知道。

因?yàn)闄C(jī)器對(duì)邊界沒(méi)有感覺(jué)，它并不知道在它的知識(shí)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(jī)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(guò)小數(shù)據(jù)來(lái)開(kāi)始學(xué)，依靠環(huán)境、先驗(yàn)知識(shí)和邏輯思維的綜合方法，從不同的數(shù)據(jù)里面來(lái)獲得知識(shí)，然后他們還能綜合、成長(zhǎng)。

這也是人工智能相當(dāng)弱的地方，而且即便可以實(shí)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(jìn)的調(diào)參，非常非常神秘的獨(dú)門(mén)暗器，各種各樣的秘訣敲門(mén)，這都妨礙了人工智能的商業(yè)化、規(guī)?；?。

>>>>

另外一個(gè)問(wèn)題，人工智能會(huì)超越人類(lèi)嗎？

實(shí)際上，人工智能和人類(lèi)智能是兩條不一樣的路。

成功的人工智能體現(xiàn)的是機(jī)械或者工程美學(xué)，而人類(lèi)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(diǎn)是：

①在有限規(guī)則的特定任務(wù)下，機(jī)器超越人類(lèi)的水平只是時(shí)間問(wèn)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(chǎng)景下，即使簡(jiǎn)單的情感識(shí)別問(wèn)題，機(jī)器仍然沒(méi)有突破人類(lèi)。

比如，這位女生到底是高興了還是難過(guò)了？這樣的程序其實(shí)是寫(xiě)不出來(lái)的。

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

人別到時(shí)候跟機(jī)器一樣，變得冷酷或者完全沒(méi)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(huì)獲得相應(yīng)運(yùn)作利益的那些人，說(shuō)幾句話：

由于資本的驅(qū)動(dòng)、人性的弱點(diǎn)，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(méi)有跟現(xiàn)實(shí)來(lái)匹配，結(jié)果就產(chǎn)生了一個(gè)預(yù)期和現(xiàn)實(shí)的落差，最后的受害者是誰(shuí)呢？

對(duì)學(xué)科的傷害。我是相當(dāng)痛心的。

因?yàn)樵谇皟蓚€(gè)人工智能的低谷期，其實(shí)有大量的天才和非常非常誠(chéng)實(shí)、踏實(shí)的研究者，由于這樣的誤解，得不到經(jīng)費(fèi)、支持、和理解，他們最后不得不離開(kāi)這個(gè)行業(yè)。

這樣的現(xiàn)象正在發(fā)生。

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

所以，希望大家對(duì)待人工智能，能夠更理性更純粹一些。