我們正處于AI創(chuàng)業(yè)熱潮之中，機(jī)器學(xué)習(xí)專家的薪資水平水漲船高，投資者也樂于對(duì)AI初創(chuàng)公司慷慨解囊。AI的普及成為推動(dòng)社會(huì)生產(chǎn)力標(biāo)志，必將改變我們的生活。

但是，本文作者前谷歌工程師、Inovo.vc的CTORic Szopa認(rèn)為，AI從業(yè)者的技能正在貶值。他從一個(gè)選擇題入手告訴我們，AI工具、數(shù)據(jù)集、資金投入以及行業(yè)+AI的優(yōu)勢(shì)正在一步步弱化單一的AI基礎(chǔ)技術(shù)優(yōu)勢(shì)。

先來做一道選擇題。

Alice和Bob是兩位AI創(chuàng)業(yè)者， 他們的公司籌集了大致相同的資金，并在同一個(gè)市場(chǎng)上展開了激烈的競(jìng)爭(zhēng)。

Alice把大部分錢花來雇傭最好的工程師，請(qǐng)來了一批在人工智能研究方面經(jīng)驗(yàn)豐富的博士。

而Bob選擇雇用資質(zhì)一般但還算能干的工程師，并將省下來的錢用于獲得更好的數(shù)據(jù)。

如果是你，你會(huì)給誰(shuí)投資？

當(dāng)然是Bob。

為什么呢？

從本質(zhì)上講，機(jī)器學(xué)習(xí)的原理是從數(shù)據(jù)中獲取信息，并將其轉(zhuǎn)化為模型權(quán)重。更好的模型使得這個(gè)過程更有效（時(shí)間或者整體質(zhì)量方面），但如果假設(shè)模型訓(xùn)練相對(duì)都比較充分，更好的數(shù)據(jù)肯定會(huì)產(chǎn)生更好的結(jié)果。

為了說明這一點(diǎn)，讓我們?cè)龠M(jìn)行一個(gè)快速而簡(jiǎn)單的測(cè)試。

假設(shè)我創(chuàng)建了兩個(gè)性能不太一樣的卷積網(wǎng)絡(luò)?！案谩钡哪Ｐ偷淖詈笠粋€(gè)全連接層有128個(gè)神經(jīng)元，而“稍微差一點(diǎn)”的只有64個(gè)。我在不同大小的MNIST數(shù)據(jù)集的子集上訓(xùn)練它們，并繪制模型在測(cè)試集上的準(zhǔn)確率與訓(xùn)練樣本數(shù)的折線圖。

藍(lán)色是“更好”的模型，綠色是“稍微差一點(diǎn)”的模型

很顯然，訓(xùn)練數(shù)據(jù)集大小具有積極影響（至少在模型開始過擬合和準(zhǔn)確率達(dá)到穩(wěn)定之前）。值得一提的是，在40000個(gè)樣本上訓(xùn)練的“稍微差一點(diǎn)”模型的準(zhǔn)確率比在30000個(gè)樣本上訓(xùn)練的“更好”模型的準(zhǔn)確率要高！

在我的小例子中，我們處理的是一個(gè)相對(duì)簡(jiǎn)單的問題，而且有一個(gè)比較全面的數(shù)據(jù)集。而在現(xiàn)實(shí)生活中，我們的條件并不是如此完美。在許多情況下，增加數(shù)據(jù)集經(jīng)常會(huì)具有非常顯著的效果。

事實(shí)上，Alice的工程師不僅僅是和Bob的工程師競(jìng)爭(zhēng)。由于AI社區(qū)的開放文化及其對(duì)知識(shí)共享的重視，他們的競(jìng)爭(zhēng)對(duì)手其實(shí)來自谷歌、Facebook、微軟以及世界各地?cái)?shù)千所大學(xué)的研究人員。

因此， 好的工程師雖然很重要的，但如果你是AI領(lǐng)域的話，數(shù)據(jù)的競(jìng)爭(zhēng)優(yōu)勢(shì)會(huì)顯得更為關(guān)鍵。

然而，更加重要的問題是，你如何才能保持自己的優(yōu)勢(shì)。

AI工具正越來越簡(jiǎn)單好用

2015年，當(dāng)我還在谷歌工作，剛開始玩DistBelief，也就是后來我們所熟知的Tensorflow。當(dāng)時(shí)這個(gè)工具太難用了，所以當(dāng)時(shí)想讓它在谷歌構(gòu)建的系統(tǒng)之外運(yùn)行完全是一個(gè)白日夢(mèng)。

2016年末，我進(jìn)行了一個(gè)概念驗(yàn)證的研究，在組織病理學(xué)圖像中檢測(cè)乳腺癌。當(dāng)時(shí)我想使用遷移學(xué)習(xí)：采用谷歌當(dāng)時(shí)最好的圖像分類架構(gòu)Inception，并在我的癌癥數(shù)據(jù)上重新訓(xùn)練。我可以使用谷歌提供的一個(gè)經(jīng)過預(yù)訓(xùn)練的初始權(quán)重，改變頂層結(jié)構(gòu)來匹配我正在做的工作。

在TensorFlow上經(jīng)過長(zhǎng)時(shí)間的反復(fù)嘗試，我終于找到了操作不同層的方法，讓它基本上運(yùn)作起來。這需要很大的毅力去閱讀TensorFlow的資料。不過至少我不必太擔(dān)心依賴關(guān)系，因?yàn)門ensorFlow貼心地準(zhǔn)備了Docker鏡像。

在2018年初，多虧了Keras（基于TensorFlow的一個(gè)框架），只需幾行Python代碼就能完成這個(gè)項(xiàng)目，而且使用它不需要你對(duì)自己正在做的事情有深入理解。但它仍然有個(gè)痛點(diǎn)：超參數(shù)調(diào)優(yōu)。

如果你有一個(gè)深度學(xué)習(xí)模型，可以調(diào)節(jié)多個(gè)參數(shù)，如層數(shù)和大小等。在我寫這些文字的時(shí)候（2019年初），谷歌和亞馬遜提供了自動(dòng)模型調(diào)優(yōu)服務(wù)（Cloud AutoML，SageMaker）。

我預(yù)測(cè)手動(dòng)調(diào)優(yōu)遲早會(huì)滅絕，工程師們也會(huì)從這項(xiàng)繁瑣的工作中解脫了。

總的趨勢(shì)是，將困難的事變得容易，你無需深入理解就能實(shí)現(xiàn)更多的東西。過去的那些偉大工程現(xiàn)在聽起來相當(dāng)一般，所以我們不應(yīng)該期望我們現(xiàn)在的成就在將來有多好。

聽起來很歡欣鼓舞是不是，但是，對(duì)于那些在AI技術(shù)上投入巨資的公司和個(gè)人來說，這可以是個(gè)壞消息。目前來說，掌握某些AI技術(shù)還算是企業(yè)的競(jìng)爭(zhēng)優(yōu)勢(shì)，因?yàn)橐粋€(gè)稱職的機(jī)器學(xué)習(xí)工程師需要花費(fèi)大量的時(shí)間閱讀論文，并需要扎實(shí)的數(shù)學(xué)背景。

但是，隨著工具的改進(jìn)，情況將不再如此。讀論文更多會(huì)轉(zhuǎn)向讀工具教程。如果你沒有很快意識(shí)到你該關(guān)注的重點(diǎn)，一個(gè)帶了數(shù)據(jù)更完備的實(shí)習(xí)生團(tuán)隊(duì)就可能會(huì)搶走你的飯碗。

想長(zhǎng)期保持競(jìng)爭(zhēng)優(yōu)勢(shì)？難上加難！

讓我們?cè)倩氐轿恼麻_頭的例子。憑借出色的數(shù)據(jù)集，Bob成功地與Alice展開競(jìng)爭(zhēng)，推出了自己的產(chǎn)品，并穩(wěn)步增加了市場(chǎng)份額。他也慢慢可以開始雇傭更好的工程師，因?yàn)榉婚g傳言他的公司是一個(gè)好去處。

但這時(shí)候，又出現(xiàn)了一個(gè)Chuck，雖然入局晚，但他比Bob更有錢。

在構(gòu)建數(shù)據(jù)集時(shí)，錢至關(guān)重要。但通過砸錢來加快工程項(xiàng)目進(jìn)度非常困難。事實(shí)上，使用太多新人可能會(huì)減緩進(jìn)度，但構(gòu)建數(shù)據(jù)集就不同了。數(shù)據(jù)集需要大量人工操作，而你可以通過雇用更多人手來搞定它。另一種可能是有人擁有數(shù)據(jù)，那么你所要做的就是支付數(shù)據(jù)使用費(fèi)。

無論如何，錢能讓數(shù)據(jù)集來得更快。

但是問題來了，為什么Chuck可以籌到比Bob更多的錢？

當(dāng)創(chuàng)始人提出一輪融資時(shí)，他們會(huì)努力平衡兩個(gè)可能相互矛盾的目標(biāo)。他們需要籌集足夠的資金在市場(chǎng)上競(jìng)爭(zhēng)，但也不能太多，因?yàn)檫@會(huì)導(dǎo)致股權(quán)過度稀釋。創(chuàng)始團(tuán)隊(duì)必須在創(chuàng)業(yè)公司中保持足夠的股份，以免失去創(chuàng)業(yè)的動(dòng)力。

另一方面，投資者希望投資具有巨大上升潛力的創(chuàng)意，但他們必須控制風(fēng)險(xiǎn)。隨著預(yù)期風(fēng)險(xiǎn)的增加，他們會(huì)為支付的每一美元要求更大比例的股份。

當(dāng)Bob籌集資金時(shí)，“人工智能確實(shí)對(duì)產(chǎn)品有所幫助”不過只是一個(gè)信念。無論他作為創(chuàng)始人多優(yōu)秀，她的團(tuán)隊(duì)有多好，但有可能他試圖解決的問題根本就難如登天。Chuck的情況非常不同。他知道他面臨的問題完全可以解決！

在這種情況下，Bob的應(yīng)對(duì)方法很可能是提出另一輪融資，以便處于有利位置，因?yàn)樗〞簳r(shí)）仍然在競(jìng)爭(zhēng)中領(lǐng)先。但是，如果Chuck可以通過戰(zhàn)略合作關(guān)系穩(wěn)固獲取數(shù)據(jù)呢？比如舉個(gè)癌癥診斷初創(chuàng)公司的例子，Chuck可能利用他在一家重要醫(yī)療機(jī)構(gòu)的內(nèi)部職位，與該機(jī)構(gòu)達(dá)成一份內(nèi)部協(xié)議。這時(shí)候， Bob很可能無法抗衡。

你的產(chǎn)品需具備防御性，最好是一條“護(hù)城河”

AI的杠桿效應(yīng)

對(duì)業(yè)務(wù)進(jìn)行分類的一種方法是，它是直接增加價(jià)值，還是為某些其他價(jià)值來源提供杠桿效應(yīng)。以一家電子商務(wù)公司為例，增加價(jià)值就像創(chuàng)造了新的產(chǎn)品線，建立新的分銷渠道則是一個(gè)杠桿，削減成本也是杠桿。

杠桿可能比直接施力更有效。但是，杠桿僅在與直接價(jià)值來源耦合時(shí)才起作用。一個(gè)微小的數(shù)字，翻了兩倍，三倍，還是很小。如果你沒有可出售的部件，開辟新的分銷渠道也只是浪費(fèi)時(shí)間。

在這種情況下我們應(yīng)該如何看待AI？有很多公司試圖將AI作為他們的直接產(chǎn)品（用于圖像識(shí)別的API等），對(duì)一個(gè)AI專家，這可能很有吸引力。

然而，這常并不是一個(gè)好的選擇。首先，你是在Google和亞馬遜等這些大公司競(jìng)爭(zhēng)。其次，開發(fā)真正有用的通用AI產(chǎn)品非常困難。例如，我一直想使用Google的Vision API。不幸的是，我們從未遇到過客戶需求與產(chǎn)品充分匹配的情況?？偸怯懈鞣N各樣要么開發(fā)不夠要么開發(fā)過度的情況。

更好的選擇是將AI視為杠桿。

你可以采用現(xiàn)有的，有效的商業(yè)模式，通過AI增強(qiáng)它。例如，如果生產(chǎn)流程依靠人類的認(rèn)知?jiǎng)趧?dòng)，那么將其自動(dòng)化可能會(huì)為毛利率帶來顯著提升。這里我能想到的例子有：心電圖分析，工業(yè)檢查，衛(wèi)星圖像分析。同樣令人興奮的是，因?yàn)锳I屬于輔助后端，仍然可以利用非AI業(yè)務(wù)來保持公司的競(jìng)爭(zhēng)優(yōu)勢(shì)。

結(jié)論

AI是一項(xiàng)真正的變革性技術(shù)。但是，以此為基礎(chǔ)創(chuàng)業(yè)是一件棘手的事情。你不應(yīng)該完全依賴于AI技能，因?yàn)槭袌?chǎng)趨勢(shì)就是技術(shù)會(huì)貶值。

構(gòu)建AI模型可能非常有趣，但真正重要的是擁有比競(jìng)爭(zhēng)對(duì)手更好的數(shù)據(jù)。

保持競(jìng)爭(zhēng)優(yōu)勢(shì)很難，特別是遇到比你資金更充足的競(jìng)爭(zhēng)對(duì)手，這種情況在你的AI創(chuàng)業(yè)進(jìn)行時(shí)很可能發(fā)生。你的目標(biāo)應(yīng)該是創(chuàng)建一個(gè)可擴(kuò)展的數(shù)據(jù)收集過程，而這個(gè)過程很難被競(jìng)爭(zhēng)對(duì)手復(fù)現(xiàn)。

AI非常適合顛覆依賴低附加值、勞動(dòng)重復(fù)性的行業(yè)，因?yàn)樗乖摴ぷ髯詣?dòng)化成為可能。