行业云

卫哲:为什么90%以上都是伪人工智能?

击标题下「比特港大数据」可快速关注

人工智能总是跟机器人联系在一起,而人工智能的关键是算法的优越还是数据的规模?而卫哲先生认为今天的人工智能项目当中,存在大量的「伪人工智能」。伪人工智能比例可能高达 90%,或者 99%。


一、为什么说有「伪」人工智能存在?


第一,我们看一下人工智能的「人才储备」。 人工智能人才不是一夜之间冒出来的。无论在学校还是工作中,他必须、确实从事过人工智能的工作。其实这样的人才全世界不过几百个。但全世界有几万家人工智能公司,怎么突然冒出这么多人才? 从人才角度来说,无论是创建还是参与公司,怎么可能具备真正人工智能的优势呢?所以我们觉得存在大量的人才泡沫。

第二,我们看到很多项目真的是穿了个「马甲」又回来了。 我一直在跟创业者说,千万不要给自己的项目穿马甲,贴上很多流行的标签,流行什么贴什么,流行人工智能很多项目贴着标签来的。 贴标签之前这些项目挺简单的,早在阿里巴巴我们就看到过,什么叫机器学习,什么是算法。很多只是有一定算法的,或者还是基于机器学习的公司,今天摇身一变都给自己贴上了人工智能的标签。

二、如何识别「真人工智能」?

我跟李教授说,我不是技术专家,我也不懂技术,请问有没有比较简单的方法来识别真的人工智能和伪人工智能? 高手就是高手,用了一个非常简单的方法。我们先讲一个历史上的故事。 我们看到计算机和人类进行国际象棋的比赛,是在很多年前发生的,互有胜负。但是从教会计算机下国际象棋,到干掉世界冠军,不低于 10 年的时间。 Google 下面的「阿尔法狗」、这个人工智能的机器,从学会,到下赢一个围棋的入门级的初段选手,到干掉世界冠军,据报道只用了 1 年时间。 所以真正人工智能判定方法非常简单,看他算法的进步速度。机器学习也会进步,那么人工智能的算法进步是几何级的。 也就是说一个人工智能领域的项目,如果你隔 3 个月去看,它在算法上比如说人脸识别也好、语音识别也好,它的进步是代数级,而不是几何级的——那么它更像互联网时代早已有之的普通算法。或者叫机器学习而已,都是伪人工智能。 所以,如果我们不太了解过程的话,就从结果来看。人工智能一定是像这次下围棋一样,「进步神速」。 这是我们第一个结论。存在大量的伪人工智能,和如何去识别伪人工智能,不仅要识别伪人工智能的项目,还要可以判断伪人工智能的团队。

三、做人工智能最重要的,不是技术?

第二个结论,人工智能的技术,如果把它比喻一把刀的话,那么 massive refreshing data(大量海量且实时更新的数据),就是那把刀的磨刀石。 也就意味着,人工智能技术重要但不是最重要。这把刀一开始有多锋利,不是决定性的。一把锋利的刀不一直不磨,而一把不太锋利的刀一直在磨,那很快那把不锋利的刀就会超过那把锋利的刀。 Deepmind 团队中,就是阿尔法狗的团队中,高级的华人工程师挺多的。见到他们,我问了个问题:你们怎么不立志搞一次中国象棋? 他说,David,这个不是说我们愿做不愿意做的问题。我们的围棋项目,还不得不感谢感谢日本人。日本人过去几百年几乎所有的棋谱都在,而且保留围棋的棋谱也特简单。只要一张纸,黑的白的,上面标好号码就行了:这是第 1 手,这是第 200 手。 所以,它其实一张图就记录了整个围棋下的阶段,所以复盘也特别容易。围棋几百年来的棋谱都存在,也就意味着围棋的数据特别齐全。 咱中国象棋老祖宗留下了什么?叫残局。它怎么走到残局呢?不知道,没有数据。 如果你把残局喂给机器,它怎么学习?他要学习的是我如何走到残局,以及如何从残局走到终局。由于中国象棋的历史数据缺失,造成这么生猛的阿尔法狗机器在中国象棋领域就 go 不下去了。 这就是意味着数据对人工智能有多重要。离开数据,谈人工智能是没有意义的。

四、下一位人工智能新独角兽在哪?

在哪些领域,人工智能可以跑出来独立的公司、独立的平台? 如果在美国你要用的数据,大部分或者全部由 Google、Facebook、亚马逊所掌握,那磨刀石在别人手上。今天你的技术再领先,也维持不了多久。 我们看到很多这样的技术公司,唯一出路就是卖给美国 Facebook、Google、亚马逊。 同样在中国,如果你要做人工智能,所能用到的数据,都是为 BAT 所掌握。那最终这个磨刀石也不在你手里,你也没有太大机会。你就是一个技术还不错的团队。 最后的出路可能是把这个团队,以并不太高的估值,卖给这些有数据的大互联网公司。 那么在哪些领域,美国的 Facebook、Google、亚马逊也没有数据,中国 BAT 也没有数据呢?这种领域有没有?答案是有。 比如说医疗数据,BAT 也没有;很多金融相关的数据目前还是银行、保险公司的内部数据,互联网公司也没有;可能还有一些其他的领域。 那么就以这两个领域来说,和人工智能结合,至少不管这把刀是不是很锋利,找数据源或者找磨刀石的起步,你和大公司是平等的。那就有可能在医疗、金融等领域,你和人工智能的结合跑出大公司来。

我们就拿医疗说,美国 FDA 已经批准人工智能读很多片子。我们觉得一个医生一辈子读 10 万张 X 光片或者 CT 片子就很厉害了,但这个片子拍完以后,他完全基于自己的经验和知识来判断。他判断得先有积累。 但这个事对机器来说,对人工智能来说太简单了。就是图像和打完标签的图像,同时要结合这个标签打完的图像和最终诊断的病例,做一个闭环的学习过程。 所以机器 1 个小时可以学 10 万张片子;人类最有经验的医生,从业 30 年,一万多天,一天看 10 张片子,一辈子 10 万张片子。但机器可以 1 小时读 10 万张片子。 但同是,由于美国对隐私的很多保护,很多医院的数据,在美国并不能轻易开放给这些人工智能公司。 我们看到一个趋势,很多从事医疗行业的公司开始寻找中国的合作伙伴,因为中国人口同样众多,隐私的保护却没有那么严格,有机会让医疗数据迅速地集中起来。 同样的今天很多人脸识别的公司,估值很高。我无法评价他们技术多牛。但我突然发现不是从事这个领域的公司,只要有大量的数据,迅速可以追上或者赶超,有在 A 股上市的。 比如:海康威视,这么多摄像头,它采集到很多真实的人脸。由于这个数据的存在,我觉得他们人脸识别的技术不仅目前达到,未来一定在中国这方面最优秀的公司,没有之一。 数据,无论说到人脸还是医疗都非常重要。


延伸阅读:

人工智能的价值地图:AI产业增强革命的模式与路径

人工智能革命正在跨越技术商业化的临界点。截止目前,人工智能已在交通、城市服务、医疗、语音识别等诸多领域开始形成技术开放平台。作为一次划时代意义的技术革命,人工智能带来的商业变革正在渗入到各行各业,传统产业的转型不可避免。


如何应对人工智能时代的转型?人工智能的商业价值地图中,哪些产业将最先享受技术红利?




“智造”并不是一个新词,几年前,我们可以看到数字技术从虚拟世界向实体世界渗透。3D打印、激光切割等一系列数字制造设备的发明让制造变得民主化,所以诞生了创客这个群体,让普通人也可以通过智造来实现想法。而今天,我们都看到“智的含义又进化了。


人工智能正在全球范围内掀起产业浪潮。从去年开始,我们腾讯研究院就对人工智能的产业发展有一个持续的跟踪。我今天将从一个更广的维度,不限于制造业来与大家分享关于人工智能如何融合产业,创造万亿实体经济新动能的一些观察



人工智能认知差距存在:已走入平常生活


人工智能所蕴含的力量让人向往又恐惧。2016年的两次人机大战第一次让公众认识到人工智能的强大力量。霍金和马斯克将AI列为“人类最大的威胁之一”。


在另一阵营,包括扎克伯格、李开复、吴恩达等在内的多位人工智能业界和学界人士都表示人工智能对人类的生存威胁尚且遥远。这其中主要的争议就来源于对“人工智能”定义的区别。人工智能学家马斯克等人所述的人工智能,是指可以独立思考并解决问题,具有思维能力的“强人工智能”,目前,科学界和工业界对何时发展出“强人工智能”并无定论。


现在处于全球热议中的“人工智能”,并不完全等同于以往学院派定义的人工智能。你可能没有意识到,我们日常生活中已经用到了许多人工智能技术:早在2011年,苹果就率先将人工智能应用Siri放进了大家的口袋里;拍照、签到时用到的人脸识别技术,智能音箱的语音对话系统,以及我们现在主流的新闻推荐引擎,也都用到了深度学习的算法。


人工智能算法存在于人们的手机和个人电脑里,存在于政府机关、企业的服务器上,存在于共有或者私有的云端之中。虽然我们不一定能够时时刻刻感知到人工智能算法的存在,但人工智能算法已经高度渗透进我们的生活之中。



人工智能的商业潮起:九大领域形成热点


人工智能的历史已经有60年的时间,但它作为一个商业化浪潮是最近几年爆发的。与以往几次人工智能浪潮不同,此次的人工智能革命跨越了技术商业化的临界点


下图出自于腾讯研究院发布的《中美人工智能产业报告》,人工智能领域的投资金额从2012年起呈现出了非常陡峭的增长趋势,转折点就是深度学习技术的突破



IT产业经过数十年的发展,在存储、运算和传输能力上都有了几何级的提升,使深度学习最终有了质的飞跃。互联网积累了20年的数据终于有了用武之地——训练数据。机器学习和深度学习的飞速发展直接引领了此次人工智能产业浪潮。


截至目前,美国在融资金额上人工达到了938亿,中国仅次于美国达到了635亿。人工智能产业发展出了九大热点领域,分别是芯片、自然语言处理、语音识别、机器学习应用、计算机视觉、智能机器人、自动驾驶。



另一个明显的趋势是中美科技巨头的集体转型。从互联网到移动互联网的历次转换历程中,把握技术革命带来的商业范式革命是屹立不败的关键。技术革命将带来基础设施、商业模式、行业渠道、竞争规则变化的涟漪效应。



谷歌最早意识到机器学习的重要性,从2012年开始从搜索业务积累数据。从2012年到2017年短短的5年时间已经渗透到了超过1200个谷歌的服务中。业务发展战略从“移动优先”转为“人工智能优先”。除此以外,美国的FAAMG (Facebook, Amazon, Apple, Microsoft, Google)以及中国的BAT无一例外投入越来越多资源抢占人工智能市场,有的甚至转型成为AI公司。他们纷纷从四方面从基础到全局打造AI生态:


第一,通过建立AI实验室,来建立核心的人才队伍。第二,持续并购来争夺人才和技术。第三建立开源的生态,占领产业核心。今天,大多数技术进步都不是封闭的创造发明。技术的指数级增长,受益于底层技术的共享。今年,腾讯向外输出了两大AI开源项目ANGEL和NCNN。第四,最好的人工智能服务将可能化为无形,即与云服务结合。工具AI将大幅降低企业使用AI的门槛,越来越多科技巨头选择将自己的服务“云端化”来赋能全行业。正如马化腾所说的未来的企业都是在云端用AI处理大数据。并且在一些领域开始试水消费级人工智能的场景。


认识人工智能的能力与局限


AI要在商业上取得成功,首先要理解人工智能的真实能力。AI的爆发对商业的塑造也许与互联网彻底颠覆传统行业不同,在很大程度上会不动声色地嵌入到商业中。应用场景不再是新奇的概念展示,而是融入现有的生产中,进入垂直领域,创造直接的经济价值。


从认识物理世界到自主决策,目前人工智能已经具备以下几种能力:



感知智能:在语音识别、图像识别领域已经有很深入的应用,赋予了机器“看”和“听”的能力。甚至情感也能被机器理解;语音识别和图像识别都有了显著的提升。


理解能力:自然语言理解成为隐形的标配植入到产品中。配合计算机视觉可用于理解图像,来执行基于文本的图像搜索、图像描述生成、图像问答(给定图像和问题,输出答案)等。


数据智能:机器学习、深度学习让机器能够洞察数据的秘密,并且不断自动优化算法,提升数据分析能力。


决策能力:本质是用数据和模型为现有问题提供解决方案。棋类游戏是一种典型的决策能力,人类在完美信息博弈的游戏中已彻底输给机器,只能在不完美信息的德州扑克和麻将中苟延残喘。在更广泛的领域,例如如何自动驾驶汽车,如何将投资收益最大化等丰富的场景都将是决策能力的用武之地。

人工智能的价值地图:产业融合正在加速


与互联网时代一夜颠覆的渠道革命不同,人工智能的带来的商业变革正在不动声色地渗入到各行各业。一大批AI应用的先导者正在将AI能力赋能产业,涉及吃住行、工业医疗等各个领域。下面我将用三个例子来说明正在发生的“AI+”产业增强革命。



首先是零售行业。上图是亚马逊推出的无人超市Amazon Go。在亚马逊的蓝图中,顾客从货架上取下货品,无需再经过收银台便可自动完成结算过程。从顾客进店开始,通过人脸识别验证顾客身份,在顾客购物时,通过图像识别和对比技术判断商品种类,自动生成购物订单完成自动结算。


现在,各种形式的无人零售商店在国内也如雨后春笋般兴起。当然,无人收费只是零售智能化的第一步,人工智能不同能力的应用将全面改变现在的零售模式。比如开一家店选址、到底在哪开、开多大、覆盖多少人群、卖多少东西?时装周采购设计师的衣服,买那些今年会畅销?以前这些都靠零售人的经验做决策,但在信息时代,这些都可以用精准的算法做决策。

第二个例子是医疗行业,医疗在任何国家都是最大的行业之一,我们经济发展和科技进步追求的最终目标也是增进健康。



人工智能在医疗行业的应用很广泛。用人工智能来辅助医疗影像诊断大家已经比较熟悉了。我想说的是人工智能对精准医疗的推动。所有遗传密码的信息都是非常非常多的一个大数据,对任何人在他没有得病的时候我们测量他的组学数据,分析组学大数据,那么就可以对他未来健康发展的危险因素做出评估,根据评估进行适当干预,这样的话有些疾病不发展,有些疾病减轻他的程度,提高他的生活质量,这样就把整个医疗健康体系的关口前移,在没有病之前就提出评估与保证。

第三个例子来自制造业



波士顿有家著名的机器人公司叫Rethink Robotics,顾名思义就是重新思考机器人。这个公司开发了一款名为Baxter的智能协作机器人。这个机器人的特点是和人的交互不再是机械的。Baxter采用顺应式手臂并具有力度探测功能,能够适应变化的环境,可“感知”异常现象并引导部件就位。你只要挪动它的手臂就能进行训练,完成特定的任务。其次,对于制造业来说人工智能不仅仅意味着完成某项工任务的机器人,也是未来制造业智能工厂、智能供应链等相互支撑的智能制造体系。通过人工智能实现设计过程、制造过程和制造装备的智能化。


人工智能的经济影响


分享了三个例子,我来总结一下人工智能在经济层面的影响。



第一,生产效率的提升。人工智能创造了一种虚拟的劳动力,能够解决需要适应性和敏捷性的复杂任务。


第二,交易成本的下降。互联网的平台模式通过降低信息不对称,降低了交易成本。随着机器学习的引入,可以实现更精准的服务匹配,进一步优化资源的分配。


第三,人工智能将带来数据产业的蓬勃。机器学习需要数据的“喂养”,海量的数据需求催生了多种类型的数据交易模式。数据的需求会产生很多数据经纪商,有B2B模式,C2B模式,B2B2C模式等,促进数据在个人、企业及产业链层面流通。数据的来源不单单来自于用户,也来自于政府公开数据、商业渠道、博客等公共资源等。

转型之路:五要素坚实人工智能基础


人工智能将一切变化都带入了超高速发展的轨道。创新科技公司已集体转型,传统行业又改如何应对即将到来的人工智能时代?实现人工智能的转型,需要从几个方面并行:



数据、算法和算力是我们常说的人工智能的“三驾马车”,是人工智能得以应用的基础。


第一是数据。我们对数据的认识不应该停留在统计,改进产品或者作为决策的支持依据。而应该看到它导致机器智能的产生。但首先,数据是有条件的。垂直行业的数据,高质量的数据。在国家层面,也有许多数据开放计划。


第二是算法,人工智能的人才仍然是很稀缺的。高校和企业的人才流动越来越频繁。但同时,企业通过开放生态,降低开发门槛。可以让更多中小企业享受AI能力。


第三是算力,现在的人工智能系统通过成百上千个GPU来提升算力,使深度学习能够走向生产环境。但随着数据的爆发式增长,现有算力将无法匹配。


除了这三驾马车,从实验室到行业应用,在人工智能的应用过程中还需要加入两个元素:


首先是场景。理解场景是人工智能应用的核心。人工智能必须落到精准的场景,才能实现实在的价值。理解人工智能能力可落地的场景及对应的流程,将AI纳入决策流程。


其次是人机回环,即human-in-the-loop。“人机回圈”的第一层含义是人工智能应用中需要用户,即人的反馈来强化模型。更进一步,机器学习是一种尝试创建允许通过让专家与机器的一系列交互参与到机器学习的训练中的系统工作。机器学习通常由工程师训练数据,而不是某个领域的专家。“人机回圈”的核心是构建模型的想法不仅来自数据,而且来自于人们怎样看待数据。专家会成为垂直领域的AI顾问,把关模型的正确性。


人工智能并不是静态的东西,训练出来的模型要用到某个业务场景里,业务场景里产生新的数据,这些数据进一步提升人工智能模型的能力,再用到场景中,形成一个闭环和迭代。


总结


1.本轮人工智能浪潮是基于深度学习的发展,将快速渗透到数据密集行业。


2.人工智能目前从感知智能、理解智能、数据智能和决策智能四方面发挥在各行各业的能力。


3.人工智能成为新的生产要素,人机协同将成为普遍趋势。


4.人工智能的应用转型需要满足数据、算法、算力、场景、反馈五个元素才能奠定行业应用的基础。


目前,人工智能对实体行业的渗透还处于萌芽期。人工智能被寄予了成为下一代产业革命驱动力的厚望。而释放人工智能的能量,形成产业革命的动能,需要寻找契合人工智能技术特点,并找到优于其他技术的实体经济适用领域,让人工智能真正解决行业痛点,实现系统层面的收益。从长久来看,人工智能的定位绝不仅仅是解决狭窄的、特定领域的简单应用,而是真正像人类一样能够同时解决不同领域、不同类型的问题,进行判断和决策。这也是我们通常所说的“通用人工智能”。发展人工智能的终极目的并不是取代人类,而是通过人工智能将人类从繁重的重复工作中解放出来,实现对人类整体更有价值的目标。这个未来也许还有些遥远,但通往未来的道路上,新商业和新经济将会是革命性技术附赠的礼物,无限可能的未来等待我们一起描绘。



免责申明:文章只提供股友讨论,不得构成投资建议。股市有风险,投资需谨慎!

转载自猎云网、腾讯研究院等,若文章涉权问题,敬请原作者联系我们删除

点这里下载比特港股新闻大数据APP,掌握第一手价值资讯

微信扫一扫,分享到朋友圈

卫哲:为什么90%以上都是伪人工智能?
0 0

你也可能喜欢

发表评论

您的电子邮件地址不会被公开。 必填项已用 * 标注

提示:点击验证后方可评论!

插入图片
人工智能 领域 投稿者
我还没有学会写个人说明!
最近文章
  • * 没有更多文章了
  • 广告位

    热门搜索

    分类目录