【中國智能制造網(wǎng) 名家論談】2017年AI成為火熱的技術(shù)詞匯，大量資本涌入這個領(lǐng)域，在中國催生了一批創(chuàng)業(yè)公司，在美國催生了大量的收購。這意味著AI到了泡沫的，并且還將持續(xù)一兩年。

 

　　AI不是一個新的詞匯，而是已經(jīng)發(fā)展幾十年的技術(shù)。從早期的邏輯推理階段，到專家系統(tǒng)/歸納學習，到機器學習階段，再到現(xiàn)在的深度學習階段，每個階段都產(chǎn)生一些技術(shù)突破，也創(chuàng)造過一系列泡沫。例如在2000年左右輪互聯(lián)網(wǎng)泡沫期，希望用AI讓機器能夠理解互聯(lián)網(wǎng)，由此催生了semantic web，目標是讓機器能夠自己理解信息并且機器間能夠自由溝通。 隨著VR技術(shù)的發(fā)展，又出現(xiàn)了一批AI驅(qū)動的虛擬人/虛擬助理，可以與人自由交談，當時異常火爆的Second Life是這個階段的典型代表。在影視作品中，《黑客帝國》把機器智能想象到了，人完全淪為機器產(chǎn)生能源的電池，世界全部是由計算機創(chuàng)造和控制的；《人工智能》和《我，機器人》則給機器人賦予了感情，并將引發(fā)新的革命。但是過去每一次技術(shù)進步，沒有帶來人們想象中的應(yīng)用突破，我認為除了算法缺乏突破外，重要原因是受限于計算力和數(shù)據(jù)。
 

　　2006年開始大數(shù)據(jù)技術(shù)得到迅猛發(fā)展，從早期的分布式存儲和計算系統(tǒng)(HDFS/Map/Reduce 2006-2009)，到SQL on Hadoop (2010-2014是焦點階段)技術(shù)的逐漸成熟，已經(jīng)解決了大規(guī)模數(shù)據(jù)的存儲和統(tǒng)計問題，當大數(shù)據(jù)技術(shù)發(fā)展到2015年時，業(yè)界的關(guān)注焦點轉(zhuǎn)向了機器學習，希望利用分布式計算能力，來解決機器學習算法，尤其是神經(jīng)網(wǎng)絡(luò)算法的計算能力問題，使之能夠完成高密集的迭代計算，從而提高算法精度。記得2015年我去參加紐約的Hadoop World大會，當時就發(fā)現(xiàn)短短一年中誕生了近50家機器學習的創(chuàng)業(yè)公司，在提供分布式機器學習的產(chǎn)品或服務(wù)。計算框架也產(chǎn)生了分歧，Spark當時擅長統(tǒng)計機器學習，而Google當時剛剛開源的單機版Tensorflow則擅長深度學習。同時深度學習算法上的突破，使得過去多個應(yīng)用領(lǐng)域，包括計算機視覺、自然語言處理、語音交互、傳統(tǒng)機器學習、機器人等過去隔得很遠的領(lǐng)域，都能被統(tǒng)一成采用一類深度學習算法，都能地得到處理，并且能夠輕易地超過過去各自領(lǐng)域積累多年的算法?，F(xiàn)在開源的人臉識別算法都可以達到98%的精度，使用深度學習算法，可以比較容易地在ImageNet的競賽中得到前幾名。充分說明了深度學習算法已經(jīng)成熟。
 

　　但是深度學習算法的特性，要求強大的計算能力和大量的樣本數(shù)據(jù)。這兩個是深度學習算法廣泛應(yīng)用的兩大阻力。解決計算能力的方案之一是采用分布式計算，因此誕生了十多種深度學習的計算框架，例如Tensorflow，Caffe，MxNet等等；方案之二，也有一些公司設(shè)計專門的硬件，例如Google TPU，國內(nèi)的地平線/深鑒科技/寒武紀等，有的將深度學習算法寫入到FPGA中，有的設(shè)計帶特定指令集的處理器，來加速深度學習算法的運行。同時為了提高算法的精度，需要大量的標注數(shù)據(jù)，因此很多人工智能創(chuàng)業(yè)公司都雇傭或外包上百人的團隊給他們做數(shù)據(jù)標注。雖說是障礙，這也是深度學習算法的一個巨大的優(yōu)勢，因為增大數(shù)據(jù)量就可以提高算法精度，這是傳統(tǒng)機器學習算法做不到的。因此對擁有大量樣本數(shù)據(jù)的公司來說，因為已經(jīng)積累的多年的數(shù)據(jù)，就容易形成行業(yè)壁壘，其他公司，即使是大公司也很難進入與其競爭。
 

　　我們在實際應(yīng)用深度學習算法的過程中發(fā)現(xiàn)，隨著應(yīng)用場景的變化，需要重新訓練算法來得到合適的模型。我們在車牌識別和交易匹配應(yīng)用中，發(fā)現(xiàn)即使是擁有人工智能科學家的歸國創(chuàng)業(yè)團隊，跟我們也在同一個起跑線上，也需要重頭開始重新訓練模型。我們利用現(xiàn)有的客戶資源和數(shù)據(jù)優(yōu)勢，從現(xiàn)場視頻中制作了幾十萬張樣本，通過樣本的采集和算法的優(yōu)化，使得我們的車牌/車型算法精度遠超過了業(yè)界的公司。
 

　　星環(huán)從創(chuàng)業(yè)之初就開始在機器學習方面進行投入，2015年初也推出了Discover開發(fā)工具。Discover產(chǎn)品推出后被幾百位客戶使用過，積累了大量的經(jīng)驗。但是一方面當時的市場沒有這么熱，當時的客戶仍然覺得機器學習無法發(fā)揮真正的價值；另一方面，我們選擇了提供編程語言和開發(fā)工具的方式，這使得我們產(chǎn)品的受眾面比較窄，只有的數(shù)據(jù)科學家才會使用這類產(chǎn)品。
 

　　進入2018年，我認為AI有三個發(fā)展趨勢：
 

　　1.AI in Production. AI從一門科學開始轉(zhuǎn)變成一個系統(tǒng)或產(chǎn)品，一句話，AI需要產(chǎn)品化，也必將產(chǎn)品化。隨著機器學習和深度學習算法的不斷成熟，需要將AI來打造成產(chǎn)品和系統(tǒng)，并在各個領(lǐng)域?qū)ふ襅iller Applications。但是深度學習仍然面臨著很大挑戰(zhàn)，需要大量計算能力(需要大量CPU， GPU，F(xiàn)PGA/ASIC的混合計算能力，以及分布式計算能力)，需要大量樣本和數(shù)據(jù)，甚至需要大量人工來制作樣本(以傳遞知識給機器)。 這就是為什么Google的科學家Jeaf Dean近召集了一個新的會議，叫做SysML (System and Machine Learning，www.sysml.cc)， 試圖尋找計算系統(tǒng)和機器學習的結(jié)合點，來找到機器學習系統(tǒng)的佳實現(xiàn)方式，以及開發(fā)新的機器學習算法。這個會議的個受邀演講，是介紹如何通過編譯器技術(shù)，將機器學習算法的算子，編譯到不同的后端(CPU，GPU，F(xiàn)PGA等)上執(zhí)行。這是區(qū)別于設(shè)計專有硬件的一個系統(tǒng)性方法，這個方法具備更好的靈活性，因此備受關(guān)注。
 

　　2.AI for everyone. 機器學習工具需要更加易用化，更普及，讓更多普通人能夠使用。目前的一個重要趨勢，是使用深度學習技術(shù)，來提升AI工具的智能化程度，包括自動建模，自動尋找優(yōu)參數(shù)，特征工程半自動化等等，使得整個機器學習過程更加智能化/自動化。所有的機器學習工具廠商都開始往這個方向努力，例如DataRobot一直在宣傳自動建模(Auto-Modeling)的優(yōu)勢。Google的Li Feifei團隊發(fā)布的AutoML，使得普通人都可以用這個工具來創(chuàng)建計算機視覺相關(guān)的應(yīng)用。
 

　　3.AI in everywhere.AI算法雖然核心，但只是整個系統(tǒng)的一部分，本身不能形成獨立的產(chǎn)品，更多地需要將算法應(yīng)用到各個應(yīng)用領(lǐng)域中，賦能各個行業(yè)，以發(fā)揮算法的價值。在2018年，我相信各個行業(yè)，各個領(lǐng)域，都在積極地做一些嘗試，利用AI來賦能已有的產(chǎn)品或應(yīng)用，以提高現(xiàn)有產(chǎn)品或服務(wù)的智能化水平。自動駕駛是個典型的使用AI提升汽車智能水平的例子。
 

　　2018年已來，讓我們振奮精神，為AI的未來做好充足的準備。
 

　　原標題：星環(huán)科技孫元浩：2018年人工智能技術(shù)三大發(fā)展方向