人工智能这十年：风起于青萍之末
2015/12/24 千人智库
高效引才，科学决策!关注请点击蓝色“千人智库”
一、人工智能悄然兴起
“人工智能”涵盖了很多前沿技术和分支，却很难用一句话定义，因为它一直在发展当中。比如，一些在过去看来很“人工智能”的事情，现在却变成了简单的“机械重复”，像是大额数字的简单运算、图像的编辑等。但总体上来看，“人工智能”的本质和目的一直没有发生太多变化，那就是“替代人类的脑力工作”。
20世纪60年代开始，就有许多科幻电影和科幻小说描述着人类对“人工智能”的憧憬和恐惧，比如斯皮尔伯格的知名影片《人工智能》。不过在现实中，长久以来，受到技术、科技发展和应用层面的限制，人工智能只是一件人人都在说，都以为别人在做，但事实上却没多少人知道该怎么做的事——无论在学术研究层面还是在应用层面都是如此。
而到了2011年，美国资本市场出现了资本疯狂地涌入人工智能领域的现象。风险投资机构和顶级科技公司们开始投资这个领域的创业公司，投资范围从应用层面的机器人、增强现实，到底层技术层面的深度学习算法、神经网络芯片等，人工智能项目也遍地开花。比如，Google接连投资了虚拟现实创业公司Magic Leap，收购了人工智能公司DeepMind；Facebook收购语音识别公司Wit.ai，等等。
除了投资外部团队之外，像IBM、Google、Facebook和百度等国内外科技巨头们也纷纷加强自己的人工智能方面的专业团队，招募了一批人工智能尤其是深度学习相关领域的科学家，如深度学习鼻祖之一Geoffrey Hinton加入了Google，Yann LeCun加入了Facebook担任人工智能实验室负责人，Andrew Ng(吴恩达)加入百度负责深度学习研究院。
“人工智能”的兴起并非偶然。
二、驱动人工智能发展的内外动因
我们认为，驱动人工智能领域发展到现在程度的外部动因有：
1.传感器能力和数量的大幅提升：受智能手机、可穿戴设备等爆发式增长的推动，传感器无论从数量还是质量上都有了飞跃，而机器的感知能力变强是机器变“聪明”的重要前提。
2.计算能力和资源的大幅提升：摩尔定律使得计算成本在迅速下降，同时云计算的出现、GPU的大规模应用使得集中化的数据计算能力变得前所未有得强大。这使得大规模的的集中式计算成为可能。
3.数据量的几何级增长：根据预计，2015年全球产生的数据总量将达到十年前的20多倍。如此海量的数据使得机器有了运算的基础(但是需要注意的是，在其中真正有标注的数据不超过总量的10%)。
当然，更重要的驱动因素是内因——算法的进步。当下人工智能领域最先进、应用最广泛的核心技术是深度神经网络(深度学习)。而且，直到2006年，深度神经网络才得到快速发展，逐渐成为人工智能领域的主流技术。
使得深度神经网络登顶人工智能的里程碑事件是，2006年，Geoffrey Hinton发表了在人工智能领域影响深远的论文《A fast learning algorithm for deep belief nets》，提出了逐层训练的新算法，让人们对人工智能发展的关注点回到了深度学习上。在此之前，虽然深度学习要优于其它模型，但因为计算资源有限，很运算得出有意义的结果。Hinton的新算法的划时代意义在于，在计算资源有限的情况下，通过逐层计算的方式让计算机能够运算出有意义的结果。后来，经过几次迭代，深度学习逐渐成为人工智能领域的主流模型，有了如今卷积神经网络(Convolutional Neural Networks，CNN)为代表的成熟和有效的算法。
算法是人工智能行业取得突破的关键，因为实验室场景下的计算资源早已经不再是计算的瓶颈。依赖大规模GPU集群的运算能力，计算集群不再需要对数据进行分层训练，而是可以直接进行端到端的训练，让输出结果和调整的周期大大缩短，让计算机“学”得更快，得到的结果更准确。
三、人工智能的三步走
从人工智能的整个发展历程来看，可以大致把这个领域分成三个阶段。
第一步：从分布走向集中。人工智能过去十年的发展处于实证研究阶段，计算资源被大量、集中地用于模型的训练调优，而更早时的计算能力不足以支撑这种实证研究时，人工智能还只是纸上谈兵的理论。后来，科技巨头以及国家级别的科研项目开始对GPU集群加大投入，使得人工智能算法的计算任务从小型和独立的计算机转移到了大规模GPU集群上。算法模型的训练迭代时间被大大缩短，这推动了人工智能算法向实际应用的演进。
第二步：集中计算分布应用。在少部分核心企业掌握了大规模的计算资源以后，其它小规模的企业一般会利用这些核心企业提供的计算资源接口和其支持的人工智能应用。因为掌握大规模计算资源的企业一定是少数，所以我们认为这将是人工智能在企业场景下的主要使用形式。
人工智能本地化实现的难点在于本地的计算能力在如今动辄几个G的算法模型面前杯水车薪、无能为力。一部iPhone 6手机采用一般的CNN算法去处理一张200*200像素图像的ImageNet千分类问题需要的时间是300毫秒，但这样的处理速度对于用户体验来说是灾难性的。要提高本地的图像识别处理速度，目前能够想到的途径有三条：一是精简算法模型，根据实际的场景适配需要的精度，让模型尽可能简化，二是提升CPU的计算能力。目前的智能手机CPU已经在20nm制程以下，按照传统路线，CPU提升的极限可能在7-10nm，这其实非常有限。而且，大功耗也是一般移动设备难以承受的，因此只有为人工智能算法模型重新开发专门的芯片才有可能满足本地的计算要求。
从这个角度来看，人工智能在消费者场景实现的关键是对算法模型优化和用户场景的综合理解，以及底层硬件的设计制造。而人工智能的企业应用则会是巨头们的游戏。
四、人工智能的产业生态
人工智能产业主要由底层可应用技术(图像识别、语音识别、自然语言处理、硬件技术等)、计算资源(大规模GPU集群)、基础数据服务，以及企业/政府/消费者应用组成。遵循产业的一般发展规律，人工智能的发展路径仍然是从底层可应用技术的成熟开始，再到商业化计算资源、数据服务等基础设施的完善，最后形成企业和消费者应用的繁荣。
目前还是人工智能的早期阶段，我们需要关注的是三方面的发展：一方面是底层可应用技术的突破，包括算法的和硬件的；另一方面是中间的数据服务和计算资源利用的进步；最后也是最重要的是，基于现有技术的应用场景的发掘。其中，底层技术不一定是“独门秘技”，能够把底层技术商业化的公司一定是因为自身的成本曲线优于大部分用户的成本曲线。如果不满足这个特性，那么某些企业即使有短暂的技术领先，最后都难以实现大规模商业化。
五、风起于青萍之末
乍看上去，人工智能是个巨头间的游戏，巨头企业无论从资本、人才还是技术积累上似乎都更有优势。然而事实未必如此。如果以汽车行业做类比，汽车电动化的先驱并非宝马、大众这样的传统汽车巨头，而是特斯拉这样的“小”公司。这其中的原因在于，大公司面对创新变革时，往往看不上小机会，因为小机会对它们的吸引力实在太小了。巨头们往往喜欢憋大招，喜欢一步到位，从而彻底甩开竞争对手。但是创新、特别是针对大众消费者的创新却是循序渐进的，所谓“大招”中其实包含着不少对用户需求的错误假设。小步快跑，不断寻求和用户互动，积跬步终能致千里。因此，创业公司在人工智能的创新变革中反而会更有机会。从Google和Yahoo在搜索领域，到Facebook和MySpace在社交领域，再到Apple和Nokia在手机领域，最终变革的主导力量其实都是“小”公司。
基于这个方向判断，有志于在人工智能领域挑战巨头的创业者们需要先想清楚三件事：
一、自己的产品改变了什么。伟大的产品或技术一定是改变了消费者在某些场景下的行为，有没有都一样的产品，很难给消费者使用它的理由。在这个大问题下要考虑两个小问题，第一个是，其所改变的用户行为频次怎样，是否是用户常常会做的事情，频次决定了这个产品的天花板。第二个是，这个产品最终能够带来的改变有多好或者有多大，些许的提升可能会不足以说服用户。颠覆性的产品在最初可以只是解决一些小问题，但是颠覆性产品对于这些问题的解决应该是令人耳目一新的。
二、产品的核心竞争力究竟是什么。关于人工智能的各类底层技术的发展都还没有到达尽如人意的地步，无论是图像识别还是语义分析都还存在速度和准确率等问题。如果产品的核心竞争力倚重的是还存在很多瑕疵的技术，那么这个产品本身的被接受程度就会很不理想。那么，人工智能技术的某些局限会成为产品的绊脚石吗？也许并不会。还是以特斯拉电动车为例：电池性能至今还在很多方面限制着电动车的表现，依然有很多用户青睐特斯拉，原因是特斯拉的核心竞争力在于它出色的启动、智能化的驾驶体验和简易的维护，电池尽管是一个短板但不是核心功能。可如果一个主打自然语言交互的工具在语音识别和语义分析的准确率上都无法达到令人满意，而这个产品本身和其它产品又没有任何差别，那么确实很难想象这样一款产品能够被用户接受。
三、产品是否能够实现。之前提到，创业者的优势在于小步快跑。人工智能的应用还没有到达成熟的地步，很多应用都是靠摸索得来，一味追求绝对的技术优势来解决所有问题的思路可能并不适用。无法解决一个通用场景就从几个专门的场景先入手，无法做出一个“万能”的产品不妨先做出一个可以用的产品。只有用户使用了产品并给予反馈，才可能真正知道自己产品的缺陷和下一步的方向。
人工智能已经走出了象牙塔，在企业和消费者端的应用有了显著进步。但这仍然不够。如何让消费者手中的设备拥有尽可能多的处理能力，需要技术和应用的双端突破，这也正是人工智能领域创业公司的机会和任务所在——人工智能之风，在未来会起于青萍之末。
来源：百度百家
http://weixin.100md.com
返回 千人智库 返回首页 返回百拇医药