昨天，在O’reilly舉辦的AI Conference上，吳恩達(dá)做了個(gè)25分鐘的演講，主題依然是“AI is the new electricity”，但內(nèi)容可以說是充滿誠(chéng)意非常干貨了。
吳恩達(dá)老師這節(jié)課，主要講了這四部分內(nèi)容：
AI能做什么？各種算法有多大商業(yè)價(jià)值？
做AI產(chǎn)品要注意什么？
怎樣成為真正的AI公司？
給AI領(lǐng)導(dǎo)者的建議
干貨摘錄如下：
吳恩達(dá)的老師的開場(chǎng)白，依然是AI像當(dāng)年的電力一樣，正開始改變所有行業(yè)。
要理解AI，就要先進(jìn)入我們的第一部分：
AI能做什么？
目前，AI技術(shù)做出的經(jīng)濟(jì)貢獻(xiàn)幾乎都來(lái)自監(jiān)督學(xué)習(xí)，也就是學(xué)習(xí)從A到B，從輸入到輸出的映射。
比如說，輸入一張照片，讓機(jī)器學(xué)會(huì)判斷這張照片是不是你，輸出0或1。
現(xiàn)在最賺錢的機(jī)器學(xué)習(xí)應(yīng)用，應(yīng)該說是在線廣告。在這個(gè)例子中，輸入是廣告和用戶信息，輸出是用戶會(huì)不會(huì)點(diǎn)擊這個(gè)廣告（還是0或1）。
監(jiān)督學(xué)習(xí)還可以應(yīng)用在消費(fèi)金融領(lǐng)域，輸入貸款申請(qǐng)信息，輸出用戶是否會(huì)還款。
過去幾年里，機(jī)器學(xué)習(xí)經(jīng)歷了迅速的發(fā)展，越來(lái)越擅長(zhǎng)學(xué)習(xí)這類A到B的映射，創(chuàng)造了大規(guī)模的經(jīng)濟(jì)效益。
同時(shí)，AI的進(jìn)步也體現(xiàn)在監(jiān)督學(xué)習(xí)的輸出不再限于0或1的數(shù)字。
比如說語(yǔ)音識(shí)別的任務(wù)，也是一種端到端的學(xué)習(xí)，輸入音頻，輸出文本。只要有足夠的數(shù)據(jù)，語(yǔ)音識(shí)別就能達(dá)到很好的效果。
這類算法為語(yǔ)音搜索、亞馬遜Alexa、蘋果Siri、百度DuerOS等等提供了基礎(chǔ)。
還有輸入英語(yǔ)輸出法語(yǔ)的機(jī)器翻譯，輸入文本輸出音頻的TTS（Text to Speech）等等，都是監(jiān)督學(xué)習(xí)的應(yīng)用。
監(jiān)督學(xué)習(xí)的缺點(diǎn)是它需要大量的標(biāo)注數(shù)據(jù)，這影響了它的普及。
經(jīng)常有人問我，為什么神經(jīng)網(wǎng)絡(luò)已經(jīng)存在了這么多年，AI卻近年來(lái)才開始快速發(fā)展？
很多人可能見過我畫這張圖：
橫軸是數(shù)據(jù)量，縱軸是算法的性能。
隨著數(shù)據(jù)量的增加，傳統(tǒng)機(jī)器學(xué)習(xí)算法的性能并沒有明顯提升，而神經(jīng)網(wǎng)絡(luò)的性能，會(huì)有比較明顯的提升，神經(jīng)網(wǎng)絡(luò)越大，性能的提升就越明顯。
為了達(dá)到最佳的性能，你需要兩樣?xùn)|西：一是大量的數(shù)據(jù)，二是大型的神經(jīng)網(wǎng)絡(luò)。
還有一個(gè)問題，有很多人問我：機(jī)器學(xué)習(xí)中最大的趨勢(shì)是什么？算法如何創(chuàng)造價(jià)值？
現(xiàn)在來(lái)看，創(chuàng)造最多價(jià)值的還是監(jiān)督學(xué)習(xí)。
如果你問我監(jiān)督學(xué)習(xí)之后是什么，我認(rèn)為遷移學(xué)習(xí)現(xiàn)在也開始創(chuàng)造不少經(jīng)濟(jì)效益?？赡芤?yàn)檫@個(gè)概念不夠性感，所以人們談?wù)摰貌欢唷?/span>
比如說你的算法從一個(gè)像ImageNet那樣的大數(shù)據(jù)集學(xué)到了圖像識(shí)別，然后用遷移學(xué)習(xí)，用到醫(yī)學(xué)影像診斷上。
而非監(jiān)督學(xué)習(xí)，我認(rèn)為是非常好的長(zhǎng)期研究項(xiàng)目。它也創(chuàng)造了一些經(jīng)濟(jì)價(jià)值，特別是在自然語(yǔ)言處理上。
強(qiáng)化學(xué)習(xí)也很有意思，我研究了很多年，現(xiàn)在也還在這方面做一些微小的工作。但是我認(rèn)為，強(qiáng)化學(xué)習(xí)的輿論熱度和經(jīng)濟(jì)效益有點(diǎn)不成比例。
強(qiáng)化學(xué)習(xí)對(duì)數(shù)據(jù)的饑渴程度甚至比監(jiān)督學(xué)習(xí)更嚴(yán)重，要為強(qiáng)化學(xué)習(xí)算法獲取到足夠的數(shù)據(jù)非常難。
在打游戲這個(gè)領(lǐng)域，強(qiáng)化學(xué)習(xí)表現(xiàn)很好，這是因?yàn)樵陔娮佑螒蛑?，算法可以重?fù)玩無(wú)限次，獲取無(wú)限的數(shù)據(jù)。
在機(jī)器人領(lǐng)域，我們也可以建立一個(gè)模擬器，相當(dāng)于能讓強(qiáng)化學(xué)習(xí)agent在其中模擬無(wú)人車、人形機(jī)器人，重復(fù)無(wú)限次“游戲”。
除了游戲和機(jī)器人領(lǐng)域之外，要把強(qiáng)化學(xué)習(xí)應(yīng)用到商業(yè)和實(shí)踐中還有很長(zhǎng)的路要走。
現(xiàn)在，監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)這四類算法所創(chuàng)造的經(jīng)濟(jì)效益是遞減的。
當(dāng)然，這只是目前的情況。計(jì)算機(jī)學(xué)科不斷有新突破，每隔幾年就變個(gè)天。這四個(gè)領(lǐng)域中的任何一個(gè)都可能發(fā)生突破，幾年內(nèi)這個(gè)順序就可能要重排。
我注意到的另一件事情是，機(jī)器學(xué)習(xí)依靠結(jié)構(gòu)化數(shù)據(jù)，比非結(jié)構(gòu)化數(shù)據(jù)創(chuàng)造了更多的經(jīng)濟(jì)效益。
舉個(gè)結(jié)構(gòu)化數(shù)據(jù)的例子，比如說你的數(shù)據(jù)庫(kù)記錄了用戶的交易情況，誰(shuí)什么時(shí)候買了什么東西，誰(shuí)什么時(shí)間給誰(shuí)發(fā)了信息，這就是結(jié)構(gòu)化數(shù)據(jù)。
而像圖像、音頻、自然語(yǔ)言等等，就是非結(jié)構(gòu)化數(shù)據(jù)。
雖然非結(jié)構(gòu)化數(shù)據(jù)聽起來(lái)更吸引人，輿論熱度更高，但結(jié)構(gòu)化數(shù)據(jù)的價(jià)值在于它通常專屬于你的公司，比如說只有你的打車公司才有用戶什么時(shí)候叫車、等了多長(zhǎng)時(shí)間這樣一個(gè)數(shù)據(jù)集。
所以，不要低估結(jié)構(gòu)化數(shù)據(jù)結(jié)合深度學(xué)習(xí)所能創(chuàng)造的經(jīng)濟(jì)價(jià)值。
在前面談到的幾類學(xué)習(xí)算法中，單是監(jiān)督學(xué)習(xí)就已經(jīng)為公司、創(chuàng)業(yè)者創(chuàng)造了大量的經(jīng)濟(jì)價(jià)值和機(jī)會(huì)。
做AI產(chǎn)品要注意什么？
有一個(gè)很有意思的趨勢(shì)，是AI的崛起正改變著公司間競(jìng)爭(zhēng)的基礎(chǔ)。
公司的壁壘不再是算法，而是數(shù)據(jù)。
當(dāng)我建立一家新公司，會(huì)特地設(shè)計(jì)一個(gè)循環(huán)：
先為算法收集足夠的數(shù)據(jù)，這樣就能推出產(chǎn)品，然后通過這個(gè)產(chǎn)品來(lái)獲取用戶，用戶會(huì)提供更多的數(shù)據(jù)……
有了這個(gè)循環(huán)之后，對(duì)手就很難追趕你。
這方面有一個(gè)很明顯的例子：搜索公司。搜索公司有著大量的數(shù)據(jù)，顯示如果用戶搜了這個(gè)詞，就會(huì)傾向于點(diǎn)哪個(gè)鏈接。
我很清楚該如何構(gòu)建搜索算法，但是如果沒有大型搜索公司那樣的數(shù)據(jù)集，簡(jiǎn)直難以想象一個(gè)小團(tuán)隊(duì)如何構(gòu)建一個(gè)同樣優(yōu)秀的搜索引擎。這些數(shù)據(jù)資產(chǎn)就是最好的壁壘。
工程師們還需要清楚這一點(diǎn)：
AI的范圍，比監(jiān)督學(xué)習(xí)廣泛得多。我認(rèn)為人們平時(shí)所說的AI，其實(shí)包含了好幾類工具：比如機(jī)器學(xué)習(xí)、圖模型、規(guī)劃算法、知識(shí)表示（知識(shí)圖譜）。
人們的關(guān)注點(diǎn)集中在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，很大程度上是因?yàn)槠渌ぞ叩陌l(fā)展速度很平穩(wěn)。
如果我現(xiàn)在建立一個(gè)AI團(tuán)隊(duì)，做AI項(xiàng)目，很多時(shí)候應(yīng)該用圖模型，有時(shí)應(yīng)該用知識(shí)圖譜，但是最大的機(jī)遇還是在于機(jī)器學(xué)習(xí)，這才是幾年來(lái)發(fā)展最快、出現(xiàn)突破的領(lǐng)域。
接下來(lái)我要和大家分享一下我看問題的框架。
計(jì)算機(jī)，或者說算法是怎樣知道該做什么的呢？它有兩個(gè)知識(shí)來(lái)源，一是數(shù)據(jù)，二是人工（human engineering）。
要解決不同的問題，該用的方法也不同。
比如說在線廣告，我們有那么多的數(shù)據(jù)，不需要太多的人工，深度學(xué)習(xí)算法就能學(xué)得很好。
但是在醫(yī)療領(lǐng)域，數(shù)據(jù)量就很少，可能只有幾百個(gè)樣例，這時(shí)就需要大量的人工，比如說用圖模型來(lái)引入人類知識(shí)。
也有一些領(lǐng)域，我們有一定數(shù)量的數(shù)據(jù)，但同時(shí)也需要人工來(lái)做特征工程。
當(dāng)然，還要談一談工程師如何學(xué)習(xí)。
很多工程師想要進(jìn)入AI領(lǐng)域，很多人會(huì)去上在線課程，但是有一個(gè)學(xué)習(xí)途徑被嚴(yán)重忽視了：讀論文，重現(xiàn)其中的研究。
當(dāng)你讀了足夠多的論文，實(shí)現(xiàn)了足夠多的算法，它們都會(huì)內(nèi)化成你的知識(shí)和想法。
要培養(yǎng)機(jī)器學(xué)習(xí)工程師，我推薦的流程是：上（deeplearning.ai的）機(jī)器學(xué)習(xí)課程來(lái)打基礎(chǔ)，然后讀論文并復(fù)現(xiàn)其中的結(jié)果，另外，還要通過參加人工智能的會(huì)議來(lái)鞏固自己的基礎(chǔ)。
怎樣成為真正的AI公司？
我接下來(lái)要分享的這個(gè)觀點(diǎn)，可能是我今天所講的最重要的一件事。
從大約20年、25年前開始，我們開始看見互聯(lián)網(wǎng)時(shí)代崛起，互聯(lián)網(wǎng)成為一個(gè)重要的東西。
我從那個(gè)時(shí)代學(xué)到了一件重要的事：
商場(chǎng) + 網(wǎng)站 ≠ 互聯(lián)網(wǎng)公司
我認(rèn)識(shí)一家大型零售公司的CIO，有一次CEO對(duì)他說：我們?cè)诰W(wǎng)上賣東西，亞馬遜也在網(wǎng)上賣東西，我們是一樣的。
不是的。
互聯(lián)網(wǎng)公司是如何定義的呢？不是看你有沒有網(wǎng)站，而是看做不做A/B測(cè)試、能不能快速迭代、是否由工程師和產(chǎn)品經(jīng)理來(lái)做決策。
這才是互聯(lián)網(wǎng)公司的精髓。
現(xiàn)在我們經(jīng)常聽人說“AI公司”。在AI時(shí)代，我們同樣要知道：
傳統(tǒng)科技公司 + 機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò) ≠ AI公司（全場(chǎng)笑）
公司里有幾個(gè)人在用神經(jīng)網(wǎng)絡(luò)，并不能讓你們成為一家AI公司，要有更深層的變化。
20年前，我并不知道A/B測(cè)試對(duì)互聯(lián)網(wǎng)公司來(lái)說有多重要。現(xiàn)在，我在想AI公司的核心是什么。
我認(rèn)為，AI公司傾向于策略性地獲取數(shù)據(jù)。我曾經(jīng)用過這樣一種做法：在一個(gè)地區(qū)發(fā)布產(chǎn)品，為了在另一個(gè)地區(qū)發(fā)布產(chǎn)品而獲取數(shù)據(jù)，這個(gè)產(chǎn)品又是為了在下一個(gè)地區(qū)發(fā)布產(chǎn)品來(lái)獲取數(shù)據(jù)用的，如此循環(huán)。而所有產(chǎn)品加起來(lái)，都是為了獲取數(shù)據(jù)驅(qū)動(dòng)一個(gè)更大的目標(biāo)。
像Google和百度這樣的大型AI公司，都有著非常復(fù)雜的策略，為幾年后做好了準(zhǔn)備。
第二點(diǎn)是比較戰(zhàn)術(shù)性的，你可能現(xiàn)在就可以開始施行：AI公司通常有統(tǒng)一的數(shù)據(jù)倉(cāng)庫(kù)。
很多公司有很多數(shù)據(jù)倉(cāng)庫(kù)，很分散，如果工程師想把這些數(shù)據(jù)放在一起來(lái)做點(diǎn)什么，可能需要和50個(gè)不同的人來(lái)溝通。
所以我認(rèn)為建立一個(gè)統(tǒng)一的數(shù)據(jù)倉(cāng)庫(kù)，所有的數(shù)據(jù)都存儲(chǔ)在一起是一種很好的策略。
另外，普遍的自動(dòng)化和新的職位描述也是AI公司的重要特征。
比如說在移動(dòng)互聯(lián)網(wǎng)時(shí)代，產(chǎn)品經(jīng)理在設(shè)計(jì)交互App的時(shí)候可能會(huì)畫個(gè)線框圖：
然后工程師去實(shí)現(xiàn)它，整個(gè)流程很容易理清楚。
但是假設(shè)在AI時(shí)代，我們要做一個(gè)聊天機(jī)器人，這時(shí)候如果產(chǎn)品經(jīng)理畫個(gè)線框圖說：這是頭像，這是聊天氣泡，并不能解決問題。
聊天氣泡長(zhǎng)什么樣不重要，我需要知道的是，這個(gè)聊天機(jī)器人要說什么話。線框圖對(duì)聊天機(jī)器人項(xiàng)目來(lái)說沒什么用。
如果一個(gè)產(chǎn)品經(jīng)理畫了個(gè)無(wú)人車的線框圖，說“我們要做個(gè)這個(gè)”，更是沒什么用。
在AI公司里，產(chǎn)品經(jīng)理在和工程師溝通的時(shí)候，需要學(xué)會(huì)運(yùn)用數(shù)據(jù)，要求精確的反饋。
微信掃一掃
