GMIS 2017：構建商業AI能力的五個要素

最新 05-28

5月27日，由機器之心主辦的全球機器智能峰會（GMIS 2017）在北京898創新空間舉行。「LSTM 之父」Jürgen Schmidhuber、《人工智慧：一種現代方法》的作者Stuart Russell、Citadel首席人工智慧官鄧力、騰訊AI LAB副主任俞棟、今日頭條副總裁、人工智慧實驗室負責人馬維英、第四範式創始人、首席執行官戴文淵、地平線機器人創始人余凱等嘉賓出席。

Jürgen Schmidhuber首先回顧了20世紀的人工智慧發展，他說：「再過幾年，90%的工作將是機器提供的。希望人工智慧可以為我們提供更美好的未來」。Jürgen預測，在未來幾年人類將創造出具有靈長類動物智能的人工智慧系統。人工智慧僅僅經歷了70餘年的發展，這個速度相比數億年的生物進化有了很多倍的提高。

無監督學習是深度學習很重要的一種方法，不用給系統提供一個非常具體的信號，只需要告訴它一些信息，讓它以無監督的方式自己學習。Citadel首席人工智慧官鄧力發表了主題為「無監督學習的最新進展」的講話。他說：「無監督學習比監督學習更有趣，但是也更困難。我們可以使用更多的一些數據來進行學習，比如說像SPDG方法，該方法不需要進行標記，但它可以直接進行學習來聽聲音的識別或者說做一些翻譯。這樣的一個線性的方式，我們也需要很多的發明來使無監督學習更加地有效。」

騰訊AI LAB副主任俞棟介紹了最近在語音識別當中的前沿的研究方向：序列向序列轉換的問題。語音從一個序列向另一個序列轉換的時候可能有問題，通過數據驅動讓模型，可能找到更好的方法，使序列轉換更準確。序列轉換主要有兩個方向，一個是CTC模型，建模比傳統建模非常更大，可以相對比較自由選擇建模單元，而且建模較大可效果更好。但是，這種建模訓練的穩定性不是很好。

那麼如何解決CTC模型不穩定問題呢？目前最佳的解決方案就是把CTC與Attention結合起來，因為CTC有持續信息，可根據後面的語音信號生成詞，這有助於Attention生成更好的表達。

人工智慧熱潮還很洶湧，新聞搜索也在發生巨變。今日頭條副總裁、人工智慧實驗室負責人馬維英表示，今天的人工智慧的本質是軟體產業的革命，其實軟體產業也在被顛覆，未來是萬物互聯、數字表達的世界。基於雲計算、GPU、TPU和FPGA等一些晶元大運算能力，軟體也變得越來越智能，反過來軟體又會推動硬體的發展，這是一個正循環。

未來個性化的信息流成為新的方式，用戶有大量碎片化的時間，很多工作都可以在手機上完成，同時產生源源不斷的數據。

PC時代的信息源與消費者之間的關係不緊密，但是現在的大量的原創作者（比如頭條有50萬的作者）提供了大量內容，用戶通過頭條的平台可以獲得個性化信息。頭條就是要成為個性化信息流進流出的管道，通過機器來完成審核，過濾。

創作、分發、互動等每個環節，人工智慧都可以進來，今天已經從數字化的時代向語義表達的時代轉變。頭條開發了很多人工智慧的標註工具，幫助他們標註得更好，他們標註的結果可以得到一些另外的反饋，又重新來幫助我們的機器學習，機器學習又學出更好的演算法，又提供更好的工具給審核標註人員，審核標註人員又更高效的標註了很多新的樣本，形成一個閉環。

他還提到，未來的相機是一個視覺智能的相機。人工智慧將連接人與信息，幫助用戶交流、學習，用戶使用數據又將反饋到機器，形成一個良性的循環，未來是超級智能時代。

第四範式創始人、首席執行官戴文淵談到了VC維理論。統計學家很早就給我們奠定了機器的理論：VC維理論。它是指一個模型的維度越高，能力就越強。機器超越專家的界限是VC維度大於或等於1000萬。

他還談到構建商業AI能力的五個要素：

1、大數據

大數據不是指有數據就行，一定要有意義的過程數據才行。比如用戶瀏覽網站數據，不只是點擊量，還有客戶正負反饋。用戶投訴是正反饋，如果沒有投訴是負反饋。優秀的AI模型，至少要1000萬以上的大數據和樣本。

2、外部反饋

例如搜索的點擊，過去的推薦是相關的內容，這種「相關」機器聽不懂，不可度量；現在把「相關」數字化了，它包括點擊、閱讀時長、轉發、收藏和投訴，是可以被度量的。

3、演算法

演算法科學家是非常稀缺的，尤其在AI領域，那麼如何不用科學家也可以做應用呢？過去做一個AI可能需要上百個科學家，現在可以把這些業務封裝起來，我們希望一個業務人員，再加上有一定數據思維基礎，經過平台培養一兩個月的數據工程師，就能達到過去演算法科學家的效果。

4、降低門檻

現在機器的門檻主要是數據清洗，特徵變換。這對科學家來說不是很大的問題，但對於開發人員門檻很高，我們要使這些事情自動化，比如做線性分形的演算法，用分型技術讓線性的模型做更好的特徵工程。

5、Inferential，大數據下沒有簡單的問題，比如機器超過100台，不能保證任意兩台機器傳輸數據都是一樣的，也不能保證機器不會宕機。如果超過一千台機器，甚至任務分配都會非常不均衡，有的機器是空閑的，有的機器會很忙，這些都是需要解決的問題。

國內談AI，更多的是互聯網的應用，很少提及它對工業領域的改變。英偉達人工智慧城市CTO Mulind Naphade談到AI在交通領域的應用。

他表示，交通行業是一個非常複雜的系統，這裡面有車輛、橋樑，人員等，非常複雜。AI在交通行業的應用潛力巨大，可以通過AI系統把很多的東西通過物流送到各個地方。在行人方面，可以探索AI集成一個系統，利於安全出行。

此外，AI還可以做安全監測，包括機場、地鐵還是很多人群聚集的地方，在應急情況下，通過分析視頻信息及時疏散人群。

而且AI貨運將影響未來的物流行業，未來最後一公里的快遞可能會是無人駕駛汽車運送，它還能實時了解倉庫，形成一個高效的物流體系。

隨著這一輪人工智慧的浪潮湧起，自動駕駛也被推向高潮，在CES2017展上，它也代替去年的VR成為全球媒體關注的主角，自動駕駛很可能會顛覆萬億級的傳統汽車行業。地平線機器人創始人余凱談到了「深度學習如何引領駕駛革命」，他認為，中國是世界第一大汽車市場，但是交通事故的死亡率也是世界第一，AI可能改變這一現狀。

我們知道人工標註數據成本非常高，但是現在機器不僅可以用實際的數據學習，還可以通過虛擬的數據學習，人工智慧系統在邁向一個方向：人工智慧系統自己學習。