首先我認為，團隊也好，業務也好
首先我認為，團隊也好，業務也好，或者甚至一個公司，如果出問題，很多時候其實都是在管理上出了差錯。管理上有所為，有所不為，而且在不同階段要有不同的所為和所不為。
初期的時候，我把目標定得比較細，會把團隊各方面都理好。後期團隊已經運行得比較成熟了，我開始往後退。退的意思是我抓最重要的，最宏觀的事，甚至我選好幾個最重要的人，盯一盯，其他事我就可以適當放手了。
這樣我才可以做更多事，還有很重要的一點，只有充分授權，真正做事的人才有發揮空間，才有更大的積極性，才會快速成長。我一直強調，做管理除了把事要做好，特別要強調人的培養。如果下面的人沒有成長，我自己也不可能再往前走，也沒法做更多的事。
百度還是非常典型的技術工作者的方式。
我們總說「簡單可依賴」，外邊可能有些不完全理解，但是內部我們的確就是這樣一種模式在工作，也就是討論任何事都力求簡單直接，有問題直截了當，就事論事，談論問題，解決問題，基本上這個效率是很高的。
「AI 其實是一個進化的過程，不是一個簡單的訓練過程」
之前你在一個採訪裡面也說到，在每天數十億次的用戶請求千錘百鍊之下，百度的人工智慧技術已經是真正實用的人工智慧的技術了。什麼才叫真正實用的 AI 技術？
如果要用一句話說，真正實用就是真正能解決某一個應用問題。為什麼我說我們在千錘百鍊下就更能解決這些問題？因為那些技術每天就是在解決各種應用的問題。像搜索裡面，用戶雖然最終看到的就是一個非常簡潔清晰的結果，但背後要解決的問題非常多。每一項技術，都是在具體應用問題上打磨，然後在真實的數據上訓練，隨著我們的應用越來越多，數據越來越多，訓練的模型也會越來越好。同樣一個演算法，可能我們相配套訓練出來的模型就是更好的。同時我們也積累了很多真實的解決問題的經驗，比如說同樣一個問題，我到底選擇什麼樣的演算法？怎樣調節這個模型，甚至怎麼樣篩選數據？如果僅僅懂演算法，是不足以把這些事情做好的。而現在我們因為有開放平台，同時也服務了很多合作夥伴的需求，我們也看到更多問題，這本身就是一個迭代進化的過程。
所以我認為 AI 其實是一個進化的過程，不是一個簡單的訓練過程。傳統上我們搞人工智慧是，有演算法，有數據，有訓練，訓練出一個模型，就完成了，這是靜態的。但在我看來，更多的是我們的 AI 系統在實際場景中去用，用的過程中，跟應用、跟用戶去互動，數據也會不斷增加，在這個過程中整個系統的模型、演算法會變得更好。這是技術在場景里進化，不斷改進的過程。這個過程不是閉環，而是進化，我不認為 AI 是在這樣一個環里，它會不斷地往前走。
你最近比較關注的一些技術點都是哪些？有哪些產業應用方向是你比較看好的？
AI 涉及到的技術非常多，就像我們剛才說到的演算法、算力、數據；有感知層的，語音、圖像、AR 等等；認知層的，自然語言處理、知識圖譜、用戶畫像等，每個層面都會面臨一些不同的問題。
比如說數據層面，你可以說它是技術的一部分，也可以說它是獨立的，但跟技術是高度相關的。數據首先就是怎麼樣能收集更多的數據，更有效地去處理，更有效地去挖掘其中的價值。理論上來講，在其它資源都是無限的情況下，數據越多越好，但現在其它資源畢竟不是無限的。
同時，計算這部分也有很大變化，從 CPU 到 GPU 再到 FPGA，以及現在各類定製化晶元。在我看來，會有越來越多種計算平台，異構計算會很重要，同時邊緣計算也會很重要。人工智慧很多東西最早都是跑在大伺服器上，但是現在越來越多需要能在端上計算，所以算力方面，我們既要重視雲的能力，也要重視端的能力，這是非常重要的一點。
感知層方面，過去這些年，深度學習這波浪潮首先是在感知層，像語音、圖像這些領域獲得成功的，同時這些領域也是受深度學習帶來的紅利影響進步最大的，基本上已經達到實用的水平。接下來要做什麼？實際上更多會跟硬體去結合，跟感測器、攝像頭、麥克風等結合，總之軟硬結合會變得越來越重要。
認知層上，深度學習帶來的提升還遠不如感知層。這其中一個最本質的原因，我認為是，用深度學習技術解決語音、圖像問題的時候，更多還是把它當成模式識別的問題來解決；但認知層的問題，遠遠大於模式識別。比如你講一段語言，語言背後有豐富的涵義，語言是人對整個真實世界的認知、描述和表達，跟物理世界、人的精神世界、背景知識都是相關的。這些東西如果不具備，僅僅把它當成一個字元串用模式識別的方法來處理，可以解決一些問題，但是沒有辦法解決本質問題。所以到目前為止的深度學習技術，或者說人工智慧技術還不足以完全刻畫所有這些背後的東西。
TAG:韓式拌飯 |