0
| 本文作者： 嚴(yán)肅 | 2017-02-12 17:50 |
雷鋒網(wǎng)按：本文作者嚴(yán)肅，硅谷密探主筆。雷鋒網(wǎng)獲授權(quán)發(fā)布。
這屆美國人工智能年會(AAAI)，利用舉辦地在舊金山的地利，特別開設(shè)了為期一天的“AI in Practice”的討論，邀請了8家科技公司人工智能的技術(shù)主管，分享在各自領(lǐng)域的技術(shù)進展。
本文我們邀請了人工智能領(lǐng)域的資深投資人龍?zhí)希Y(jié)合會議的要點和工作的實踐來一起探討人工智能在業(yè)界的實踐。
從實際應(yīng)用角度來看，關(guān)鍵性的應(yīng)用幾乎不允許發(fā)生錯誤，一旦發(fā)生故障可能造成人員和財產(chǎn)損失，所以對整體系統(tǒng)包括硬件和軟件的可靠性要求非常高，實現(xiàn)難度也隨之加大。
而面向物理世界的應(yīng)用，要求系統(tǒng)的魯棒性強，能夠處理物理世界的各種不確定性和復(fù)雜性。
因此，從數(shù)字/物理世界、關(guān)鍵/非關(guān)鍵應(yīng)用兩個維度來分析，人工智能的應(yīng)用分成四大類，第一類是發(fā)生在物理世界的關(guān)鍵性應(yīng)用，比如無人駕駛，畢竟人命關(guān)天。第二類是發(fā)生在數(shù)字世界的關(guān)鍵性應(yīng)用，比如涉及到金融領(lǐng)域和計算機安全領(lǐng)域的問題，可能直接造成財產(chǎn)損失。第三類是發(fā)生在物理世界的非關(guān)鍵性應(yīng)用，比如掃地機器人。第四類是發(fā)生在數(shù)字世界的非關(guān)鍵性應(yīng)用，比如推薦系統(tǒng)。就商業(yè)應(yīng)用路線而言，一般規(guī)律是從數(shù)字世界的非關(guān)鍵應(yīng)用開始，逐步滲透到物理世界的關(guān)鍵應(yīng)用。
發(fā)生在物理世界的關(guān)鍵性應(yīng)用
總體而言，發(fā)生在物理世界的關(guān)鍵性應(yīng)用技術(shù)難度非常大，比如高級別的無人駕駛，是需要長時間的培育和等待的領(lǐng)域。
“AI in Practice”的演講者之一，來自谷歌的Vincent Vanhoucke以及Waymo(谷歌的無人駕駛公司)的Dimitri Dolgov都分享了一些研發(fā)機器人和無人駕駛的經(jīng)驗和教訓(xùn)。
Vincent所帶領(lǐng)的Google Brain團隊目前工作主要集中在三個領(lǐng)域：語音識別、計算機視覺、機器人。而Dimitri引用了加利福尼亞車管局(DMV)提供了2016年關(guān)于無人駕駛里程及失靈(Disengagements)的數(shù)據(jù)（失靈時需要人類司機來駕駛），這個數(shù)據(jù)也基本驗證了無人駕駛的難度。
失靈比例最低的是谷歌，每5128英里失靈1次，可以想象的是，谷歌無人駕駛的測試數(shù)據(jù)依舊是在一定的限定環(huán)境下，特斯拉則是3英里就失靈1次。
即使是按照谷歌無人車現(xiàn)在這個數(shù)據(jù)，在駕駛?cè)绱烁哳l的情況，離完全的無人駕駛（Lever 4 or 5）還有很長一段距離。
按照長期以來的工業(yè)界的實踐，把可靠性從90%提升到99%，往往比0%提升到90%難很多，然而從99%提升到99.99%比從90%提升到99%更難，而我們對無人駕駛可靠性的要求可能要超過99.9999%。
實現(xiàn)固定場景的幾個英里的無人駕駛距離實現(xiàn)高級別無人駕駛還有漫長的一段路要走，此外無人駕駛汽車從設(shè)計到生產(chǎn)的周期還需要額外的3到5年的時間，該行業(yè)的創(chuàng)業(yè)公司的周期會非常長。不過值得一提的是，限定場景（比如高速公路）下的無人駕駛或者輔助駕駛依然很有意義。
（Vincent Vanhoucke）
Vincent Vanhoucke演講的最后一部分集中在機器人！他說之前還沒進入機器人領(lǐng)域時，看到DARPA挑戰(zhàn)賽中機器人的各種摔倒鏡頭會大笑，然后真正開始接觸之后，就再也笑不出來了。機器學(xué)習(xí)的研究人員會想當(dāng)然地認(rèn)為機器人已經(jīng)大規(guī)模使用機器學(xué)習(xí)技術(shù)、想當(dāng)然地認(rèn)為機器人和環(huán)境狀態(tài)完全已知、想當(dāng)然地認(rèn)為樣本充足、想當(dāng)然地認(rèn)為計算機模擬十分逼近真實物理世界。從這個角度，機器人領(lǐng)域給機器學(xué)習(xí)提供了很多有意思的話題。
第一：如何協(xié)調(diào)感知和執(zhí)行是機器人的關(guān)鍵。
機器人的感知是軟件層面，而執(zhí)行則是機械層面。做算法的不懂機械，做機械的不懂軟件往往是業(yè)界共同面臨的問題。
第二，如何提高樣本的有效使用再次成為核心問題。
發(fā)生在物理世界的訓(xùn)練樣本往往獲取非常困難，以機器人手臂隨機抓取物體的實驗為例，Google為了獲得訓(xùn)練樣本，只能以14臺機械臂在那里日夜不停地獲得訓(xùn)練數(shù)據(jù)。如何高效率的獲得樣本，或者是高效能的使用樣本，將是極其核心的問題。
第三：機器人領(lǐng)域涉及強化學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、主動學(xué)習(xí)。
對于機器人領(lǐng)域的核心技術(shù)強度學(xué)習(xí)，特別是深度強化學(xué)習(xí)(Deep Reinforce Learning)，幾乎所有我們拜訪的工程師，包括Vincent一致認(rèn)為技術(shù)實現(xiàn)的難度非常大。
第四：閉環(huán)控制系統(tǒng)對于改善性能極為必要。
第五：需要新的數(shù)據(jù)結(jié)構(gòu)，用于表示運動學(xué)鏈接（Kinematic chain）、圖像的卷積、運動軌跡。在之后的問答環(huán)節(jié)，他對遷移學(xué)習(xí)抱有厚望。
老牌的IBM業(yè)務(wù)多元化、而且絕大部分是面向企業(yè)服務(wù)市場（to B）。因此，Michael Witbrock提出對于人工智能領(lǐng)域的研究路線更為系統(tǒng)、同時也更為傳統(tǒng)。
他提到對世界的大規(guī)模建模，由之前明確的、符號化的、分解的建模方式，逐漸融合隱形的、統(tǒng)計的建模方式。例如之前機器人動力學(xué)方程中對于摩擦力這類非線性變量的建模和求解時，難度就不小。
IBM 強調(diào)了符號主義的重要性，認(rèn)為知識表達(dá)、邏輯在解決復(fù)雜問題中非常重要。
基于邏輯的傳統(tǒng)知識表示值得引起我們的重新思考(Rethink)。
IBM在此方面的研究優(yōu)勢是既有硬件，又有軟件。在整個IBM的研究人員Michael Witbrock演講中，他很自豪地介紹IBM過去在人工智能領(lǐng)域取得的進展，并且已經(jīng)廣泛部署到多個領(lǐng)域，其中有一項是在人力資源領(lǐng)域的應(yīng)用。
對比一個國內(nèi)的案例，某乳品巨頭的人力資源負(fù)責(zé)人在談到人工智能在人力資源領(lǐng)域的應(yīng)用時不屑一顧地談到人力資源的工作富有人情味，冷冰冰的機器如何應(yīng)對。其實，LinkedIn的職位招聘不也是人力資源的一部分嗎？傳統(tǒng)行業(yè)如何面對高科技的進步，被顛覆還是主動整合，看似簡單的答案要落到實地并不容易。
值得重視的是，隨著人工智能應(yīng)用入侵傳統(tǒng)行業(yè)，通常需要對控制對象所處的物理環(huán)境建模，這一塊是比互聯(lián)網(wǎng)更廣闊的天地，機會更多，當(dāng)然也更難。
發(fā)生在數(shù)字世界的非關(guān)鍵性應(yīng)用
從實現(xiàn)難度而言，發(fā)生在數(shù)字世界的非關(guān)鍵性應(yīng)用最容易發(fā)生，實際上推薦系統(tǒng)就是一個很好的例子，一方面大家對推薦商品的準(zhǔn)確性相對寬容。
發(fā)生在數(shù)字世界的非關(guān)鍵性應(yīng)用擠滿各種互聯(lián)網(wǎng)公司巨頭，創(chuàng)業(yè)公司在這個領(lǐng)域想有所作為也很難，或許還有垂直領(lǐng)域有些機會。而創(chuàng)業(yè)公司如何突破人才、數(shù)據(jù)、計算資源的局限，尋找生存空間值得進一步探討。
代表Quora出場的Xavier Amatriain恰好就回答了這個問題。Quora是家是中小型的創(chuàng)業(yè)公司，是美國的問答網(wǎng)站（類似于國內(nèi)的知乎）。Quora只有85位技術(shù)工程師，其中僅僅兩位研究員。人才寥寥、計算存儲資源不多、數(shù)據(jù)也不是那么充足，
創(chuàng)業(yè)公司怎么能夠避免一些技術(shù)彎路，正確應(yīng)用人工智能技術(shù)呢？Xavier總結(jié)了他這么多年在機器學(xué)習(xí)實際工作的一些教訓(xùn)。
1. 更多的數(shù)據(jù)還是更好的算法？
Xavier認(rèn)為更好的算法更為重要；
對于小公司而言，本身數(shù)據(jù)量就少，而獲得標(biāo)記的數(shù)據(jù)更是需要額外的成本。小公司堆數(shù)據(jù)肯定是堆不過大公司，所以選擇把精力放在優(yōu)化算法上往往比選擇把精力放在獲取數(shù)據(jù)上更高效
當(dāng)然一方面小公司也需要不斷地積累數(shù)據(jù)。
2. 復(fù)雜模型還是簡單模型？
Xavier認(rèn)為模型和特征選取需要匹配；
模型不是越復(fù)雜越好，在創(chuàng)業(yè)公司往往是不管黑貓白貓，能抓到老鼠就是好貓。根據(jù)界定的問題，選取與特征相匹配的模型。
3. 什么情景下用監(jiān)督學(xué)習(xí)還是非監(jiān)督學(xué)習(xí)？
Xavier認(rèn)為非監(jiān)督學(xué)習(xí)可以降低維度、并對特征做工程突破。在某些情況下，將監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)結(jié)合，效果出奇的好；
4. 多種算法的組合還是單一算法？
Xavier提出應(yīng)該盡可能使用組合算法，不同于強調(diào)原創(chuàng)性的學(xué)術(shù)研究，創(chuàng)業(yè)公司更需要“拿來主義”，只要能用上，多嘗試不同的算法組合來提高準(zhǔn)確率是個明智的選擇。
5. 不要將一個模型的輸出作為另一系統(tǒng)的輸入
Xavier警告說這會是系統(tǒng)設(shè)計的噩夢。
發(fā)生在數(shù)字世界的關(guān)鍵性應(yīng)用和發(fā)生在物理世界的非關(guān)鍵性應(yīng)用
發(fā)生在數(shù)字世界的關(guān)鍵性應(yīng)用和發(fā)生在物理世界的非關(guān)鍵應(yīng)用對創(chuàng)業(yè)公司而言是機會比較多的領(lǐng)域。比如將人工智能用于金融領(lǐng)域和安全領(lǐng)域。又比如掃地或是玩具機器人是一個典型的發(fā)生在物理世界的非關(guān)鍵性應(yīng)用。這兩個領(lǐng)域是創(chuàng)業(yè)公司最有機會的。
人工智能顛覆性的理論突破仍需等待
通過神經(jīng)科學(xué)或是其他學(xué)科與計算科學(xué)交叉，尋找人工智能新理論的突破仍停留在理論研究階段。
雖然深度學(xué)習(xí)已經(jīng)獲得不少進展，然而大家至今很多領(lǐng)域依舊是知其然而不知其所以然，而人工智能其實理論研究獲得的突破依舊。
（Gary Marcus）
對于現(xiàn)在基于概率和數(shù)理統(tǒng)計的深度學(xué)習(xí)而言，紐約大學(xué)神經(jīng)科學(xué)教授Gary Marcus希望從神經(jīng)生物學(xué)的角度尋找人工智能的突破。他剛剛加入新成立的Uber AI Lab。我們在此斷章取義地引用他的觀點，“目前對于人工智能最大的擔(dān)心是技術(shù)發(fā)展停滯不前”！這也是我們所擔(dān)心的。
在近幾年深度學(xué)習(xí)的浪潮中，人工智能領(lǐng)域的進展更多是工程推進，而不是理論突破，尤其是海量數(shù)據(jù)和超大規(guī)模的暴力計算。正如Peter Norvig曾經(jīng)談到Google在人工智能的出色表現(xiàn)時，就評論到“我們沒有更好的算法，我們僅僅是有更多的數(shù)據(jù)”。
而對于通用人工智能(Artificial General Intelligence)，Gary繼續(xù)批評過去幾十年徘徊不前。現(xiàn)階段的智能不能像人一樣閱讀、理解、推理，無人駕駛的安全也不足以讓人信服……
人工智能研究的道路依舊任重道遠(yuǎn)!
