1700512572
人工智能新时代,谁能保持领先
1700512573
1700512574
在这一切变化之中,中国处在什么位置?深度学习这项技术从诞生到婴儿期的发展,几乎全都发生在美国、加拿大和英国。之后,有一小部分中国创业者和创投基金(包括创新工场在内)开始投资这个领域,但直到2016年中国的“斯普特尼克时刻”到来之前,绝大多数的中国科技界人士都尚未察觉深度学习革命的到来,这整整比该领域突破性学术论文的发表落后了10年,也比这项技术在国际计算机视觉竞赛中得到证明晚了4年。
1700512575
1700512576
美国的大学和科技公司由于数十年来都能够吸引到全球各地的人才,从而获取了巨额利润。人工智能的发展似乎也不例外,美国好像又要遥遥领先,尤其是聚集在硅谷的顶尖研究人员,可以利用硅谷丰沛的融资环境、独特的文化和群聚的产业龙头来发展和研究人工智能。在华尔街分析师眼里,中国科技业在未来的全球人工智能发展与应用中,注定要继续扮演数十年来一直保持的角色:一群被尖端领导者远远甩在身后的模仿者大军。
1700512577
1700512578
在后边各章我会说明这样的看法是错误的。这是基于对中国科技环境的过时假设,也在根本上误解了人工智能革命背后的主要动力。西方国家点燃了深度学习的火炬,但最大的受益者将会是中国,这种全球性的变化是由两方面转变引起的:从发明的年代转变为实干的年代;从专家的年代转变为数据的年代。
1700512579
1700512580
许多人之所以误认为美国在人工智能领域具有重大优势,主要是因为他们还停留在我们生活在“发明的年代”的印象中:在发明的年代,人工智能的顶尖研究人员不断打破旧有典范,最终破解存在已久的谜题,媒体不断报道人工智能的最新成就,更是助长了这种印象。例如在某些癌症的诊断上,人工智能做得比医生更好;在德州扑克的人机大赛中,人工智能击败了人类冠军;不用人为干预,人工智能就自己学会并精通新技能等。媒体如此关注报道人工智能的每一项新成就,也难怪一般观察者甚至是专业分析师会认为人工智能研究将不断获得突破性的新发现。
1700512581
1700512582
我认为,这种现象有误导作用,因为在这些“新里程碑”中,很多成就其实只是把过去10年的技术性突破应用到新问题上,其中主要是深度学习,但还有一些互补的技术,例如强化学习(reinforcement learning)和迁移学习(transfer learning)。研究人员做这些事,需要卓越的技能和深度的专业知识,不仅要有能力思考、撰写复杂的数学算法,还要能够处理巨量数据,针对不同问题调整人工神经网络。这往往需要博士级的专业知识技能,但这些发展都不过是依赖着深度学习这项科技的大发展所做的渐进式改善和优化。
1700512583
1700512585
实干的年代
1700512586
1700512587
这些渐进式的改善和优化,其实是把深度学习在模式识别与预测上的强大能力应用到种种不同的领域上,如疾病诊断、核发保单、开车、中英翻译等。但这些改善和优化并不代表我们正在朝着“通用人工智能”的方向快速前进,或是出现了类似深度学习的重大技术性突破。简单来说,人工智能正式进入了实干的年代,想要利用这个时期赚钱的公司,需要拥有有远见和才干的创业者、工程师和产品经理。
1700512588
1700512589
深度学习的先驱吴恩达认为,人工智能类似于第二次工业革命中电力的发明(9) ,本身是一项突破性的技术,一旦被大幅采用,就能革新许多不同的产业。就像19世纪的创业者很快学会运用电力烹饪食物、照亮房间、启动工业设备,今天的人工智能创业者也运用深度学习来落实各种创新应用。人工智能许多抽象的研究工作大都已经完成,研究中遇到的困难大都也已解决,现在是创业者“撸起袖子加油干”,把深度学习算法转换为持续经营的事业的时候了。
1700512590
1700512591
当然我绝对没有对基础研究泼冷水的意思。唯有真正落地应用于生产生活中,学术研究才能变得有意义,才能真正改变我们的日常生活。实干的年代指的是在历经数十年看似前景不错的研究之后,我们终于能看到人工智能在真实世界中开始运用,这是我在成年后一直期盼看到的场景。
1700512592
1700512593
我要表达的是只有分辨清楚发明的年代与实干的年代,才能理解人工智能将如何影响我们的生活,以及什么力量(或哪个国家)将主导人工智能的发展。在发明的年代,所有重要的成就主要是由少数几个顶尖思想家所驱动的,他们几乎全部聚集在美国和加拿大,他们的研究洞察力和独特的知识创新,引领电脑科学与人工智能产生了重大的突破。自从深度学习出现以后,目前还没有其他领域的研究人员或工程师达到过类似规模的创新。
1700512594
1700512596
数据的年代
1700512597
1700512598
1700512599
1700512600
1700512601
数据量越大,研究人员的算法就越精准。
1700512602
1700512603
这就把我们带到了第二项重要转变的讨论上:从专家的年代转变为数据的年代。现今,成功的人工智能算法需要三样东西:大数据、强大的电脑运算能力,以及优秀(但未必顶尖)的人工智能算法工程师。想在新领域善用深度学习的能力,这三者都是必要的。但在实干的年代,这三者当中最重要的还是数据,因为当电脑的运算能力和工程师的能力达到一定门槛水准之后,数据量的多寡就成为决定算法整体效能与精准度的关键所在。
1700512604
1700512605
就深度学习而言,数据量越多越好。人工神经网络获得的样本数据越多,就越能够正确识别出形态,准确辨认真实世界里的东西。如果“喂”入的数据量更多,即使是由一群中等水准的人工智能工程师设计出来的算法,表现也会比世界级顶尖深度学习研究人员设计出来的算法更好。情况已经不同,现在已经不再像以往那样,独家拥有顶尖的人才就能享有绝对的压倒性优势了。
1700512606
1700512607
不过,顶尖的人工智能研究人员,仍然有强大潜力把人工智能的发展推升至全新水平,但这类重大进展几十年才会出现一次。在我们等待下一项重大突破出现时,数据的快速成长和可取得性的提升,将是深度学习深刻影响世界各地无数产业的主要动力。
1700512608
1700512610
中国的优势
1700512611
1700512612
一个世纪以前,想妥善利用新发现的电力,需要四项要素:用来发电的化石燃料、电力领域的创业者、电力工程师,以及致力于发展公共基础设施的政府。今天,若想妥善利用人工智能的能力(即21世纪的电力),也需要四项要素:大量的数据、热切的创业者、人工智能科学家,以及对人工智能友善的政策环境。比较各国在这四项要素上的优劣,可以预测未来人工智能新世界的发展情况以及权力天平向哪边倾斜。
1700512613
1700512614
前述的两项转变——从发明的年代转变为实干的年代,以及从专业知识技能的年代转变为数据的年代,使得现在人工智能发展的竞争情况对中国有利,因为这两项转变弱化了中国的不足之处,强化了中国的优势所在。从发明的年代转变为实干的年代,弱化了中国最大的不足之一——研究问题采用脱离框架思考的方法,但强化了中国最重要的优势之一——国内有很多极具抱负、有敏锐头脑的创业者有机会创立强大的企业。从专业知识技能的年代转变为数据的年代,也为中国带来同样的好处:降低顶尖研究人员的重要性,这是中国所欠缺的;增强数据的重要性,这是中国所拥有的——中国有大量翔实的数据。
1700512615
1700512616
硅谷创业者被封为全美最卖力的工作者。年轻、热情的创业者召集了一群同样疯狂的有志之士,加夜班赶制出产品,然后不断地进行修正、迭代,同时关注下一波重要趋势的来临。我在硅谷和中国科技圈都待过几年的时间,曾经任职过苹果、微软、谷歌等公司,后来回到中国,致力于培育、投资中国的创新公司。硅谷创业者确实在非常卖力地工作,但我可以负责任地说,和太平洋彼岸的中国创业者比起来,硅谷创业者可以说是十分懒散的。
1700512617
1700512618
中国成功的互联网创业者,几乎都是从世界上最残酷的竞争中脱颖而出的,在他们的世界里,速度是创业者必备的特质,模仿与借鉴是可以接受的做法,竞争者为了赢得新市场的份额会想尽各种办法。在中国创业圈,每天都是血与火的试炼,就像古罗马竞技场上的斗士,不是你死就是我亡,竞争者之间毫不留情。
1700512619
1700512620
想在这种竞争中存活下来,唯一的方法就是不断地改良产品、革新商业模式,同时采取必要的保护措施。如果你唯一的优势只是一个创新点子,那么这个点子最后可能会被剽窃,你最重要的员工也可能会被挖墙脚,最后因为比不过其他获得了创投资金的同行而惨遭淘汰出局。如此激烈辛苦的竞争环境,和硅谷完全不同。在硅谷,模仿和借鉴别人的作品简直就是耻辱,很多公司崛起靠的就是一个原创的点子,或者刚好红运当头,在众多竞争者中顺利脱颖而出。在硅谷,缺乏竞争也许导致了相当程度的自满,创业者没有对初始创新进行所有可能的修正与迭代。中国在早期的模仿年代,确实产生了一些不体面的公司,但也培育出世界上新一代最敏捷、能干、吃苦耐劳的创业者。这些创业者将帮助中国成为第一个在实干的年代利用人工智能赚钱的国家。
[
上一页 ]
[ :1.700512571e+09 ]
[
下一页 ]