<mark id="oztn4"></mark>
1
| 本文作者： 宗仁 | 2016-05-27 01:31 |
人工智能因為真正懂的人不多，一直被有些人夸大或神化其影響力和破壞力。不巧，今天雷鋒網參加了數博會人工智能與大數據主題論壇，遇到卡耐基梅隆大學計算機科學系教授邢波為我們做了一個系統性演講 ，把人工智能變成了一個集數據、任務、模型、算法，實現系統、設備的東西，讓我們茅塞頓開。下面為雷鋒網對邢波教授演講的精華整理：
在60年代前有一個圖靈測試的概念，人跟機器人通過一個界面來交流，或者通話方式的狀態來交流，當人不能分清幕布后面是人還是機器，這就說機器達到了人的智能，這是非常美妙的人工智能愿景。
緊接著有幾個科學家發明了一臺叫做邏輯理論家的機器，在自我環境去證明數學定理，把羅素很有名的證明定理中的前52道證明出了38道，這使人們產生了期望——也許通過符號運算或者邏輯推理的方法，能夠找到物質的心靈本質，使這個設備獲得一種思想或者一種感情能力，以至于達到所謂的人和機器人達到不可區分的地步。
這個方法被很多科學家推廣，在50-60年代有很多早期的結果令人興奮。有人還發明可以做數學應用題的機器，包括小i機器人的鼻祖對話機器人也在那個時候產生了，能形成很有意思的人機對話。另外，理論上產生了一些突破，比如現在可以在AlphaGo里面看到的增強學習的原型。包括現在提到深度學習一些基本原理也是在那個時候出現的，叫感知器。這一系列結果，使人們對人工智能產生狂熱的樂觀，我們會覺得在十年之內可以預計機器在棋牌或者更廣泛的范圍內打破人類，有這么一個期許。
但是很快的，很不幸地人們發現這條路徑不順利，這些當時所謂的國際理論家，這些對話機只不過是玩具范疇內的東西，它們實現的功能只能在很小的領域應用 , 布置新的任務或者設置新的功能，有很多障礙是不可逾越的，其中就包含了本身的方法論，有時候他們設立的模型有障礙，本身必須的方程不能表達；還有計算的障礙，實現功能所需要的計算是一個技術性問題，當任務量增加了十倍，工作量計算量增加一百倍，這樣設備跟不上。最后沒有達到人類的預期，最后結果很嚴重，公眾和政府投資或者經費的方面都產生了一些相當巨大的滑坡，這是人工智能的第一個冬天。
雖然是冬天，還是有很多堅守者在接著往前走，他們突破了一些阻力，做了一些進一步的工作。在80年代的時候有人做了一個專家系統，能幫一個公司節省每年幾千萬的經費，這是一個很巨大的成功。
其次，日本也有人提出做一個專門的專家系統計算機，能幫助這個公司或者政府做各種各樣的決策。在更廣泛跟人的功能近似的領域，比如數字，或者跟人下棋諸如此類的。
但是，這個短暫繁榮沒也有很長久，很快人們發現實現這些功能的手段是一個相當耗費功能和資源的手段，比如在同一個時段，我們看到蘋果機，PC機以很低的價格進入每個家庭，同樣每個專家系統在公司里面需要很高的維護價格，并沒有小型機低很多，然后很快地，軍方，政府，用戶又很快對人工智能失去興趣，人工智能又入冬了。
所以我想，也許人工智能的路徑或者目標有一些問題，也許我們重新冷靜一下做人工智能是為了什么？我經常跟朋友聊天，他問我會不是哪一天造出一個打掃院子的機器人，然后陪你聊天，他們感覺人工智能是無所不能的產品或者設備，能夠很靈活訓練做各種各樣的事情。或者能不能做一個像人的機器？
這里面有一個技術上的模糊點。人和動物的功能和作用非常多方面，在目標不明確的時候，很難對產品做設計。比如做一個鳥，本身里面就包含不確定性，做這個東西是為了像鳥，還是飛，還是給你唱歌諸如此類的。這使人工智能的學者和技術人員重新思考，做人工智能的目標是比較寬泛的定義還是基于實際功能的定義？
如果做一臺機器要能飛，這跟做鳥是完全不一樣的目標，要是只要可以跟鳥一樣的飛，可以采用機械式用空氣中的力學和燃料技術實行另外的飛行方法。產生兩個不同的路徑左邊是仿生學或者生物科學的進步，了解生物動物的結構和原理，然后復制重現他們的功能。這里面有很多的困難，對它們的功能不了解？其實了解很清楚之后，復制方面也有困難，包括材料學等等。
而右邊的方法不一樣，它是把這個功能做了一個直接非常簡單的數學描述，可以通過這個數學描述，對形成功能的手段和達到功能的目標之間形成一個很明顯的因果關系，這樣可以形成一個明顯試錯過程，過程中可以提供很多手段。由于這是一個工程上的方法，使得你可以利用很多不對稱的資源，比如你可以去使用很大的計算能力或者很大的電力，或者其它方面的東西，這是生物本身不具備的東西。但是你可以導入到你的設備，產生非對稱的優勢，來實現你所需要的目標。
這一點是我們想到，也許人工智能并不見得就是重復人的功能或者神態，而是定義成對功能的一個追求，這里面就產生了看到一系列的突破，就是導向對功能盡可能快速和優化的實現。
由于這樣一種思維方式，展示出人工智能研發過程中，大家可以非常簡單地去遵循比較完整的研發體系，我們通常會把人工智能從數據開始定義，跟今天的大數據很有關系，在不同的區塊取得不同的數據，然后對功能做一個準確的定義。比如做推薦，做圖象識別，要下棋，要做賽車或者機器人。由于有了對功能追求的定義，我們可以引入一些數據方法，做一個非常直接具體的描述。
然后再往下出現很好的算法，是一個引擎，把很好的題解出來。
然后再往下出現一套計算設備，對軟件的實現。
然后再往下要寫一套程序，就需要程序和硬件設備一個對接，中間要有一個操作系統。
這其中形成了一個小方塊，使得大工程被分成小模塊做產業化或者工業化很廣泛的實現。這就是我們看到現代人工智能的愿景，這里面會展現很多研發的機會和挑戰。
由于有這么一種框架，也催生很多技術產生，新的理論，新的算法和新的設備，我們都能夠很快地把它們引入研發過程中，來產生很好的功效。
最近人工智能有很多驚人的成果，有AlphaGo的勝利，還有機器的狗的設備，自動駕駛車也不斷起來，各種各樣還有人工智能的展現。
也就是說，暫時功能性的人工智能給我們帶來了一個高度，使我們重新燃起對人工智能的熱情，到底走多久？以及類人智能的愿景。
很多人關注產業和人工智能經濟帶來的機會。如果仔細來看，進來人工智能的一些顯性突破的話，它并沒有直接帶來商業方面明顯的價值。因為，現有人工智能大部分的方案比較笨重、單一、昂貴。比如谷歌所推崇的有一個圖片識別系統，叫谷歌大腦，是一個很巨大的設備，在一千臺計算機實現，有幾十個研發人員，功能上講投入和產出不成比例，還有話題模型，還有下圍棋的設備，都是非常昂貴的設備。在真正商業化的思維里面，有效率上的不匹配，比如你想把設備的規模擴大十倍，比如把機器從一臺變成一千臺，所收獲的能力和功能并不是得到一百倍，那90%都是在某種缺陷部分喪失了。其實有很多的機會，有很多商業的前景，沒有被很好的利用起來。
另一個方面，大部分人追逐很快的結果，使得在人工智能的人員培養出現了極大的斷檔，很多人沒法掌握這些技術，現在這些需要人有很高的技術去訓練，才能做價值的開發，其實這個矛盾很大。
我們看到人工智能的商業前景，其實在現在還沒有被充分的發揮出來。由此產生了一些不太樂觀的后果，比如垂直行業，像網絡安全，像金融醫療，像用戶畫像對天文學數據學的處理等，目前的狀態都是處在一個比較薄弱的數據狀態，數據量很大，但技術手段和分析手段沒有達到科學家和用戶所需要的功能。
這對人工智能提出了一些比較具體的要求，不是要造的多好玩，而是你到底如何把相應的功能和數據做提高。
到這里時，我得談談人工智能面臨的挑戰和機會。其實并不是沒人關注，有很多學者關注，現在已經有很多大公司 ，有很多學校積極研發通用軟件或者通用平臺，都希望向公眾提供低門檻，好用低價的方案。
這些各個層面的解決方法，都有一個清晰的解決脈絡，把個問題解決的步驟，分成了數據，任務，模型，算法，硬件等等各個緯度，這樣來分，就可以使著力點和工作重心有所集中，使產業和研發的機會能夠具體的被定義出來。
就這個談幾點我個人對目前產業的機遇或者未來的一些理解看法。
有兩方面的路徑可以去追逐，我剛剛已經聽到了，包括總理和很多政府里面的高級官員都意識到數據是一座礦山，有很多財富可以挖掘。尤其是產業的老總和企業家都看到了這樣的前景，我們有很多金礦，應該想怎么使用挖掘出來？怎么使用這些金子做有用的事情？
著重討論的一個東西，在金礦，一方面金子很有價值挖，另外造挖金子的鐵鍬，這也是一個產業，我目前還沒有看到很大的機遇獲得了關注，把這些機會展現出來，看大家有沒有興趣做進一步的探討。
關于工具打造，其實有一個很強的結果，首先在方法上展現了很多機會，方法論解決人工智能需要什么正規途徑？比如數學模型、算法、形式化等，這幾步有很多機遇，目前并沒有被掌握。
比如計算機視覺的一個例子，從這個任務里面來，大概十年前的時候，有一幫學界的前瞻性很強的人物創造了一個Image Net競賽，鼓勵研發人員去設計機器學習軟件，去自動識別圖象，很多很多的圖片。
由于這個比賽，路徑表現在不同的研發人員來設計不同的模型，一開始有很多很粗淺的模型，精度在2010年很低，比如在一千類的時候，可以達到75%的精度，但到了一萬類的時候，精度只達到了10%幾。
這個起點使人們開始思索，首先在方法論上有一個突破？這樣人工智能的工具庫或者手段更豐富一點。這里面包含了很多方面的突破，包括設計更強的模型，導入更深的結構，更快的算法，你可以看到現在整個增長是逐年遞增的，很多研發人員在里面投了很多精力，可以在一萬類的圖片達到95%以上的精度，比人做得好。
在整個流程里面，方法論占據了非常大的作用，是不是有很完美的方法論提供給所有的人工智能？不是的。實際上存在一個很大的鴻溝，提幾個稍微的高光點：
比如數據模型中，目前使用的模型有很多的特點，包括表達性，在自然圖片上設計的模型，虛擬后還能不能繼續識別圖片？包括模型本身的可調性都有很多未知。
下一步我們設計算法的時候，這里面的需求和供給鴻溝就更大，其實現在大量算法的速度，精度，穩定度都非常低。
而在純理論工作上也面臨很多困難，我們對現在一些工作良好的工具，并不了解其實質理論和數學背景的實質。
由于大數據的產生，我們對于軟件系統的需要和部署能力有更高的要求，譬如希望在不同平臺上，能在不同的移動設備，云的設備上不同平臺上跑同樣的軟件，目前這些問題都沒有解決。
我想說的是，固然目前學習的手段已經有很多的成果，與其去摘低的果子，還不如把精力放在突破這些挑戰上，這本身就有很多的機遇。
最后就是如何來實現這個方案的部署？
這個比較工程，實際上也有很多很多研發的問題在里面。通常在大公司里面，尤其在中國大公司里面看到的一個常態，很多公司非常喜歡一個自有完整的體系，把所有的部件，所有的模塊都是自己來做，基本上是封閉，沒有外延和接口。
它們可以雇傭很多技術師和工程師，通過內部打造來完成，成本非常高昂。谷歌是一個例子，大部分的公司有互相互補和外包的機制，使他們不用關注所有的問題。里面有內在邏輯，因為在解決部署人工智能軟件或者算法的過程中，實際上有很多的規律能夠使你用來充分利用，來降低你的運算成本和提高效率。比如在研究部署范式的時候，我們可以問很多方面的選擇：包括用什么平臺來做實現？包括問題有多大規模？包括用什么操作系統和語言？不同的處理，會找到不同的解決方案。而且能夠給你展現出來，一些當時很難想象的優勢，能使你在金錢或者質量上獲得巨大的優勢。
舉個例子說一下這樣的事情，講到了分布式計算，很多公司，包括云公司，需要對大規模的客戶或者企業進行對接的時候都面臨一個計算任務擴增的需求。當時在FB的時候，我們要做一個社交媒體圈的定位，通常做一個研發的時候，寫一個軟件在一百萬個用戶展示這么一個功能，實際上部署的時候，是一億用戶規模，怎么遷移？
有很多很多問題，有一個幼稚的想法，這個軟件在一臺機器上完成的，就多買點，盡可能把機房的規模擴大。比如一百萬個用戶，在一臺計算機6分鐘算出來，買一千臺是不是0.06分鐘算出來。不太可能，即使幾個星期也算不出來。
因為在技術上要實現定型機群的同步，里面有一個很大的瓶頸就是————怎么來實現多機器的協調？單就運轉速度不一樣，總有一臺機器比一臺機器慢一點，比如這個機器人被其它的占用了，或者溫度不均衡慢了。機器的學習算法是迭代算法，跟傳統的數據庫不一樣，這樣就造成了資源的最大浪費。最后就看到了這樣的一個瓶頸。
如何將AI程序并行？但這些并行機，并沒有幫人工智能進行很好的服務，要么讓你長期處在待機狀態，或者放棄通信，使兩個機器多臺機器隨便跑就產生了一個發散，這就使我們產生了一個質疑，也許這個平臺本身，并不太適合我們機器學習的需要。
也許操作系統面臨新的時刻，底層系統需要設計。
這是最近在機器學習領域的一個新的質疑，也許操作系統面臨新的時刻，底層系統需要設計。因為人工智能計算，大數據計算和傳統數據庫的數字是不一樣，傳統計算里面強調的是一定要算對，如果錯了，就算搭積木一樣，后面再怎么努力搭，設備會垮掉沒有辦法維持。
但人工智能的計算方式是一個爬山的方式。
人工智能的計算方式是一個爬山的方式，到底怎么爬？用哪種路徑爬？并不是那么關鍵。
由于某種原因，走錯了，如果不是很嚴重，并不一定回原點，在繼續往下修正。當你做這么一種認識，在支持人工智能算法的技術要求支持跟傳統不一樣。
傳統的技術設備對于同步的要求，就像一個飛行表演隊要做一個展示，每個飛機的間距都得嚴格控制，否則會撞擊或者不美感。
人工智能是為了完成一個任務，當一對飛機去撲火的時候，是為了達到手段，而不是目的，它只要是一個知道哪里撲火，提供一個協調，讓一個指揮官指揮多臺機器人。
它也引用了所謂的動態調度方面，在負載情況下能夠使用利用機器學習內部的結構分散開但是又不影響數學結果正確性，還有復雜均衡的方法，有些任務完成早，可以把機器讓出來，讓其它任務占據。機器學習和人工智能所特有的，當你意識到機會的時候，會有一個水平的提高。
解決方法是更加模塊化的過程，而不是從頭到尾的封閉方法，最后整合起來，一個完整的解決路徑，這個包含了產業間的配合和研發之間的配合。
其實現在在人工智能的產業前景里面，看到了使用的范圍已經遠遠的超出了數據中心的機房，可以在移動平臺上部署，也可以在家用設備部署，也可以在云端部署，這些不同的硬件環境，都提出了對系統設計不同的要求。
看看這里面所需要的解決方法和現在已有的方案，看看差距在哪里？這樣可以提供一個很大的產業。生產鐵鍬和工具本身有很大的價值需要去利用？
如何看待對于FPGA，TPU或者人工智能熱潮的觀點，這就是人工智能發力點在哪里？
是不是需要專業的硬件？這個問題不太容易回答。目前所看到的人工智能解決路徑或者方案，大量使用的硬件，不僅包括網絡，還有處理CPU，儲存。
現有設備，從技術角度來看，還遠遠沒有被充分使用，所以只要你掌握了一個算法的核心，應用到硬件上的時候，反而會有很快的結果。而且現在人工智能有很多的硬件標配，包括CPU，GPU等等。
那人到底要不要一個專業的設備呢？其實硬件的提升空間很大，比如需要設計更低功耗的CPU和GPU；核的數目在某一個設備里的話，是不是可以進一步提高；存儲的功能是不是可以提高，這些都有很多的地方可以提升，但我們是不是要把這種提升的算法做成某一種專用的功能或者算法呢？
我自己持保留態度，因為我看到人工智能或者機器學習整個研發和產品的形態呈現倒三角的趨勢，在這個倒三角的頂端，我們看到是數據任務或者數據模型和軟件，但因為有無窮多任務和數據量，越往下走，越是希望能共享已有的解決方案。到了底端空間會越來越小，這就像在其他工業園看到的例子。飛機飛什么東西？顯然不勝為舉。多少種飛機，多少種引擎，可能十幾個標準模型，多少種油，基本1-2種就可以了。
所以人工智能基礎的價值在于通用性，這樣才有最大市場占有率，然后成本才能降下來。
然后我個人認為，硬件是處在這個形態里面，至于它到底往哪個方向走？是往專業上走，還是往效率上走？如果產學能夠產生充分的對話，得把這問題解決清楚。
最后多講幾句關于未來的憧憬，人工智能讓人重新點燃比較浪漫的想法和愿景，但也有人擔心，會不會給我們產生威脅？或者會不會影響到我們的工作機遇？
我從一個研發者的角度，分享這么一個觀點，我覺得人工智能和人類（自然）智能，是較平行的兩條軌道，它們功能和目的是完全不一樣的，人工智能如圖所示是很明確，可定量評測的功能；自然智能是比較散泛，非常寬廣功能的這么一個空間，然后它的數學模型和硬件是不清晰不明朗的，不清楚的，軟件算法也不清楚，所以它整個是一套比較模糊的體例。
但在人工智能都有比較清晰的定義，比如是一個單一的功能來實現，設備是電子設備，軟件是靠算法來執行。這兩個產生一種比較值后，有時候大家會產生一種錯覺。
比如看到谷歌AlphaGo贏了人，到底應該采取什么樣的態度？在我個人看從開發人工智能的軟件和功能的角度，當我們開發的目的就是去實現一開始設計的目標，比如下棋，在有限的條件下，機器超過了人，就像馬車超過了馬，很有可能會做到這一點。
只不過機器超越本身是不是被過度解釋了，以至于形成對人類自身能力的挑戰，應該比較理性的來看待這個問題。因為機器的功能跟人思維，感情，自主性不是一回事，目前不必從技術上擔心會受到人工智能的威脅。我覺得人工智能以后一個大的方向，在長期實踐會和人產生共存關系，幫助人實現很多有用的功能，提升人的生活質量和降低人的生活風險的功能。
最后，總結一下這個方向的市場潛能。
我覺得人工智能的市場潛能相當巨大，以我很限的視野已經看到在社會政府，或者在科學、商業有諸多的應用，這里面相當主要的一個基本點，就是我們擁有大數據。
數據就是一旦增加到很大程度，機器和人的優勢就會產生很大的傾斜，人趕不上機器的消化程度。所以使得數據的價格產生了不一樣價值，提供更多的幫助。包括在醫療、法律、健康等很多方面，得益于人工智能對數據的挖掘。人工智能在社會的運轉，或者是科學的研究，或者是商業的拓展里面進一步贏得空間，給我們帶來就業或者產品功能方面的機遇。而且不必得等到像人一樣聰明才能獲得這樣的功能，人工智能的目標本身不應該過多關注生物性或者哲學性的對比，更多應該關注功能實現和低價快速的提供。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
