1、人工智能的應(yīng)用和價(jià)值

吳恩達(dá)依然以AI是新電力開(kāi)場(chǎng)，并舉了一個(gè)例子。

AI技術(shù)的經(jīng)濟(jì)貢獻(xiàn)多數(shù)來(lái)自監(jiān)督學(xué)習(xí)，也就是學(xué)習(xí)從A到B，從輸入到輸出的映射。比如說(shuō)，輸入一張照片，讓機(jī)器學(xué)會(huì)判斷這張照片是不是你，輸出0或1。

最賺錢(qián)的AI應(yīng)用是在線廣告。在這個(gè)例子中，輸入是廣告和用戶信息，輸出是用戶會(huì)不會(huì)點(diǎn)擊這個(gè)廣告(還是0或1)。

監(jiān)督學(xué)習(xí)還可以應(yīng)用在消費(fèi)金融領(lǐng)域，輸入貸款申請(qǐng)信息，輸出用戶是否會(huì)還款。

過(guò)去幾年里，機(jī)器學(xué)習(xí)經(jīng)歷了迅速的發(fā)展，越來(lái)越擅長(zhǎng)學(xué)習(xí)這類A到B的映射，創(chuàng)造了大規(guī)模的經(jīng)濟(jì)價(jià)值。同時(shí)，AI的進(jìn)步也體現(xiàn)在監(jiān)督學(xué)習(xí)的輸出不再限于0或1的數(shù)字。

再次舉例：語(yǔ)音識(shí)別的任務(wù)，也是一種端到端的學(xué)習(xí)。擁有足夠的數(shù)據(jù)，語(yǔ)音識(shí)別就能達(dá)到很好的效果。亞馬遜Alexa、蘋(píng)果Siri、百度DuerOS等等依靠AI算法和數(shù)據(jù)來(lái)達(dá)到良好的效果。

監(jiān)督學(xué)習(xí)的缺點(diǎn)是它需要大量的標(biāo)注數(shù)據(jù)，這影響了它的普及。

為什么神經(jīng)網(wǎng)絡(luò)已經(jīng)存在了這么多年，AI卻近年來(lái)才開(kāi)始快速發(fā)展 

上圖中，橫軸是數(shù)據(jù)量，縱軸是算法的性能。

隨著數(shù)據(jù)量的增加，傳統(tǒng)機(jī)器學(xué)習(xí)算法的性能并沒(méi)有明顯提升，而神經(jīng)網(wǎng)絡(luò)的性能，會(huì)有比較明顯的提升，神經(jīng)網(wǎng)絡(luò)越大，性能的提升就越明顯。

為了達(dá)到最佳的性能，你需要：大量數(shù)據(jù)以及大型的神經(jīng)網(wǎng)絡(luò)。

2、機(jī)器學(xué)習(xí)的趨勢(shì)以及算法如何創(chuàng)造價(jià)值

目前，創(chuàng)造最多價(jià)值的還是監(jiān)督學(xué)習(xí)。除此之外，遷移學(xué)習(xí)技術(shù)正在創(chuàng)造更多的經(jīng)濟(jì)價(jià)值。比如在醫(yī)學(xué)影像診斷上，遷移學(xué)習(xí)技術(shù)利用數(shù)據(jù)創(chuàng)造了不錯(cuò)的識(shí)別效果。

非監(jiān)督學(xué)習(xí)，在自然語(yǔ)言處理上更具商業(yè)價(jià)值。

強(qiáng)化學(xué)習(xí)也很有意思，我認(rèn)為，強(qiáng)化學(xué)習(xí)的火爆和商業(yè)化有點(diǎn)不成比例。

強(qiáng)化學(xué)習(xí)對(duì)數(shù)據(jù)的需求程度，甚至比監(jiān)督學(xué)習(xí)更嚴(yán)重，特別是強(qiáng)化學(xué)習(xí)算法很難獲取到足夠的數(shù)據(jù)。又舉例子：AI+游戲中，強(qiáng)化學(xué)習(xí)表現(xiàn)很好，這是因?yàn)樵陔娮佑螒蛑?，算法可以重?fù)玩無(wú)限次，獲取無(wú)限的數(shù)據(jù)。

在機(jī)器人領(lǐng)域，使用強(qiáng)化學(xué)習(xí)來(lái)建立模擬器，相當(dāng)于能讓強(qiáng)化學(xué)習(xí)agent在其中模擬無(wú)人車、人形機(jī)器人，重復(fù)無(wú)限次游戲。在游戲和機(jī)器人領(lǐng)域之外，強(qiáng)化學(xué)習(xí)應(yīng)用到商業(yè)中還有很長(zhǎng)的路要走。

現(xiàn)在，監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)這四類算法所創(chuàng)造的經(jīng)濟(jì)價(jià)值是遞減的。

另一個(gè)值得關(guān)注的是，機(jī)器學(xué)習(xí)依靠結(jié)構(gòu)化數(shù)據(jù)，比非結(jié)構(gòu)化數(shù)據(jù)創(chuàng)造了更多的經(jīng)濟(jì)機(jī)制。

舉個(gè)結(jié)構(gòu)化數(shù)據(jù)的例子，比如說(shuō)你的數(shù)據(jù)庫(kù)記錄了用戶的交易情況，誰(shuí)什么時(shí)候買(mǎi)了什么東西，誰(shuí)什么時(shí)間給誰(shuí)發(fā)了信息，這就是結(jié)構(gòu)化數(shù)據(jù)。而像圖像、音頻、自然語(yǔ)言等等，就是非結(jié)構(gòu)化數(shù)據(jù)。

在前面談到的幾類學(xué)習(xí)算法中，單是監(jiān)督學(xué)習(xí)就已經(jīng)為公司、創(chuàng)業(yè)者創(chuàng)造了大量的經(jīng)濟(jì)價(jià)值和機(jī)會(huì)。

3、如何做人工智能產(chǎn)品

AI的崛起正改變著公司的競(jìng)爭(zhēng)格局。公司的壁壘不再是算法，而是數(shù)據(jù)。

想要打造一個(gè)AI產(chǎn)品，如圖：

讓算法利用足夠的數(shù)據(jù)，使得產(chǎn)品運(yùn)行起來(lái)，然后通過(guò)產(chǎn)品來(lái)獲取用戶，用戶在提供更多的數(shù)據(jù)……周而復(fù)始。

又舉例：搜索公司。搜索公司有著大量的數(shù)據(jù)，顯示如果用戶搜了這個(gè)詞，就會(huì)傾向于點(diǎn)哪個(gè)鏈接。

我很清楚該如何構(gòu)建搜索算法，但是如果沒(méi)有大型搜索公司那樣的數(shù)據(jù)集，簡(jiǎn)直難以想象小團(tuán)隊(duì)，如何構(gòu)建一個(gè)同樣優(yōu)秀的搜索引擎。這些數(shù)據(jù)資產(chǎn)構(gòu)建了兼顧的壁壘。

工程師們還需要明白：AI的影響，比監(jiān)督學(xué)習(xí)廣泛得太多。日常的AI包括好幾類工具：比如機(jī)器學(xué)習(xí)、圖模型、規(guī)劃算法、知識(shí)圖譜。

人們的關(guān)注點(diǎn)集中在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，很大程度上是因?yàn)槠渌ぞ叩陌l(fā)展速度很緩慢。

計(jì)算機(jī)，或者說(shuō)算法是怎樣知道該做什么的呢 它依靠?jī)蓚€(gè)來(lái)源，一是數(shù)據(jù)，二是人工。

比如說(shuō)在線廣告，我們有那么多的數(shù)據(jù)，不需要太多的人工，深度學(xué)習(xí)算法就能學(xué)得很好。但是在醫(yī)療領(lǐng)域，數(shù)據(jù)量就很少，可能只有幾百個(gè)樣例，這時(shí)就需要大量的人工，比如說(shuō)用圖模型來(lái)引入人類知識(shí)。

很多工程師想要進(jìn)入AI領(lǐng)域，很多人會(huì)去上在線課程，但是有一個(gè)學(xué)習(xí)途徑被嚴(yán)重忽視了：讀論文，重現(xiàn)其中的研究。

當(dāng)你讀了足夠多的論文，實(shí)踐了足夠多的算法，它們都會(huì)轉(zhuǎn)化為你的知識(shí)和想法。

轉(zhuǎn)型機(jī)器學(xué)習(xí)工程師，我推薦的是：學(xué)習(xí)諸如deeplearning.ai的機(jī)器學(xué)習(xí)課程來(lái)打好基礎(chǔ)，然后讀論文并復(fù)現(xiàn)其中的結(jié)果，另外，還要通過(guò)參加各種的人工智能活動(dòng)，來(lái)鞏固自己的基礎(chǔ)。

4、如何打造人工智能公司

從大約25年前開(kāi)始，我們見(jiàn)證了互聯(lián)網(wǎng)時(shí)代的崛起。

我從那個(gè)時(shí)代學(xué)到了：商場(chǎng) + 網(wǎng)站 ≠ 互聯(lián)網(wǎng)公司

我認(rèn)識(shí)一家大型零售公司的CIO，有一次CEO對(duì)他說(shuō)：我們?cè)诰W(wǎng)上賣東西，亞馬遜也在網(wǎng)上賣東西，我們是一樣的。

這是不對(duì)的。

互聯(lián)網(wǎng)公司是如何定義的呢 不是看你有沒(méi)有網(wǎng)站，而是看做不做A/B測(cè)試、能不能快速迭代、是否由工程師和產(chǎn)品經(jīng)理來(lái)做決策。這才是互聯(lián)網(wǎng)公司的精髓。

在AI時(shí)代，我們同樣要明確：

傳統(tǒng)科技公司 + 機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò) ≠ AI公司

公司里有幾個(gè)人在用神經(jīng)網(wǎng)絡(luò)，并不能讓你們成為一家AI公司，要有更深層的基礎(chǔ)。

AI公司傾向于策略性地獲取數(shù)據(jù)。

我曾經(jīng)這么做過(guò)：在一個(gè)地區(qū)發(fā)布產(chǎn)品，為了在另一個(gè)地區(qū)發(fā)布產(chǎn)品而獲取數(shù)據(jù)，這個(gè)產(chǎn)品又是為了在下一個(gè)地區(qū)發(fā)布產(chǎn)品來(lái)獲取數(shù)據(jù)用的，如此循環(huán)。而所有產(chǎn)品加起來(lái)，都是為了獲取數(shù)據(jù)驅(qū)動(dòng)一個(gè)更大的目標(biāo)。

像Google和百度這樣的大型AI公司，都有著非常復(fù)雜的策略，為幾年后做了充分的準(zhǔn)備。

第二點(diǎn)是比較戰(zhàn)術(shù)性的，你現(xiàn)在就可以這么做：AI公司通常有統(tǒng)一的數(shù)據(jù)庫(kù)。

很多公司有很多數(shù)據(jù)庫(kù)，但很分散，如果工程師想把這些數(shù)據(jù)放在一起來(lái)做點(diǎn)什么，可能需要和50個(gè)不同的人來(lái)溝通。

所以我認(rèn)為建立一個(gè)統(tǒng)一的數(shù)據(jù)庫(kù)，所有的數(shù)據(jù)都存儲(chǔ)在一起是一種很好的策略。

另外，自動(dòng)化和定制招聘需求也是AI公司的重要特征。

比如在移動(dòng)互聯(lián)網(wǎng)時(shí)代，產(chǎn)品經(jīng)理會(huì)寫(xiě)PRD：

然后工程師去實(shí)現(xiàn)它，整個(gè)流程很容易理清楚。

但是假設(shè)在AI時(shí)代，我們要做一個(gè)聊天機(jī)器人，這時(shí)候如果產(chǎn)品經(jīng)理畫(huà)個(gè)線框圖說(shuō)：這是頭像，這是聊天氣泡，這樣并不能解決問(wèn)題。

聊天氣泡長(zhǎng)什么樣不重要，我需要知道的是，這個(gè)聊天機(jī)器人要說(shuō)什么話。線框圖對(duì)聊天機(jī)器人項(xiàng)目來(lái)說(shuō)沒(méi)什么用。

如果一個(gè)產(chǎn)品經(jīng)理畫(huà)了個(gè)無(wú)人車的線框圖，說(shuō)“我們要做個(gè)這個(gè)”，更是沒(méi)什么用。

在AI公司里，產(chǎn)品經(jīng)理在和工程師溝通的時(shí)候，需要學(xué)會(huì)基于數(shù)據(jù)，來(lái)做產(chǎn)品的迭代升級(jí)。

來(lái)源：36大數(shù)據(jù)