|
文 | 景辰 移动互联网发展到今天，体量已经十分的庞大，这也导致了移动互联网发展速度趋缓，所以很多人开始思考下一个驱动点是什么，毫无异议的，推举出了人工智能。 人工智能出现已经几十年了，这两年才有了比较大的突破，以至于非官方的认为2016年就是人工智能的元年。后续人工智能将会如何发展？发展速度会不会非常迅猛？会带来哪些危害？ 到底什么是人工智能呢？ 相信很多朋友对人工智能还是云里雾里，可能只是听过，但具体到人工智能是什么，可能就很少有人能够讲清楚了。 我觉得大概来说人工智能有以下几个部分：感知、决策、反馈。 感知包括视觉、语音、文字等各种外部输入，例如现在用的车辆号牌超速自动抓拍及识别系统，就是图像感知；而决策就是依据外部输入做出一些相对应的预测和判断，打败了卡斯帕罗夫的DeepBlue、打败了李世石的AlphaGo都是决策的应用；而一个完整的人工智能系统一定还会有反馈的环节，就像现在的机器人或是自动驾驶汽车，它会需要一个反馈。 人工智能虽然叫做人工智能，但是和人类的智能联系确实不大，它并不是完全的复制人的思维，而是模拟，它是建立在海量数据的基础上，依靠强大的计算能力和纷繁的算法所建立起来的一套机器思维模式。 人工智能的实现方式是什么？ 说到人工智能我们不得不提到的就是人工智能的实现方式，咱们以深度学习为例，深度学习是一种神经网络，但与之前的神经网络相比，它的特点是使用了多层网络，能够学习抽象概念，同时融入自我学习，而且收敛相对快速。 相信大家都使用过百度识图功能了，就是所谓的以图搜图。例如现在我们想让电脑能够认识狗，并且上传一张图片就能让电脑识别这是不是一只狗，是一只什么品种的狗，这如何实现呢？ 我们想一下我们小时候是如何实现这个学习过程的，是父母不断的给我们重复，遇到一只狗，父母就会告诉我们，宝贝快看，这是一只狗狗，咱们下次看到一条四条腿有尾巴的毛绒绒的猫可能会套口而出：狗狗！这时候父母就会纠正我们：不对，宝贝，这是一只猫猫。我们那时候肯定特别困惑，什么是狗狗什么是猫猫呢？不过时间长了，看的多了，我们自然就能区分开狗和猫了，这是一个学习的过程，那现在我问你，你是如何建立起区分猫和狗的模型的呢？ 不清楚对不对？只是通过自己的一些说不出来的识别方法进行标识和判断的对不对？机器学习也是这样一个过程，想让电脑识别一只狗狗，那么简单，那就搞出无数的图片让电脑进行算法学习，慢慢的识别图片中的狗狗，因为深度学习的网络很深，要一次性学会这么多也会比较困难，所以就需要用到一个比较快速收敛的技巧——自我学习。通过自我学习，机器会逐步从大量的样本中逐层抽象出相关的概念，然后做出理解，最终做出判断和决策，明白了，这张图里有只狗狗，至于机器是如何学习的，目前我们还不得而知。 经过这个学习之后，我们再去做监督训练，看机器是否能够识别狗狗，如果不能，就在训练之后做微调。例如，如果我输入了一张狗狗，识别出来的确实猫，那训练系统就会告诉你的网络说这个是错误的：这不是猫，这是狗。那接下来就是要进行微调，以便于下一次机器看到这个图的时候，能识别出是狗的概率高一些，出来判断结果是猫的概率低一些。 人工智能的关键要素是什么？ 人工智能的基础是数据。刚才我们举例说明人工智能中深度学习的方式识别狗狗的例子中提到让机器学会识别狗这一物种的前提是有大量的狗狗的图片提供给机器进行识别和判断学习，其实不论是要让机器学习何种事物，前提都是海量的数据输入，让机器去学习。就像电能一样，大数据将来会是人工智能的能源。 这也是为什么谷歌定位自己是人工智能的公司，但是却没有直接去做人工智能，第一步是建立一个搜索引擎，这就是为了搜集数据，海量的数据，用以喂养它的人工智能算法。谷歌的创始人之一拉里·佩奇曾说过：Google不是一家搜索公司，而是一家人工智能公司。这背后的逻辑就是用户每一次搜索，搜索到每一条数据结果的过程，其实都是在用提交的关键词来完善Google的核心算法。 现在很多公司有误区，就是大数据就是非常非常多的数据，其实不是这样的，即使你的数据非常多，装满了你公司所有的磁盘阵列，如果这些数据不是可打标的，或者不是可处理的，那只是一堆比特垃圾，和大数据没有任何关系。 如果拥有垄断性的大数据，你就会有很大的优势。关于数据需要注意的几点是，首先垄断性大数据不是公开的数据，不是剽窃来的数据，也不是买来的数据，因为这样的事情你能做竞争对手也能做。其次，无标签的数据也没有任何优势。再次，如果是必须通过人工打标签的数据也不行，因为人工打标签太慢了。最好的数据是闭环的数据，所谓闭环的数据就是在你应用的时候可以捕捉到数据并且知道最终你根据数据做出的抉择对或不对。比如阿里巴巴的天池大数据大赛，提供给你某一时段的脱敏交易数据，让你预测下一时间段的交易情况，并且以实时的数据作为评判标准，来决出胜负。 人工智能的核心是算法。拥有了海量的数据，如何将这些数据进行归类打标这依然是十分重要的事情，如何处理这些数据是十分重要的事情，有了大量的数据，你想通过这些数据，让机器学习达到什么目的，如何达到这一目的，要有一批特别懂的人，把一批人丢进去，让他们去编写算法，解决特别大的问题，并不断的调节算法，算法是人工智能的核心。 人工智能的保障是计算能力。有了海量的可用数据和优秀的算法之后，拥有庞大的强大计算能力的机群就显得尤为重要了。有米有料有菜谱，如果没有一群强大的厨师，你也很难让这些原材料变成一桌桌的美味佳肴，拥有强大计算能力的机群就显得尤为重要了，包括需要什么处理系统的支持，怎么去部署，用什么样的计算架构等等。 人工智能发展的要点是什么？ 既然刚才提到2016年是人工智能的元年，那么人工智能如何才能出现一波井喷似的发展呢？我认为现在还欠缺两个要点：平台、模式。 首先是平台，每一项新技术或者新科技的发展都离不开生态，而生态的构建基础就是平台，比如iOS的平台、安卓的平台等等，每一次技术井喷式的效应出现，都是以平台的发展为基础的，所以人工智能想要急速发展，平台化运作是必然的，也是必须的。就像云计算发展一样，云计算概念刚开始出现的时候大家都很茫然，但是等各种云服务以平台方式出现的时候，一切都发展的那么自然而然，虽然我不知道人工智能的平台是什么样子，或许是算法集合？或许是什么其他的模式，宗旨人工智能想要急速发展，一定会有人工智能服务平台出现。 其实是模式，人工智能以什么模式展现在大家的眼前？比如云计算，我们可以很清晰的在线选购服务，比如移动互联网，我们可以很轻易的在手机上以各种App的形式获取移动服务，那么人工智最终将会以何种方式为我们提供服务？这是一个很严肃的问题，比如以对话框的形式，像现在的Siri、小冰等人工智能客服；或者是以搜索框的形式，谷歌和百度搜索框那样；或者是智能推荐的方式，淘宝里你可能喜欢的商品和豆瓣上你可能感兴趣的书。 这里讲的模式还包括如何服务，以搜索框为例，一个简单的搜索，是为你提供海量的查询结果更好呢？还是为你智能甄选一些最优结果更好？推荐少了可能没有用户想要的，给用户提供很多结果用户可能会很烦，用户只想要找到他满意的那个，即便识别率很低，给你一定量的结果，让你在一定时间里得到满足，其实也能达到了一定的可用度，所以平衡数量和质量是推荐结果面临的博弈。 人工智能发展危机重重？ 关于人工智能发展有两个消息要告诉大家，一个好消息和一个坏消息，好消息是人工智能的发展非常迅猛！而坏消息是人工智能的发展太迅猛了！ 当然，暂时像《黑客帝国》中的那种机器觉醒，有了自己的意识，想要统治地球、覆灭人类这种的担心还为时尚早，但是人工智能会让很多人失业确实可以预见的。 今天的社会上很多的工作以后大都会消失，比如说翻译，虽然现在谷歌、百度、有道做的还不是那么完美，但是每年进步的都很快，我一个英语科班出身的读者告诉我当年他本科一年级帮人做翻译是2000元/1000字，大三的时候是500元/1000字，再后来毕业的时候不到100元/1000字，这一定程度上也反映了机器翻译对人工翻译的冲击，再过几年，除高翻之外的人工翻译可能就会非常难找到工作了。 未来几乎所有思考模式可以被理性推算的工作岗位，在有足够数据支撑的时候，都会被取代，有人会怀疑，人工智能一定会这么厉害吗？如果你对此还有怀疑，你可以想想，为什么AlphaGo这么厉害？就是因为它可以动用到几千台机器每天和自己对弈上万盘的围棋，而这人是做不到的；以后为什么自动驾驶会这么厉害呢？因为它可以用它的各种的传感器在路上搜集数据，这不是任何一个司机可以匹敌的，所以这些都是一些必然的过程。 有人说十年之内一半的工作会消失，有人说十五年之内一半的工作会消失，我觉得这些都不重要，将会被取代才是最可怕的。最可怕的不是已知的危险，而是不确定的潜在威胁，因为可能在你没做好准备的时候就被取代了。 这可能是目前所面临的最严峻的问题了，不过我觉得一定会有解决方案，就像农村现在土地承包后，大部分农民将土地承包出去了，这些闲散的劳动力并没有像之前的担心的那样出现闲人，而是走进城市，成为农民工。 未来人工智能一定会再次导致大批的人被取代，到时候这些人在自己岗位上会毫无剩余价值可榨取，如何应对这不确定的危机？我认为未来以下两种人可能较难被取代：领导者、创造者。 领导者是指那些能够组织大批量的人有序的去做某些需要协同配合的复杂社会活动的事情，而创造者则是指像达芬奇、毕加索这样，能够创造出有价值的但是现在世界上所没有的东西，可能是物品，可能是艺术。 技术永远都是一把双刃剑，用的好了，那是人工智能；如果不能让人工智能为我所用，那么未来我们中的一部分就可能被取代，成为没有任何的价值的人，每天领着政府的救助戴着VR眼镜玩游戏，别以为这是很美好的生活，这时候就要警惕成为人工智能高度发展下的人工智障了。 欢迎关注公众号：景辰（iJingChen） |
|
|
