|
徐立：看得见的人工智能 徐立：非常感谢大家。我的演讲题目是《看得见的人工智能》。我想表达两个意思。第一，商汤科技是做人工智能里的视觉的；第二，这是一个创业的态度，做事情要做看得见摸得着的，要落地。 讲到人工智能，我在这里讲一下人工智能的三起两落。有人说你怎么看人工智能的三起两落？从1991年开始的第三波浪潮，从人工智能的角度来说，时间真的不算长。但最近的这波浪潮有些不一样。很多人工智能的突破不是渐变式慢慢增长起来，而是突变的。 不信我们看一看Google的搜索关键字，人工智能背后核心的驱动技术是深度学习。深度学习06年才有。深度学习的出现是非常突然的，是到某一个点开始爆发的，并不是从91年慢慢积累被大众所认识的概念。我们自己问员工，大家怎么看这个事，怎么解释？ 员工给了一个解释，深度学习爆发的时间点在2012年底到2013年初，当时Alex在ImageNet竞赛上第一次利用深度学习取得突破，所以视觉可能是引发这波深度学习浪潮的核心。这个热潮突然兴起是因为在2012年底的时候GPU第一次被用在深度学习上，所以可以说是GPU的兴起引发了这波浪潮。 人工智能的发展是突变性的，简单定义为三个阶段。第一个阶段，人工智能技不如人，大部分时候没有人做得好；第二个阶段，超过普通人；第三个阶段，超过专家。 为什么这么定义？技不如人，我们一直说人工智能带来的是生产力工具，在人工智能算法没有达到人的水平的情况下，我们可以认为它可能有一定的作用，但是绝对不会用大规模计算把这个事干了，行业的机会比较少。我刚创业的时候看到有一篇采访报道说，咱们大家看人脸识别视觉做得很火热，其实就是一个事。如果只是一个普通的工具，在没有快速突破的情况下得到了大量的资源，它的覆盖率就会很高。 第二个阶段，超过普通人的阶段。这是我们现在所处的阶段，机器学习在某些垂直领域确实能够超越普通人，比如我们在陌生人识别上，在精准的物体移动识别上面。这个带来什么？生产效率的提升，对我们来说到底有什么变化？其实没有变化。这种情况下我们每一天用的东西，每一天做的事情都有可能被人工智能所代替，被人工智能所改变，但是你感觉不到。因为它是潜移默化地改变人们身边的事情，它只不过是一个替代，替代现有的人工，以润物细无声的形式出现。 第三个阶段，超越专家。超越普通人和超越专家是不同的。专家的知识通常是非常难获取的，只有很少数人拥有专家的知识。很多情况下专家是需要通过十年、二十年的学习才成为专家。在我们的算法中普通人的知识可以通过标注数据，通过所谓的监督学习学会。但是一旦超过专家的水平，我们认为它会带来真正的效率升级或者说服务的彻底升级。我以前有一个说法，人工智能来了，未来会变成什么样？未来所谓的“老”字号工种就会消失，比如老教师、老司机、老棋手渐渐没有了。 我们在做的事情是什么？超人的生意。机器是不是可以做到超越人？左图是原始图，右图是机器算法的图。对同样一张图，模糊的图放大之后我们希望能够识别。在算法引进之前我们用传统的算法识别出来的图片，有一种动物的感觉。
放大有什么作用？我们的研究员两年前做了超规范算法，在日本的waifu2x网站应用，应用到全实场景当中。SRCNN 是我们第一个用深度学习做的算法，一开始用Existing Hallucination，现在完成的深度学习做超分辨率，是以最后能够提高识别准确率为目的，这种情况下我们可以发现机器真的能够做到超越人。还有几个实际的案例，例如监控逃犯，能够无中生地有把真正的细节恢复出来。
人工智能来了，新问题是到底要解决什么样的问题？第一个要面临的技能提升。像以前人类用马车来运输，就要学会骑马。当人工智能工具来临时，不是带来大量工人的失业而是带来新的职业，这就是技能提升。生产效率的提升的是核心的改变。
钢铁侠、蜘蛛侠给我们另外一个启示，人工智能的核心就是怎么样做到人和机器融合，人机融合是接下来面临的第二个问题。 时间关系，非常感谢大家，我的演讲到此为止。谢谢新智元。 戴文渊：人工智能工业应用的必要条件
戴文渊：感谢新智元。这么多年，人工智能的发展其实经过很多阶段，经历人工智能要毁灭人类——人工智能是骗子——人工智能又要毁灭人类——人工智能又变成骗子。现在又到了新的一个阶段——人工智能要毁灭人类。但是，其实在很多领域，大家测试之后觉得人工智能是骗子，比如通用的人工智能。
我们一直在致力于通过人工智能的技术去改造各行各业，所以我们需要告诉各行各业，人工智能在什么样的情况可以使用，什么样的情况不可以使用。今天我想谈一谈，如果人工智能在各行各业落地，需要什么样的条件。我们要给予人工智能更长久的耐心。
必要条件1：目前的技术水平无法达到通用人工智能，需要有一个边界，就是解决封闭的问题。做个类比，现在人工智能其实只能当我们的徒弟或是下属，并不能当我们的老板。因此，当我们自己都不知道要干什么，人工智能是不可能告诉我们要干什么。比如我现在招一个下属，把你教会。同样，我把AI教会之后，AI可以替我做很多事情。在这样的情况下，你有很多忠实的下属，而且容易管理。
必要条件2：大家一直在说，人工智能要基于大数据，但是并不是所有的数据都能够产生人工智能。真正能够产生人工智能的是有意义的大数据。以围棋为例，能够让你能够学会围棋的是怎么下棋，而不是看围棋的世界排名是多少的新闻。所以，我们有一些误区。
过去的3-5年内，我们建立了很多系统，收集了很多数据，但是并不能产生人工智能。最典型的就是结果数据。比如，每个公司都会记录员工考核的数据ABCD，但是这些数据并不能让我们学会这些员工的技能。还有统计数据，统计局收集大量的统计数据，比如全球各地的PM2.5统计数据，这些数据并不能让我们产生预测PM2.5的能力。真正能够让机器掌握AI能力的其实是过程数据。如果，你能够看到每个员工每天都在做什么，那么可以基于这些数据学习他。比如，最近比较火的智能投顾（Robo-Advisor），我们有很多人类投顾，可以记录人类投顾在干什么，然后让机器学习，最后产生机器智能投顾的机会。
必要条件3：要有反馈。对于围棋来说，赢就是赢，输就是输，可以被数字化。我们通常会遇到什么问题？我们经常给机器一些数据让机器去学习，或者就告诉机器把这件事情做好就行了，但是整个过程不能被数据化。我们不知道计算机怎么理解数字。
必要条件4：算法。是不是跟着科学家走就可以了？因为有很多细分的场景，所以我们面临的各种问题并不能够顺利解决。举个例子，这是一个银行做分析的利率表，这个利率表的规律就是——基数大的利率都比基数小的更难实现。即使使用深度学习，预测24期的利率比预测12期的利率更难。其实，在面对纷纭复杂的应用时，我们会遇到各种不同的场景，需要根据具体的场景来调整算法。
必要条件5：系统能力。过去我们更强调科学家的能力，其实架构师的能力也同样重要。这是Jeff Dean。谷歌并没有发明深度学习，但是能把深度学习做得很大很大，应该归功于架构师。
举个例子，这是经典的梯度下降的算法。如果数据量很小，只有几百个，大家只要将代码复制粘贴进去就可以了。但是如果讨论更大的数据量时，问题就很复杂。10台机器运作时，要考虑负载均衡的问题；100台机器运作时，要考虑每跑一次算法都可能会丢数据（硬盘数量很大）；1000台机器运作时，要使用交换机，交换机、网线、数据传输都会出现问题。这些都说明，当数据量很大，可能需要全世界最好的架构师。
所以，要做到人工智能其实需要很多必备条件。总结一下，有5个条件。首先是封闭问题，然后需要有过程数据（不仅仅是大数据）。之后需要有顶尖科学家、顶尖架构师。这就是为什么BAT能够做别人做不出的事情。其实科学家并不少，每一年毕业的AI领域的硕士博士也有几千甚至，但是科学家只是其中的一环。以上提到的5个条件很难全部实现。
我们在做什么？我们把科学家、架构师、包括反馈数据闭环中的系统和算法都解决。将前提条件减少到两个——数据和业务量级封闭场景。我们之前做过测试，让没有机器学习背景的人，哪怕是根本不是计算机系专业的人去做测试，最后发现有70%的人能够达到专业人士的水平。在这种情况下，我们可以增加很多AI的从业人员，最后达到我们所谓的效果。这就是我的介绍，谢谢。 刘颖博：ROOBO的人工智能之路
刘颖博：谢谢新智元给我们这个机会。站在这么多科学家面前我有点紧张，我本科毕业，谢谢大家！而且我还是学会计的。
今天想跟跟大家说一说，我们做了一点什么事情。六个月前我们开了一场发布会，杨静也去给我们做了一个简短的发言，非常感谢。那时候我们核心的是发布了一个计算系统的东西，现在的名字定为ROSAI。这件事情我们持续在做，现在已经有几十个人工智能相关的服务对接到里面来，跟传统的企业在做这方面的合作等等。等项目真正落地了，会拿出来给大家看一下。
大家知道艾菲还有红点，JELLY得了红点的奖，还有艾菲的三个奖，产品、包装、OS。还有一款产品PUDDING BEANQ，4月或者5月会上线，得了红点的bestof the best。
我们做这么多事情不取决于我们自己，还有一系列的合作伙伴。比如NUANCE、全志，还有跟新东方的多纳合作，还有和清华、普林斯顿等大学做的一系列相关的合作，希望今年还能做一些更落地一点的事情。我本来不太会科研，尽量落地就好了，尽量做toC的事情，做更多的落地。 大概是这样的状况，谢谢大家！
3月27日，新智元开源·生态AI技术峰会暨新智元2017创业大赛颁奖盛典隆重召开，包括“BAT”在内的中国主流 AI 公司、600多名行业精英齐聚，共同为2017中国人工智能的发展画上了浓墨重彩的一笔。 点击阅读原文，查阅文字版大会实录 |
|
|
