?????? 21世紀人工智能(AI)時代揭幕呻澜，可比19世紀全球通電纠屋，20世紀世界入網涂臣。由于機器算法發(fā)展和人類發(fā)展需求已經匹配，AI發(fā)展近五年明顯加速售担，2017年人工智能時代揭幕赁遗，人類發(fā)展進入新階段。
????????一族铆、 人類發(fā)展的重新起步階段吼和。人工智能讓人類從新審視人、動物與機器的關系骑素。人工智能的時代是電子神經元取代生物神經元的時代炫乓，計算機將超過人類智能和接替代理人的大部分功能。從這個意義上說献丑，人類從通往自由王國的大門已經打開末捣，勞動把人和動物區(qū)別開，未來是勞動把人與機器區(qū)別開创橄。神經網絡和深度學習會繁榮很長時間箩做，一百年或許太遠，但一些重要應用改變幾個大行業(yè)的路線圖已經很清晰妥畏。AI進展最快的領域正是人能做得到的領域邦邦。比如自動駕駛安吁。人類能駕駛，所以AI也能駕駛燃辖。在醫(yī)學影像閱片和分析上鬼店，人類放射科醫(yī)生能夠閱片，所以AI也很可能在未來幾年內做到黔龟。而人類難以做到的事情妇智，比如預測股市變化，AI可能也難氏身。原因1：人類能做的巍棱，至少是可行的；原因2：可以利用人類的數據作為培訓樣本蛋欣，比如前面提到的輸入A和響應B;原因3：人類能提供指導航徙。如果AI對某個放射影像的結論有誤，設計者可以向醫(yī)生請教陷虎，醫(yī)生所做的正確結論的原因是什么到踏？ 進而對AI進行改善。在Andrew Ng所接觸到的80-90%的AI項目中泻红，都遵循這一規(guī)律：在人類能做到的領域夭禽，AI的進展更快霞掺。很多項目的發(fā)展一旦超越人類水準谊路，發(fā)展也會變得緩慢。這也帶來一個社會矛盾：如果AI和人的水平類似菩彬，實質上是跟人類競爭缠劝。AI對就業(yè)帶來的影響更讓人擔心傀顾。有些AI項目確實是瞄準了某些人類崗位例书，而從事這些工作的人并不清楚嚴重性。硅谷創(chuàng)造了大量財富通熄，但也應該對其造成的問題承擔責任耙旦，比如造成的失業(yè)問題脱羡。AI取代人類崗位的現(xiàn)實問題，更應該引起重視免都，而不是被邪惡AI的炒作轉移了注意力锉罐。AI確實正在取代人類的一些崗位。當某些崗位被AI取代后绕娘，我們需要新的教育系統(tǒng)脓规，來幫助失去工作的人獲得新的技能。政府應該為這些愿意學習新技能的人险领，提供基本收入保障侨舆，重新成為勞動者的一員秒紧。我們需要新的系統(tǒng)和結構，來讓幫助社會向新世界進化挨下。雖然會有新類型的工作熔恢，但工作崗位的消失也比以前更快。
??????????二复颈、通往未來的科技基礎绩聘。有沒可能取代人類大腦？我們不清楚人腦如何工作耗啦，所以很難造出取代人類大腦的神經網絡凿菩。什么是神經網絡？先看個最簡單的神經網絡：如果想輸入房屋面積帜讲，得到房屋總價衅谷，可以用面積-總價的一階近似的線性模型來描述這個神經網絡∷平或者用更多因素建模获黔，比如通過面積和臥室數，從第一個神經元得到可以支持的家庭人數在验。再通過所在地址的郵編和社區(qū)富裕程度玷氏，從第二個神經元得到附近學校的質量。就成為一個神經網絡腋舌。面積盏触、臥室數、郵編块饺、社區(qū)富裕程度屬于“輸入”集合A赞辩，總價屬于“響應”集合B。好處在于授艰，當訓練這樣一個神經網絡時辨嗽，用戶無需關心中間因素，諸如家庭人數淮腾、安全度糟需、學校質量等，也無需關心每個神經元如何將輸入映射到中間結果谷朝。只需要給出輸入集合A和響應集合B洲押，神經網絡將自動形成中間的計算過程和參數。當A和B的集合足夠大徘禁，神經網絡可以自動算出很多東西诅诱。 神經網絡看上去非常簡單，讓很多初學者覺得有點失望送朱，但它確實能解決很多問題娘荡。關鍵在于數據量要夠大——幾萬或幾十萬個樣本本身能提供大量的信息干旁，而軟件本身只是一小部分。?現(xiàn)在的大型AI團隊包括機器學習和高性能計算炮沐，才能獲得足夠計算能力争群。AI團隊里的這兩種人員都專注于各自領域，沒有人能兩者兼?zhèn)浯竽辍Ｈ绻皇?-10人的研發(fā)團隊换薄，很難獲得這樣規(guī)模的數據。百度這樣的大企業(yè)的經常推出一些新產品不一定是為了營收翔试，而是為了數據轻要，然后通過后續(xù)的產品來獲得收益。另一個稀缺資源是人才垦缅。AI的應用需要根據具體業(yè)務場景來定制冲泥。僅僅下載個開源包，無法解決問題壁涎。實際情況下凡恍，是否適合用某種垃圾郵件識別或語音識別技術？針對某種場景怔球，機器學習怎么用嚼酝？ 所以各個公司都在為數據挖掘爭奪AI人才，來定制AI技術竟坛，找到所需要的A和B各自代表什么闽巩，怎么找到這些數據和如何調整算法來適應業(yè)務場景。這就形成了AI產品的良性循環(huán)流码。最好的產品能獲得最多的用戶又官，帶來最多的數據延刘，通過現(xiàn)代機器學習體系漫试，能得到最好的AI，最終讓產品變得更好碘赖，周而復始驾荣。百度發(fā)布新的產品，會特別考慮怎樣推動這樣的良性循環(huán)普泡，會包括相當先進的產品發(fā)布策略播掷，比如按地理區(qū)域、細分市場等撼班，來更好地推動這個循環(huán)歧匈。這種良性循環(huán)的理念很早就有了，只是最近變得更加明顯砰嘁。正如前文所述件炉，當數據超過一定規(guī)模后勘究，傳統(tǒng)AI算法無法明顯改善AI性能，因此數據多的優(yōu)勢不明顯斟冕，大公司也很難保護自己的AI業(yè)務】诟猓現(xiàn)在數據越多，AI性能越好磕蛇，大公司也更容易保護自己的優(yōu)勢景描。先做出某種產品。比如通過語音識別秀撇，以語音實現(xiàn)搜索超棺；然后吸引來很多用戶，用戶產生數據呵燕；再通過機器學習说搅，用數據改善產品。
?????? 三虏等、人工智能社會應用最前沿弄唧。1.最近準確率已經提高到很有用的程度。4-5個月之前霍衫，斯坦福大學計算機系教授James Landay候引、百度、華盛頓大學一起展示了在手機上輸入英文和普通話敦跌，用語音識別的速度比用手機輸入快3倍澄干。去年百度的所有語音識別產品年度環(huán)比增長大約100%，現(xiàn)在正是語音識別技術騰飛之時柠傍。美國有幾個公司做智能語音控制器（Smart Speakers)麸俘，用語音控制家用設備也會很快推廣。相關的操作系統(tǒng)和硬件都會很快發(fā)布惧笛。2.預測某用戶是否會點擊某廣告从媚。向受眾呈現(xiàn)更相關的廣告，為互聯(lián)網營銷和廣告公司帶來極大的賺錢機會,這可能是AI最賺錢的應用患整。3.人臉識別發(fā)展速度很快拜效。因為中國的手機比筆記本更普及，很多人有手機各谚，而不一定有筆記本紧憾。 在中國可以僅僅憑手機申請助學貸款。涉及到錢昌渤，所以需要先驗證身份和很多東西赴穗。這加速了人臉識別的發(fā)展。通過手機進行人臉識別，作為 用生物標識進行身份認證的一種方法般眉，在中國發(fā)展很快加矛。在百度總部，不需要RFID卡進行認證煤篙，而是直接刷臉進門斟览，Andrew Ng在YouTube上有一段視頻。現(xiàn)在人們對人臉識別技術已經足夠信任辑奈，并在安全要求較高的場景下使用苛茂。百度在語音識別和計算機識別上的資金投入和數據投入巨大，任何小開發(fā)團體遠遠無法相提并論鸠窗，也不太可能有其他出乎意料的技術突破妓羊。4.很多行業(yè)都有個規(guī)律：先有數據，再有AI稍计，比如醫(yī)療躁绸，美國電子病歷（EHR）的進展很大。隨著電子病歷的興起臣嚣，影像膠片變成數碼圖片净刮，這些數字化產生了很多數據供AI使用，并產生價值硅则。教育需要先經歷數字化淹父，這一階段還有很多工作要做。Andrew Ng對AI對醫(yī)療健康領域帶來的影響很看好怎虫。很多現(xiàn)在的放射科醫(yī)生會被AI影響到暑认。如果想在放射科一直工作四十年，不是個好的職業(yè)計劃大审。還有很多垂直領域將受到AI的影響蘸际，比如金融工程和教育。不過短期之內還不太會對教育產生實質性的影響徒扶。5.自動駕駛汽車粮彤，要用相機拍攝的圖像，雷達等酷愧，組成車前方的一幅圖驾诈，再由監(jiān)督學習估算和其他車的距離缠诅，以及和行人的距離溶浴，這只是兩個重要的AI部件，還需要其他的部件來估計5秒后車的位置管引，行人的方向士败。還有一個部件來分析，根據行人車輛等不同對象的運動情況，我應該怎么走谅将？ 然后還需要算方向盤的旋轉程度漾狼，以此類推。現(xiàn)在的AI還很初級——A到B的映射而已饥臂，不過已經推動著很大的市場逊躁。6.???計算機視覺。7.在線教育而言隅熙，主要問題是動機稽煤，人們不愿意花那么多時間來學完整個課程。這是不是最大的挑戰(zhàn)囚戚？ 其他還有什么挑戰(zhàn)酵熙？AI對在線教育有幫助。個性化的輔導已經談論了很長時間驰坊，Coursera用AI推薦個性化的課程匾二，自動打分，在細節(jié)上確實有幫助拳芙。但在利用AI之前察藐，教育的數字化還有很長的路要走。8.讓AI和人配合起來的前景如何舟扎？很多AI應用是基于AI自己转培，如果采用AI+人的混合方案？比如自動駕駛等浆竭？沒有統(tǒng)一的規(guī)則浸须，應該跟實際情況有關。很多語音識別是為了讓人類更高效邦泄，比如通過手機删窒。對自動駕駛汽車，可能需要10-15秒來轉換控制權顺囊，因為難讓容易分神的人快速接手駕駛肌索，很困難。這種情況下特碳，由AI獨立控制更安全诚亚。 所以從使用者角度來講，人類和AI混合的自動化比較困難午乓。? 光從監(jiān)督學習已經看得出AI將如何逐漸改變各個行業(yè)站宗。其他的AI形式，比如無監(jiān)督學習益愈、強化學習梢灭、遷移學習等等夷家，都還在研究階段，現(xiàn)在的市場規(guī)模較小敏释。
????????四库快、學習與從業(yè)。1.學習钥顽。研究機構更偏好新鮮义屏、搶眼球的東西，來發(fā)表論文蜂大。訓練新研究者的辦法通常是讀很多論文湿蛔。而大家常常忽視重復論文里的試驗的重要性。不一定要把精力大量用于發(fā)明新東西县爬，而花時間重復別人的發(fā)布結果也是很好的培訓方法阳啥。和培訓博士生一樣：去學習和理解別人的論文，重復別人的試驗财喳，爭取獲得類似的結果察迟，很快你就能產生自己的想法去推動最新的科技。對希望從事機器人相關工作的機械工程學生耳高，有哪些和AI扎瓶、機器人相關的機會比較適合？很多機械工程背景的人泌枪，在AI領域很成功概荷。可以上一些計算機/AI課程碌燕，和AI領域的老師聊聊误证。一些垂直領域存在有趣的AI機器人的機會，比如精準農業(yè)修壕。Blue River用計算機視覺來區(qū)分不同植物愈捅，比如不同品種卷心菜，選擇留下哪些慈鸠，除掉哪些蓝谨，來提高產量。中國也生產和銷售很多社交和伴侶機器人青团，美國還沒起怎么起步譬巫。2.從業(yè)。大公司在數據和人才上有巨大優(yōu)勢督笆，那么創(chuàng)業(yè)公司的機會在哪里芦昔？ 投資者可以關注哪種規(guī)模的創(chuàng)新？在語音識別胖腾、人臉識別上烟零，小公司非常難與大公司競爭瘪松，除非有意料之外的技術突破咸作。同時锨阿，也有很多小垂直領域適合創(chuàng)業(yè)公司，比如醫(yī)療影像记罚。有一些疾病的病例不多墅诡，如果有一千張影像，也許就涵蓋了所有所需的數據了桐智，一些垂直領域需要的數據量也不大末早。另外，AI的機遇非常多说庭，大公司會放棄很多的小的垂直市場然磷，因為精力有限，大的機會還研究不過來刊驴。3.業(yè)務姿搜。AI是個讓人興奮的領域，同時也存在一些挑戰(zhàn)捆憎。 如何將AI融入公司業(yè)務舅柜？產品經理的職責是找到用戶喜歡的，而工程師的角色是做出可行的產品躲惰。兩者共同協(xié)作致份，才能做出理想的產品。AI是個新生事物础拨，所以技術公司以前的流程和工作方法氮块，不太適用。硅谷的產品經理和工程師的合作已有一套標準流程诡宗。比如開發(fā)APP時雇锡，產品經理先畫出線框圖，比如logo, 按鈕僚焦，各個板塊等锰提，工程師再寫出代碼來實現(xiàn)。 但是AI的APP無法通過畫線框來描述芳悲。新產品設計流程立肘， 如設計一個交流型AI機器人：人：“我想叫個外賣”；AI：“你喜歡哪種類型餐館名扛？”谅年；人：“川菜”；AI:“這些可供選擇肮韧，xxx,yyy,zzz,...”融蹂。線框圖只能顯示對話過程旺订，無法描述所需AI的復雜程度等。產品經理和工程師會在一起超燃，寫五十種對話区拳，人：“請幫我定一個結婚紀念日的餐館”；AI：“你需要訂花嗎意乓？”樱调；工程師問一些更具體的問題，比如每種場景是否都需要繼續(xù)提配套產品的問題届良，比如談到圣誕節(jié)時笆凌，是否要問對方要不要買圣誕裝飾？一起思考士葫，共同討論需求和技術乞而，很有效。產品經理常常希望了解AI能實現(xiàn)的慢显，和不能實現(xiàn)的爪模。一個簡單的思路是：一般人能在一秒內想出來的事情，現(xiàn)在或很快就可以用AI自動實現(xiàn)鳍怨。例如在發(fā)明創(chuàng)造上呻右，AI可以作曲，但這很主觀鞋喇。20年前的技術做出來的曲子有人喜歡声滥，有人不喜歡。有些項目用AI制作圖片特效侦香，用特效模仿某畫家作品落塑，這些都是小而有趣的領域。 現(xiàn)在還看不到有什么技術路線能發(fā)明復雜的系統(tǒng)罐韩。對AI的宣傳里憾赁，有很多吸引眼球的技術，不過它們未必最有用散吵。如何將吸引眼球的技術和產品龙考、業(yè)務相結合？軟件產業(yè)已經有標準流程矾睦，比如代碼審查晦款、敏捷開發(fā)等，如何組織AI的產品工作枚冗，有很長的路要走缓溅，現(xiàn)在正是考慮這些問題的時候。通過仔細地建模和規(guī)劃赁温，用AI解決的復雜問題坛怪？對這些問題淤齐，人類可能需要進行長時間的思考。亞馬遜是個很好的例子袜匿。它知道我瀏覽過什么更啄，讀過什么，比我太太更了解沉帮。電腦對人們看過什么锈死，點擊過什么廣告更了解贫堰，所以在廣告方面做得非常好穆壕。 對于有些任務，計算機可以處理的信息量遠遠超過人類其屏，并根據規(guī)律建模喇勋，進行預測，這方面AI比人做得更好偎行。復雜的AI系統(tǒng)有很多小AI部件川背，工程人員要知道如何將這種超級學習能力融合到更大的系統(tǒng)里，來創(chuàng)造價值蛤袒。
???? 五熄云、人工智能的社會倫理熱議。許多人擔心人工智能會不會取代或威脅人類妙真，但這是一個有害幻想缴允。部分研究人工智能的人專門炒作“邪惡AI”，以獲得研究“反邪惡AI”投資珍德。此類有害幻想類似于擔心火星未來人口過剩练般。機器智能和人類意識沒有嚴格區(qū)分，機器也可以具有意識锈候，人類本質上也是機器薄料，是一臺由無數個小機器組成的巨大機器，它包含數萬億個移動組件泵琳，復雜程度無以復加摄职。大腦中數十億個神經元每一個多多少少是機器的，所有神經元集群交互最終匯聚成了意識获列。人類社會的制造谷市、運輸、農業(yè)蛛倦、醫(yī)療歌懒、金融等行業(yè)，都是人類意識的產物溯壶，人工智能變革的只是社會形態(tài)及皂，而非本質甫男。產品經理和社會學家、律師等如何協(xié)調验烧？比如自動駕駛汽車在撞人前板驳，開發(fā)者和AI應從駕駛者，還是行人的角度考慮問題碍拆？這只是個法律問題若治，但也有很多類似情況。產品管理者和不同的功能部門的合作時感混，應該扮演什么角色端幼？這個問題的一個相似版本是“有軌電車”問題，會產生倫理矛盾弧满。一個電車走到岔道口婆跑，繼續(xù)往前會撞死5個人，你可以用扳手將電車扳到另一條軌道庭呜，撞死該軌道上的一個人，而你成為兇手募谎，你扳嗎？除了在哲學課里节槐，很少有誰在現(xiàn)實生活里遇到過這個問題，所以吉执，它并不重要疯淫。自動駕駛的開發(fā)者沒去討論它戳玫。實際上，如果誰真正遇到了咕宿，可能之前已經犯了其他錯誤了币绩。自動駕駛處理的問題更實際，和你自己開車一樣府阀。比如缆镣，對面有個白色的大車试浙，是否能及時剎車？
????? ?六钠糊、技術探索領域。1.AI融入人類很大一部分抄伍，是將一塊塊的AI部分串成一個大系統(tǒng)。當以前的機器學習算法性能上升到一定程度截珍，即使再增加數據樣本量（前文談到的輸入A岗喉、響應B的A-B映射），性能改善也很有限沈堡。似乎超過一定樣本量之后燕雁，再多的數據也對算法不起作用。而過去幾年僧免，主要由于GPU捏浊，我們終于實現(xiàn)了能利用這么巨大的數據集的機器學習軟件。將數據輸入一個小的神經網絡金踪，當超過一定性能后胡岔，上升變得平緩。而不斷地把數據輸入一個很大的神經網絡時靶瘸，即使性能上升沒有那么快，也會保持上升趨勢屋剑，隨著數據量的增大诗眨，不斷提高。因此匠楚，要想獲得很好的AI性能卫病，需要兩樣東西：很大的A-B映射的數據集典徘；大的神經網絡。現(xiàn)在常用的大型神經網絡建立在HPC高性能計算集群上帜平。監(jiān)督學習?驅動百億的市場容量的梅鹦，基本上屬于同一種AI: 監(jiān)督學習（Supervised learning），即用AI來確定A-->B的映射——輸入A和響應B的映射齐唆。用Email作為輸入A，判斷是否是垃圾郵件是響應B茉帅。用圖像作為輸入锭弊，識別這是一千種物體中的哪種？從聲音A到文字B味滞，從英文到法文剑鞍，或從文字到聲音。軟件可以學習這些輸入A到響應B的映射——有很多好的工具來讓機器學習蚁署。比如50,000小時的音頻和對應的文本，就能讓機器學到如何從音頻內容轉化為文本內容就轧。通過大量的電郵數據和區(qū)分垃圾的標簽田度，也可以很快地訓練出一個垃圾郵件過濾器。AI研究較前沿的團隊都比較開放镇饺，常常發(fā)布研究成果。百度的AI研究論文也沒有隱藏什么成果——在人臉識別等論文里惋啃，都分享了所有的細節(jié)。既然很難把算法本身隱藏起來异希，如何保護AI業(yè)務绒瘦？ 當前稀缺資源有兩種，一種是數據惰帽，二是人才该酗。獲取巨量數據很難，要包括輸入A+響應B呜魄。比如語音識別用了5萬小時的音頻來訓練，今年準備用10萬小時骄蝇，相當于百度10年積累的音頻操骡。以人臉識別所用的訓練圖像數量為例赚窃，學術上最常用的基準測試/比賽：1百萬幅；所用圖像數最多的計算機視覺對象識別學術論文：1500萬幅是掰；百度用來訓練世界上最先進的人臉識別系統(tǒng)：兩億幅辱匿！百度發(fā)現(xiàn)，產品經理通過數據和工程師溝通絮短，是個較好的辦法昨忆。 產品經理負責提供測試數據集給工程師，比如一萬個音頻和對應的文字，來說明所關心的問題叔磷，工程師也能更明白需要解決的問題奖磁。如果這些音頻里有大量車輛噪音，工程師就知道車輛噪音是問題寥裂。 如果是混合了幾種不同噪聲案疲，工程師也能想辦法解決。最糟糕的情況是诺舔，產品經理提供的測試數據备畦，并不能代表自己想解決的問題，那就出問題了懂盐。2.物理莉恼。如果摩爾定律不再成立，對AI的擴展性有什么影響俐银？一些高性能計算公司的硬件路線圖顯示，摩爾定律在單芯片上不再那么有效田藐，但神經網絡吱七、深度學習所需的計算類型在未來幾年仍然能很好地擴展。SIMD（單指令多數據）讓并行化處理負載非常容易景醇。神經網絡很容易并行化市袖，加速計算的空間還很大烁涌。AI面對的諸多問題中酒觅，許多問題的瓶頸在于數據，也有很多的瓶頸在于計算速度——能便宜地處理數據的速度趕不上獲得數據的速度抒钱。所以高性能計算的路線圖應該包括這方面颜凯。算法是AI里的特殊作料。是否應通過知識產權保護蕾额，還是繞過這個問題去設計產品彼城？ 對機器學習的研究者，是否有和AI產品經理-工程師那樣類似的流程或良性循環(huán)调炬，來實現(xiàn)突破或改善研究流程舱馅？知識產權的問題比較難講。有些公司申請了大量專利代嗤，但是是否真能帶來實質性的保護资溃？所以我們往往從如何從戰(zhàn)略上思考細節(jié)，比如讓數據保護自己溶锭。百度如何用AI來管理自己的云上數據中心趴捅？ 比如IT運維管理的例子霹疫？兩年前，百度做了個項目丽蝎，可以提前一天自動檢測出硬件故障，特別是硬盤故障红省。這就可以事先拷貝、熱插拔進行預防處理虾啦。還可以降低數據中心的用電量痕寓，負載均衡等，都是很多小細節(jié)的改善硬毕。
?
?歡迎加入人工智能工作群組（現(xiàn)有群友為美礼仗、英、日挪丢、印等國及中國專家學者和專業(yè)人員一百余人）卢厂，請?zhí)砑游⑿?8476030（注明：參加“人工智能工作群組”，所在部門及從事領域）任内。
?
?
?
?
?
