近日吴恩达在斯坦福MSx未来论坛上的演讲，描述他眼中的AI世界。
AndrewNg认为，人工智能（AI）对未来许多行业带来的变革，如同100多年前，美国“触电”一样——电对制造、运输、农业（尤其是冷藏）、医疗等等带来了划时代的变革。AI驱动着搜索和广告，AI也正在彻底改变金融工程，对物流的转变进行了一半，医疗和自动驾驶刚开始，前景巨大。
监督学习
驱动百亿的市场容量的，基本上属于同一种AI:监督学习（Supervisedlearning），即用AI来确定A-->B的映射——输入A和响应B的映射。
路用Email作为输入A，判断是否是垃圾邮件是响应B；
路用图像作为输入，识别这是一千种物体中的哪种；
路从声音A到文字B，从英文到法文，或从文字到声音；
软件可以学习这些输入A到响应B的映射——有很多好的工具来让机器学习。比如50,000小时的音频和对应的文本，就能让机器学到如何从音频内容转化为文本内容。通过大量的电邮数据和区分垃圾的标签，也可以很快地训练出一个垃圾邮件过滤器。
现在的AI还很初级——A到B的映射而已，不过已经推动着很大的市场。百度有很好的算法来预测某用户是否会点击某广告。向受众呈现更相关的广告，能为互联网营销和广告公司带来极大的赚钱机会。这可能是AI最赚钱的应用。
日本AI机器人Torobo-kun放弃了参加高考的计划，因为阅读理解的困难难以逾越
在哪些产品里能用到AI？
产品经理常常希望了解AI能实现的，和不能实现的。一个简单的思路是：一般人能在一秒内想出来的事情，现在或很快就可以用AI自动实现。
AI进展最快的领域正是人能做得到的领域。比如自动驾驶。人类能驾驶，所以AI也能驾驶。在医学影像阅片和分析上，人类放射科医生能够阅片，所以AI也很可能在未来几年内做到。
而人类难以做到的事情，比如预测股市变化，AI可能也难。
原因1：人类能做的，至少是可行的；
原因2：可以利用人类的数据作为培训样本，比如前面提到的输入A和响应B；
原因3：人类能提供指导。如果AI对某个放射影像的结论有误，设计者可以向医生请教，医生所做的正确结论的原因是什么？进而对AI进行改善；
在AndrewNg所接触到的80-90%的AI项目中，都遵循这一规律：在人类能做到的领域，AI的进展更快。很多项目的发展一旦超越人类水准，发展也会变得缓慢。这也带来一个社会矛盾：如果AI和人的水平类似，实质上是跟人类竞争。
AI的发展趋势
AI已经出现了几十年了，而近五年发展明显加速，为什么？
当以前的机器学习算法性能上升到一定程度，即使再增加数据样本量（前文谈到的输入A、响应B的A-B映射），性能改善也很有限。似乎超过一定样本量之后，再多的数据也对算法不起作用。
而过去几年，主要由于GPU，我们终于实现了能利用这么巨大的数据集的机器学习软件。将数据输入一个小的神经网络，当超过一定性能后，上升变得平缓。而不断地把数据输入一个很大的神经网络时，即使性能上升没有那么快，也会保持上升趋势，随着数据量的增大，不断提高。
因此，要想获得很好的AI性能，需要两样东西：
路很大的A-B映射的数据集；
路大的神经网络。现在常用的大型神经网络建立在HPC高性能计算集群上；
现在的大型AI团队包括机器学习和高性能计算两组人，才能获得足够计算能力。百度AI团队里的这两种人员都专注于各自领域，没有人能两者兼备。
什么是神经网络？有没可能取代人类大脑？
问题是，我们不清楚人脑如何工作，所以很难造出取代人类大脑的神经网络。
什么是神经网络？先看个最简单的神经网络：
如果想输入房屋面积，得到房屋总价，可以用面积-总价的一阶近似的线性模型来描述这个神经网络。
或者用更多因素建模，比如通过面积和卧室数，从第一个神经元得到可以支持的家庭人数。再通过所在地址的邮编和社区富裕程度，从第二个神经元得到附近学校的质量。
这就成为一个神经网络。面积、卧室数、邮编、社区富裕程度属于“输入”集合A，总价属于“响应”集合B。
好处在于，当训练这样一个神经网络时，用户无需关心中间因素，诸如家庭人数、安全度、学校质量等，也无需关心每个神经元如何将输入映射到中间结果。只需要给出输入集合A和响应集合B，神经网络将自动形成中间的计算过程和参数。当A和B的集合足够大，神经网络可以自动算出很多东西。神经网络看上去非常简单，让很多初学者觉得有点失望，但它确实能解决很多问题。关键在于数据量要够大——几万或几十万个样本本身能提供大量的信息，而软件本身只是一小部分。
如何保护AI业务？
AI研究较前沿的团队都比较开放，常常发布研究成果。百度的AI研究论文也没有隐藏什么成果——在人脸识别等论文里，都分享了所有的细节。既然很难把算法本身隐藏起来，如何保护AI业务？当前稀缺资源有两种，一种是数据，二是人才。获取巨量数据很难，要包括输入A+响应B。比如语音识别用了5万小时的音频来训练，今年准备用10万小时，相当于百度10年积累的音频。
以人脸识别所用的训练图像数量为例，
路学术上最常用的基准测试/比赛：1百万幅；
路所用图像数最多的计算机视觉对象识别学术论文：1500万幅；
路百度用来训练世界上最先进的人脸识别系统：两亿幅！
如果只是5-10人的研发团队，很难获得这样规模的数据。百度这样的大企业的经常推出一些新产品不一定是为了营收，而是为了数据，然后通过后续的产品来获得收益。
另一个稀缺资源是人才。AI的应用需要根据具体业务场景来定制。仅仅下载个开源包，无法解决问题。实际情况下，是否适合用某种垃圾邮件识别或语音识别技术？针对某种场景，机器学习怎么用？所以各个公司都在为数据挖掘争夺AI人才，来定制AI技术，找到所需要的A和B各自代表什么，怎么找到这些数据和如何调整算法来适应业务场景。
AI的良性循环
路先做出某种产品。比如通过语音识别，以语音实现搜索；
路然后吸引来很多用户，用户产生数据；
路再通过机器学习，用数据改善产品；
这就形成了AI产品的良性循环。最好的产品能获得最多的用户，带来最多的数据，通过现代机器学习体系，能得到最好的AI，最终让产品变得更好，周而复始。
这种良性循环的理念很早就有了，只是最近变得更加明显。正如前文所述，当数据超过一定规模后，传统AI算法无法明显改善AI性能，因此数据多的优势不明显，大公司也很难保护自己的AI业务。现在数据越多，AI性能越好，大公司也更容易保护自己的优势。
谷歌在AI领域已经成为最为创新的公司之一
AI产品管理
AI是个让人兴奋的领域，同时也存在一些挑战。如何将AI融入公司业务？
产品经理的职责是找到用户喜欢的，而工程师的角色是做出可行的产品。两者共同协作，才能做出理想的产品。
AI是个新生事物，所以技术公司以前的流程和工作方法，不太适用。硅谷的产品经理和工程师的合作已有一套标准流程。比如开发APP时，产品经理先画出线框图，比如logo,按钮，各个板块等，工程师再写出代码来实现。但是AI的APP无法通过画线框来描述。通过什么形式，把产品经理头脑里对AI产品的功能要求明白地分享给工程师呢？
比如开发语音识别系统，实现语音搜索，有很多改善方向。比如：
路在嘈杂环境下如何改善,比如车里或咖啡馆？
路仅改善窄带语音信号；
路对不同口音改善；
百度发现，产品经理通过数据和工程师沟通，是个较好的办法。产品经理负责提供测试数据集给工程师，比如一万个音频和对应的文字，来说明所关心的问题，工程师也能更明白需要解决的问题。如果这些音频里有大量车辆噪音，工程师就知道车辆噪音是问题。如果是混合了几种不同噪声，工程师也能想办法解决。最糟糕的情况是，产品经理提供的测试数据，并不能代表自己想解决的问题，那就出问题了。
同时，新产品设计的流程有很多，比如想设计一个交流型AI机器人：
-人：“我想叫个外卖”
-AI：“你喜欢哪种类型餐馆？”
-人：“川菜”
-AI:“这些可供选择，xxx,yyy,zzz,...”
线框图只能显示对话过程，无法描述所需AI的复杂程度等。百度的产品经理和工程师会在一起，写五十种对话，
-人：“请帮我定一个结婚纪念日的餐馆”
-AI：“你需要订花吗？”
这时候，工程师会问一些更具体的问题，比如每种场景是否都需要继续提配套产品的问题，比如谈到圣诞节时，是否要问对方要不要买圣诞装饰？一起思考，共同讨论需求和技术，很有效。
对AI的宣传里，有很多吸引眼球的技术，不过它们未必最有用。如何将吸引眼球的技术和产品、业务相结合？软件产业已经有标准流程，比如代码审查、敏捷开发等，如何组织AI的产品工作，有很长的路要走，现在正是考虑这些问题的时候。
短期内，AI有哪些机会？
语音识别正在起飞
最近准确率已经提高到很有用的程度。4-5个月之前，斯坦福大学计算机系教授JamesLanday、百度、华盛顿大学一起展示了在手机上输入英文和普通话，用语音识别的速度比用手机输入快3倍。去年百度的所有语音识别产品年度环比增长大约100%，现在正是语音识别技术腾飞之时。美国有几个公司做智能语音控制器（SmartSpeakers），用语音控制家用设备也会很快推广。相关的操作系统和硬件都会很快发布。
计算机视觉也即将到来
中国的人脸识别发展速度很快。因为中国的手机比笔记本更普及，很多人有手机，而不一定有笔记本。在中国可以仅仅凭手机申请助学贷款。涉及到钱，所以需要先验证身份和很多东西。这加速了人脸识别的发展。通过手机进行人脸识别，作为用生物标识进行身份认证的一种方法，在中国发展很快。
在百度总部，不需要RFID卡进行认证，而是直接刷脸进门，AndrewNg在YouTube上有一段视频。现在人们对人脸识别技术已经足够任，并在安全要求较高的场景下使用。
百度在语音识别和计算机识别上的资金投入和数据投入巨大，任何小开发团体远远无法相提并论，也不太可能有其他出乎意料的技术突破。
医疗健康（爱基,净值,资讯）的AI应用
AndrewNg对AI对医疗健康领域带来的影响很看好。很多现在的放射科医生会被AI影响到。如果想在放射科一直工作四十年，不是个好的职业计划。
还有很多垂直领域将受到AI的影响，比如金融工程和教育。不过短期之内还不太会对教育产生实质性的影响。
永恒的春天
光从监督学习已经看得出AI将如何逐渐改变各个行业。其他的AI形式，比如无监督学习、强化学习、迁移学习等等，都还在研究阶段，现在的市场规模较小。
有很多行业会经历几个冬天，然后迎来永恒的春天。AI经历过两个冬天，现在已经进入永恒的春天。就像硅的春天一样，半导体、晶体管、计算周期这些都将和人类一起发展很久。神经网络和深度学习会繁荣很长时间，一百年或许太远，但一些重要应用改变几个大行业的路线图已经很清晰。
AI确实正在取代人类的一些岗位。当某些岗位被AI取代后，我们需要新的教育系统，来帮助失去工作的人获得新的技能。政府应该为这些愿意学习新技能的人，提供基本收入保障，重新成为劳动者的一员。我们需要新的系统和结构，来让帮助社会向新世界进化。虽然会有新类型的工作，但工作岗位的消失也比以前更快。
本文出处：畅享网
本文来自云栖社区合作伙伴畅享网，了解相关信息可以关注vsharing.com网站。
