第四範式陳雨強：人工智慧只被很少一部分人壟斷將非常可怕

第四範式覺得，我們應該做的事情是要讓人工智慧這件事變成所有人都可以獲得的一個能力。

文 | Evelyn杜

人工智慧到底可不可怕？人工智慧到底是把人類帶到了更大的繁榮，還是更大的毀滅？相信這是不少人關心的問題。在5月20日的MTA天漠音樂節科技論壇上，第四範式的聯合創始人、首席研究科學家陳雨強發表了有關人工智慧的演講。

在陳雨強看來，過去，我們並沒有真正的達到人工智慧，其實達到的是人工的智能。在實現真正人工智慧方面，目前，我們取得了語音、圖像和藝術領域的幾個突破。

陳雨強認為，之所以能夠有這麼多相對成功的人工智慧的應用，主要是靠大數據和機器學習。目前，我們正在面臨一場智能革命，一定會出現一些數據的寡頭、數據的資本家，人工智慧帶來的紅利只能被很少一部分人所獲得將會非常可怕。

因此，陳雨強認為，我們應該做的事情是要讓人工智慧變成所有人都可以獲得的一個能力。

以下為演講實錄

大家下午好！我是第四範式的陳雨強。今天我要給大家帶來的分享主題是 AI for everyone，讓所有人都能用上的人工智慧。

人工智慧到底是把人類帶到了更大的繁榮，還是更大的毀滅？人工智慧是讓每個人更開心還是更煩擾？相信這是大家所關心的問題。

其實人工智慧發展最早從50年代阿蘭·麥席森·圖靈發明第一台計算機開始的，當時他提出了一個著名的圖靈測試。這個測試是判別機器是否具備智能功能。

在一開始的時候，科學家們非常的樂觀。5、60年代的時候，科學家提出了一個仿腦的神經網路技術。可以解決非常多曾經想都不能想的一些問題，科學家們非常的興奮。

當時就說，可能在3到5年之內，人工智慧就能達到人類的智能平均水平。其實，我們現在來看，人工智慧還沒有達到汪星人、喵星人的水平。

既然不能達到，我們就讓專家去教機器什麼叫智能？當時有一個專家系統的技術，是把專家的知識變成機器可以讀取的知識，同時，告訴機器如何進行推理。

這個問題在什麼地方？它不知道變通，專家教你是一就是一，教你是二就是二，沒有變通能力，這就不是人工智慧，而是人工的智能。總結一下，在過去來說，我們並沒有真正的達到人工智慧，其實達到的是人工的智能。

怎麼樣達到真正的人工智慧？看看我們現在最新的一些進展，也跟大家分享一下。

這是微軟2012年發布的同聲傳譯的技術，非常有意思。這個技術不僅能在會場上同時把英文傳譯成中文，有一點特別有意思的是，他還可以模仿你的音色。你可能非常想聽特朗普說中文是什麼樣的感覺，你可能也特別想聽小瀋陽用英語講段子是什麼樣的感覺。這樣的技術就可以達到這樣的水平，這是語音上的進展。

視覺上我們也有一個非常大的突破。在過去5到7年時間內，計算機視覺有一個非常長足的發展，物體識別的錯誤率從過去的28%下降到現在的3%不到。這個背後的技術是什麼？是機器訓練了上千萬，甚至是上億的圖片，這點與人的學習很類似。

大家在小時候的時候，從出生一開始就會到處張望，對世界充滿著好奇，每時每刻都在捕捉著新的圖片，每時每刻父母都會告訴你這是什麼，那是什麼。

除了在語音圖像上，甚至可以在藝術領域發揮作用。可以給一個梵高的畫，然後再給一張其他的圖片，把它變成梵高風格的圖片，無論是風景還是人像。這是一個非常有意思的事情。機器不再是一個完全沒有情感的，它也可以做一些藝術的事情。但機器的藝術和人的藝術還不是同樣的方式。

總結一下，為什麼說現在有了這麼多相對成功的人工智慧的應用呢？現在的人工智慧是基於機器學習+大數據。阿爾法狗打敗李世石是因為後面有一個30萬棋譜的網上對戰平台。

除了人工智慧必不可少的大數據之外，我們必須還要有機器學習的模型等技術，這可能就包括一些深度學習模型、合函數。

回到最開始的問題，機器學習能否服務於我們在座的所有人，能否讓所有人都能在中獲益？你要想的就是你有沒有大數據，你懂不懂機器學習？

這對大家來說是困難的，因為我只有我自己的數據，我沒有別人的數據，如果我不是科班出生，我就不是那麼了解數學，我也不知道該如何做機器學習。我們第四範式希望做的事情是把這個邊界往前走一步，希望所有人都能用上人工智慧。

從兩個角度上來解決這個問題：首先，是機器學習的問題。第四範式設計了一個機器學習平台，這是讓所有人都可以建模，把我們的數據、模型、上線的過程變成一個可視化的方式進行建模，通過這種方式我們可以讓一個沒有經過特別多機器學習訓練的人很快的上手機器學習，用上機器學習，用上最新的演算法。

大家還是不知道這個可以幹什麼？舉個實際的例子。去年年末，我們組織了一個建模大賽（機器學習建模大賽），這是全球首個面向非專業人士的機器學習建模大賽。「非專業」到什麼程度呢？不允許有機器學習背景的人參加，參加的人都是我們公司的行政、人事、市場、銷售這樣的人員。

我們會發現一個非常驚訝的結果，業務人員建出來的模型和我們專業的工程師科學家團隊（有3到5年專業培訓的科學家）建出來的模型，有差不多的效果。「先知」封裝了機器學習底層的演算法、計算資源、閉環等，讓所有人都可以建模，你也可以，他也可以，我也可以。

在這個基礎上，我們繼續更進了一步，我們做了一個「範式大學」的項目，我們希望沒有機器學習背景的人可以越來越多的參與進來。「範式大學」通過培養非專業人士利用「先知」建模，「批量生產」數據科學家，進一步解決AI人才高門檻的問題。第一期畢業生經過了一個月的培訓，我們發現，他們已經擁有非常專業的建模能力，可以做一些非常好的建模應用。

此外，人工智慧還面臨數據量不足的問題。看看用人工智慧成功的公司，比方說谷歌、百度。這些公司擁有的一個共性是，他們擁有大數據。

對比18世紀的工業革命對世界造成的影響，當時蒸汽機這樣的技術發明，讓整個世界發生翻天覆地的變化。但是蒸汽機這個技術的發明，導致了我們出現了一批資本家，這些資本家擁有了這些技術、擁有了生產資料，同時就擁有了巨額資本，這樣就會產生金融寡頭，我們不希望將來的財富永遠只集中在金融寡頭身上，我們希望所有人都可以平等的擁有財富。

現在我們正在面臨一場智能的革命，在這裡面我們會發現，它一定會出現一些數據的寡頭、數據的資本家。它現在擁有好的業務，就會擁有更多的用戶及用戶數據，這樣他就會壟斷數據，從而壟斷人工智慧，這是一件非常可怕的事情。

我們不希望這樣的事情發生。如何可以阻止？我們也在想一個新的技術，叫遷移學習。簡單說，就是一個舉一反三的能力，就是說你學習的英文，你就可以學法語，有了舉一反三的能力，你就不需要更多的數據。

我們有一個做電影的網站，這就是國外的豆瓣，如果你在上面有很多的行為，但在亞馬遜上沒有購買行為，你也可以用這個數據幫助你做更好的預測，來判斷是否會在亞馬遜上做購物。

除了剛才的應用還有其他的應用，比如文本的數據比圖片的數據多，無論是互聯網上還是離線的應用上。我們也可以試圖用文本的數據來幫助我們進行圖片方面的訓練。通過文本的數據，加上一些很少的圖片去進行圖片分類。

我們發現這件事確實可以。用100張圖片訓練的模型，和200頁書訓練的模型的效果差不多。我們轉化了一下，這就跟中國的古話差不多，叫一圖勝千言。

谷歌也在嘗試，在遊戲上，使用遷移學習的技術，讓機器變成遊戲達人，什麼意思？不僅玩一款遊戲是達人，可以將模型遷移到別的遊戲上，你玩所有遊戲都是達人。

除了實驗室的成果之外，「遷移學習」在工業界的實際應用上也有非常多的用途，比如說第四範式遷移學習幫助銀行做汽車分期的推薦。

汽車分期這類大額的業務，銀行在這方面的數據是非常少的，於是我們成功用小額信貸的數據幫助大額的信貸，最後達到效果的提升，這背後就使用了遷移學習。遷移學習可以幫助大家做到一個高頻打低頻的事情，用數據非常多的業務幫助數據非常少的業務來進行提升，從而打破寡頭對數據的壟斷。

回到最開始的問題，人工智慧這件事是否可怕？我們認為無論是強人工智慧，還是超級人工智慧，其實並不可怕，可怕的是人工智慧帶來的紅利只能被很少一部分人所獲得。汽車的發明讓所有人都不用走路了，但是人工智慧的發明是否可以讓所有人獲益？

第四範式覺得，我們應該做的事情是要讓人工智慧這件事變成所有人都可以獲得的一個能力。就像《獅子王》里的一樣，我們不希望人工智慧被刀巴這樣的獅子所主宰，不希望它被壟斷，而是希望所有人都可以用上人工智慧。第四範式希望隨著大數據和機器學習門檻的不斷降低，讓AI不再是少數人的「特權」，讓每個人都能享受到人工智慧紅利。

這是我今天的分享，謝謝大家！

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！