吳恩達：傳統科技公司＋機器學習/神經網路≠AI公司

最近，吳恩達老師講了一節AI入門課：AI能做什麼？各種演算法有多大商業價值？做AI產品要注意什麼？怎樣成為真正的AI公司......同時，有幸在微信群結識了阮闖老師，「企業大腦----人工智慧時代的全數字化轉型」的作者。通過閱讀，對人工智慧時代如何重構商業、管理和信息系統」有些粗淺的認識，希望拋磚引玉，與大家共同學習、探討。

AI能做什麼？

目前，AI技術做出的經濟貢獻幾乎都來自監督學習，現在最賺錢的機器學習應用，應該說是在線廣告。在這個例子中，輸入是廣告和用戶信息，輸出是用戶會不會點擊這個廣告（還是0或1）。監督學習還可以應用在消費金融領域，輸入貸款申請信息，輸出用戶是否會還款。過去幾年裡，機器學習經歷了迅速的發展，越來越擅長學習這類A到B的映射，創造了大規模的經濟效益。

同時，AI的進步也體現在監督學習的輸出不再限於0或1的數字。比如說語音識別的任務，也是一種端到端的學習，輸入音頻，輸出文本。只要有足夠的數據，語音識別就能達到很好的效果。這類演算法為語音搜索、亞馬遜Alexa、蘋果Siri、百度DuerOS等等提供了基礎。還有輸入英語輸出法語的機器翻譯，輸入文本輸出音頻的TTS（Text to Speech）等等，都是監督學習的應用。監督學習的缺點是它需要大量的標註數據，這影響了它的普及。現在，監督學習、遷移學習、非監督學習、強化學習這四類演算法所創造的經濟效益是遞減的。我注意到的另一件事情是，機器學習依靠結構化數據，比非結構化數據創造了更多的經濟效益。

做AI產品要注意什麼？

有一個很有意思的趨勢，是AI的崛起正改變著公司間競爭的基礎。公司的壁壘不再是演算法，而是數據。計算機，或者說演算法是怎樣知道該做什麼的呢？它有兩個知識來源，一是數據，二是人工（human engineering）。要解決不同的問題，該用的方法也不同。比如說在線廣告，我們有那麼多的數據，不需要太多的人工，深度學習演算法就能學得很好。但是在醫療領域，數據量就很少，可能只有幾百個樣例，這時就需要大量的人工，比如說用圖模型來引入人類知識。也有一些領域，我們有一定數量的數據，但同時也需要人工來做特徵工程。

怎樣成為真正的AI公司？

互聯網公司是如何定義的呢？不是看你有沒有網站，而是看做不做A/B測試、能不能快速迭代、是否由工程師和產品經理來做決策。這才是互聯網公司的精髓。

傳統科技公司 + 機器學習/神經網路 ≠ AI公司

我認為，AI公司傾向於策略性地獲取數據。我曾經用過這樣一種做法：在一個地區發布產品，為了在另一個地區發布產品而獲取數據，這個產品又是為了在下一個地區發布產品來獲取數據用的，如此循環。而所有產品加起來，都是為了獲取數據驅動一個更大的目標。像Google和百度這樣的大型AI公司，都有著非常複雜的策略，為幾年後做好了準備。

第二點是比較戰術性的，你可能現在就可以開始施行：AI公司通常有統一的數據倉庫。所以我認為建立一個統一的數據倉庫，所有的數據都存儲在一起是一種很好的策略。

企業大腦----人工智慧時代的全數字化轉型

孫正義在 「2017軟銀世界大會」中發表了題為《信息革命指引下的新世界》的主題演講。孫正義構想未來智能機器人將像人類一樣在街上走，在天上飛，在海里游。智能機器人和工廠的組裝機器人將截然不同。很多人認為機器人只能做機械的單純的工作。但是，當「他們」（機器人）搭載了AI後將獲得重生。他們可以自己學習，可以理解人類的想法。我們不應該擔心被機器人超越，而是應該希望機器人可以超越人類，和他們一起努力變革世界。AI比人類更聰明的時代，不論你是否期待它都正在到來。

大數據和演算法技術的提升，為企業帶來新一輪商業和技術的變革，並最終體現在商業、流程、業務和管理中，這是企業特別是大企業需建構的信息系統框架。在這個框架下，管理和系統將被重構。這種重構是漸進的，是以信息技術和智能技術的進步為動力，以智能終端、大數據採集為起點，以提升企業的經營管理效率和核心競爭力為目標，以企業的經營管理的智能化、資源資產的智能化、生態的智能化為重點的體系。

企業提高效率的一個有效手段是區分共性和個性，正常和異常。共性統一處理，個性單純處理。正常統一處理，異常單純處理、從個性中提煉共性，從異常中總結正常。人機關係表現為人處理異常樣本，機器處理正常樣本；人處理未知，機器處理已知；人處理個性，機器處理共性，通過這種分工，這種機器不斷學習新的知識和樣本，在常規工作中代替和輔助人類。機器成為知識的積累著，不斷進化。這種模式適用於企業決策、數據、規則、案例和風險管理的方方面面，不斷完善。

我更看好弱人工智慧技術路線

科大訊飛高級副總裁江濤在「人工智慧+共創新世界」的演講中把人工智慧技術分兩大類，強人工智慧和弱人工智慧。強人工智慧研究人是怎麼產生創意、靈感、想像力、貪婪、恐懼、愛情、憤怒是怎麼產生的，是到1的問題；弱人工智慧解決的是1到N的問題，是機器把人類已經學好的知識和經驗，在各種場景中，通過大數據持續迭代，持續的優化。

在企業信息化實踐方面，我更看好弱人工智慧技術路線。弱人工智慧有著清晰的演進路線，未來五年，可以做到什麼程度，十年做到什麼程度，安全做到什麼程度，都是看得清清楚楚的。在弱人工智慧這條技術路線上，它演進出來是提升人類腦力勞動的生產率。萬達主題娛樂有豐富的用戶使用場景和提升遊客滿意度、降低勞動力運營成本的業務需求，最近在和江濤的溝通中，我們探討了萬達主題娛樂和科大訊飛在旅遊大數據應用和智能客服方面廣泛的合作機會和應用場景。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！