IBM首席執行官提出「Watson定律」：萬物皆可智能

IBM是一家大公司，毫無疑問。IBM的龐大也有不利一面（有些人這樣認為）：IBM的傳統和歷史加上家大業大（難操縱），以後的路怎麼走。家當大的有利一面是，旗下的IBM研究部可以花大量時間開發潛在的改變世界（在某些情況下實際上是拯救生命）的創新，其中一些創新最初可能看起來不是與計算直接相關的。

如果IBM 「範式轉換」的創造和發明確實有助於在人類供水、量子計算和區塊鏈等領域裡創造新的全球性發展進程，那麼新IBM的這些元素就可以用來抵消人們觀念里的老套IBM形象。IBM的官方營銷策略並不是如此，但公司上層內部可能在潛意識裡承認了這一點。

那這樣的情境對我們有什麼影響呢？影響嘛，現在已經是所謂的「數字轉型」時代了。

由於整個IT行業的推動，我們被告知我們需要雲計算、數據分析、移動優先技術和人工智慧。一方面IBM很高興地告訴我們，向客戶銷售變革性技術是個行得通的辦法，而同時IBM也在專註於自身的數字化轉型——IBM Watson 人工智慧技術的應用正在全面進入我們的下一個計算結構里。

在位顛覆者的時代

IBM董事長、總裁兼首席執行官Ginni Rometty表示，「我們在新數據時代里再造了IBM。我們相信這是一生中絕無僅有的時代，我們每個人都是在位顛覆者。在這個時代里，我們現在開始考慮用學習來"教"人工智慧引擎，並將其應用到我們未來構建的各種平台里。」

IBM董事長、總裁兼首席執行官Ginni Rometty

人工智慧的應用在普及和上升，Rometty提出三個計算定律：

• 摩爾定律（Moore』s Law）：微處理能力大約每兩年增加一倍。

• 梅特卡夫定律（Metcalfe』s Law）：電信網路的價值與系統里連接用戶數量的平方成正比。

• Watson定律（Watson』s Law）（實際上尚未是定律，在現階段只是IBM的假設和建議）:人工智慧在商業、智能城市、消費者應用和生活里的普遍使用和應用。

IBM首席執行官Rometty表示，「如若我們來看一下時下實際的分析數據量，我們看到只有20％的數據可以被搜索和被有效地利用。另外的80％是放在公司內部，通常不會被使用。IBM現在正在構建適用於Watson的IBM服務平台，以便IBM開始為每個使用案例提供嵌入到各種服務（通常是基於Web /雲的軟體應用程序）的 AI工具層 。「

發展到這一步時，我們就可能達到任何人都可以使用更深入、更豐富技術的程度。 IBM將其稱之為新的分水嶺，到達這個分水嶺時，技術不僅僅是白領階層可以用的東西，也不僅僅只是向藍領工人提供人工智慧技術.....因此IBM稱這個新時代為「新領（new collar）」。很可愛的名詞，不過我們可以明白是什麼意思——意思就是每個地方里每個人的每個應用程序里都有AI。

仔細聽聽這一塊用到的術語很有意思。AI大腦必須像人類一樣受「訓練」。他們需要接受「訓練」，還需要給一些基本的生活指導（孩童時的大小便訓練和基本的社交行為課程），要接觸各種不同的信息數據集（體驗外部世界的生活）及學會專註，需要針對特定任務施展才智（找個工作並學會提供價值）。在外面的世界裡，我們發現（數據里和生活里）多樣性雖然很重要，但有時候我們只擁有一小部分數據，我們只得用這一小部分數據幹活。還有，生活艱難......人工智慧也是如此。

蘋果與IBM合作夥伴關係

就新聞發展及IBM今年為AI格局提供的內容而言，蘋果的移動軟體開發人員現在可以使用蘋果的CoreML機器學習技術從構建應用程序內部訪問IBM Watson AI大腦功能。 CoreML是一個在蘋果 iOS設備上運行機器學習模型用到的軟體框架，最初用在iPhone和iPad上，後來擴展到蘋果手錶和連接電視品牌上。

蘋果指出，「訓練好的模型是將機器學習演算法應用到一組訓練數據上的結果。該模型根據新的輸入數據再進行預測。例如，用某個地區的歷史房價訓練過的模型在給定卧室和浴室的數量時或許能夠預測該房子的價格。「

CoreML版IBM Watson Services將蘋果設備上的機器學習框架與IBM企業級AI結合在一起，可為各個垂直行業的專業人員提供情報服務。這意味著軟體開發人員可以構建用AI驅動的應用程序，這些應用程序可以與他們的企業數據（安全地）連接，並可針對離線運行、雲計算進行優化，還可以通過與各用戶的交互不斷學習、適應和改進。

AI機器學習大腦的內部

IBM的蘋果合作夥伴關係總經理 Mahmoud Naghshineh和IBM全球產品及策略合伙人Nick Otto最近聯手，共同解釋了由機器學習驅動的人工智慧大腦內部發生的事情。

首先，機器學習與人工智慧有什麼區別呢？我們通常認為，一個是另一個的結果，即機器學習過程發生在設備主板本身上，AI是這些機制在更高層次上的最終結果。實際情形則稍微要微妙和複雜一些，Naghshineh的解釋如下：

• 機器學習（ML）是一組在數據操作中定義好的「類」， 機器學習會不斷地用最新可用數據將自己重新編程。

• 人工智慧（AI）是一組更廣泛的演算法和技術，這些演算法和技術利用ML的威力，在做決策時比人類的表現更好及更快。

IBM的Naghshineh表示，「雖然IBM與蘋果已經合作了一段時間，但我們是在CoreML軟體框架合作時才進入新的合作夥伴關係，因為我們認識到越來越多的價值是由專業人士用移動設備消費的。」

IBM的Naghshineh提供了一個運轉中的AI實例。

比如說現場技術人員需檢查電路板，這是他工作的核心部分，他要確定有沒有故障。技術人員可以使用智能手機（本例中為蘋果 iPhone）掃描產品圖像，不僅僅是張直白的二維圖像，而是將智能手機的相機在被檢查的產品周圍移動照下多張圖像。 IBM Watson視覺識別模型可以根據圖像交叉引用「完美」產品的記錄圖像，並查找可能出現的損壞或磨損異常情況，進而指導工程人員解決問題。IBM Watson Studio技術可以用精確的企業數據信息針對相關企業工作訓練人工智慧功能。CoreML版Watson Services是在「本地執行」（可在沒有互聯網連接的情況下在手機上運行），因此，如果工程人員位於處於偏避或覆蓋範圍之外的地方，他們仍可以正常工作。

除了以上的解釋外，IBM的Nick Otto還提到，這些設備會定期登錄到在線服務，接收Watson Studio開發和擴充的機器學習模型更新。

Otto 表示，「CoreML版IBM Watson Services令數據開發人員可以將他們構建的機器學習模型內置到目標設備上。蘋果已經將自己的硬體和軟體自然地整合在一起，能達到核心企業級性能。CoreML版IBM Watson Services利用標準框架將這些機器學習服務放在蘋果 iOS設備上，並且允許用戶跟蹤該機器學習模型，在工作人員的工作職能發生變化時或由於法規等其他原因對機器學習模型進行更新。」

目前的AI到了哪一步？

到現在為止我們在AI方面的進展如何呢？IBM認知解決方案和研究SVR John E. Kelly III博士描述了我們現時在2018年AI的發展現狀。

Kelly 表示，「在較低的層面上，我們可以用AI做圖像識別，我們的電腦能夠區分貓、滑板或一瓶鮮花等等。我們在更高層次上還未能找到一個更通用的AI，我們在講計算機可以像人類一樣做任何事情。科技界（以及IBM內部）通常的看法覺得，我們可能需要30到40年的時間才能構建出真正在更高層次上性能更好的機器。」

目前的方法是採用配備了圖形處理單元（GPU）的處理器，用這個方法我們現在可以讓AI工具在一分鐘內「學習」幾年前需花費一小時才能完成學習的的東西。

人工智慧能否像IBM所希望的那樣涵括一切的一切並且幫助推動我們生活的每一個方面呢？答案是，肯定會，有可能最終會逐漸達到那一步。

人工智慧越來越傾向於無處不在，接下來值得關注的重點是：

a）構建這些平台的工程師的下一步做什麼；

b）用什麼數據集去訓練我們的AI大腦而不會令我們對新的電子神經網路產生偏見。

如果人工智慧要用於每個人，就需要是多文化的（無負面偏見）、多學科的（就AI應用需完成的工作而言）、多性別的、多平台的及需將多利益相關者全部包括在內。如果這一切都可以過關，那麼IBM Watson定律就可能會成為現實。

來源：Forbes

作者：Adrian Bridgwater

編譯：科技行者

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！