作者 | 鄔學寧
題圖 | 網絡
上海2018年“創客中國”高峰論壇上，數據科學50人成員、SAP硅谷創新中心首席數據科學家鄔學寧以“大數據驅動人工智能的應用和展望”為主題發表了演講。隨著物聯網、雲計算和移動互聯網等技術的發展成熟，大數據驅動的人工智能進行“雙創”的風口，已經到來。DT君整理出了數據俠鄔學寧的演講實錄，一起來看看用大數據當燃料，能“燃”起人工智能怎樣的未來吧~
▍人工智能的兩次寒冬及未來走向
近年來，人臉識別、無人駕駛、醫療影像輔助診斷和機器翻譯等大量人工智能應用落地，各種商業創新蓬勃發展。2017年被稱為人工智能商業化和產品化的元年，但人工智能並非新技術，已經有了一個甲子六十年的坎坷發展史，期間經歷了兩次“AI寒冬”。
當人工智能這個術語在上世紀50年代被首次提出時，整個社會處於對其的盲目樂觀狀態，當時美蘇正處於冷戰時期，對前蘇聯監聽內容需要大量人工翻譯，有科學家樂觀的估計只需五年時間，人工智能的機器翻譯系統就能替代人工翻譯，但過了五十年，該理想都還未能實現。到上世紀60年代，人工智能對於其承諾的願景，大多沒有做到。1973年，英國發表了James Lighthill報告，批評人工智能研究進展令人失望，建議暫停對其的研究，英美政府停止資金支持，人工智能陷入了長達十年的首次寒冬。
上世紀80年代，霍普菲爾德網絡、神經網絡反向傳播算法和專家系統等突破，人工智能再次熱門起來，但因受限於計算力和數據，人工智能進入了第二個“冬天”。
人工智能60年發展史
21世紀的首個十年，神經網絡以深度學習的形式再次迴歸，人工智能進入了第三個春天。
本輪人工智能被媒體大眾所廣為熟知，可能要歸功於AlphaGo和李世乭的“人機大戰”。AlphaGo不僅精於計算，而且具有極好的棋感和大局觀，並使用了人類圍棋史上未曾出現過的招式，令整個圍棋界驚呼：“圍棋上帝降臨！”
AlphaGo使用深度學習和“強化學習”相結合的人工智能技術，所謂“強化”是心理學“行為主義”學派的一個概念，指動作被強化，這是一種類似於多巴胺的機制，比如我們偶爾喝了杯咖啡，感覺不錯，大腦會分泌多巴胺，使我們以後喝咖啡這個動作的概率上升。AlphaGo Zero更是完全依靠強化學習進行自我迭代，它為什麼叫Zero？就是因為它完全放棄了人類的知識，從0開始完全依靠自己左右手互搏，進行迭代進化。在金融市場、無人駕駛、庫存管理、通訊和電子競技（Dota）等眾多領域，強化學習均有廣泛的應用前景。
這一次人工智能的未來走向可能是什麼樣的？有以下三種可能。
第一個走向：人工智能是“神”。奇點理論的提出者奇點大學校長，谷歌人工智能總監雷·庫茲韋爾認為，隨著納米技術、生物技術等呈幾何級數加速發展，未來20年，人類的智能將會大幅提高，人類的未來也會發生根本性重塑。在‘奇點’到來之際，機器將無需人類干預，而通過人工智能實現快速的自我進化，智力全面碾壓人類，從而開啟一個全新的時代。孫正義認為2060年超人工智能的智商可能達到一萬，而愛因斯坦的智商只有兩百，彼時，人工智能與人類智商的差距，如同我們與螞蟻智商的差距，它就像“神”一樣的存在了。
第二個走向是沿著神經網絡深度學習的路徑繼續發展。深度學習依賴大數據的驅動，大數據紅利已經吃得差不多了，所以接下來人工智能會沿著目前的軌跡繼續發展，但增速放緩。
第三個走向是再次滑落低谷。人工智能又會重蹈覆轍，再次走入低谷。
人工智能未來可能的發展走向
▍人工智能的主要技術
本輪人工智能，落地應用最多的恐怕非計算機視覺莫屬。
計算機視覺技術被大量應用在無人駕駛、安防、零售和醫療等領域。
今年美國CES上有很多的計算機視覺的創新應用。比如說女生出差旅行的時候拉一個很大的行李箱很不方便，基於計算機視覺技術的箱子可以跟著主人走，以後就再也不用拖著拉桿箱出行了。另一個創新應用：據統計，家用冰箱裡有20%的食品處於過期的臨界狀態，計算機視覺可以掃描每個食品的保質期，在臨近保質期的時候即使提醒用戶。
計算機視覺的算法，源於1960年代霍普金斯大學的兩位教授的實驗，他們在貓的腦殼上打了個小孔，放入微電極，通過給貓看不同的視覺信號，發現貓的視覺是分層的。這兩位教授也獲得了1980年諾貝爾醫學獎，半個世紀之後，該發現對人工智能的巨大推動作用估計是他們兩位所始料未及的。基於分層識別模型的計算機視覺卷積神經網絡發已經超過了人的視覺的判別能力。
哺乳動物的視覺是分層的，深度學習的神經網絡也由很多層組成。以人臉識別為例，深度學習的輸入層對應視網膜的像素層；第一層對應視覺皮層V1，進行邊緣檢測，勾勒出線條和輪廓，第二層在第一層的基礎之上進行抽象，形成鼻子、眼睛等五官特徵，第三層再繼續進行抽象，構建出人臉。
卷積神經網絡（CNN）對人臉的分層處理
對於人工智能領域的創業者有以下一些建議。中國現在已經有15家做人臉識別的比較成規模的企業，從創業的角度來說，做人臉可能有點晚了，但是將計算機視覺與其他行業相結合，比如上面提到的拉桿箱、電冰箱等，尚有很大的發展空間。
第二個深度學習的主要技術是循環神經網絡（RNN）。
地球上有很多動物的視覺要比人好，但是隻有人具有語言系統可以表達複雜的思想和情感。自然語言處理技術這兩年也取得了很大的進展，主要是採用循環神經網絡加上注意力機制的算法。
自然語言處理算法：循環神經網絡+注意力機制
現在各大廠商都在做智能音箱，比如天貓精靈、小米小愛、京東叮咚、百度小度、Google Home 和 亞馬遜Alexa等等。智能音箱被認為可能是下一代互聯網的入口。同時，機器翻譯技術也已達到了實用水平，出現了谷歌翻譯、科大訊飛翻譯機等一批優秀的翻譯系統。自然語言處理主要採用的是循環神經網絡技術，該技術與大腦認知過程中的工作記憶和長期記憶的協同機制很類似，結合注意力機制，人工智能在自然語言方面取得了很大的進展。
深度學習第三大創新是對抗生成網絡（GAN），GAN將博弈論引入機器學習建模中，使兩個模型進行對抗，不斷進行自我迭代提升，最終達到納什均衡，使機器能生成很多真假難辨的藝術品。
很多人認為人工智能不能從事畫家那樣的創造性的工作，而然GAN顛覆這一觀點。比如你告訴AI“一輛巴士在空中飛”，AI就會“想象”出一幅畫來，一輛巴士長了翅膀在空中飛。
GAN基於文字“一隻胸部是白色、頭是淡灰色、翅膀和尾巴是黑色的小鳥”所生成的圖像
▍理性偏樂觀看待人工智能
我們可以用一種理性偏樂觀的態度看待人工智能。目前的人工智能還是在解數學的最優化問題，人工智能並不具有“自我”的意識，離威脅人類還非常遙遠，也沒有看到明確的路徑。
本輪人工智能是多學科交叉融合的結果。Hinton教授十年前剛提出深度學習模型時，是基於量子力學的玻爾茲曼機模型，之後認知科學、行為主義心理學和博弈論都對人工智能的發展起到了巨大的推動作用。
深度學習模型通過大量“訓練”，所“學到”的是幾何的角度從輸入空間到輸出空間的複雜映射，本質上仍然是求解數學函數的最小值。深度學習依賴大量的標籤數據，無人駕駛公司僱了很多的人來人肉打標籤，打標籤的費用甚至比科學家團隊的費用還要高，可以用：“沒有人工就沒有智能”來概括目前深度學習對標籤數據的高度依賴。對於已經積累了大量標籤數據的企業來說，深度學習可能是一個產品創新的利器，對於沒有那麼多數據的初創企業而言，基於“小數據”的知識圖譜可能更適合，知識圖譜是人工智能“符號主義”延續下來的血脈，能很好地表達人類的先驗知識。
目前人工智能是沒有意識的，AlphaGo並不知道它在下棋。擔心人工智能統治人類的人，包括霍金和馬斯克，大多都是沒有自己親身實踐過人工智能算法的經驗，他們的擔心源於不瞭解。但是人工智能的確已經在倒逼道德和法律的發展。
“人工智能雖然還是很‘笨’的，但是已經足夠改變行業了。凡事過去，皆為序章。未來30年人工智能的全面落地將會改變所有的行業和對人類命運產生深遠影響，被稱為“數字文藝復興”和“第四次工業革命”，目前還處在商業化的早期，現在開始著手利用人工智能進行創新創業一點都不晚。
未來是屬於大家的，也是屬於人工智能的，但歸根結底，是屬於會造人工智能的人的。
注：本文整理自作者在上海2018年“創客中國”高峰論壇上的演講實錄。內容僅為作者觀點，不代表DT數據俠立場。
期待更多數據俠乾貨分享、話題討論、福利發放？在公眾號DT數據俠（ID：DTdatahero）後臺回覆“數據社群”，可申請加入DT數據社群。
▍數據俠門派
本文數據俠鄔學寧，SAP硅谷創新中心首席數據科學家，2018年數據科學50人成員，復旦大學人工智能客座講師，致力於機器學習與人工智能算法研究，在全球零售、金融、製造、醫療、智慧城市等不同行業擁有豐富的利用大數據進行產品與商業模式創新的經驗，著有《SAP企業機器學習》（清華大學出版社），曾擔任教育部高教委骨幹師資培訓班大數據課程講師，openSAP講師。
▍加入數據俠
“數據俠計劃”是由第一財經旗下DT財經發起的數據社群，包含數據俠專欄、數據俠實驗室系列活動和數據俠聯盟，旨在聚集大數據領域精英，共同挖掘數據價值。瞭解數據俠計劃詳情請回復“數據俠計劃”，投稿、合作請聯繫[email protected]。
閱讀更多 DT財經 的文章
