夏乙 編譯整理
量子位 出品 | 公眾號 QbitAI
給吳恩達三塊白板和一支馬克筆，聽他講一節精彩的課。
剛剛，在O’reilly舉辦的AI Conference上，吳恩達做了個25分鐘的演講，主題依然是“AI is the new electricity”，但內容可以說是充滿誠意非常乾貨了。
吳恩達老師這節課，主要講了這四部分內容：
AI能做什麼？各種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？
給AI領導者的建議
△ 現場視頻截圖，主要看字
量子位看著視頻寫了一份筆記，將其中的乾貨摘錄如下：
吳恩達的老師的開場白，依然是AI像當年的電力一樣，正開始改變所有行業。
要理解AI，就要先進入我們的第一部分：
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，也就是學習從A到B，從輸入到輸出的映射。
比如說，輸入一張照片，讓機器學會判斷這張照片是不是你，輸出0或1。
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。
經常有人問我，為什麼神經網絡已經存在了這麼多年，AI卻近年來才開始快速發展？
很多人可能見過我畫這張圖：
橫軸是數據量，縱軸是算法的性能。
隨著數據量的增加，傳統機器學習算法的性能並沒有明顯提升，而神經網絡的性能，會有比較明顯的提升，神經網絡越大，性能的提升就越明顯。
為了達到最佳的性能，你需要兩樣東西：一是大量的數據，二是大型的神經網絡。
△ 擦乾淨白板繼續講~
還有一個問題，有很多人問我：機器學習中最大的趨勢是什麼？算法如何創造價值？
現在來看，創造最多價值的還是監督學習。
如果你問我監督學習之後是什麼，我認為遷移學習現在也開始創造不少經濟效益。可能因為這個概念不夠性感，所以人們談論得不多。
比如說你的算法從一個像ImageNet那樣的大數據集學到了圖像識別，然後用遷移學習，用到醫學影像診斷上。
而非監督學習，我認為是非常好的長期研究項目。它也創造了一些經濟價值，特別是在自然語言處理上。
強化學習也很有意思，我研究了很多年，現在也還在這方面做一些微小的工作。但是我認為，強化學習的輿論熱度和經濟效益有點不成比例。
強化學習對數據的飢渴程度甚至比監督學習更嚴重，要為強化學習算法獲取到足夠的數據非常難。
在打遊戲這個領域，強化學習表現很好，這是因為在電子遊戲中，算法可以重複玩無限次，獲取無限的數據。
在機器人領域，我們也可以建立一個模擬器，相當於能讓強化學習agent在其中模擬無人車、人形機器人，重複無限次“遊戲”。
除了遊戲和機器人領域之外，要把強化學習應用到商業和實踐中還有很長的路要走。
現在，監督學習、遷移學習、非監督學習、強化學習這四類算法所創造的經濟效益是遞減的。
當然，這只是目前的情況。計算機學科不斷有新突破，每隔幾年就變個天。這四個領域中的任何一個都可能發生突破，幾年內這個順序就可能要重排。
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。
舉個結構化數據的例子，比如說你的數據庫記錄了用戶的交易情況，誰什麼時候買了什麼東西，誰什麼時間給誰發了信息，這就是結構化數據。
而像圖像、音頻、自然語言等等，就是非結構化數據。
雖然非結構化數據聽起來更吸引人，輿論熱度更高，但結構化數據的價值在於它通常專屬於你的公司，比如說只有你的打車公司才有用戶什麼時候叫車、等了多長時間這樣一個數據集。
所以，不要低估結構化數據結合深度學習所能創造的經濟價值。
在前面談到的幾類學習算法中，單是監督學習就已經為公司、創業者創造了大量的經濟價值和機會。
△ 再擦一塊白板（×2），繼續~
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。
公司的壁壘不再是算法，而是數據。
當我建立一家新公司，會特地設計一個循環：
先為算法收集足夠的數據，這樣就能推出產品，然後通過這個產品來獲取用戶，用戶會提供更多的數據……
有了這個循環之後，對手就很難追趕你。
這方面有一個很明顯的例子：搜索公司。搜索公司有著大量的數據，顯示如果用戶搜了這個詞，就會傾向於點哪個鏈接。
我很清楚該如何構建搜索算法，但是如果沒有大型搜索公司那樣的數據集，簡直難以想象一個小團隊如何構建一個同樣優秀的搜索引擎。這些數據資產就是最好的壁壘。
工程師們還需要清楚這一點：
AI的範圍，比監督學習廣泛得多。我認為人們平時所說的AI，其實包含了好幾類工具：比如機器學習、圖模型、規劃算法、知識表示（知識圖譜）。
人們的關注點集中在機器學習和深度學習，很大程度上是因為其他工具的發展速度很平穩。
如果我現在建立一個AI團隊，做AI項目，很多時候應該用圖模型，有時應該用知識圖譜，但是最大的機遇還是在於機器學習，這才是幾年來發展最快、出現突破的領域。
接下來我要和大家分享一下我看問題的框架。
計算機，或者說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。
當然，還要談一談工程師如何學習。
很多工程師想要進入AI領域，很多人會去上在線課程，但是有一個學習途徑被嚴重忽視了：讀論文，重現其中的研究。
當你讀了足夠多的論文，實現了足夠多的算法，它們都會內化成你的知識和想法。
要培養機器學習工程師，我推薦的流程是：上（deeplearning.ai的）機器學習課程來打基礎，然後讀論文並復現其中的結果，另外，還要通過參加人工智能的會議來鞏固自己的基礎。
△ 再擦一塊白板（×3）
怎樣成為真正的AI公司？
我接下來要分享的這個觀點，可能是我今天所講的最重要的一件事。
從大約20年、25年前開始，我們開始看見互聯網時代崛起，互聯網成為一個重要的東西。
我從那個時代學到了一件重要的事：
商場 + 網站 ≠ 互聯網公司
我認識一家大型零售公司的CIO，有一次CEO對他說：我們在網上賣東西，亞馬遜也在網上賣東西，我們是一樣的。
不是的。
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。
現在我們經常聽人說“AI公司”。在AI時代，我們同樣要知道：
傳統科技公司 + 機器學習/神經網絡 ≠ AI公司（全場笑）
公司裡有幾個人在用神經網絡，並不能讓你們成為一家AI公司，要有更深層的變化。
20年前，我並不知道A/B測試對互聯網公司來說有多重要。現在，我在想AI公司的核心是什麼。
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：在一個地區發佈產品，為了在另一個地區發佈產品而獲取數據，這個產品又是為了在下一個地區發佈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。
很多公司有很多數據倉庫，很分散，如果工程師想把這些數據放在一起來做點什麼，可能需要和50個不同的人來溝通。
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。
另外，普遍的自動化和新的職位描述也是AI公司的重要特徵。
比如說在移動互聯網時代，產品經理在設計交互App的時候可能會畫個線框圖：
然後工程師去實現它，整個流程很容易理清楚。
但是假設在AI時代，我們要做一個聊天機器人，這時候如果產品經理畫個線框圖說：這是頭像，這是聊天氣泡，並不能解決問題。
聊天氣泡長什麼樣不重要，我需要知道的是，這個聊天機器人要說什麼話。線框圖對聊天機器人項目來說沒什麼用。
如果一個產品經理畫了個無人車的線框圖，說“我們要做個這個”，更是沒什麼用。（全場笑）
在AI公司裡，產品經理在和工程師溝通的時候，需要學會運用數據，要求精確的反饋。
給AI領導者的建議
時間好像不夠了，給高管的建議嘛，歡迎閱讀我給《哈佛商業評論》寫的文章
互動時間
如果你對吳恩達最後提到的那篇文章感興趣，可以在量子位微信公眾號（QbitAI）對話界面，回覆：“hbr”三個字母，即可獲得地址。
— 完 —
誠摯招聘
量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回覆“招聘”兩個字。
量子位 QbitAI
վ'ᴗ' ի 追蹤AI技術和產品新動態
閱讀更多 量子位 的文章
