未来图灵推出首档访谈栏目《AI百人》，专注人工智能垂直领域，邀请顶级AI行业领军者，呈现独家观点。
本期嘉宾：
码隆科技联合创始人兼CEO黄鼎隆
黄鼎隆
码隆科技联合创始人兼CEO，清华大学人机交互博士毕业，师从美国工程院院士Gavriel Salvendy，发表人机交互领域国际顶级学术会议及期刊论文 7 篇。曾就职于谷歌、微软、腾讯和TripAdvisor，历任用户体验研究员、产品经理、产品总监、产品副总裁等岗位。
码隆科技
码隆科技是一家专注于深度学习与计算机视觉技术创新的人工智能公司，通过工程架构能力及产品实现能力，为企业客户提供国际领先的计算机视觉解决方案。公司开发的ProductAI人工智能商品识别平台，为企业提供全球首创的商品识别服务、自助定制化以图搜图搜索引擎，以及通用图像识别技术支持，助力传统行业企业充分利用人工智能技术实现更高效率、更高质量的现代化运营。
2014、2015年是计算机视觉智能技术公司兴起的节点，在黄鼎隆看来，这是因为如今这波人工智能浪潮中，深度学习是最核心的技术。
不同于大量源自视觉领域的安防项目，码隆科技推出主攻商品识别的智能产品“Product AI”。黄鼎隆认为，该技术应用较于安防要更复杂。
创业三年多，他觉得行业处在一个“并不需要太担心资源”的环境中，“包括资金、人才、媒体关注、政府支持等都涌入这个领域”。
对于视觉智能行业来说，目前还存在大量入局机会，因为“技术已经到达一个临界点，可以考虑去实际应用了”。该过程中，就需要与各个垂直行业的知识经验、生态相关问题结合。此外，传统行业转型，积极引进AI新技术，亦存在大量创业机会。
对于10年后的技术发展预测，黄鼎隆认为手机当下“艰难”的交互方式可能会变革。
未来图灵与黄鼎隆展开了一场深度对话，共同探讨了码隆科技打造的视觉智能产品的研发理念及场景应用，以及当下人工智能领域的技术壁垒、发展前景等热点话题。
以下为对话内容，由未来图灵编辑整理后发布：
未来图灵：我们之前做了一个统计，差不多在过去五年间，国内一共诞生了一千多家人工智能公司，2014至2015年间尤其多，特别是计算机视觉领域。为什么该时间点会出现这个现象？
黄鼎隆：其实可以参考Google Chart上两个关键词的搜索量，一个是过去的技术pattern recognition，即模式识别；一个是深度学习。这两个关键词都是计算机视觉领域很重要的技术。这波新的人工智能浪潮中，最核心的技术就是深度学习，从搜索关键词的趋势可以看到，以前是模式识别的天下，但深度学习在四五年前开始兴起，被研究人员关注到。
未来图灵：码隆科技就是在2014年7月份成立的。
黄鼎隆：对，这个时候是深度学习刚刚起势的时候。一些人工智能企业都诞生于这个时间点，首先如果公司成立时间太长，这时可能会有比较强的技术包袱，因为之前整个人才和技术结构可能是基于模式识别搭建的。而太晚建立的话，因为势头已经起来了，在前面起来的人已经把钱拿到了。
未来图灵：很多公司是从安防领域切入，而码隆科技不同，是有意而为之还是基因决定的？
黄鼎隆：码隆是专门做商品识别的，这一点从创立之初到现在都没有变过。这与团队的基因、看问题的方式和出发点是相关的。其他的人工智能公司做安防领域，也非常容易解释，因为有了技术后，发现它可以用来解决人脸识别的问题。再者，三四年前安防行业又能够赚到钱，又有市场。但是码隆是一个产品基因比较强的团队，我和Matt两位公司联合创始人之前在微软时就是一对产品开发搭档。
黄鼎隆和搭档Matt
未来图灵：产品导向的具体表现是什么样的？
黄鼎隆：做产品的人出发点就会不同，首先他会去定义问题，以及寻找问题在哪里。码隆科技也是从一开始就瞄准了商品识别这一市场，而彼时深度学习恰好就是解决计算机视觉问题的一个好机会，我们也在思考能不能打造一个visual decision engine，即视觉决策引擎。三年多以来，我们围绕它开发了各种各样的技术应用。
未来图灵：在计算机视觉方面，人脸识别是有容错率的，但如果这项技术应用在商业角度的辅助决策，需要容错率极低。那是不是意味着这需要更高的技术要求，即我们做的东西要比人脸识别更难，门槛更高？
黄鼎隆：在我看来，商品识别确实比人脸识别难，但不在于容错率。
商业世界本身就是一个不完美的世界。如果你对比其他的涉及生命安全的领域，譬如医疗、无人驾驶等，容错率是非常低的，但在商业世界中，我们要做的事情几乎此前都有人在做的，只是我们的目标是让AI做的比人更精准、更快、成本更低。
对比两者的难度，人脸识别的本质上是你给它一个脸，它从一个数据库中找到对应的一个人，建立起映射关系；但对于商品来说，单单找到映射关系还不够。比方说，它如果拍一下你身上的衣服，不一定要找到一模一样的衣服，也许是衣服的风格吸引你，也许是它的领型、袖型、某种材质或上面的图案影响你的购买决策。所以商品识别技术还要求它把商品的各种属性识别出来，这就是一个更加复杂的问题。
未来图灵：那它相应的更新速度也要快很多。
黄鼎隆：当然。
未来图灵：每天都有新的产品和产品形态诞生，码隆科技如何进行数据更新？
黄鼎隆：这波人工智能的核心是在于计算机有了学习能力，可以去捕捉最新的一些信息，并且去快速迭代学习，所以你说的这一点，恰恰是这一波技术的优势所在。
未来图灵： 2016、2017年人工智能开始变成全民话题，而非技术性话题。这股热潮对像码隆科技这种面向B端的公司，在业务开展上有无一些帮助，或者其他影响？
黄鼎隆：有帮助，整体是获得了更多的资源。
过去三年多创业依赖，感觉被很多力量往前推着走，包括资金、人才、媒体关注、政府支持等都涌入这个领域，使得
我们处在一个并不需要太担心资源的环境下。因为科技创新其实是一件很耗费资源的事情，但在人工智能创业的黄金时代，我们至少不用担心。对于我们在做的商品识别，是要和各种传统行业深度结合的，所以随着这股浪潮，传统行业人也有比较强的意愿和我们一起去探索。未来图灵：2018年还是一个创业者入局计算机视觉领域的好年头吗？
黄鼎隆：首先我认为计算机视觉是一个大范畴，在不同的时机适合做不同的事情，现阶段我看到一个机会，就是技术方面的进步现在已经到了一个临界点。换言之，现在技术已经可以应用于各行业了，但应用本身不单单是一个技术问题，它还需要跟各个垂直行业深度结合，涉及知识经验、生态相关。我认为这其中有很多机会。
未来图灵：您赋予Product AI了什么使命和愿景呢？
黄鼎隆：其实Product AI顾名思义，就是AI for product，提供一个用AI专门为商品识别服务的平台。它可以像每个商品所在领域的专家一样去研究，比如像时尚设计师一样看懂一件衣服，像家居专家一样看懂一个沙发，零售专家一样看懂零售场景里面各种各样的商品，而我们再把这样的能力和商品背后的行业相结合，帮助各个行业以更高的效率和更低的成本给社会提供优质的商品。
未来图灵：通过技术去实现这种时尚分析的技术形态是什么样的呢？
黄鼎隆：其实本质上是和AlphaGo下围棋相通的，因为要像一个时尚专家一样去看懂一个商品，首先要获取到大量的数据，比如和衣服相关的各种图片，以及图片背后的这些标签，就好像训练AlphaGo所用的棋谱一样。有了这些数据之后，我们需要设计一个适合去完成这个任务的深度学习的模型。
此外还有一个很重要的问题，商品识别的数据往往是有噪音的数据，在一个商业的世界里面，你很难获得很纯粹的干净的数据。因为要用于商业应用，又是在一定资金和时间的限制下的，前后是矛盾的。所以我们也基于此开发出了一个叫作“弱监督式学习”的深度学习算法，可以利用没有经过人工标注的一些含有噪音的数据，这在商品识别领域也非常重要，并且我们也凭借这个技术获得了今年WebVision全球图像识别挑战赛的冠军。
未来图灵：对于时尚领域来讲，如果潮流发生变化，那码隆这种基于数据通过深度学习的方式会不会很难追赶上潮流呢。
黄鼎隆：其实你说的恰好是这个技术现在能发挥它优势的地方。比方说我们和中国纺织信息中心合作推出了一个产品叫作AI color trend。这是全球第一个用人工智能去分析和预测流行色彩的趋势。中国纺织信息中心作为中国流行趋势的官方机构，过去发布报告的过程，就是要组织一些时尚专家，去看一些全球知名的时装秀，再花很长时间去总结。
未来图灵：这样看来的话，似乎行业专家也要失业了？
黄鼎隆：首先我不太赞成AI去取代谁的工作，我们觉得AI是去增强人的工作。其实我们推出来的产品恰恰很受这些时装设计师的欢迎，因为他们可以通过这项技术更快更高效地去分析，技术可以帮助他们提升效率。同时我们觉得技术的进步永远是可能对某些工作有影响，但同时也会带来更多的机会。
未来图灵：说到商品识别能力，不得不提到一个现在依然困扰着很多人的假货问题。对于码隆来说，开发这种视觉技术，同时也试想了一个很完美的未来消费途径，有没有想过怎么解决假货问题这个话题？
黄鼎隆：首先需要强调的是，肯定不会是开发一个人工智能工具就可以直接判断其真假了，并不会这么简单。从技术角度说，短期内也是不现实的。但是我觉得人工智能技术作用在于重塑了整条供应链，使得假货制造者无利可图了。比如技术使得整条供应链更加高效，制造企业可以直接触达消费者，中间也就没有了假货流通环节，这种情况下自然也就没有假货了。
未来图灵：对于2028年，您预测科技行业会发生什么现在不可想象的事情。
黄鼎隆：手机。目前手机的交互方式其实非常艰难，我不认为它还会持续十年。但是很难说会出现什么样的交互方式，可能是AR，可能是可穿戴式设备。不论是哪种设备，它一定会有一个特征，即以视觉为主要的交互方式。
閱讀更多 未來圖靈 的文章
