创业者网--清华大学旗下专注于中国创业教育与经验分享的平台
按平台下载 其它下载访求>>
iPhone、iPad平台的手机客户端点击按钮直接访问APP Store下载应用,下载成功后用iTunes同步安装 !

吴恩达:人工智能是什么意思?

作者:吴恩达
编辑:梁雅婷
字体大小: | |
来源:36氪
2017-09-29 11:14    
评论(0) 分享:

  当人工智能技术足够成熟之后,会给很多企业带来非常大的改变。今天我主要讲人工智能的趋势以及对大家会有什么影响。

  一、supervised learning(监督学习)

  AI,这个词对大多数人来说有一种魔术的感觉,但是它具体能做什么?

  它的技术非常复杂,有很多部分,这两三年进步最快的一部分是 supervised learning(监督学习),也就是从a的input(输入)到b的output(输出),什么意思呢?用具体案例来说明下。

  比如,你输入足够多的电影影评,然后可以大概知道一个电影是好是坏;

  输入一种图片,然后可以知道图片的内容(图片识别);

  输入一段语音,会输出一个文本(语音识别);

  输入一段英文,会输出一段中文(自动翻译);

  输入一段文本,会输出一段音频(语音输出);

  输入一笔费用,会输出很好的回报(消费金融);

  输入一段传感器信息,会输出一个汽车的位置(自动驾驶)。

  AI技术有很多不同的部分,进步最快的就是这个部分,今天有很多空间使用新技术,给企业带来价值,比如语音识别对百度就非常有价值。

  很多要做人工智能工作的企业需要理解你自己的生意,才能决定如何放入人工智能来创造价值。

  不过这种技术有一个缺点,需要大量的数据,需要a,也需要b。

  经常有人问我,AI可以做什么?我跟很多团队说,如果有哪个事情想一秒钟就成功搞定,那么就可以这个部分用AI创造价值。

  为什么AI会突然在这几年进步这么快?

  如果你的横轴是你的数据量(amount of data),纵轴是效率或准确度,当企业产生大量的数据,传统企业按照过去的算法无法提供数据的计算效果,但如果训练一个巨大的神经网络,效果会非常巨大。

  如果你要达到最好的效果,有两个必要条件:

  第一,要训练一个巨大的神经网络(NN);

  第二,要有大数据。

  今天很多企业有海量数据,但几年之前没有办法训练足够大的神经网络来实现计算。

  今天,最好的人工智能团队都可以从算法(机器学习)和超级计算机架构入手。

  supervised learning(监督学习)是人工智能的一部分,我做人工智能项目的时候,有时候也需要到Ai技术的不同部分。

  为什么通常讲supervised learning(监督学习)和神经网络(NN)?

  supervised learning(监督学习)和神经网络进步非常快,其他部分的进步没有这么快,只是慢慢增加,神经网络这两年有巨大的突破。

  二、神经网络

  中国今天对深度学习和神经网络有这么大的兴趣,我来分享下神经网络这个词具体是什么。神经网络,对于很多人也有魔术的感觉。我用具体的案例来说明。

  如果你想预测一件房间的价值,横轴是大小,纵轴是价钱,那么输入房间大小,输出一个价格,这是一个最简单的神经网络。

  在知道房间大小、睡房数量以及附近居住者的收入水平的前提下,如果买房子的人想知道房间可以住多少人,可以用一个神经元测算出来;也可以通过一个神经元测算是否需要驾车;还可以通过一个神经元测算附近学校的质量。

  最后把这些神经元汇合到一起,再通过另外一个神经元输出房子的价钱,这就是神经网络。

  最后分享一个细节来了解神经网络的重要性:

  如果输入房子的特征(a)和价钱(b),而且有大量的数据(a),它就可以自动学习这中间有什么概念,不用去考虑和担心这些神经元。

  过去两年,人工智能的神经网络进步这么快,如果得到很多a,就能够计算出很多正确的b。

  就像语音识别,输入语音a,输出一个文本b,要做到高质量,需要一万个小时的数据量,也就是10年左右的数据量,但要拿到这些数据的价钱也是不少的。

  拥有比较准确的语音识别能力,用户也会更愿意使用。中国这几年语音识别的用户量增加得非常快,就在于现在语音识别比较准确。

  今天很多人工智能的企业都是开源的,技术本身不能作为壁垒。

  要理解另外一个公司的技术并不太难。我在百度和谷歌工作过,对技术比较了解,知道技术是怎么做的,但是如果我没有数据,我就没办法带一个团队做搜索。

  三、人工智能公司的战略逻辑:

  数据-产品-用户(Data - product - user)

  如果你可以拿到一点点数据,你就可以通过神经网络来做一个产品。

  通常一个产品不用做得太好,只要用户能够接受,用户慢慢会有活跃度,用户就会为你产生数据,然后形成正循环,形成壁垒。

  如果你有一个用户可以接受的产品,却又被巨头用另外一个产品挖走,那么你的数据就没有办法形成正循环。

  人工智能获取的战略已经越来越复杂,人工智能团队要想清楚信息获取的战略。

  1.什么是互联网公司?

  如果你要为一个传统的购物中心做一个网站或者app,它们还不是一个互联网公司。就像沃尔玛网站,也不是一家互联网公司。

  你要做一个互联网公司,不在于是不是有网站,最重要的是整个公司的组织是否具有有效利用互联网的能力。

  互联网公司会做A/B测试,每天可以做一千次A/B测试,所以互联网公司的学习速度会非常快。

  互联网公司也会在比较短的时间周期里发布新产品,可以每天发布一个或者20个,传统购物中心不能理解为什么这样做或者怎样做。

  互联网公司做决定的能力不是只有CEO一个人,还有很多产品经理或工程师。因为在互联网公司,技术和用户行为比较复杂,没办法都交给CEO一个人做决定。传统购物中心因为变动比较慢,由CEO做决定是没有那么大问题的。

  因此,是不是互联网公司不是看你有没有网站。

  2.什么是人工智能公司?

  在人工智能时代,一个传统的互联网公司+神经网络技术,也还不是人工智能公司。

  一个公司要做成人工智能公司,要组织整个公司有效地使用人工智能的能力。AI现在还处于早期,人们还不能完全理解如何组织公司来使用它。

  AI公司获取数据的战略非常复杂,有关战略,我们有时候会讨论好几天或好几星期。数据获取的过程要好几年,真的要一步一步来打。

  最好的人工智能公司都会把数据放在一个数据库里。

  如果你的数据一部分在你个人电脑上,一部分在你办公室电脑上,一部分在某一个数据库里,一部分在另外一个数据库,你的工程师要做一个新的人工智能的话,如何把这些数据放一起给人工智能使用呢?

  但如果你把数据放进一个数据库,你的软件或者工程师就可以利用完整的数据来训练有效的人工智能。

  很多公司有很多数据,但是没有办法放在一起,数据的使用效率就会没那么高,你的工程师的工作效率就会慢很多。

  在人工智能公司工作的工程师,和传统互联网公司的工程师,工作描述的内容是不一样的。如果你是百度公司的产品经理,你要做一个产品,就会画一个图,然后把图给工程师,工程师再写代码,这样的方式对互联网公司是非常有效的。

  但如果你要做一辆自动驾驶汽车,产品经理画一张汽车图,是没有用的。在人工智能时代,产品经理也需要理解怎样获取数据;也要理解怎么和工程师沟通。

  20年前,我们不知道A/B测试在今天会变得如此重要。今天,我们还没有人能完全理解人工智能这么重要的概念,谷歌和百度的想法已经比较领先了,但还没有人完全把人工智能的概念讲清楚。

  这给了我们什么机会?进入互联网时代,很多新公司有了很多、很大的机会。进入AI时代,有一些传统公司像谷歌、百度都做得非常不错,也给很多新公司很多很大的机会。

  四、使用AI的挑战

  AI技术发展这么快,但是理解的人比较少。有效地使用AI来创造价值,就要跨行业,让企业家和专家一起结合合作。

  因此,从CEO角度,你怎么安排有AI技能的人的工作呢?

  很多公司的架构是由CEO和不同的事业部组成,那么你怎样通过AI改变他们的工作呢?

  比如其中一个事业部是做礼品卡的,那么是否可以通过AI改变售卖礼品卡的工作呢?但礼品卡的leader不懂AI,所以它内部很难建成一个AI团队。

  我经常对很多公司说,如果能够找到一个独立的AI团队,就把这些有AI能力的人放到不同的团队矩阵去。

  今天懂AI的人才那么少,他们不一定愿意被不懂AI的人领导,所以可以等过几年AI比较成熟,不需要一个单独的AI部门之后,就可以把AI人才放到公司的不同事业部团队内。

  5、6年前,我们都不知道移动互联网能做什么,也没有想到“定位”可以产生这么大的作用,跨行业的团队产生的作用很大。

  今天,移动互联网技术和手机技术很成熟,大家都可以理解互联网能够做什么,这个时候公司就不需要跨行业团队了。同样,AI现在没有那么成熟,所以很需要跨行业人才。

  不是每个人都要懂AI,也不是每个CEO都要懂AI,但如果可以找人来帮你建立AI团队,可以让你的团队利用AI拥有不错的机会。

  我在谷歌带谷歌大脑团队的时候,做的第一个事情就是给几百个工程师提供人工智能课程。今天CEO的工作可以从外面选择内容课程,或者找专家和人才来教育你的团队。

  AI的成熟速度比较慢,很多企业都有很多机会用AI去改变自己的企业。正如过去,大公司都没有看到Uber和Airbnb的机会;在中国,大公司也没有想到滴滴会做到这样子。

  谢谢大家!

本网站推荐文章仅代表专栏作者本人观点,不代表本网站观点和看法,与本网站立场无关。
  • 相关文章
分类
订阅
热点
本周
本月
昨天
热门标签 更多>>
最热评论