分析稱99%的公司在接觸AI誰(shuí)能跑贏谷歌、微軟們？
即便有了TensorFlow或OpenAI等人工智能框架的支持，相比主流網(wǎng)頁(yè)開(kāi)發(fā)人員，人工智能仍然需要深層知識(shí)和理解。如果你已經(jīng)建立了一個(gè)工作原型，你就可能是這個(gè)房間里最聰明的人。恭喜你，你成了高級(jí)俱樂(lè)部的成員。
在Kaggle上，你甚至可以通過(guò)解決現(xiàn)實(shí)世界的項(xiàng)目賺到可觀的收益�？偠灾�，這工作不錯(cuò)，但光憑它是否足以讓你創(chuàng)辦一家企業(yè)？畢竟，你不可能改變市場(chǎng)機(jī)制。從商業(yè)角度來(lái)看，人工智能只是現(xiàn)有問(wèn)題的另一種實(shí)施方式�？蛻舨⒉魂P(guān)心采取怎樣的實(shí)施方式，他們只關(guān)心結(jié)果。這意味著你不能僅僅通過(guò)人工智能來(lái)坐享其成。蜜月期結(jié)束后，你必須要?jiǎng)?chuàng)造價(jià)值。從長(zhǎng)遠(yuǎn)來(lái)看，只有客戶才最重要。
雖然你的客戶可能并不關(guān)心人工智能，但風(fēng)投對(duì)此很關(guān)心。新聞媒體也同樣關(guān)注。很多行業(yè)都是如此。這種關(guān)注度上的差異可能會(huì)給創(chuàng)業(yè)公司制造一個(gè)危險(xiǎn)的現(xiàn)實(shí)扭曲力常但你不要被騙了：除非你創(chuàng)造了通用的多用途人工智能，否則就沒(méi)有免費(fèi)的午餐。即使你是風(fēng)投的寵兒，你也必須為你的客戶走到終點(diǎn)。因此，讓我們也當(dāng)一回駕駛員，看看我們?nèi)绾螢槲磥?lái)的場(chǎng)景做準(zhǔn)備。
主流人工智能列車
人工智能似乎與其他大趨勢(shì)不同，比如區(qū)塊鏈、物聯(lián)網(wǎng)、金融科技等。當(dāng)然，它的未來(lái)是不可預(yù)測(cè)的。但幾乎所有技術(shù)都是如此。不同之處在于，我們作為一個(gè)人的價(jià)值主張似乎正處于危險(xiǎn)之中不只是其他行業(yè)。我們作為決策者和創(chuàng)意者的價(jià)值正在被重新評(píng)估。這引起了人們的情感反應(yīng)。我們不知道如何定位自己。
基礎(chǔ)技術(shù)的數(shù)量非常有限，大部分都可以歸類為深度學(xué)習(xí)，這構(gòu)成了幾乎所有應(yīng)用的基礎(chǔ)：卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)、自動(dòng)編碼器、隨機(jī)森林、梯度增強(qiáng)技術(shù)，以及少數(shù)其他應(yīng)用。
人工智能還提供了許多其他的方法，但這些核心機(jī)制最近已經(jīng)取得了壓倒性的成功。大多數(shù)研究人員認(rèn)為，人工智能技術(shù)的進(jìn)步將來(lái)自于這些技術(shù)的改進(jìn)（而不是那些與之有本質(zhì)區(qū)別的方法）。出于以上原因，我們可以把這稱為主流人工智能研究。
任何真實(shí)的世界解決方案都由這些核心算法和非人工智能外形組成，來(lái)準(zhǔn)備和處理數(shù)據(jù)（例如數(shù)據(jù)準(zhǔn)備、功能工程、環(huán)境建模）。人工智能這一部分的改進(jìn)往往會(huì)讓非人工智能的部分變得多余。這是人工智能的本質(zhì)，也幾乎是它的定義讓解決特定問(wèn)題的方法過(guò)時(shí)。但是，這種非人工智能的部分通常是以人工智能為驅(qū)動(dòng)的公司真正的盈利來(lái)源。這是他們的秘密武器。
人工智能的每一個(gè)改進(jìn)，都使得這種競(jìng)爭(zhēng)優(yōu)勢(shì)更有可能開(kāi)源，而且每個(gè)人都可以使用。但也會(huì)帶來(lái)災(zāi)難性的后果。就像弗雷德里克？耶利內(nèi)克曾經(jīng)說(shuō)過(guò)的：每次我解雇一位語(yǔ)言學(xué)家，語(yǔ)音識(shí)別器的性能就會(huì)提升。
機(jī)器學(xué)習(xí)基本上已經(jīng)引入了下一階段的裁員：代碼被簡(jiǎn)化為數(shù)據(jù)。幾乎所有基于模型、概率和規(guī)則的識(shí)別技術(shù)都是在2010年被深度學(xué)習(xí)算法淘汰。
現(xiàn)在只要用幾百行腳本（加上相當(dāng)數(shù)量的數(shù)據(jù)）就能打敗領(lǐng)域?qū)I(yè)知識(shí)、功能建模以及成千上萬(wàn)行代碼。正如上面所提到的：這意味著，在主流人工智能列車的軌道上，專有代碼不再是一種可防御的資產(chǎn)。
重大貢獻(xiàn)極其罕見(jiàn)。真正的突破或新進(jìn)展，甚至是基本組成部分的新組合，這些只有非常有限的研究人員才有可能做到。正如你可能想到的那樣，這個(gè)內(nèi)部圈子的規(guī)模要小得多（開(kāi)發(fā)者人數(shù)肯定少于100）。
這是為什么呢？也許這根植于它的核心算法：反向傳播。幾乎每一個(gè)神經(jīng)網(wǎng)絡(luò)都是通過(guò)這種方法訓(xùn)練的。最簡(jiǎn)單的反向傳播形式可以在第一個(gè)學(xué)期的微積分課程中學(xué)到，完全不復(fù)雜（但也不是小學(xué)水平的知識(shí)）。雖然這似乎很簡(jiǎn)單或者可能是出于這個(gè)原因在50多年豐富多彩的歷史中，只有少數(shù)人能看到難點(diǎn)所在并質(zhì)疑其主要架構(gòu)。
如果反向傳播能像今天這樣具有可見(jiàn)性，我們的成就可能會(huì)比現(xiàn)在的階段領(lǐng)先10年（計(jì)算能力除外）。
從70年代的普通神經(jīng)網(wǎng)絡(luò)到再循環(huán)網(wǎng)絡(luò)，到今天的長(zhǎng)短期記憶網(wǎng)絡(luò)，庫(kù)卡機(jī)器人驅(qū)動(dòng)器維修，都震動(dòng)了人工智能領(lǐng)域。并且，它還只需要幾十行代碼！數(shù)代學(xué)生和研究人員經(jīng)過(guò)數(shù)學(xué)計(jì)算，計(jì)算出了梯度下降法，證明了它的正確性。但最后，大多數(shù)人點(diǎn)了點(diǎn)頭，說(shuō)這只是一種優(yōu)化形式便繼續(xù)努力。分析理解是不夠的。你需要某種形式的發(fā)明家直覺(jué)來(lái)使之與眾不同。
要想擁有業(yè)界頂級(jí)研究水平絕非易事，因此99.9%的公司只是搭上主流人工智能列車，還無(wú)法成為業(yè)內(nèi)大佬。核心技術(shù)是由業(yè)界主要的開(kāi)源工具集和框架提供的。為了達(dá)到最新的水平，專有方法會(huì)隨著時(shí)間的流逝而消失。從這個(gè)意義上說(shuō)，絕大多數(shù)人工智能公司都是這些核心產(chǎn)品和技術(shù)的消費(fèi)者。
列車通往何處？
人工智能（以及所需的數(shù)據(jù)）被拿來(lái)與許多東西進(jìn)行比較：電、煤、黃金。這顯示出科技界有多迫切想要找到規(guī)律或趨勢(shì)。這是因?yàn)�，這種知識(shí)對(duì)于規(guī)避一個(gè)簡(jiǎn)單的事實(shí)所能對(duì)你的業(yè)務(wù)或投資造成的風(fēng)險(xiǎn)至關(guān)重要。如果你把你的事業(yè)建立在人工智能列車的軌道上，沒(méi)有什么能拯救你。
因?yàn)榱熊囶^已向商業(yè)領(lǐng)域飛奔而去，只有少數(shù)情況值得考慮。
第一種情況，主流人工智能研究列車的運(yùn)行速度將明顯放緩，甚至已經(jīng)停止運(yùn)行。這意味著更多的問(wèn)題類別無(wú)法解決。這也意味著我們下車后，必須為我們的客戶走到終點(diǎn)。這對(duì)創(chuàng)業(yè)公司來(lái)說(shuō)是一個(gè)很大的機(jī)會(huì)，因?yàn)樗麄冇袡C(jī)會(huì)開(kāi)發(fā)專有技術(shù)，并有機(jī)會(huì)創(chuàng)建一個(gè)可持續(xù)發(fā)展的業(yè)務(wù)。
第二種情況是，主流列車在當(dāng)前時(shí)期呼嘯前行。那就更不容易躲開(kāi)它的前進(jìn)勢(shì)頭或下火車了。人工智能高速發(fā)展階段中，個(gè)人方法的領(lǐng)域知識(shí)很可能被大公司開(kāi)源。那么過(guò)去你所有的努力可能都變得一文不值。目前，像AlphaGoLINK這樣的系統(tǒng)，除了由開(kāi)源框架提供的標(biāo)準(zhǔn)（vanilla）功能外，還需要很高比例的專利技術(shù)。如果我們?cè)诓痪玫膶?lái)看到具有相同功能的基本腳本，我不會(huì)覺(jué)得驚訝。但未知的未知是一類問(wèn)題，下一波人工智能的發(fā)展浪潮便能解決。自動(dòng)編碼和基于注意力的系統(tǒng)在解決這類問(wèn)題上勝算很大。沒(méi)有人能想象出，哪個(gè)垂直領(lǐng)域可以通過(guò)這個(gè)解決。幾率：可能。
第四種情況，火車的速度更快。最后，奇點(diǎn)已近。現(xiàn)在已經(jīng)有關(guān)于這方面的書(shū)了。億萬(wàn)富翁們一直在為之奮斗。我可能會(huì)再寫(xiě)一篇關(guān)于它的文章。這里的終極游戲是人工通用智能。如果我們做到了這一點(diǎn)，庫(kù)卡機(jī)器人，一切賭注都結(jié)束了。
最后，還有黑天鵝事件的情況（黑天鵝指非常難以預(yù)測(cè)，且不尋常的事件，通常會(huì)引起市場(chǎng)連鎖負(fù)面反應(yīng)甚至顛覆）。在車庫(kù)里的某個(gè)人發(fā)現(xiàn)了遠(yuǎn)離了主流算法的新一代算法。如果這位獨(dú)行俠可以自己使用這種算法，我們可能會(huì)看到第一個(gè)自制的億萬(wàn)富翁。但這種情況又從何而來(lái)呢？我不相信這種事可能會(huì)突然發(fā)生。它可能是主流技術(shù)和被拋棄的基于模型的算法的結(jié)合。2010年神經(jīng)網(wǎng)絡(luò)的興起，一些曾經(jīng)大有希望的方法（象征方法等）便失去了部分研究基矗目前在人工智能領(lǐng)域的研究也復(fù)興了其他相關(guān)研究領(lǐng)域。要找到一種不受歡迎且還未涌入大量研究人員的技術(shù)或算法已經(jīng)變得越來(lái)越困難。然而，可能會(huì)有一個(gè)局外人找到或復(fù)活一種改變游戲規(guī)則的方法。
誰(shuí)能贏？
讓我們把所有這些都放在一起，最后問(wèn)一個(gè)價(jià)值百萬(wàn)美元的問(wèn)題。答案不僅取決于以上種種情況，最重要的是在于你是誰(shuí)。在這個(gè)等式中，業(yè)務(wù)的起始位置是一個(gè)關(guān)鍵因素，因?yàn)樗馁Y源和現(xiàn)有資產(chǎn)是他們部署策略的關(guān)鍵。