深度學習也有缺陷，同質(zhì)化的AI創(chuàng)業(yè)競爭將很殘酷

　　人工智能這一輪的浪潮來的很快，接連攻克了圖像識別、語音識別、自動駕駛等多個難題，簡直是處于宇宙中心。從資本、媒體到創(chuàng)業(yè)者都對這個領域懷有極大的熱情。

　　對于吃瓜群眾來說，觀感大概是這樣：不知不覺，人工智能創(chuàng)業(yè)公司就到處都是了，各大巨頭也紛紛入場;一夜之間，AlphaGo狂掃一波頂級棋手，笑傲世界棋壇;下一步，大家是不是該擔心普通人的飯碗不保，以及未來會被機器人奴役了?

　　亞里士多德對自身智能及其模擬也曾發(fā)出過天問

　　然而假如我們認真地把目光投向這個上可追溯至公元前300年、下至1956年才正式得名“Artificial Intelligence”的領域，就會發(fā)現(xiàn)，其實引起這一波狂潮的不是“人工智能”本身，而是處于這個領域里的機器學習中的一項技術(shù)：深度學習。

　　通過構(gòu)建人工神經(jīng)網(wǎng)絡，它第一次解決了許多人們無法觸及的難題、讓人工智能前所未有地和人類的生活產(chǎn)生交集，也因此獲得了最大限度的關(guān)注。

　　然而深度學習真的如此神乎其神嗎?它有沒有致命缺陷，未來又在哪里?鈦媒體駐硅谷記者采訪了AI領域的創(chuàng)業(yè)者、學者、投資人，還注冊了EDX上的人工智能課程，得到了這些初步答案：

　　深度學習也有致命缺陷

　　創(chuàng)投圈對于人工智能的再次關(guān)注，對深度學習的追捧，其實就是“人工神經(jīng)網(wǎng)絡”的一次復興。數(shù)十年前，許多學者曾經(jīng)刻苦鉆研過它，只是由于當時技術(shù)的限制，計算能力不足，神經(jīng)網(wǎng)絡很小很淺，它在吸引一波注意力之后回歸沉寂，也令投資人對它失去了興趣。

　　隨著基礎設施領域的進步，計算機的運算能力及數(shù)據(jù)資源的積累能力在不斷提高，數(shù)學、系統(tǒng)控制、經(jīng)濟等領域的技術(shù)也在不斷融合，人工神經(jīng)網(wǎng)絡技術(shù)又再一次走上了歷史舞臺。然而這時候，上一個“人工智能冬天”的影響猶在，于是有識之士給它換了個名字來進行下一輪的發(fā)展……

　　毫無疑問，這個做法奏效了。

　　在21世紀，深度學習讓人工智能第一次能夠開始解決大眾生活里的問題，存在感超強——它的特點是不再像以前一樣依靠硬編碼來解決各種問題，而是通過搭建一個模仿人工神經(jīng)網(wǎng)絡的架構(gòu)，來讓機器通過大量數(shù)據(jù)訓練而自己找出其中的規(guī)律。

　　其中涉及多層復雜的人工神經(jīng)網(wǎng)絡，機器在經(jīng)過大量訓練后最終能夠得出準確率極高的結(jié)果。在許多領域，深度學習技術(shù)都帶來了令人驚艷的結(jié)果：AlexNet，AlphaGo，自動駕駛，圖像識別，機器翻譯……

　　不過，“深度學習”(也就是“依賴深度神經(jīng)網(wǎng)絡的機器學習”)也有著一項幾乎是與生俱來的缺陷：這些復雜的人工神經(jīng)網(wǎng)絡，不僅讓向其他人解釋變得困難無比，就連學者本身也無法考證他所創(chuàng)造的系統(tǒng)，是如何得出這個結(jié)果的。

　　這是一個可怕的特點——“Uninterpretable”。在學術(shù)界，這意味著人類無法知道機器給出這個結(jié)果的原因。它有可能會讓你在不知不覺間，失去“發(fā)現(xiàn)錯誤”的機會。

　　機器學習學者Rich Caruana描述的一個事件中，就出現(xiàn)了這樣一個生死攸關(guān)的“錯誤”：

　　在匹茲堡大學的醫(yī)療中心里，有一個小組利用不同的機器學習技術(shù)預測肺炎患者是否會患上嚴重的并發(fā)癥。這樣一來，就能讓有較低患上嚴重并發(fā)癥的病人提早出院，來減少床位壓力及醫(yī)護人員的負擔。

　　然而其中一種可以學習規(guī)則的機器學習系統(tǒng)輸出了這樣一條規(guī)則，讓這個小組覺得很奇怪：讓所有患有哮喘的肺炎患者出院。

　　為了解讀這個奇怪的規(guī)則，他們查閱了醫(yī)院規(guī)定，發(fā)現(xiàn)了這樣一條：哮喘患者得了肺炎后很容易患上嚴重并發(fā)癥，所以要尤其注意他們。這條規(guī)則在這醫(yī)院執(zhí)行的太好了，導致這些脆弱的病人實際上很少真正患上并發(fā)癥。

　　這就是機器只看數(shù)據(jù)的局限性，“我們可能會不小心害死一些病人。”學者總結(jié)道。

　　這一次，他們用了多種方法，所以通過基于這種會輸出規(guī)則的方法而發(fā)現(xiàn)了這一點。如果他們僅僅采用了人工神經(jīng)網(wǎng)絡的話，人們大概只能知道這一部分人被它標記“可以出院”，然后在一段時間后通過急劇升高的肺炎并發(fā)癥數(shù)量而意識到這一切……

　　“人工智能只能分析數(shù)據(jù)，而數(shù)據(jù)建模與真實生活之間很難直接劃上等號?！惫韫韧顿Y人郭威這樣告訴記者。當然，這也許并不會是一個永遠的缺陷。已經(jīng)有學者在研究人工神經(jīng)網(wǎng)絡的“行為習慣”(對就是像研究野生動物一樣)，希望能通過這個過程找到“解讀”人工神經(jīng)網(wǎng)絡的方法。

　　同時，如今的深度學習技術(shù)還有另一個問題，它需要大量的數(shù)據(jù)作為訓練基礎，而訓練所得的結(jié)果卻難以應用到其他問題上。

　　很簡單的例子，比如曾經(jīng)虐翻中日韓圍棋天才的AlphaGo，在跳棋賽場上可能就束手無策了……這也意味著花費了很大精力、數(shù)據(jù)來訓練的模型，很難跨行業(yè)、甚至只是跨項目的應用。

　　1997年，國際象棋世界冠軍Garry Kasparov對陣Deep Blue

　　同質(zhì)化的AI創(chuàng)業(yè)

　　雖然深度學習還不是一個完美的技術(shù)，但在它成功地“吸引了全世界的注意力”之后，工業(yè)界的進展正不斷加速。

　　“如今人工智能行業(yè)正處于一個‘四處開花’的階段，能看到不同方向上的創(chuàng)新?！比A盛頓大學人工智能博士徐宥告訴鈦媒體記者，他曾在FitBit領導機器學習團隊，離職后也加入了AI創(chuàng)業(yè)浪潮，做了一個用AI幫助程序員更好地寫代碼的公司。

　　比如上文中提到的Google翻譯，就在某種程度上實現(xiàn)了類似人類的遷移學習能力。毫無疑問，這也是一個未來很有希望的AI創(chuàng)業(yè)方向。

　　除此之前，我們還能在模型架構(gòu)、訓練方法等方面看到各類創(chuàng)新。比如DeepMind就提出了完全人工的神經(jīng)網(wǎng)絡架構(gòu)，“這可能不是受生物啟發(fā)，但是對這個問題理解很深刻才能做到?！毙戾墩f。

　　訓練方法則意味著讓機器找到“學習的方法”(learning to learn)。在人們訓練自己家的小狗時，不同訓練的方法會帶來不同的結(jié)果;在訓練機器的時候，這仍然成立。

　　雖然此刻我們很難預測深度學習乃至人工智能的未來，但是行業(yè)內(nèi)有一個共識——“它會持續(xù)給市場帶來驚喜，而如今以深度學習技術(shù)為主的人工智能創(chuàng)業(yè)生態(tài)也將面臨洗牌。”郭威對記者說道。作為硅谷知名早期投資人，他的成績顯著，在CB Insights剛剛發(fā)布的100家變革人工智能產(chǎn)業(yè)的創(chuàng)業(yè)項目榜單里，他投中的就有Skymind，Mode，Atomwise和TalkIQ。

　　根據(jù)VentureScanner今年發(fā)布的數(shù)據(jù)，全球范圍內(nèi)的人工智能公司數(shù)量達到1464家，其中有超過三分之一都有關(guān)機器學習。

　　在任何一個對人類極其重要、競爭又面臨同質(zhì)化的行業(yè)而言，這個未來并不難以想象：在某個節(jié)點，巨頭入場，end of story。

　　“真正對人類有價值的問題就那么多，巨頭一定不會把這類問題讓給大批小公司?！毙戾墩f，他認為面臨這類競爭時，模型上的優(yōu)勢對于創(chuàng)業(yè)公司來說，幾乎難以構(gòu)成護城河。在巨頭進場以后，專注于技術(shù)的小型AI創(chuàng)業(yè)公司的慘淡未來不難預期。徐宥在創(chuàng)業(yè)一段時間后，寫下了這樣一段博文：

　　目前宣稱有獨特模型和算法的，是把賭注押在一個特定的方法上，而和全世界的所有研究者競爭。目前來說這注定是無效的——誰也不知道明天DeepMind會公開什么黑科技，一下子超越了你的獨特模型?；蛟S在這個賽道上再走幾年，有些公司的確能夠領先其他。

　　目前大家都在同樣的起跑線上，模型或者算法的領先可以忽略不計。

　　就像Oriza Venture的合伙人John Yu在采訪中提到的，面對深度科技時，大眾、乃至有些投資人往往過度關(guān)注這項科技聽上去的“先進性”，而忽略了一點：除了極其少數(shù)的顛覆性技術(shù)以外，大部分科技都必須找到與產(chǎn)業(yè)結(jié)合的落腳點，在技術(shù)以外的維度上建立起競爭優(yōu)勢，才能夠真正發(fā)揮其價值，“成為一個擁有商業(yè)前景的項目”。

　　對于人工智能企業(yè)來說也是一樣，在圖像處理、語音識別等各個AI行業(yè)內(nèi)的問題漸漸都被打上“已解決”的標記之際，也許這才是在越來越激烈的AI賽場上占據(jù)一席之地的機會。