北京博瑞耀明创业投资有限公司上官鸿：文化创意产业并购机会很多
06-17
由于真正了解人工智能的人不多，它的影响力和破坏力被一些人夸大或神化。
遗憾的是，今天雷锋网参加数博会人工智能与大数据主题论坛，遇到了卡内基梅隆大学计算机系的教授·邢波给我们做了系统的演讲，把人工智能变成了一个集合数据、任务、模型、算法、实现系统和设备的东西，让我们恍然大悟。
以下是雷锋网整理的邢波和教授的演讲摘要： 回顾人工智能的过去，20世纪60年代之前就有图灵测试的概念。
人类和机器人通过界面进行交流，或者通过通话状态进行交流。
当人类无法分辨幕后到底是人还是机器。
这意味着机器已经达到了人类的智能。
这是人工智能非常美好的愿景。
紧接着，几个科学家发明了一种叫做逻辑理论家的机器，在自己的环境中证明数学定理，并证明了罗素著名的证明定理的前52条中的38条，引起了人们的期待——也许通过符号运算或者逻辑推理的方法，可以发现物质的精神本质，让这个装置获得一种思想或者一种情感能力，从而使所谓的人类和机器人变得无法区分。
这种方法被许多科学家所推广，并在20世纪50年代和1960年代出现了许多令人兴奋的早期成果。
还有人发明了可以做数学题的机器，包括对话机器人，小i机器人的鼻祖，也是当时生产的，可以形成非常有趣的人机对话。
此外，还取得了一些理论上的突破，比如现在可以在AlphaGo中看到的强化学习的雏形。
深度学习的一些基本原理，包括现在提到的那些，当时也出现了，叫做感知器。
这一系列结果让人们对人工智能热情乐观。
我们有这样的期望，十年之内我们可以期待机器在棋牌游戏或者更广泛的领域击败人类。
但很快，不幸的是，人们发现这条路并不平坦。
对于当时的这些所谓的国际理论家来说，这些会话机器只是玩具，它们实现的功能只能应用于很小的领域。
新任务或设立新职能有许多难以克服的障碍，包括他们自己的方法论。
有时他们建立的模型存在障碍，无法表达必要的方程；还有计算障碍，功能难以实现。
所需的计算是一个技术问题。
当任务量增加十倍时，工作量计算量增加一百倍，导致设备跟不上。
最终未能达到人类的预期，最终的结果是非常严重的。
公共和政府投资或资金出现了相当大的下降。
这是人工智能的第一个冬天。
虽然已是冬季，但仍有不少信徒继续前行。
他们克服了一些阻力并做了一些进一步的工作。
20 世纪 80 年代，有人建立了一个专家系统，可以帮助公司每年节省数千万。
这是一个巨大的成功。
其次，日本也有人提出建立专门的专家系统计算机，可以帮助公司或政府做出各种决策。
在更广泛的与人类功能类似的领域，比如数字，或者和别人下棋等等。
然而，这种短暂的繁荣并没有持续多久，人们很快发现实现这些功能的手段是功能和资源非常密集的手段。
例如，在同一时期，我们看到苹果机器和个人电脑以非常低的价格进入市场。
每个家庭，同样，每个专家系统在公司都需要很高的维护价格，比小型机低不了多少。
随后很快，军队、政府和用户很快对人工智能失去了兴趣，人工智能再次进入冬天。
。
没有突破是因为没有目标，所以我想，也许人工智能的路径或者目标存在一些问题。
也许我们应该再次冷静下来，做人工智能的目的是什么？我经常和朋友聊天，他们问我是否有一天会造一个机器人来打扫院子，然后和你聊天。
他们认为人工智能是一种万能的产品或设备，可以通过灵活训练来完成各种事情。
。
或者我们可以制造一个类似人类的机器吗？这里存在技术上的歧义。
人类和动物有许多功能和角色。
当目标不明确时，产品设计就很难。
例如，制作一只鸟本身就包含着不确定性，无论它是像鸟一样、飞翔还是为你唱歌等等。
这让人工智能学者和技术人员重新思考人工智能的目标究竟是一个相对宽泛的定义，还是基于实际功能的定义？如果你想制造一台可以飞的机器，这与制造一只鸟是完全不同的目标。
如果你想能够像鸟一样飞翔，你可以在空中利用机械力学和燃料技术来实现其他飞行方法。
两条不同路径的左边是仿生学或生物科学的进步，了解生物动物的结构和原理，然后复制和再现它们的功能。
这里有很多困难。
你不明白它们的作用吗？其实清楚了之后，仿制也是有困难的，包括材料学等等。
右边的方法则不同。
它对该函数进行了直接且非常简单的数学描述。
通过这种数学描述，可以在形成功能的手段和实现功能的目标之间形成明显的因果关系，从而形成明显的试错过程，在这个过程中可以提供很多手段。
因为这是一种工程方法，所以可以使用很多不对称的资源。
比如你可以使用大量的计算能力或者大量的电力，或者其他的东西，这些都是生物本身没有的东西。
但您可以将其导入您的设备中，以创造不对称的优势来实现您期望的目标。
复制人性并不是唯一的出路。
这让我们想到，也许人工智能并不一定是复制人类的功能或行为，而是追求定义配对功能。
这带来了一系列突破，使功能得以尽可能快速、最佳地实现。
因为这样的思维方式，说明在人工智能研发的过程中，大家可以非常容易的遵循一个比较完整的研发体系。
我们通常从数据出发定义人工智能，这与今天的大数据密切相关。
在不同的块中获取不同的数据，然后对函数进行准确的定义。
例如，提出建议、进行图像识别、下棋、赛车或机器人。
既然我们有了函数追求的定义，那么我们就可以引入一些数据方法来进行非常直接、具体的描述。
那么再往下就会出现一个非常好的算法，这是一个能够解决非常好的问题的引擎。
然后是一套计算设备和软件的实现。
那么要写一套程序，我们就需要把程序和硬件设备连接起来，中间一定有操作系统。
这就形成了一个小正方形，可以让大项目被分割成小模块进行产业化或工业化广泛实现。
这是我们对现代人工智能的愿景，这将带来许多研发机会和挑战。
因为有这样一个框架，所以也催生了很多技术、新理论、新算法、新设备。
我们可以快速地将它们引入研发过程中以产生良好的结果。
近期令人惊叹的突破VS行业人工智能最近有很多令人惊叹的成就，包括AlphaGo的胜利、机器狗设备、自动驾驶汽车以及人工智能的各种演示。
也就是说，暂时的功能性人工智能把我们带到了一个更高的层次，重新燃起了我们对人工智能的热情。
它需要多长时间？以及类人智能的愿景。
很多人都关心产业和人工智能经济带来的机遇。
仔细一看，人工智能的一些明显突破并没有直接带来明显的商业价值。
因为大多数现有的人工智能解决方案都是繁琐、单一且昂贵的。
例如，谷歌推出了一个图像识别系统，称为Google Brain。
这是一个非常庞大的设备，在一千台计算机上实现，有数十名研发人员。
从功能上来说，输入和输出不成比例，还有主题模型。
，还有下围棋的装备，都是非常昂贵的装备。
在真正的商业思维中，效率是不匹配的。
比如说，你要把设备规模扩大十倍，或者把机器从一台变成千台，获得的能力和功能还不是一百倍。
，90% 由于某种缺陷而部分丢失。
事实上，还有很多机会和商业前景没有得到很好的利用。
另一方面，大多数人都追求急功近利，这造成了人工智能人才培养的巨大缺口。
许多人无法掌握这些技术。
现在这些都需要有高技能的人来培训才能做出价值。
发展，其实这个矛盾是巨大的。
我们看到人工智能的商业前景还没有充分发挥出来。
这就产生了一些不太乐观的后果，比如垂直行业，比如网络安全，比如金融医疗，比如用户画像和天文数据的处理等等，目前的状态是处于数据比较弱的状态，而数据量非常大，但技术手段和分析手段达不到科学家和用户所要求的功能。
这就对人工智能提出了一些比较具体的要求。
不是做的有多好玩，而是如何完善相应的功能和数据。
3 机遇说到这里，我不得不谈谈人工智能面临的挑战和机遇。
事实上，并不是没有人关注。
许多学者都在关注。
现在有很多大公司和很多学校积极开发通用软件或者通用平台，都希望为大众提供低门槛、易用、低成本的解决方案。
这些各级解决方案都有明确的解决方案背景。
解决一个问题的步骤分为数据、任务、模型、算法、硬件等，这样就可以划分重点和工作重点。
通过集中，可以明确定义行业和研发机会。
我谈谈我个人对当前行业机会或者未来的理解。
有两条路可走。
我刚刚听说总理和许多政府高级官员意识到数据是一座矿井，有大量财富可供开采。
尤其是行业老板和企业家都看到了这个前景。
我们有很多金矿。
我们应该如何使用它们来挖掘它们？如何用这些金子来做有用的事呢？我关注的一件事是，在金矿里，一方面，黄金开采起来非常有价值，另一方面，制作挖金的铲??子也是一个产业。
到目前为止，我还没有看到获得关注的大机会。
展示这些机会。
看看您是否有兴趣进一步讨论。
关于工具构建，实际上有一个非常强大的结果。
首先，它在方法上展现了很多机会。
解决人工智能问题需要哪些形式化方法？比如数学模型、算法、形式化等，这些步骤有很多机会，但还没有掌握。
例如，计算机视觉的一个例子就来自这个任务。
大约十年前，学术界的一群有远见的人物创建了一个 Image Net 竞赛，鼓励开发人员设计自动识别图像的机器学习软件。
就像，很多很多的照片。
因为这次比赛，不同的研发人员设计了不同的模型。
刚开始的时候，模型很多很粗糙，精度很低。
例如，当使用 1000 个类别时，准确率可以达到 75%，但是到了一年时，当使用 10000 个类别时，准确率只能达到几十%。
这个出发点让人们开始思考，首先方法论上有没有突破？这样，人工智能的工具库或者手段就会更加丰富。
这包含了许多方面的突破，包括设计更强的模型、引入更深的结构和更快的算法。
可以看到整个增长是逐年增加的。
许多研发人员在其中投入了大量的精力。
万才的图片准确率达到95%以上，比人类还要好。
在整个过程中，方法论起着非常大的作用。
是否有一个为所有人工智能提供完美的方法论？不。
事实上，差距很大。
我提几个亮点：比如在数据模型方面，目前使用的模型有很多特点，包括表达力。
基于自然图片设计的模型在虚拟化后还能继续被识别吗？图片？有很多未知数，包括模型本身的可调整性。
当我们下一步设计算法时，需求和供给之间的差距会更大。
事实上，大量算法的速度、精度、稳定性都很低。
我们在纯理论工作上也面临很多困难。
我们不了解当今一些运行良好的工具的理论和数学背景的本质。
由于大数据的产生，我们对软件系统的需求和部署能力提出了更高的要求。
例如，我们希望在不同的平台、不同的移动设备、不同的云设备上运行同一个软件。
目前，这些问题都没有得到解决。
我想说的是，虽然目前的学习方法已经取得了很多成果，但与其摘取容易的果实，不如集中精力克服这些挑战，这本身就蕴藏着很多机会。
最后一步就是如何实施这个解决方案的部署呢？这个对比项目其实有很多研发问题在里面。
这种情况常见于大公司，尤其是中国大公司。
很多公司都喜欢拥有自己完整的系统。
他们自己制造所有组件和模块。
基本上是封闭的，没有延伸。
和界面。
他们可以雇佣很多技术人员和工程师并在内部建造，这是非常昂贵的。
谷歌就是一个例子。
大多数公司都有相互补充和外包的机制，这样他们就不必关注所有问题。
这里面有内在的逻辑，因为在部署人工智能软件或者算法的过程中，其实有很多规则你可以充分利用，来降低你的计算成本，提高效率。
例如，在研究部署范式时，我们可以询问很多选择：包括使用什么平台来实现？包括问题有多大？包括什么操作系统和语言？不同的治疗方法会找到不同的解决方案。
而且它可以给你展示一些当时难以想象的优势，可以给你带来巨大的优势，无论是在金钱上还是质量上。
让我举个例子。
说到分布式计算，包括云公司在内的许多公司在需要与大规模客户或企业连接时，都面临着计算任务扩展的需求。
当我们在FB时，我们必须在社交媒体圈中定位自己。
通常我们在做研发的时候，都会写一个软件，向一百万个用户展示这样的功能。
实际部署时，规模将达到1亿用户。
如何？迁移？问题有很多很多，我有一个很幼稚的想法。
这个软件是在一台机器上完成的，所以尽量多买一些，扩大机房的面积。
比如100万用户，在电脑上6分钟就可以计算出来。
如果购买1000台电脑，计算需要0.06分钟。
不太可能，甚至几周都不会。
人工智能VS传统计算 因为技术上需要实现固定机器群的同步，所以存在一个很大的瓶颈——如何实现多台机器的协调？仅运行速度就不同。
总是有一台机器比另一台慢一点。
比如机器人被其他机器占用，或者温度不均匀、速度慢等。
机器学习算法是一种迭代算法，与传统数据库不同，造成了最大的资源浪费。
终于，我看到了这样的瓶颈。
如何并行化AI程序？但这些并行机并没有为人工智能提供良好的服务。
它们要么让你长时间处于待机状态，要么放弃通信，导致两台机器、多台机器随意运行，产生发散，这就引出了我们一个问题，也许这个平台本身就不太适合以满足我们的机器学习需求。
也许操作系统面临新的时刻，底层系统需要重新设计。
这是最近机器学习领域的一个新问题。
或许操作系统面临新的时刻，底层系统需要设计。
因为人工智能计算、大数据计算和传统的数据库数字是不同的。
传统计算强调计算必须正确。
如果错了，即使积木是一样的，无论你以后如何努力搭建，设备都会崩溃，无法维护。
。
但人工智能的计算方法是一种爬山法。
人工智能的计算方法是爬山法。
怎么爬？爬哪条路？这并不那么重要。
如果你因为某种原因犯了错误，如果不严重的话，你不必回到起点继续修正。
当你意识到这一点时，支持人工智能算法的技术要求与传统的不同。
传统技术装备的同步性要求就像特技飞行队进行表演一样。
每架飞机之间的距离必须严格控制，否则会相撞或者不美观。
人工智能用于完成任务。
两架飞机去灭火是为了达到手段，而不是目的。
它只需要一个人知道去哪里灭火、提供协调，并允许一名指挥官指挥多个机器人。
它还引用了所谓的动态调度方面，可以利用机器学习的内部结构在负载条件下进行分散，而不影响数学结果的正确性。
还有复杂的平衡方法。
有些任务提早完成，机器就可以发布了。
，让其他任务接管。
机器学习和人工智能所独有的，当您意识到机会时，就会有一定程度的改进。
该解决方案是一个更加模块化的过程，而不是从头到尾的封闭方法。
最后整合成完整的解决方案路径，包括产业间合作、研发间合作。
事实上，在人工智能的行业前景中，我们可以看到其使用范围已经远远超出了数据中心的机房。
它可以部署在移动平台、家庭设备或云端。
这些不同的硬件环境，都对系统设计提出了不同的要求。
看看这里需要的解决方案和现有的解决方案，看看差距在哪里？这可以提供一个很大的产业。
铲子和工具的生产本身就有很大的价值需要利用吗？真的需要FPGA、TPU吗？您如何看待 FPGA、TPU 或人工智能热潮？这就是人工智能的力量所在吗？需要专业的硬件吗？这个问题并不容易回答。
目前我们看到的人工智能解决方案或者解决方案使用了大量的硬件，不仅包括网络，还包括处理CPU和存储。
现有的设备从技术角度来看还远远没有被充分利用，所以只要掌握了算法的核心，并将其应用到硬件上，就会很快得到结果。
而且现在人工智能有很多标准的硬件配置，包括CPU、GPU等，那个人需要专业的设备吗？事实上，硬件还有很大的改进空间，比如需要设计更低功耗的CPU和GPU；某个设备的核心数是否可以进一步增加；存储功能是否可以改进，这方面有很多方面。
它是可以改进的，但是我们是否应该把这个改进的算法做成一个特殊的函数或者算法呢？我自己持保留态度，因为我看到人工智能或者机器学习整个研发和产品形态正在呈现倒三角趋势。
在这个倒三角形的顶部，我们看到了数据任务或者数据模型和软件，但因为有无穷无尽的多个任务和数据量，走得越远，你就越想分享现有的解决方案。
底部的空间会变得越来越小，就像在其他工业园区看到的例子一样。
飞机飞什么？显然要做的事情太多了。
飞机有多少种，发动机有多少种，标准型号可能有十几种，机油有多少种，基本上1-2种就够了。
因此，人工智能基础的价值就在于它的通用性。
只有这样，才能拥有最大的市场份额，进而才能降低成本。
那么我个人认为硬件就是这样的形式。
至于往哪个方向发展？应该走向专业还是走向效率？如果工业界和学术界能够充分对话，这个问题一定能够得到明确的解决。
人工智能VS自然智能最后我想谈谈未来的愿景。
人工智能重新燃起了更多浪漫的想法和愿景，但有人担心它会对我们构成威胁？还是会影响我们的就业机会？从一个开发者的角度，我同意这个观点。
我认为人工智能和人类（自然）智能是两条平行的轨道。
它们的功能和目的完全不同。
如图所示，人工智能有很大不同。
功能清晰且可定量测量；自然智能是一个相对分散的空间，具有非常广泛的功能。
但是它的数学模型和硬件还不清楚、不清楚，软件算法也不清楚，所以它的整个系统是一个比较模糊的系统。
但人工智能有一个相对明确的定义，比如它是要实现的单一功能，设备是电子设备，软件是通过算法执行的。
这两者产生比较价值后，有时人们会产生一种错觉。
例如，如果你看到Google AlphaGo获胜，你应该采取什么态度？我个人认为，从开发人工智能软件和功能的角度来看，当我们开发的目的是为了实现最初设计的目标，比如下棋时，在有限的条件下，机器超越人，就像车超越马一样。
，很可能会这样做。
只是机器超越本身是否被过度解释，以致对人类自身的能力提出了挑战，这个问题应该更加理性地看待。
因为机器的功能和人类的思维、情感、自主性不是一回事，所以目前从技术角度来说不需要担心受到人工智能的威胁。
我认为人工智能未来的一大方向就是在长期的实践中，它会与人共存，帮助人们实现很多有用的功能，提高人们的生活质量，降低人们的生活风险。
事实上，它是一座金矿。
最后总结一下这个方向的市场潜力。
我认为人工智能的市场潜力是相当巨大的。
以我有限的视角，我在社会政府、科学和商业领域看到了很多应用。
这里最重要的基本点之一是我们拥有大数据。
一旦数据大幅增加，机器和人类的优势就会大幅倾斜，人类将跟不上机器的消化水平。
因此，数据的价格具有不同的价值，提供了更多的帮助。
包括医疗、法律、健康等诸多方面，都受益于人工智能对数据的挖??掘。
人工智能将在社会的运行中，或者在科学研究中，或者在商业拓展中获得进一步的空间，为我们带来就业或者产品功能的机会。
而且你不必等到你像人类一样聪明才能获得这些功能。
人工智能本身的目标不应过多关注生物学或哲学上的比较，而应更多地关注功能实现和低成本快速提供。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-17
06-17
06-18
06-21
06-17
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态