[[186262]]

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、媒體到創業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，人工智能創業公司就到處都是了，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?

[[186263]]

亞里士多德對自身智能及其模擬也曾發出過天問

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，就會發現，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：深度學習。

通過構建人工神經網絡，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生交集，也因此獲得了最大限度的關注。

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領域的創業者、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

創投圈對于人工智能的再次關注，對深度學習的追捧，其實就是“人工神經網絡”的一次復興。數十年前，許多學者曾經刻苦鉆研過它，只是由于當時技術的限制，計算能力不足，神經網絡很小很淺，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據資源的積累能力在不斷提高，數學、系統控制、經濟等領域的技術也在不斷融合，人工神經網絡技術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網絡的架構，來讓機器通過大量數據訓練而自己找出其中的規律。

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

不過，“深度學習”(也就是“依賴深度神經網絡的機器學習”)也有著一項幾乎是與生俱來的缺陷：這些復雜的人工神經網絡，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造的系統，是如何得出這個結果的。

這是一個可怕的特點——“Uninterpretable”。在學術界，這意味著人類無法知道機器給出這個結果的原因。它有可能會讓你在不知不覺間，失去“發現錯誤”的機會。

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

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

然而其中一種可以學習規則的機器學習系統輸出了這樣一條規則，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則，他們查閱了醫院規定，發現了這樣一條：哮喘患者得了肺炎后很容易患上嚴重并發癥，所以要尤其注意他們。這條規則在這醫院執行的太好了，導致這些脆弱的病人實際上很少真正患上并發癥。

這就是機器只看數據的局限性，“我們可能會不小心害死一些病人。”學者總結道。

這一次，他們用了多種方法，所以通過基于這種會輸出規則的方法而發現了這一點。如果他們僅僅采用了人工神經網絡的話，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癥數量而意識到這一切……

“人工智能只能分析數據，而數據建模與真實生活之間很難直接劃上等號。”硅谷投資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。已經有學者在研究人工神經網絡的“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”人工神經網絡的方法。

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

很簡單的例子，比如曾經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、數據來訓練的模型，很難跨行業、甚至只是跨項目的應用。

[[186264]]

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

同質化的AI創業

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

“如今人工智能行業正處于一個‘四處開花’的階段，能看到不同方向上的創新。”華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創業浪潮，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創業方向。

除此之前，我們還能在模型架構、訓練方法等方面看到各類創新。比如DeepMind就提出了完全人工的神經網絡架構，“這可能不是受生物啟發，但是對這個問題理解很深刻才能做到。”徐宥說。

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，但是行業內有一個共識——“它會持續給市場帶來驚喜，而如今以深度學習技術為主的人工智能創業生態也將面臨洗牌。”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剛剛發布的100家變革人工智能產業的創業項目榜單里，他投中的就有Skymind，Mode，Atomwise和TalkIQ。

根據VentureScanner今年發布的數據，全球范圍內的人工智能公司數量達到1464家，其中有超過三分之一都有關機器學習。

圖片來自Venture Scanner

在任何一個對人類極其重要、競爭又面臨同質化的行業而言，這個未來并不難以想象：在某個節點，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。”徐宥說，他認為面臨這類競爭時，模型上的優勢對于創業公司來說，幾乎難以構成護城河。在巨頭進場以后，專注于技術的小型AI創業公司的慘淡未來不難預期。徐宥在創業一段時間后，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。或許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注這項科技聽上去的“先進性”，而忽略了一點：除了極其少數的顛覆性技術以外，大部分科技都必須找到與產業結合的落腳點，在技術以外的維度上建立起競爭優勢，才能夠真正發揮其價值，“成為一個擁有商業前景的項目”。

對于人工智能企業來說也是一樣，在圖像處理、語音識別等各個AI行業內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賽場上占據一席之地的機會。