|
|
AI“低處的果實”還沒摘完
人工智能有很多學派。符號學派、連接學派等等。但是除了深度學習以外的方法，經(jīng)過多年被驗證，是不太有發(fā)展的。
模擬人的分析方法，希望把它變成一個規(guī)律和專家系統(tǒng)，過去五十年已經(jīng)證明了這個思路是不行的。當然也許某一天會有一個突破，但是直到那一天為止應(yīng)該是不行的。
就我自己的背景來說。在1988年，我就開始做語音識別。當年第一套系統(tǒng)就是用完全機器學習的方法來做的非特定人的語音識別。
現(xiàn)在看起來這是一個特別小的方法：世界上有一個人能夠從紙上讀出語音，我的導(dǎo)師就要把這套方法變成一套專家系統(tǒng)。
當年就讓我很堅定地認為：機器的構(gòu)造跟人腦，跟人的思維方式其實是不一樣的。我們硬要把A放到B其實是很困難的，就像我們不能逼自己去變成一個深度學習者，去分析事情——我們腦子思維就不是那樣的，是不自然的。
用腦科學的方法制造人工智能，是一個未知的領(lǐng)域。未知的東西有它的魅力，你要做研究就要做未知，你要有了突破那就是創(chuàng)新。在學術(shù)領(lǐng)域你做每一件事情的衡量標準是：我要做別人從來沒做過的東西。我們可以假設(shè)腦科學跟未來的AI是相關(guān)的，我們可以去證明這是或不是。但是從投資的角度來講，押注的風險就太大了。
當年深度學習也是因為數(shù)據(jù)的不足，碰到了一些瓶頸。但近年我們看到有好幾個特別大的變化：
第一個就是特別大量的數(shù)據(jù)在某些領(lǐng)域開始產(chǎn)生，而且我覺得我們目前還沒有被用完。
第二個就是GPU的使用讓我們能夠更高效地、非�？焖俚刈錾疃葘W習。
現(xiàn)在我覺得，所謂的深度學習的果實還遠遠沒有被摘完。
人工智能的應(yīng)用來說百花齊放，一個一個大果實就在你面前。在這種情況下，你還要去種花，何必呢？
我們把GPU和海量數(shù)據(jù)在全世界掃一遍，應(yīng)該還夠我們VC界吃個五年，所以從投資的角度這是非常清晰的事情。
再往下走，我覺得我們AI肯定不可以是只有深度學習。例如現(xiàn)在還有增強學習的方法，也在被探索。里面也不是只存在一個方法。所以我覺得學術(shù)界其實應(yīng)該開始幫助和探索更多的可能性，當我們把這兩年的糧食吃完之后也許還有更好的機會。
我沒有AI宗教信仰
當然未來AI也可能沒有進一步的突破了。
如果沒有的話，那就說明AI的黃金時代過去了。下面就是物聯(lián)網(wǎng)或者其他什么的。作為投資機構(gòu)，我們并沒有一種AI宗教信仰，我們還是要把控靈活度。
就像移動互聯(lián)網(wǎng)時代，當時我們應(yīng)該是在業(yè)界最高調(diào)的移動互聯(lián)網(wǎng)VC。但是隨后我們根據(jù)情況做了調(diào)整。
如果學術(shù)界跟產(chǎn)業(yè)界有一個合理的分工，我對未來五年投資界和產(chǎn)生價值非常樂觀，對于所謂AI的泡沫我認為不會發(fā)生。當然有個別的案例會有泡沫，但是我認為能吃的糧食實在是太多了。
學術(shù)跟產(chǎn)業(yè)它的分工大概是這樣：
一方面是一個很天然有機的分工；
另外一方面又是有一點羨慕嫉妒恨在里面。
一般來說學術(shù)界是看不起工業(yè)界的，但是在某一個時刻突然工業(yè)界的一個技術(shù)成熟了，在這個技術(shù)上學術(shù)界就做不到工業(yè)界的成就了。于是學術(shù)界就被逼的去做新的東西。例如：現(xiàn)在再去做人臉識別，學術(shù)界就已經(jīng)打不過工業(yè)界了。所以在人工智能領(lǐng)域，很少見到一個老教授一生只研究一個命題。
本身沒有商業(yè)價值
AI會帶給我們什么價值呢？
我想先說說。之所以如此引人注目，很大程度上是因為我們這樣的專家把它講得太懸。
之前我覺得圍棋比國際象棋至少難十年或十五年，但后來結(jié)果證明我是過于悲觀了。我過于悲觀其實有很多理由。我當時認為圍棋要比國際象棋難了一個天文數(shù)字，但天文數(shù)字也是數(shù)字。
在之前最好的人工智能棋手達到了業(yè)余五段。而最新的和職業(yè)九段之間的差距，大致相當于職業(yè)九段和業(yè)余九段的差距。這確實是很大的跳躍。
那為什么會有這樣的現(xiàn)象呢？也就是說，為什么下圍棋的人工智能進步幅度這么大呢？
其實有一個非�，F(xiàn)實的理由，就是想掙錢的人不會去做圍棋。
你看的專家隊伍也沒那么了不起，就是二十個很厲害的機器學習專家。在谷歌里面可能有兩千個這樣的人，在微軟里有一千個這樣的人。原因在于微軟和谷歌過去沒有想拿兩千個專家的力量打敗圍棋手，他們的更多時間都在做語音識別、人臉識別這些有價值的事情。
在這個沒有價值的事情上，能用二十個專家就不錯了。
金融、醫(yī)療是有商業(yè)價值的AI
有商業(yè)價值的AI，影響就巨大了。
AI在數(shù)據(jù)量大的領(lǐng)域最易應(yīng)用。
這些數(shù)據(jù)最好被準確標注，自動化標注。
AI在無摩擦的領(lǐng)域最容易應(yīng)用。
一個領(lǐng)域里面如果有制造、測試、物流這類摩擦，那就麻煩了。無摩擦的領(lǐng)域是什么？醫(yī)療是無摩擦，金融是無摩擦。
AI在掙錢最多的領(lǐng)域容易應(yīng)用。
毫無疑問，最掙錢的又是金融。
所以金融毫無疑問會是AI最快征服的領(lǐng)域。因為你的算法可以很快就變成錢。
醫(yī)療
也是一個特別巨大的領(lǐng)域。而且醫(yī)療相對傳統(tǒng)，能產(chǎn)生增值的機會很大。而且它不是基于大數(shù)據(jù)的。最好的醫(yī)生是什么，就是他自己是一個深度學習的機器，根據(jù)他的經(jīng)驗做了好多好多次。
假設(shè)他判斷了五千個病人，判對了很多，判錯了一些，下面他的判斷就會非常精準了。但一個好醫(yī)生可能最多也就判斷過五千個病人，但我們的數(shù)據(jù)是五千萬的病人的級別。所以醫(yī)療超越醫(yī)生應(yīng)該是一個非常必然的，全球性的趨勢。
但是AI醫(yī)療需要突破一些隱私問題，可能會有一些挑戰(zhàn)。 |
本帖子中包含更多資源
您需要 登錄 才可以下載或查看，沒有帳號？立即注冊
x
|
