裁員！最近，人工智能健康領域的老大哥 IBM沃森健康（Watson Health）傳來了裁員達70%的消息，備受業內關注，甚至有金融分析師稱這個部門是燒錢的無底洞。

那么，在AI熱潮之下，你該如何構建一個更理性更純粹的思考框架？這一次，邢波教授可謂將AI的邊界問題講透了。

?我們去人為的制造一個謊言，最后這個謊言被戳穿以后，反而是那些誠實工作的人，去承擔懲罰。這對研發人員很不公正。

——邢波

邢波，師從機器學習泰斗級學術大咖Michael Jordan，卡耐基梅隆大學機器學習和醫療中心主任，同時，他還是生物化學與計算機科學的雙料博士，創立了通用機器學習平臺Petuum，并獲得了軟銀投資。

挑戰Facebook的1億用戶

一次不“體面”的經歷

現在的人工智能，正在面臨一個非常非常實際的工程問題——規模瓶頸：

你的算法可以在實驗室的單機上實現，可到了現實環境中，就可能不行。

我講下在Facebook的經歷。

大概2011年左右，我們做了一個比較成功的社交建模——

依靠擁有100萬人的好萊塢影星數據庫，可以實現對人進行分類和精準推薦。

但當我把這個模型部署在Facebook里1億規模的用戶上時，結果相當讓人失望：

原則上，6分鐘能算完100萬個，如果有1000臺機器，那么，0.6分鐘就可以算完，但結果呢？

不要說0.6分鐘了，1星期都沒有算完，中間就卡了。

>>>>

算法也沒有錯，建模也沒有錯，機器也有，但為什么還是卡了？

指揮1000人的部隊和指揮一個人是不一樣的，當你把算法放在1000臺機器上時，涉及到一個機器之間通訊的問題。

比如，機器學習需要不斷遞歸迭代，每次迭代需要握一次手，告訴我，迭代完了，或者還沒迭代完，你得等一下，等一次就是一個門檻。當你有好幾臺機器迭代的時候，他們的速度是不一樣的，每一次，你都要等到最后一個機器完成以后，才能往前走。

所以，這就涉及一個非常關鍵的問題：

機器學習作為算法理論工具，作為模型，跟它的計算設備，有著重要關聯，新的AI程序需要新的AI引擎，就像新的飛機設計必須有新的引擎來助推。

作為一個成熟的人工智能學者，不僅僅是要成為一個算法專家或者建模專家，你不能把活扔給程序員，讓他們實現，而是要對任務和工作環境，有更深刻的理解。

舉個例子，人工智能在工程實現上，目的性非常強，而操作方式，實際上是次要要素。

比如，你要飛行表演，隊形完整即可，不必飛的太快，即可以損失效率；但如果飛機是去救火，飛行姿態其實不必特別精準同步，以換回效率。

掘金AI

AI架構者必須要思考9個關鍵問題

>>>>

如何把握AI的未來機遇？

先說個故事，美國早期，很多人去加州淘金，但實際上靠淘金致富的真不多，最后真正的巨富，我記住的是這樣兩個人：

造牛仔褲的李維·斯特勞斯，當時，他給一些工人制作裝備和衣服；

造工具鐵鍬的薩姆·布瑞南，因為每個挖金人的都需要鐵鍬。

同理，AI 也有很多落地場景：你可以從數據里生成產品或是生成服務，也可以為AI的研發者或者使用者，提供他們所需要的工具。

所以，你可以好好思考一下，你的機會是在AI價值鏈的哪一端呢？

現今，科技公司的人工智能解決方案面臨的最大瓶頸是：無法像商品一樣，以可控的成本，進行大量的創造和復制。

所以，要實現靠譜的，有用的，可用的AI，必須要跨越手工坊制作，采用標準化的工業量產模式。就好比造車，先把零件弄好，然后產生一個供應鏈，最后做一個組裝。

我們希望通過這樣的嘗試，把人工智能從獨門秘笈、黑科技，往工程的方向做一個推動：

使它對于語言的依賴、設備的依賴和對于界面依賴弱化，讓不同的人，像我們使用電或者使用微軟的文字工具一樣，各取所需，而不是說非要雇一個Chief AI Officer，或者雇一大堆博士，做手工作坊式的研發。

>>>>

總之，一個成熟的AI架構者要學會思考以下9個關鍵問題：

①建立一個完整的，工程上可信的解決方案，而不是一個玩具或是Demo；

而且，這個體系可插入可拔出，是一個插件式的平臺，就像你做一個汽車生產線一樣，產品升級，更換零件或者更換局部就可以，不必拆掉整個產品線重來。

②可復制性；

別人也可以用，而且也可以做出來。

③經濟可行性；

④適用于各種用戶的特殊狀況；

舉個例子，比如波音公司生產飛機，要為每一個用戶造一家不同的飛機嗎？不用，提供基本的飛機引擎、機身、操作軟件等就可以。

換句話說，用戶的個性需求和生產商提供的解決方案，兩邊應該在中間相遇，而不是在某一端相遇，這是現在人工智能還比較缺少的設計思路。

⑤結果可重現；

⑥理解解決方案是如何建構起來的；

⑦可解釋性，尤其是出現意外結果時知道哪兒出了問題；

⑧能交流結果，讓大家也能重現你宣稱的結果；

⑨清楚什么能夠做到，什么不行。

舉個例子，我可以告訴你，我在5年之內不準備坐自動駕駛車，或者我強烈要求自動駕駛車有方向盤，我自己得握著，為什么呢？

因為作為一個研發者，我很清楚，現在很多算法包括深度學習算法里的因果性，還沒有搞清楚。

人工智能會超越人類嗎？

要警惕對學科的傷害

很多人認為，人工智能的發展，會像摩爾定律一樣，實現指數型爆炸，但現實是，摩爾定律有堅實的數據基礎，人工智能沒有。

人工智能的發展是有邊界的，并且最終會收斂，而且，它收斂的地方并不是在人類智能，甚至還可能會出現倒退。

比如最近，一向熱衷激進部署機器人工廠的埃隆·馬斯克，在Facebook上承認，工廠自動化了以后，效率沒有提高，反而下降了。

>>>>

那么，人工智能不能做什么呢？有以下3個方面：

①機器無法提出問題；

人是很善于挑戰未知，去提出問題的，但對于機器來說，提出一個未知問題（不是根據書本的內容知識，來提測驗問題），發現一個新的物理定理和數學定理，這一點非常非常難，我不相信在可預見的將來，有任何的算法或者模型能夠做到這一點。

②機器也無法知道未知的問題；

有一種說法，對人的修養和學識的衡量標準之一是，你是否知道未知，這一點，機器也不知道。

因為機器對邊界沒有感覺，它并不知道在它的知識范圍之外，還有什么東西它不知道，這是不能被設置的功能。

③機器難以從小數據學習，依然需要人工架構和調教。

人的學習都是通過小數據來開始學，依靠環境、先驗知識和邏輯思維的綜合方法，從不同的數據里面來獲得知識，然后他們還能綜合、成長。

這也是人工智能相當弱的地方，而且即便可以實現，到了工程層面，其性能也是相當不穩定。

它需要有非常非常激進的調參，非常非常神秘的獨門暗器，各種各樣的秘訣敲門，這都妨礙了人工智能的商業化、規模化。

>>>>

另外一個問題，人工智能會超越人類嗎？

實際上，人工智能和人類智能是兩條不一樣的路。

成功的人工智能體現的是機械或者工程美學，而人類智能是自然的美學，或者是一種生物、哲學上的美。

所以，我的觀點是：

①在有限規則的特定任務下，機器超越人類的水平只是時間問題。

比如算數學題、下圍棋、打撲克，規則一清楚了以后，結果就確定了，不必吃驚。

②在非結構化的場景下，即使簡單的情感識別問題，機器仍然沒有突破人類。

比如，這位女生到底是高興了還是難過了？這樣的程序其實是寫不出來的。

總之，在可預期的將來，人機協作才是真正的方向，人類不應該害怕人工智能或者機器學習，而真正應該擔憂的是什么呢？

人別到時候跟機器一樣，變得冷酷或者完全沒有人性，這是值得關注的。

小結

最后，我想為人工智能的從業者，那些沉默的大多數，不太在網上出聲，也不太會獲得相應運作利益的那些人，說幾句話：

由于資本的驅動、人性的弱點，或者由于其他的一些因素，我們看到了人工智能被追捧，但由于并沒有跟現實來匹配，結果就產生了一個預期和現實的落差，最后的受害者是誰呢？

對學科的傷害。我是相當痛心的。

因為在前兩個人工智能的低谷期，其實有大量的天才和非常非常誠實、踏實的研究者，由于這樣的誤解，得不到經費、支持、和理解，他們最后不得不離開這個行業。

這樣的現象正在發生。

我們去人為的制造一個謊言，最后這個謊言被戳穿以后，反而是那些誠實工作的人，去承擔懲罰。這對研發人員很不公正。

所以，希望大家對待人工智能，能夠更理性更純粹一些。