题图来自pixabay，本文来自微信公众号：硅谷洞察（ID：guigudiyixian）

2017年，发起 ImageNet 比赛的斯坦福大学教授李飞飞宣布，今年将会是最后一届挑战赛。因为机器识别照片的错误率已经几乎降低到跟人类一样了，甚至超过人类。

2018年，计算机界诺贝尔奖的“图灵奖”宣布由深度学习三巨头获得：Yoshua Bengio, Yann LeCun 和 Geoffrey Hinton。

从机器图像识别超过人类，到深度学习获图灵奖认可，但这并非人工智能的终点。

硅谷企业巨头如何运用人工智能的？未来的AI世界，会出现“超级智能”吗？小企业又该如何应对？硅谷洞察带你听听加州大学伯克利分校计算机系大牛教授 Pieter Abbeel 如何说。

从监督式学习到强化学习:  有目标的AI在未来会有很大影响

Pieter Abbeel 拥有斯坦福大学计算机学系博士学位，师从吴恩达。2008 年起，Pieter Abbeel 在加州大学伯克利分校电气工程和计算机科学系担任教授。他还曾在 Open AI 担任科学家，曾担任一家AI 改作业的教育公司 Gradescope 的联合创始人，2018年，公司被收购。

（Pieter Abbeel 教授上课中，版权属于营创学院）

Pieter Abbeel 教授先从机器学习的三种主要实现方式说起，分别是：监督式学习（Supervised Learning），强化学习（Reinforcement Learning）以及无监督式学习（unsupervised Learning）。

所谓监督式学习，就是通过给神经网络“喂”大量图像，神经网络在这些被标记了的图像当中进行学习，最终找到和标记物之间差异最小化的物体。

事实上，被称为 “深度学习之父” 的多伦多大学 Geoffrey Hinton 教授，就是通过提出一种深度卷积神经网络结构 AlexNet，夺得 2012 年 ImageNet 比赛冠军，成绩比当时第二名高出41%。他们采用的就是监督式学习。

后来，很多人都将 2012 年的这场比赛视作当今人工智能浪潮的催化剂。到2014年，可以说，几乎所有高分参赛队员都用了深度神经网络。

如今，人工智能从简单地识别图像中的物体，到对图像进行描述，再到进行视觉问答挑战。可以说，机器除了拥有人类理解图像的能力，还能用人类语言描述图像内容，甚至关于任何一张图片，机器能进行自问自答。每一步，人工智能的能力都越来越强大。

那么，监督式学习完成得好，需要什么呢？Abbeel 教授指出，第一，大量经过标记过的数据，第二，大量的计算资源，第三，一个好的AI团队。但随之而来也伴随着挑战：企业需要有大量经过标记过的数据，属于”劳动密集型”产业。

这也是为什么 Abbeel 教授指出，强化学习在不远的将来，更让人感到振奋。

强化学习跟监督式学习的主要不同在于，监督式学习更像是有一个老师，站在你旁边监督你，但老师会知道所有的答案是对是错。强化学习更是给学习对象（即机器）一个奖励反馈信号。像教小孩子走路或者小狗一样，做得好，就给一点奖励，做不好，就惩罚。

强化学习一个最典型的例子，就是下赢了两位人类围棋高手柯洁与李世石的 AlphaGo。

Abbeel 教授表示，当前强化学习确实主要用于游戏和机器人训练，解决平常的决策问题。比如伯克利就有模拟人类学习行走的机器人，它可能在学习过程中摔倒很多次，但一旦有一次没有摔倒，分数就更高，没有摔倒的结果会反向传播到神经网络当中，从而强化学习结果。经过大约2000次学习，这个机器人就能学会如何“跑”了。

对于 Abbeel 教授而言，他认为家用机器人在强化学习下的运用，更令人感到振奋。他个人主要研究方向便是将深度强化学习应用到机器人上。

从2010 年起，他和学生对伯克利的 BRETT（Berkeley Robot for the Elimination of Tedious Tasks，“用于解决繁杂任务的伯克利机器人”）机器人进行了编程，使其可以拿起不同大小的毛巾、弄清楚它们的形状并将它们整齐叠好。如今已发展成可以叠衣服、整理玩具、餐具等等。（多少居家人的梦想啊！不过该机器人造价40万美元……）

按照 Abbeel 教授的预测，未来机器人将会面临两拨新的自动化浪潮：

第一波：“长眼睛”的机器人。他表示，当机器人有了视觉能力后，会适应很多新的场景，能够完成的任务也就更多了。

第二波：“可示教”的机器人，即通过人的示范教学，让机器人从中学习。完成那些无法通过编程教机器人的任务。“真正有助于更快地教授机器人新技能的是使用远程操作和虚拟现实”。

那么，这样的机器人到底什么时候能大规模推开，为制造业、仓库、物流等行业提供自动化解决方案呢？Abbeel 教授预计五年内可落地，主要因为当前技术尚未完全成熟，但已在实验室里逐渐变为现实。

至于无监督式学习，跟监督式学习的主要差别在于，没有给定事先标记过的数据进行训练示例，机器自动对输入的数据进行分类或分群。Abbeel 教授比喻，好比教孩子一样，什么是汽车、卡车、自行车，只需要教一次即可，而无需反复告诉他。不过，当前无监督式学习应用较为缺乏，这领域会是将来各大公司逐渐发力的地方，比如 Facebook 首席人工智能科学家Yann Lecun 就是因为对无监督式学习的研究而获得的 “图灵奖”。

硅谷商业巨头如何运用AI？以深度监督式学习为主

当前人工智能在商业领域的应用是否广泛？Abbeel 教授认为，对于商业领域的案例而言，主要还是深度监督式学习，且非常有效，创造了大量的可能性。  

第一个很重要的应用场景就是：自动预测能力。Abbeel 教授甚至采用他博士导师吴恩达的话说是：“我认为在接下来几年里，很难举出一个领域的例子是不能被AI颠覆的。”

现在，我们就以硅谷的一众大科技企业为例，来看看到底深度监督式学习是如何运用在日常生活中的：

比如美食点评网站Yelp（类似于美国版“大众点评”），试想一下一天用户上传的照片有多少？2016年时，这个数字已经高达10万张至千万张不等。

试想一下，怎样向其他食客展示更漂亮的照片，从而吸引更多的食客来呢？这就是人工智能发挥作用的地方了。

前面说到数据，如果让 Yelp 团队成员一张张标注照片好看或不好看的话，并不现实。第一太主观，第二，太浪费劳动力。因此，Yelp 的团队想到了训练数据库。他们发现，决定一张照片质量好坏的参数包括是否用数码单反照片拍摄，以及记录数码照片的属性信息和拍摄数据的EXIF数据等。

因此，利用深度学习构建照片评分模型后，如今，Yelp 上面上传照片的质量，就高下立见了。下面两组图里，是不是底下的照片比上面的照片看上去让人有食欲多了呢？

（上：AI筛选前，下：AI筛选后上传的照片）

如果说Yelp是直接面向消费者的话，那么，面向企业的商业也适用。Abbeel 教授的另一个例子就是全球著名客户关系管理（CRM）软件服务提供商 Salesforce。

每个来到旧金山的人对城里那座最高的大楼估计都印象深刻：没错，那就是如今美西最高的大楼、Salesforce 的新办公大楼Salesforce Tower，楼高 326 米，共61层，几乎和北京的国贸三期一样高。每年 Salesforce 搞公司庆典时，旧金山半个城市的交通就会大堵塞。

（图片来自网络，版权属于原作者）

这家为客户按需定制客户管理服务系统的 SaaS 企业，把人工智能运用到了最需要的一个地方：市场营销。

试想一下，每天是不是会收到商家给你发大量的订阅邮件？但是你打开还是退订，打开后是购买还是浏览一下而已，对于商家而言，掌握这样的客户动态对最终销售成功很重要。因为这取决了商家要跟踪那些更有购买可能性的客户，从而让销售团队进行工作的优先排序。

如今，人工智能就通过在客户关系管理系统中跟踪每一个客户的互动，从而对某些客户进行针对性营销，或者挽留那些可能会流失的用户们。

放到医学上，监督式学习发挥的功能也同样巨大。

如今，通过胸部X光检测肺炎，人工智能检测的水平已经超过专业职业放射科医生。去年，吴恩达团队发表的一个基于深度神经网络 CheXNeXt 模型，可以诊断包括肺炎、胸腔积液、肺肿块等在内的14种疾病。其中10种疾病的诊断，AI与人类放射科医生的表现相当，还有一种超过了人类。但值得一提的是，AI的诊断速度是人类的160倍。

Abbeel 教授表示，美国食品药品监督管理局（FDA）去年也批准了第一款人工智能设备用于检测与糖尿病相关的特定眼部问题。这款设备是通过扫描人的眼睛视网膜，从而判断糖尿病是否已经进展到某一程度从而影响人的视力，这样就能及时提醒病人见眼科医生了。

（Pieter Abbeel 教授上课中，版权属于营创学院）

那么，人工智能是否会超越人类智慧，实现超人工智能呢?  在 Abbeel 教授看来，如今硬件部分确实已经跟人开始逐步靠近，但软件部分还是暂时缺失的。不过有一点可以确认的：如果有一天实现了超级智能，那么它肯定不愿意让人类把电源拔掉。这就需要确保对“超级智能”的第一次尝试就是正确的尝试，否则就可能出现跟人类价值不一致的问题。即使是他本人，也让难以想象真正的场景会如何发生。

小公司在AI时代的竞争

或许很多人会认为，当前AI时代已经被大公司占了优势，无论是AI顶尖人才，还是数据。但在 Abbeel 教授看来，并非如此。任何公司，面临 AI 时代的竞争想要胜出，关键在于把握以下几点：

第一，数据是关键。尽管小公司的数据比大公司少很多，但作为在某一精专领域的小企业而已，无论做什么，都需要存储更多的数据。举个例子，比如客服打电话，是否可以把电话进行录音？网上客服的话是不是可以把文字记录下来？无论是语音识别，还是文字识别，这都是人工智能可以充分训练的领域了。

第二，了解人类在将来到底能扮演什么作用。如果企业一旦拥有数据的话，那么只要是跟那些人在半秒钟内就能完成的事情，就应该训练用神经网络去做。又或者是人跟AI结合起来，一起做。所以，无论把数据做何用，这都需要企业管理层思考清楚，人在当中的作用。

对于小企业来说，那些企业日常重复做的事情更是要留意，“只要可以训练一个神经网络来做的活，你都需要留意了。”

参考文章：

感兴趣想了解叠衣服机器人训练背后的更多故事，可以查看该论文《基于视觉模型的强化学习作为训练通用机器人的途径》，BAIR，https://bair.berkeley.edu/blog/2018/11/30/visual-rl/

Yelp是如何运用深度学习进行筛图的：Finding Beautiful Yelp Photos Using Deep Learning，Yelp，https://engineeringblog.yelp.com/2016/11/finding-beautiful-yelp-photos-using-deep-learning.html

斯坦福大学关于吴恩达团队用CheXNeXt模型进行X光检测的报道，Standford University，https://med.stanford.edu/news/all-news/2018/11/ai-outperformed-radiologists-in-screening-x-rays-for-certain-diseases.html

本文来自微信公众号：硅谷洞察（ID：guigudiyixian）