<mark id="oztn4"></mark>
1
編者按：本文內容來自地平線機器人創始人兼 CEO 余凱博士在雷鋒網第 100 期硬創公開課的分享。
2016 年，人工智能在美好理想和殘酷現實的夾縫中野蠻生長。當從業者們認為，人工智能時代是“技術為王”的時代，但面對價格戰、商務戰、公關戰時，技術似乎不再是唯一的信仰。當從業者們認為，手握學術大牛、刷爆各種榜單就能所向披靡時，“AI 產品經理比科學家重要”、“刷榜是沒意義的”等反駁性觀點也越來越被業內認可。當從業者們認為，招一大批名校博士就可與巨頭比劃時，虛高的薪水和拿不出手的產品讓企業不得不開始考慮性價比的問題。
雷鋒網第 100 期硬創公開課特邀余凱博士為大家做了一期以《人工智能的冰與火之歌：回顧 2016，展望 2017》為主題的公開課，分享了他對今年 AI 現象的看法以及對未來的展望。
余凱，地平線機器人創始人兼 CEO，前百度研究院執行院長，曾領導百度深度學習研究院( IDL )、多媒體技術部（語音，圖像）、圖片搜索產品部等團隊。2012年以來，余凱創建百度IDL，發起和領導了百度大腦、百度自動駕駛等一系列項目，并連續三次榮獲公司最高榮譽——“百度最高獎”。余凱發表的論文被引用超過 11000 次，獲 2013 年國際機器人學習大會( ICML )最佳論文獎銀獎，曾任 ICML 和 NIPS 領域主席。他于 2011 年在斯坦福大學計算機系客座主講人工智能課程，還曾率隊于 2010 年獲得首屆 ImageNet 評測世界第一名。
1. 雷鋒網：2016 年 AI 圈最讓你記憶深刻的幾件大事 ？
AI 計算硬件：英偉達的股票在一年時間內從 100 億美金 500 億美金，震驚業界。背后的原因是處理器架構因為人工智能的需求正在被重新定義，Google 也推出 TPU 來做 Inference，除此之外，包括地平線機器人在內的不少公司正朝著這個方向去探索。
算法層面：如生成式對抗網絡等算法的突破性進展，使我們看到除了CNN、RNN、LSTM，技術還在不斷推陳出新，讓這個行業變得越來越有意思。
開源平臺：今年開源平臺體系在不斷成熟，如 TensorFlow、Caffe 等，特別是由中國學生發起的MXNet成為亞馬遜 AWS 官方訓練平臺這件事，很了不起。
AlphaGo 事件：改寫全社會從街頭百姓到政治對人工智能的認知，實現了大家均認為不能實現的事情。
人才流動：Hinton的得意門生、CMU 副教授 Ruslan，最近耐不住寂寞加入蘋果，擔任蘋果人工智能研究總監。斯坦福大學李飛飛教授也加入谷歌。
2. 雷鋒網：今年人工智能行業相比于去年有哪些宏觀和微觀的進步？
我感觸最深的是從 2006-2016 年這十年間，是深度學習的普及和推廣期，其在很多應用中取得突破性進展。但所有成果均為感知方面的東西，如圖像識別、語音識別等。而從今年開始，最大的不同像 AlphaGo 和自動駕駛等人工智能系統開始從感知過渡到決策。這些系統基于對這個世界的理解，從而主動優化它的決策機制。因此從感知到決策是最大的變化，人工智能只有做決策才能真正改變世界。
我認為在未來的 10 年里，怎么優化地去做決策是人工智能的重點課題。
3. 雷鋒網：為何成立 OPEN AI LAB；為何選擇做嵌入式人工智能？
歷史上技術創新和商業模式的創新都是相伴相生的，我們也看到，開放總是會打敗封閉，怎么打造良性的產業生態是我們非常關心的。因此最近地平線和 ARM、安創空間、全志聯合成立 OPEN AI LAB，我們希望把技術向半導體廠商、開發者開放，大家一起去定義嵌入式人工智能的標準。至于為何要做嵌入式人工智能？過去推動人工智能的核心要素可以概括為大數據、大計算、大平臺：其在互聯網和云端做人工智能的技術與服務。如果朝更遠的方向看，我們會發現除了從云端部署人工智能，其實很多場景下急需在設備端部署人工智能，使這些設備具備環境感知、人機交互、決策控制的能力。
以自動駕駛為例，如果有孩子橫穿馬路，當自動駕駛系統感知到之后，需要把信號傳送到云端再做決策，假如當時網絡不穩定的話，結果是不可想象的，因此我們需要本地計算去做實時決策。
創業公司做項目一定要選擇大公司不大容易進入的維度，BAT 在數據、人才、資源、服務方面的勢能，創業公司很難去挑戰。但本地低功耗人工智能計算不是他們的強項，也不是他們的業務重點。另外我認為創業一定要選難度較大的事情去做，嵌入式人工智能需要把軟硬件結合，并重新定義處理器架構，這是非常復雜的工程。這項任務雖然困難，但我認為只要達到這樣的維度才能構建寬廣的護城河。我們希望把嵌入式人工智能構建成一種開放生態，使其未來在端上產生很多創新，讓意想不到的創新點在此發生：開放式生態可以把許多想法從一個創意變成產品，而這些想法和產品又會反哺地平線。
4. 雷鋒網：您覺得在 IDL 和創業最大的區別在哪兒？
無論在 IDL 還是在地平線，對我而言其實都是在創業和創新。當年我從國外回到北京，創立百度深度學習研究院，最初其實也是在做一件很新的事，當時國內沒有一家機構在做深度學習，因為它很小眾。初期我們被很多人質疑為什么要投入這么大的精力去做這么窄的方向。然而在今天看來，這個很小眾的事情已經成為很多人都在關注的主題，整個世界也因此而改變。
地平線機器人實際上也是在做一件很小眾的事情，我們不在云端、服務器、GPU 上做，而是在嵌入式中去做人工智能，這也是件很小眾的事情，然而在我看來把一件事情從小做大是很讓人著迷的。
小公司相比于大公司資源確實十分匱乏，但實際上地平線的目標卻比我在百度期間的目標還要大，我們不是服務一個公司，而是撬動一個產業，這個挑戰難度比以往大了幾個數量級。
在創業公司坐事情的難度體現在方方面面，比如招聘，百度有著成熟、強大的 HR 體系支持我做這件事情。而小公司往往沒什么名氣，如何吸引頂級人才加入也是一件難事。此外還有很多瑣事和細節，我們每天都在做非常具體的事情，但這又是很理想主義的事情，縱使挑戰難度很大，但這也使得人生更有意義。
5. 雷鋒網：根據你在大公司研究院和創業公司的招人經驗，分享下在 AI 團隊的招人心得。
在美國和百度時，招聘是我每天需要面對的事，因此我自身有著相當多的經驗。另一方面，在地平線我們也在積極吸引優秀人才的加入。吸引人才加入是一件很有挑戰的事情，因為現在人工智能人才還是比較稀少，我們做的事情又比較難，而且又是一條長線征途，所以有些人不理解我們的方向，我們做的事情在他們看來是既小眾又沒那么容易變現的事。
我遇到一些從事人工智能算法的同學，他們有幾年深度學習經驗就迫不及待地想改變世界，所以不太愿意去做一些偏長線的事情，但他們沒有意識到真正有價值的事情都是困難的事情、有壁壘的事情。所以我經常告訴他們創業是一場艱苦的修行，而不是一場 Party，如果艱苦的修行走下來，無論是在路上還是在山頂上，那種滿足感和成就感都是無法比擬的。
當公司做的方向跟主流方向不一樣時，這種情況下吸引來的人才是極為難得和特殊的，因為他們是經過自己冷靜思考來做事情，這批人往往是推動公司上下做一番事業的人才。地平線確實非常有幸，在很短的時間內招到了頂尖人才：包括算法、軟件系統專家、硬件專家。我在百度時領導的團隊平均年齡是 26 歲，而地平線工程師平均年齡是 32 歲。因為我們是非常偏技術的公司，確實需要非常資深的人加入。
6. 雷鋒網：“現在最缺的是AI產品經理，而不是研究大?！?，你認同這句話嗎？
對于一個商業公司來講，算法人才和產品經理同等重要。這里我要強調一點，何為研究大牛？我認為研究大牛的特質是“要有自己的思考和深厚的積累，他能夠持續的創新”。其實能創造性地做出世界級成果的人是非常稀缺的，在國內我認為只有 5 到 10 人才能達到這個標準。一個算法人才普遍學習過 1-3 年的深度學習、會用開源平臺去訓練模型，即使是這樣的人也不多，而這些人更談不上是研究大牛。所以我認為研究大牛是一種很稀缺的人才。
當然，AI 產品經理也非常重要，因為他定義需求。如果造出來一個東西技術水平高，但不能解決實際問題，技術再高也沒有實際價值。因此我們在創辦一個商業公司，AI 產品經理也十分重要。
7. 雷鋒網：外界有一種說法，大致是目前各個To B的人工智能公司之間技術差距相對較小，因此很多時候銷售和商務團隊決定了公司的命運。你怎么看待這個說法？
這個問題正中行業要害。從目前來講，絕大部分人工智能創業公司都是在基于 GPU 這樣的計算平臺和在基于 Caffe、TensorFlow 這樣的開源平臺用比較成熟的模型結構來訓練，然后做一些解決性問題和 Demo，差異化確實不明顯。基于現在的開源模式來做創新，在算法方面壁壘確實也不高。
所以這就導致在一些標準問題里各家的效果都差不多，技術差距也并不大。這里面的核心原因之一就是中國人工智能原創性技術太少。
最近大家在說中國 AI 的人才、技術儲備、研究、創新都有優勢，這個觀點我不太認同。實際上，國內學生在已經討論出解決辦法的情況下去做拿競賽、刷分，這方面我們很擅長。但真正做出 AlpahGo 這樣的創新，咱們還差些火候，而且國內也缺乏孵化這種創新的土壤。今年深度學習原創性的基礎研究在大步向前發展，然而我幾乎沒看到哪些進步是國內產生的。
另外一方面，商務和銷售確實非常重要，因為只有把技術和具體應用場景拉近才能產生價值落地。技術研發也一定要有差異化，這種差異化如果只是做研究，只是去 Follow 開源平臺等這些大家都在討論的事情，這是很主流的做法，如果你一定要關注主流算法，潛臺詞就是你已經放棄了差異化。因此你一定要深入特定的問題，深入解決那個場景下的各種限制條件，去針對性地提出特殊的方法解決實際需求，這是讓你更有差異化的途徑。
科學家創業需要對商業和實際需求抱有充分的敬畏之心，商務和銷售團隊也并不至于決定公司的命運，關鍵在于團隊之間的配合。商務和銷售比較看重眼前需求，對技術趨勢缺乏準確預見，而一個公司要走得長遠，還得看清未來技術發展趨勢。
8. 雷鋒網：不少歐美 AI 初創公司最終賣給了谷歌等巨頭，但國內這種情況很少，你怎么看待這一現象？
人工智能作為一個新的產業方向，早期都處于探索階段，初創技術公司獨立存活的概率并不高，所以會選擇被大公司收購，這是一個較為明智的做法。
國外工業界和技術創新生態比較健康，大公司愿意付出成本為前沿性技術做人員收購，而且在不考慮成本的情況下。而國內很少有大公司愿意為技術和人才收購付出很好的溢價。
其實每個公司被收購都有一個內在邏輯：這些公司不是范范地提供通用技術，而是在某個維度有著一定的獨特性，如 DeepMind 不僅在做深度學習，還將深度學習與增強學習相結合然后應用在圍棋、游戲等場景。這背后的邏輯，我認為很大程度上是文化原因。國內公司更愿意用高成本去挖人，而不愿為獨特團隊或知識產權付出高成本。我希望這個現象能發生改變，出現更多出于對人才和知識產權的收購。大公司如果能夠意識到這點，我覺得能夠對國內技術創新產生非常正面的影響。
人工智能產業仍處于早期階段，重大應用場景還在不斷摸索，產出的確非常低。但如果回到“.com”時代，你會發現當時的商業模式也是探索了很長時間。
資本市場確實有追逐短期回報的現象，所以明年下半年到后年，即便整個 AI 投資市場趨冷也并不奇怪。AI 行業與“.com”時代一樣，即便是趨冷，但也不會影響到整體的趨勢。因為 AI 確實在推動產業發展，實實在在創造價值，它不會進入一個萬劫不復的寒冬。
實事求是的說，如果按照投資機構的計算方法，AI 泡沫是一定存在的。AI 創業公司確實估值比較高，而且市場進展也并不盡如人意，到明年或后年一定會有所變化。從長期趨勢來看，適當泡沫純屬正常，就像啤酒有泡沫味道才更好，正是因為泡沫才讓各公司都有機會去登上舞臺。不論怎樣，大家亮個嗓子，在舞臺上唱一下。
我也經常跟投資人聊這個事，經過觀察國內十幾年的產業周期發現：以往多數項目均為 2C 產品，都是以產品創新和微創新為鮮明特征。中國沒有經歷通過技術創新為主的經濟增長模式，而硅谷等地已經歷過好幾波技術創新，這在中國很少見。中國大部分投資機構和創業者，并不善于技術類投資以及做 To B 這種生意，所以大家還不太習慣對這類公司進行估值。
我們一談到投資和創業，永遠面對新的產業方向，然而在面對新的產業方向即便是海外專業投資公司也不一定看得準，所以也能看到像投資 MagicLeap 這樣的新型公司都是有爭議的。
AI 從純技術和純學術話題轉變為全社會討論的話題，使得專業的聲音很有可能被淹沒，這是我所擔心的。投資機構和媒體的所有動向都會影響到產業的發展，AI 從業人員卻難控制。
AI 在內部環境受到 VC 和媒體的萬千寵愛，但外部的環境是很殘酷的、理性的、不相信眼淚的。在這種情況下，企業應保持冷靜，抓準切入的點，保證服務價值從而構建自己的護城河。整個行業的發展一定是由理性驅動，一定是由實實在在的需求和價值來驅動，因此我個人并不是特別擔心投資機構和媒體過多溺愛這個行業從而致其墮落。當然，大浪淘沙一定會有所選擇，真正能夠平心靜氣把創業當作艱苦修行而非豪華盛宴的創業者會走到最后。
12. 雷鋒網：對 2017 年人工智能行業的格局和發展做個展望和預測。
我對 2017 年充滿了期待，希望這幾大方向有著一定的進展：
希望人工智能處理器硬件行業會有大的突破。
算法上繼續持續創新。
應用場景上的重大突破：如醫療、自動駕駛、智能家居等。
從整個創業投資角度講，明年下半年 VC 應該會更加冷靜、理性地思考，這里并不是指降低投資力度，而是聚焦投資范圍。同時對未來發展方向和路徑會考慮地更加清楚，把資本注入重點方向和具有價值的團隊。
1.怎么看待近期谷歌無人車事業部拆分成獨立公司？這個案例可否理解為自動駕駛已經遇到天花板了？
從百度到地平線，我都做過自動駕駛的事情。根據我自身觀察，谷歌無人車事業部拆分這件事一點都不奇怪。谷歌一直存在幾個嚴重問題：
商業策略：谷歌沒有思考清楚商業模式，到底該提供整車，還是成為技術服務商、供應商。
技術路線：谷歌的計劃很激進，想一步跨到不需要方向盤的無人駕駛水平。事實上谷歌的雖然目標很大，但技術路線較為很保守，導致目標與技術路線并不匹配。谷歌無人車是基于高精度地圖的自動駕駛方案，該方案有很大局限性，需要事先對整個環境做出全面感知，這使得其在處理不確定性事件方面有所欠缺。這種不確定性體現在長尾情況，而不是常見情況，而在長尾挑戰層面，谷歌在技術線上沒有很好地去處理這個問題。
2.如何看待近期比較熱的強化學習和遷移學習，他們在應用方面的發展現狀怎么樣，以及所面臨的挑戰？
強化學習現在面臨的主要挑戰是怎么 Handle Long-term Dependence 的問題，如果最后它 Reward 很長時間才顯現，它怎么去影響當前的 Policy ，是一個很大的問題。強化學習的代表 AlphaGo 實際上運用了巧妙的方法如 Learning From Experience 去下圍棋，這一點很有意思 。那么未來如何在理論上有一個優美的框架，我覺得還是挺值得探討的。
另外，強化學習的框架相對而言是一個比較黑箱的系統，這與感知不同，在感知方面黑箱一點也可以，但在決策上一定要用白箱的、可理解的方式去做，尤其是自動駕駛領域。
關于遷移學習這一問題，其實深度學習、神經網絡天然就擁有遷移學習的特性，比如用 ImageNet 去訓練網絡結構，實際上它的很大一部分參數在其他問題上可以復用。在參數領域的遷移學習，大家都搞的比較清楚，但在結構方面的遷移學習，現在還并不太清楚。結構反映了更高層的學習問題，基于模型結構的遷移學習將會是下一個熱點。
3.您對哪個深度學習開源平臺在 2017 年的發展有比較大的期待？
谷歌依靠自己強大的號召力推動了 TensorFlow，鑒于其強大背景，使得它在明年仍舊很值得期待。而在近期被亞馬遜選為官方平臺的 MXNet 同樣值得期待，MXNet 是一個更加開放的中性平臺。如果想深入開發技術、開發原創新技術、追求技術自主性的話推薦用 MXNet。從生態層面講，如果整個人工智能的開發都基于 TensorFlow，這對生態的健康有著負面影響，容易被一家公司壟斷，將會影響到產業鏈的方方面面，如處理器和應用等方面的部署。
除此之外，也推薦大家使用我在百度期間孵化的“親兒子”百度 PaddlePaddle。
我先下個結論：最不容易成功的是基于純算法的公司，主要原因是壁壘低?，F在新的開源創新方式使得新算法不斷冒出來，基本上每個小時都在創新，如果一個公司的核心競爭力基于聰明程度，這很不靠譜。這個世界上永遠比你更聰明的人，而且很多。
無論是平臺還是產品，其核心競爭力在這兩方面：
巨大的市場需求
足夠的差異化和獨特性，不可復制性
滿足這兩點，你的產品和解決方案或服務才擁有核心競爭力。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
