用户
 找回密码
 立即注册

扫一扫,访问微社区

搜索

Andrew Ng宣布离职百度:将开启在人工智能领域的新篇章

原百度首席科学家、Coursera的联合创始人Andrew Ng(吴恩达)宣布从百度离职。Andrew Ng于2014年加入百度,带领百度人工智能团队,目前该团队已经增长到近1300人。并孵化了两个新项目:一项是无人驾驶,另一项是DuerOS语音交互计算平台。王海峰将接替Andrew Ng成为AI技术平台体系新任总负责人。


以下是Andrew Ng (吴恩达)的离职公开信的一部分:

我即将辞去在百度的工作,告别我一直带领的人工智能团队。百度的人工智能实力强大,团队内上上下下都有非常优秀的人才,所以,我坚信百度的人工智能将会一如既往蓬勃发展。离开百度之后,我也很高兴将继续致力于人工智能事业,通过人工智能改变社会,使人们的生活更加美好。

    百度的人工智能

我在2014年加入百度,负责人工智能工作。到现在,百度的人工智能团队已经增长到近1300人,其中包括300名百度研究院成员。上亿的用户每天都在使用我们的人工智能软件。我们通过许许多多人工智能产品项目支持我们的搜索、广告、地图、外卖、语音搜索、安全、消费金融等等现有业务,提升产品,拉动收入。

我们也运用人工智能开拓新业务。我的团队在过去的两年中,每年都孵化出一项新业务:一项是无人驾驶,另一项是DuerOS语音交互计算平台。我们也正在孵化一些非常有前景的技术,比如人脸识别(当已注册用户走近应用人脸识别技术的闸门时,闸门会自动开启),美乐医(医疗领域的人工智能对话交互机器人)等等。作为百度人工智能战略的首席架构师,我很自豪能够引领公司在人工智能方面飞速发展和崛起。

百度是目前为数不多的在人工智能各个重要领域都拥有世界级专业水准的公司,这些领域包括语音、自然语言处理、计算机视觉、机器学习、知识图谱等诸多方面。能够带领百度人工智能团队,能够跟百度卓越的管理者、非凡的工程师、科学家、产品经理等等百度优秀的团队共事,我深感荣幸。李彦宏是第一位高瞻远瞩,清晰看到深度学习技术巨大价值的大公司CEO,也是全球人工智能领域最优秀的CEO之一。首席运营官陆奇是位资深的企业管理者,同时在人工智能领域拥有丰富的经验,在他的领导下,百度的人工智能将继续开花结果。AI技术平台体系新任总负责人王海峰是一位出色的研究学者和技术领袖。在他的有力领导下,百度的AI团队定会有更好的未来发展。我们的新任百度研究院院长林元庆,是位出色的技术和业务带头人,将会提升百度人工智能技术,创造更多业务成果。在他们的有力领导下,在Adam Coates、景鲲、李平、徐伟、以及朱凯华等人工智能顶尖人才的努力下,百度的人工智能将继续开拓前行,我也会为此而欢欣喝彩。

我很荣幸能够从两大人工智能强国,中国、美国的人工智能界都学习过。美国擅长创造新的技术和理念,而中国擅于将人工智能技术用于开发出好的产品。我很高兴自己能够有机会既为中国也为美国的人工智能发展崛起作出努力和贡献。

我们也可以回顾下前两天InfoQ整理的Andrew Ng的演讲《人工智能是新电能》:

本文基于Andrew Ng在斯坦福MSx论坛的演讲(Artificial Intelligence is the New Electricity),经演讲人授权,由InfoQ社区编辑杨旸总结并分享。

2017年2月,百度首席科学家、Coursera的联合创始人Andrew Ng在斯坦福MSx未来论坛上的一个演讲,吸引了全球的眼球。 他认为,人工智能(AI)对未来许多行业带来的变革,如同100多年前,美国“触电”一样——电对制造、运输、农业(尤其是冷藏)、医疗等等带来了划时代的变革。AI驱动着百度的搜索和广告,调度百度外卖的快递员,选择路线,和预估运送时间。AI正在彻底改变金融工程,对物流的转变进行了一半,医疗和自动驾驶刚开始,而前景巨大。和“电”带来的变革一样,很难想象哪个行业不会被AI改变。

监督学习  

驱动百亿的市场容量的,基本上属于同一种AI: 监督学习(Supervised learning),即用AI来确定A-->B的映射——输入A和响应B的映射。

  • 用Email作为输入A,判断是否是垃圾邮件是响应B。

  • 用图像作为输入,识别这是一千种物体中的哪种?

  • 从声音A到文字B,从英文到法文,或从文字到声音。

软件可以学习这些输入A到响应B的映射——有很多好的工具来让机器学习。比如50,000小时的音频和对应的文本,就能让机器学到如何从音频内容转化为文本内容。通过大量的电邮数据和区分垃圾的标签,也可以很快地训练出一个垃圾邮件过滤器。

现在的AI还很初级——A到B的映射而已,不过已经推动着很大的市场。百度有很好的算法来预测某用户是否会点击某广告。向受众呈现更相关的广告,能为互联网营销和广告公司带来极大的赚钱机会。这可能是AI最赚钱的应用。

在哪些产品里能用到AI?  

产品经理常常希望了解AI能实现的,和不能实现的。一个简单的思路是:一般人能在一秒内想出来的事情,现在或很快就可以用AI自动实现。

AI进展最快的领域正是人能做得到的领域。比如自动驾驶。人类能驾驶,所以AI也能驾驶。在医学影像阅片和分析上,人类放射科医生能够阅片,所以AI也很可能在未来几年内做到。

而人类难以做到的事情,比如预测股市变化,AI可能也难。

  • 原因1:人类能做的,至少是可行的;

  • 原因2:可以利用人类的数据作为培训样本,比如前面提到的输入A和响应B;

  • 原因3:人类能提供指导。如果AI对某个放射影像的结论有误,设计者可以向医生请教,医生所做的正确结论的原因是什么? 进而对AI进行改善。

在Andrew Ng所接触到的80-90%的AI项目中,都遵循这一规律:在人类能做到的领域,AI的进展更快。很多项目的发展一旦超越人类水准,发展也会变得缓慢。这也带来一个社会矛盾:如果AI和人的水平类似,实质上是跟人类竞争。

AI的发展趋势  

AI已经出现了几十年了,而近五年发展明显加速,为什么?

当以前的机器学习算法性能上升到一定程度,即使再增加数据样本量(前文谈到的输入A、响应B的A-B映射),性能改善也很有限。似乎超过一定样本量之后,再多的数据也对算法不起作用。而过去几年,主要由于GPU,我们终于实现了能利用这么巨大的数据集的机器学习软件。将数据输入一个小的神经网络,当超过一定性能后,上升变得平缓。而不断地把数据输入一个很大的神经网络时,即使性能上升没有那么快,也会保持上升趋势,随着数据量的增大,不断提高。

因此,要想获得很好的AI性能,需要两样东西:

  • 很大的A-B映射的数据集;

  • 大的神经网络。现在常用的大型神经网络建立在HPC高性能计算集群上。

现在的大型AI团队包括机器学习和高性能计算两组人,才能获得足够计算能力。百度AI团队里的这两种人员都专注于各自领域,没有人能两者兼备。

什么是神经网络?有没可能取代人类大脑?  

问题是,我们不清楚人脑如何工作,所以很难造出取代人类大脑的神经网络。

什么是神经网络?先看个最简单的神经网络:如果想输入房屋面积,得到房屋总价,可以用面积-总价的一阶近似的线性模型来描述这个神经网络。

或者用更多因素建模,比如通过面积和卧室数,从第一个神经元得到可以支持的家庭人数。再通过所在地址的邮编和社区富裕程度,从第二个神经元得到附近学校的质量。

这就成为一个神经网络。面积、卧室数、邮编、社区富裕程度属于“输入”集合A,总价属于“响应”集合B。

好处在于,当训练这样一个神经网络时,用户无需关心中间因素,诸如家庭人数、安全度、学校质量等,也无需关心每个神经元如何将输入映射到中间结果。只需要给出输入集合A和响应集合B,神经网络将自动形成中间的计算过程和参数。当A和B的集合足够大,神经网络可以自动算出很多东西。 神经网络看上去非常简单,让很多初学者觉得有点失望,但它确实能解决很多问题。关键在于数据量要够大——几万或几十万个样本本身能提供大量的信息,而软件本身只是一小部分。

如何保护AI业务?  

AI研究较前沿的团队都比较开放,常常发布研究成果。百度的AI研究论文也没有隐藏什么成果——在人脸识别等论文里,都分享了所有的细节。既然很难把算法本身隐藏起来,如何保护AI业务? 当前稀缺资源有两种,一种是数据,二是人才。获取巨量数据很难,要包括输入A+响应B。比如语音识别用了5万小时的音频来训练,今年准备用10万小时,相当于百度10年积累的音频。

以人脸识别所用的训练图像数量为例,

  • 学术上最常用的基准测试/比赛:1百万幅;

  • 所用图像数最多的计算机视觉对象识别学术论文:1500万幅;

  • 百度用来训练世界上最先进的人脸识别系统:两亿幅!

如果只是5-10人的研发团队,很难获得这样规模的数据。百度这样的大企业的经常推出一些新产品不一定是为了营收,而是为了数据,然后通过后续的产品来获得收益。

另一个稀缺资源是人才。AI的应用需要根据具体业务场景来定制。仅仅下载个开源包,无法解决问题。实际情况下,是否适合用某种垃圾邮件识别或语音识别技术?针对某种场景,机器学习怎么用? 所以各个公司都在为数据挖掘争夺AI人才,来定制AI技术,找到所需要的A和B各自代表什么,怎么找到这些数据和如何调整算法来适应业务场景。

AI的良性循环  

  • 先做出某种产品。比如通过语音识别,以语音实现搜索;

  • 然后吸引来很多用户,用户产生数据;

  • 再通过机器学习,用数据改善产品。

这就形成了AI产品的良性循环。最好的产品能获得最多的用户,带来最多的数据,通过现代机器学习体系,能得到最好的AI,最终让产品变得更好,周而复始。

百度发布新的产品,会特别考虑怎样推动这样的良性循环,会包括相当先进的产品发布策略,比如按地理区域、细分市场等,来更好地推动这个循环。

这种良性循环的理念很早就有了,只是最近变得更加明显。正如前文所述,当数据超过一定规模后,传统AI算法无法明显改善AI性能,因此数据多的优势不明显,大公司也很难保护自己的AI业务。现在数据越多,AI性能越好,大公司也更容易保护自己的优势。

AI炒作的非良性循环  

许多人担心AI会不会取代或威胁人类。有一小部分研究AI的人专门从事对“邪恶AI”的炒作,以获得投资人或政府机构的投资,来研究“反邪恶AI”。道高一尺,魔高一丈,又进一步推动对“邪恶AI”的炒作,从而形成非良性循环,非常不健康。

担心AI变得邪恶,类似于担心火星的未来人口过剩。现在看不出AI将会怎样走偏,因此也谈不上有针对地研究相应措施。 研究本身没有问题,不同的研究是好事,但是对邪恶AI的研究占用不恰当的资源,就不应该了。两个人,或者10个人来研究邪恶AI也许没问题,但是现在投资得太多。

AI对就业的影响

AI对就业带来的影响更让人担心。有些AI项目确实是瞄准了某些人类岗位,而从事这些工作的人并不清楚严重性。硅谷创造了大量财富,但也应该对其造成的问题承担责任,比如造成的失业问题。AI取代人类岗位的现实问题,更应该引起重视,而不是被邪恶AI的炒作转移了注意力。

AI产品管理  

AI是个让人兴奋的领域,同时也存在一些挑战。 如何将AI融入公司业务?

产品经理的职责是找到用户喜欢的,而工程师的角色是做出可行的产品。两者共同协作,才能做出理想的产品。

AI是个新生事物,所以技术公司以前的流程和工作方法,不太适用。硅谷的产品经理和工程师的合作已有一套标准流程。比如开发APP时,产品经理先画出线框图,比如logo, 按钮,各个板块等,工程师再写出代码来实现。 但是AI的APP无法通过画线框来描述。通过什么形式,把产品经理头脑里对AI产品的功能要求明白地分享给工程师呢?

比如开发语音识别系统,实现语音搜索,有很多改善方向。比如:

  • 在嘈杂环境下如何改善,比如车里或咖啡馆?

  • 仅改善窄带语音信号;

  • 对不同口音改善;

百度发现,产品经理通过数据和工程师沟通,是个较好的办法。 产品经理负责提供测试数据集给工程师,比如一万个音频和对应的文字,来说明所关心的问题,工程师也能更明白需要解决的问题。如果这些音频里有大量车辆噪音,工程师就知道车辆噪音是问题。 如果是混合了几种不同噪声,工程师也能想办法解决。最糟糕的情况是,产品经理提供的测试数据,并不能代表自己想解决的问题,那就出问题了。

同时,新产品设计的流程有很多, 比如想设计一个交流型AI机器人:

  • 人:“我想叫个外卖”;

  • AI:“你喜欢哪种类型餐馆?”;

  • 人:“川菜”;

  • AI:“这些可供选择,xxx,yyy,zzz,...”;

线框图只能显示对话过程,无法描述所需AI的复杂程度等。百度的产品经理和工程师会在一起,写五十种对话,

  • 人:“请帮我定一个结婚纪念日的餐馆”;

  • AI:“你需要订花吗?”;

这时候,工程师会问一些更具体的问题,比如每种场景是否都需要继续提配套产品的问题,比如谈到圣诞节时,是否要问对方要不要买圣诞装饰?一起思考,共同讨论需求和技术,很有效。

对AI的宣传里,有很多吸引眼球的技术,不过它们未必最有用。如何将吸引眼球的技术和产品、业务相结合?软件产业已经有标准流程,比如代码审查、敏捷开发等,如何组织AI的产品工作,有很长的路要走,现在正是考虑这些问题的时候。

短期内,AI有哪些机会?  
    语音识别正在起飞

最近准确率已经提高到很有用的程度。4-5个月之前,斯坦福大学计算机系教授James Landay、百度、华盛顿大学一起展示了在手机上输入英文和普通话,用语音识别的速度比用手机输入快3倍。去年百度的所有语音识别产品年度环比增长大约100%,现在正是语音识别技术腾飞之时。美国有几个公司做智能语音控制器(Smart Speakers),用语音控制家用设备也会很快推广。相关的操作系统和硬件都会很快发布。

    计算机视觉也即将到来

中国的人脸识别发展速度很快。因为中国的手机比笔记本更普及,很多人有手机,而不一定有笔记本。 在中国可以仅仅凭手机申请助学贷款。涉及到钱,所以需要先验证身份和很多东西。这加速了人脸识别的发展。通过手机进行人脸识别,作为 用生物标识进行身份认证的一种方法,在中国发展很快。在百度总部,不需要RFID卡进行认证,而是直接刷脸进门,Andrew Ng在YouTube上有一段视频。现在人们对人脸识别技术已经足够信任,并在安全要求较高的场景下使用。百度在语音识别和计算机识别上的资金投入和数据投入巨大,任何小开发团体远远无法相提并论,也不太可能有其他出乎意料的技术突破。

    医疗健康的AI应用

Andrew Ng对AI对医疗健康领域带来的影响很看好。很多现在的放射科医生会被AI影响到。如果想在放射科一直工作四十年,不是个好的职业计划。

还有很多垂直领域将受到AI的影响,比如金融工程和教育。不过短期之内还不太会对教育产生实质性的影响。

永恒的春天  

鲜花
鲜花
握手
握手
雷人
雷人
路过
路过
鸡蛋
鸡蛋
Time