原创： 邢波 混沌大学 

邢波，师从机器学习泰斗级学术大咖 Michael Jordan ，卡耐基梅隆大学机器学习和医疗中心主任，2017年机器学习学术水平排名世界第一。

同时，他还是生物化学与计算机科学的双料博士，创立了通用机器学习平台Petuum，并获得了软银投资。

一次不“体面”的经历

现在的人工智能，正在面临一个非常非常实际的工程问题——规模瓶颈：

你的算法可以在实验室的单机上实现，可到了现实环境中，就可能不行。

我讲下在Facebook的经历。

大概2011年左右，我们做了一个比较成功的社交建模——

依靠拥有100万人的好莱坞影星数据库，可以实现对人进行分类和精准推荐。

但当我把这个模型部署在Facebook里1亿规模的用户上时，结果相当让人失望：

原则上，6分钟能算完100万个，如果有1000台机器，那么，0.6分钟就可以算完，但结果呢？

不要说0.6分钟了，1星期都没有算完，中间就卡了。

指挥1000人的部队和指挥一个人是不一样的，当你把算法放在1000台机器上时，涉及到一个机器之间通讯的问题。

比如，机器学习需要不断递归迭代，每次迭代需要握一次手，告诉我，迭代完了，或者还没迭代完，你得等一下，等一次就是一个门槛。当你有好几台机器迭代的时候，他们的速度是不一样的，每一次，你都要等到最后一个机器完成以后，才能往前走。

所以，这就涉及一个非常关键的问题：

机器学习作为算法理论工具，作为模型，跟它的计算设备，有着重要关联，新的AI程序需要新的AI引擎，就像新的飞机设计必须有新的引擎来助推。

作为一个成熟的人工智能学者，不仅仅是要成为一个算法专家或者建模专家，你不能把活扔给程序员，让他们实现，而是要对任务和工作环境，有更深刻的理解。

举个例子，人工智能在工程实现上，目的性非常强，而操作方式，实际上是次要要素。

比如，你要飞行表演，队形完整即可，不必飞的太快，即可以损失效率；但如果飞机是去救火，飞行姿态其实不必特别精准同步，以换回效率。

AI架构者必须要思考9个关键问题

先说个故事，美国早期，很多人去加州淘金，但实际上靠淘金致富的真不多，最后真正的巨富，我记住的是这样两个人：

造牛仔裤的李维·斯特劳斯，当时，他给一些工人制作装备和衣服；

造工具铁锹的萨姆·布瑞南，因为每个挖金人的都需要铁锹。

同理，AI 也有很多落地场景：你可以从数据里生成产品或是生成服务，也可以为AI的研发者或者使用者，提供他们所需要的工具。

所以，你可以好好思考一下，你的机会是在AI价值链的哪一端呢？

现今，科技公司的人工智能解决方案面临的最大瓶颈是：无法像商品一样，以可控的成本，进行大量的创造和复制。

所以，要实现靠谱的，有用的，可用的AI，必须要跨越手工坊制作，采用标准化的工业量产模式。就好比造车，先把零件弄好，然后产生一个供应链，最后做一个组装。

我们希望通过这样的尝试，把人工智能从独门秘笈、黑科技，往工程的方向做一个推动：

使它对于语言的依赖、设备的依赖和对于界面依赖弱化，让不同的人，像我们使用电或者使用微软的文字工具一样，各取所需，而不是说非要雇一个Chief AI Officer，或者雇一大堆博士，做手工作坊式的研发。

①建立一个完整的，工程上可信的解决方案，而不是一个玩具或是Demo；

而且，这个体系可插入可拔出，是一个插件式的平台，就像你做一个汽车生产线一样，产品升级，更换零件或者更换局部就可以，不必拆掉整个产品线重来。

②可复制性；

别人也可以用，而且也可以做出来。

③经济可行性；

④适用于各种用户的特殊状况；

举个例子，比如波音公司生产飞机，要为每一个用户造一家不同的飞机吗？不用，提供基本的飞机引擎、机身、操作软件等就可以。

换句话说，用户的个性需求和生产商提供的解决方案，两边应该在中间相遇，而不是在某一端相遇，这是现在人工智能还比较缺少的设计思路。

⑤结果可重现；

⑥理解解决方案是如何建构起来的；

⑦可解释性，尤其是出现意外结果时知道哪儿出了问题；

⑧能交流结果，让大家也能重现你宣称的结果；

⑨清楚什么能够做到，什么不行。

举个例子，我可以告诉你，我在5年之内不准备坐自动驾驶车，或者我强烈要求自动驾驶车有方向盘，我自己得握着，为什么呢？

因为作为一个研发者，我很清楚，现在很多算法包括深度学习算法里的因果性，还没有搞清楚。

 要警惕对学科的伤害

很多人认为，人工智能的发展，会像摩尔定律一样，实现指数型爆炸，但现实是，摩尔定律有坚实的数据基础，人工智能没有。

人工智能的发展是有边界的，并且最终会收敛，而且，它收敛的地方并不是在人类智能，甚至还可能会出现倒退。

比如最近，一向热衷激进部署机器人工厂的埃隆·马斯克，在Facebook上承认，工厂自动化了以后，效率没有提高，反而下降了。

①机器无法提出问题；

人是很善于挑战未知，去提出问题的，但对于机器来说，提出一个未知问题（不是根据书本的内容知识，来提测验问题），发现一个新的物理定理和数学定理，这一点非常非常难，我不相信在可预见的将来，有任何的算法或者模型能够做到这一点。

②机器也无法知道未知的问题；

有一种说法，对人的修养和学识的衡量标准之一是，你是否知道未知，这一点，机器也不知道。

因为机器对边界没有感觉，它并不知道在它的知识范围之外，还有什么东西它不知道，这是不能被设置的功能。

③机器难以从小数据学习，依然需要人工架构和调教。

人的学习都是通过小数据来开始学，依靠环境、先验知识和逻辑思维的综合方法，从不同的数据里面来获得知识，然后他们还能综合、成长。

这也是人工智能相当弱的地方，而且即便可以实现，到了工程层面，其性能也是相当不稳定。

它需要有非常非常激进的调参，非常非常神秘的独门暗器，各种各样的秘诀敲门，这都妨碍了人工智能的商业化、规模化。

实际上，人工智能和人类智能是两条不一样的路。

成功的人工智能体现的是机械或者工程美学，而人类智能是自然的美学，或者是一种生物、哲学上的美。

所以，我的观点是：

①在有限规则的特定任务下，机器超越人类的水平只是时间问题。

比如算数学题、下围棋、打扑克，规则一清楚了以后，结果就确定了，不必吃惊。

②在非结构化的场景下，即使简单的情感识别问题，机器仍然没有突破人类。

比如，这位女生到底是高兴了还是难过了？这样的程序其实是写不出来的。

总之，在可预期的将来，人机协作才是真正的方向，人类不应该害怕人工智能或者机器学习，而真正应该担忧的是什么呢？

人别到时候跟机器一样，变得冷酷或者完全没有人性，这是值得关注的。

最后，我想为人工智能的从业者，那些沉默的大多数，不太在网上出声，也不太会获得相应运作利益的那些人，说几句话：

由于资本的驱动、人性的弱点，或者由于其他的一些因素，我们看到了人工智能被追捧，但由于并没有跟现实来匹配，结果就产生了一个预期和现实的落差，最后的受害者是谁呢？

对学科的伤害。我是相当痛心的。

因为在前两个人工智能的低谷期，其实有大量的天才和非常非常诚实、踏实的研究者，由于这样的误解，得不到经费、支持、和理解，他们最后不得不离开这个行业。

这样的现象正在发生。

我们去人为的制造一个谎言，最后这个谎言被戳穿以后，反而是那些诚实工作的人，去承担惩罚。这对研发人员很不公正。

所以，希望大家对待人工智能，能够更理性更纯粹一些。

*本文根据5月26日邢波教授在混沌创新院的课程整理而成，内容仅为全部课程的1/8。

戳视频 ☟ 

了解「人机协作」

「今日互动」