- 相關(guān)推薦
跳槽、行業(yè)前景、模型等創(chuàng )業(yè)者想問(wèn)的，鄧力這樣說(shuō)
2017年5 月25 日晚，剛剛宣布加入 Citadel 的前微軟人工智能首席科學(xué)家、IEEE Fellow 鄧力參加了由中國科大百人會(huì )和阿爾法公社聯(lián)合主辦的人工智能產(chǎn)業(yè)機會(huì )研討會(huì )。
鄧力攜手另外兩位 IEEE Fellow：中國科學(xué)技術(shù)大學(xué)信息科學(xué)技術(shù)學(xué)院執行院長(cháng)吳楓和科通芯城集團及硬蛋科技的 CTO 李世鵬，與十多位不同行業(yè)的創(chuàng )業(yè)者、技術(shù)人員促膝而談，回答了他們關(guān)于人工智能領(lǐng)域，尤其是關(guān)于人工智能技術(shù)如何在不同行業(yè)得到應用的一系列問(wèn)題，機器之心對此做了梳理與總結。
Q：近年來(lái)，人工智能在哪些領(lǐng)域取得了重大進(jìn)展呢?對現在和未來(lái)幾年的業(yè)界有哪些直接影響?
鄧力(以下簡(jiǎn)稱(chēng)鄧)：我認為最大的突破是深度學(xué)習被引進(jìn)人工智能領(lǐng)域。它推動(dòng)了幾個(gè)垂直領(lǐng)域世界范圍內行業(yè)慣用方法的變更，分別是語(yǔ)音識別、圖像識別和機器翻譯。還有一些領(lǐng)域有突破的跡象，比如銷(xiāo)售的數據和自然語(yǔ)言的數據做結合。下一步可能會(huì )有更多領(lǐng)域，如健康、金融，進(jìn)入快速發(fā)展階段。金融領(lǐng)域發(fā)展速度很快有兩個(gè)原因，一是數據充足，二是目標清楚。有一點(diǎn)像 AlphaGo，輸贏(yíng)一目了然，而且可以自己對抗。
李世鵬(以下簡(jiǎn)稱(chēng)李)：在應用層面，人工智能應用在了許多意想不到的領(lǐng)域，獲得了不俗的成果。比如在農村金融和畜牧業(yè)領(lǐng)域，通過(guò)給豬植入芯片，讓它成為抵押物，信貸機構能夠獲得第一手信息，以此為依據發(fā)放貸款和銷(xiāo)售保險，解決了農村信貸難以量化的問(wèn)題。
Q：鄧力博士，您為什么從科技行業(yè)轉向金融行業(yè)?
鄧：因為金融行業(yè)機會(huì )比較多。在硅谷十七年，人工智能哪些領(lǐng)域可以做哪些領(lǐng)域不可以，基本都知道。同時(shí)在現有職位感覺(jué)自己的成長(cháng)已經(jīng)基本飽和，想進(jìn)入一些更大的領(lǐng)域進(jìn)行探索。本來(lái)健康領(lǐng)域也一直在我的考慮范圍內，但由于隱私問(wèn)題，數據私有化現象十分嚴重，尤其在美國，項目如何落地、如何盈利，還有很多未解決的問(wèn)題。金融領(lǐng)域行業(yè)數據相對公開(kāi)，比較容易成功。
Q：在金融領(lǐng)域已經(jīng)有很多機構嘗試應用了人工智能，比如 Bridgewater，比如 Renaissance。在不同的機構里，人工智能發(fā)揮的作用相同嗎?
鄧：不清楚。因為金融領(lǐng)域不像科技領(lǐng)域那么開(kāi)放�？萍碱I(lǐng)域的開(kāi)放、開(kāi)源，會(huì )帶來(lái)整個(gè)平臺的提高，從而創(chuàng )造價(jià)值。而金融領(lǐng)域的對抗性更強，一旦對手學(xué)會(huì )了你的方法，你的方法就沒(méi)有用了。而且科技領(lǐng)域即使方法相同，對手沒(méi)有數據也無(wú)法復制你的成功，金融領(lǐng)域的數據則相對公開(kāi)。
Q：在 Citadel 這樣的機構里，交易員和人工智能科學(xué)家的工作有什么區別?
鄧：我其實(shí)不了解交易員的工作，但人工智能科學(xué)家的工作邏輯會(huì )和 AlphaGo 做圍棋有點(diǎn)像。圍棋如此大的一個(gè)搜索空間，人工智能仍然能獲得很大成功，其根本原因是規則確定，且自行對抗的時(shí)候輸贏(yíng)作為輸出也一目了然。金融領(lǐng)域的問(wèn)題也類(lèi)似，結果一目了然，唯一的區別在于圍棋的規則確定性更強，金融則更為復雜，除了兩方博弈，還要考慮多個(gè)狀態(tài)間的互相關(guān)聯(lián)。
Q：傳感器讓我們獲得了關(guān)于世界的大量數據，在此基礎上，人工智能能帶來(lái)多大的加成?
鄧：嚴格定義里，機器學(xué)習有兩種。一種是如今的深度學(xué)習，給定輸入輸出后，中間復雜的關(guān)系不再需要人撰寫(xiě)規則進(jìn)行特征提取。它的好處是可以用非�；A的模型把過(guò)去需要大量背景知識來(lái)建立復雜模型的工作自動(dòng)完成，局限性是解釋性有限。另一種老的基于規則的機器學(xué)習方法則能夠給出解釋性，結果不是很好，但是出了問(wèn)題后知道如何改正。我認為將來(lái)的發(fā)展方向是，將新方法和老方法結合在一起，取長(cháng)補短。結合得比較好的話(huà)會(huì )有一些不一樣的成果。
Q：我們是一家做人體動(dòng)作捕捉的公司，傳統做法是借由陀螺儀、加速度、電磁等傳感器，測量骨骼并對人的動(dòng)作并進(jìn)行建模。然而由于測量精度已經(jīng)基本達到傳感器的極限、傳感器成本無(wú)法再大幅度下降等問(wèn)題，導致動(dòng)作捕捉技術(shù)的應用場(chǎng)景非常有限。請問(wèn)深度學(xué)習能否對強烈依靠測量的動(dòng)作捕捉領(lǐng)域有所改進(jìn)呢?能否讓我們可以用更少的、更簡(jiǎn)單的傳感器來(lái)增強移動(dòng)性和實(shí)時(shí)性呢?
鄧：近期的深度學(xué)習有一個(gè)新的概念叫 GAN(生成對抗網(wǎng)絡(luò ))有可能幫你們解決這個(gè)問(wèn)題�，F在它主要還是在圖像生成領(lǐng)域，如果你能將它擴展到動(dòng)態(tài)領(lǐng)域那可能對你的工作比較有幫助。GAN 和之前模型的主要區別在于，之前模型直接從數據進(jìn)行生成，很難保證它和真正的圖像沒(méi)有區別，GAN 的基本思想是，讓生成出來(lái)的圖像(或視頻、自然語(yǔ)言)即使和訓練數據放在一起，也看不出區別。它的實(shí)現原理是建立兩個(gè)神經(jīng)網(wǎng)絡(luò )，一個(gè)叫生成器，一個(gè)叫鑒別器。鑒別器負責判別一幅圖像究竟是真的圖像還是由生成器生成出來(lái)的。兩個(gè)模型同時(shí)訓練，最后期望達到的效果是鑒別器分不出來(lái)圖像的真假，這時(shí)候的生成器，給定一個(gè)隨機變量，就能夠生成一個(gè)和原來(lái)數據沒(méi)什么區別的數據。
吳楓：在可行性方面，我的答案是肯定的。你的工作是將傳感器輸入變成關(guān)節參數，這和機器人行走領(lǐng)域很像。2015 年開(kāi)始有人工智能方法進(jìn)入機器人行走領(lǐng)域。以前的機器人一定要傳感器的反饋，然后進(jìn)行判斷、做出動(dòng)作。但是很多特殊的行為是來(lái)不及等傳感器數據的，數據處理完了，機器人已經(jīng)失去重心摔倒了。因此研究人員用神經(jīng)網(wǎng)絡(luò )，在只有少量信息(比如傳感器被遮擋得非常厲害)的時(shí)候，對未知信息做出估計和預測，進(jìn)而做出決策。這是神經(jīng)網(wǎng)絡(luò )完全可以做的。在實(shí)時(shí)性方面，這個(gè)挑戰很大，主要受到計算能力的制約。實(shí)際上在人工智能的發(fā)展中，計算資源是主要的一個(gè)制約因素，如果有好的計算能力，很多方法都可以投入應用�，F在很多人在做神經(jīng)芯片，比 TPU 對矩陣的加速還要更進(jìn)一步，用高密集度，比如百萬(wàn)個(gè)核，用仿生結構實(shí)現高效率低能耗的計算。
【跳槽、行業(yè)前景、模型等創(chuàng )業(yè)者想問(wèn)的，鄧力這樣說(shuō)】相關(guān)文章：
創(chuàng )業(yè)者的人格素質(zhì)模型03-26
中國什么行業(yè)前景好?11-23
我國什么行業(yè)前景好?03-07
現在什么行業(yè)前景好？03-23
現在農村什么行業(yè)前景好?03-12
創(chuàng )業(yè)者要學(xué)會(huì )借力使力03-04
小本創(chuàng )業(yè)什么行業(yè)前景好03-03