美國人工智慧年會(AAAI-2017) “AI IN PRACTICE”總結
雷鋒網按：本文作者嚴肅，矽谷密探主筆。雷鋒網獲授權發佈。
這屆美國人工智慧年會(AAAI)，利用舉辦地在三藩市的地利，特別開設了為期一天的“AI in Practice”的討論，邀請了8家科技公司人工智慧的技術主管，分享在各自領域的技術進展。
本文我們邀請了人工智慧領域的資深投資人龍滔，結合會議的要點和工作的實踐來一起探討人工智慧在業界的實踐。
從實際應用角度來看，關鍵性的應用幾乎不允許發生錯誤，一旦發生故障可能造成人員和財產損失，所以對整體系統包括硬體和軟體的可靠性要求非常高，實現難度也隨之加大。
而面向物理世界的應用，要求系統的魯棒性強，能夠處理物理世界的各種不確定性和複雜性。
因此，從數位/物理世界、關鍵/非關鍵應用兩個維度來分析，人工智慧的應用分成四大類，
第一類是發生在物理世界的關鍵性應用
，比如無人駕駛，畢竟人命關天。
第二類是發生在數位世界的關鍵性應用
，比如涉及到金融領域和電腦安全領域的問題，可能直接造成財產損失。
第三類是發生在物理世界的非關鍵性應用
，比如掃地機器人。
第四類是發生在數位世界的非關鍵性應用
，比如推薦系統。就商業應用路線而言，一般規律是從數字世界的非關鍵應用開始，逐步滲透到物理世界的關鍵應用。
發生在物理世界的關鍵性應用
總體而言，發生在物理世界的關鍵性應用技術難度非常大，比如高級別的無人駕駛，是需要長時間的培育和等待的領域。
“AI in Practice”的演講者之一，來自穀歌的Vincent Vanhoucke以及Waymo(谷歌的無人駕駛公司)的Dimitri Dolgov都分享了一些研發機器人和無人駕駛的經驗和教訓。
Vincent所帶領的Google Brain團隊目前工作主要集中在三個領域：語音辨識、電腦視覺、機器人。而Dimitri引用了加利福尼亞車管局(DMV)提供了2016年關於無人駕駛里程及失靈(Disengagements)的資料（失靈時需要人類司機來駕駛），這個資料也基本驗證了無人駕駛的難度。
失靈比例最低的是穀歌，每5128英里失靈1次，可以想像的是，谷歌無人駕駛的測試資料依舊是在一定的限定環境下，特斯拉則是3英里就失靈1次。
即使是按照谷歌無人車現在這個資料，在駕駛如此高頻的情況，離完全的無人駕駛（Lever 4 or 5）還有很長一段距離。
按照長期以來的工業界的實踐，把可靠性從90%提升到99%，往往比0%提升到90%難很多，然而從99%提升到99.99%比從90%提升到99%更難，而我們對無人駕駛可靠性的要求可能要超過99.9999%。
實現固定場景的幾個英里的無人駕駛距離實現高級別無人駕駛還有漫長的一段路要走，此外無人駕駛汽車從設計到生產的週期還需要額外的3到5年的時間，
該行業的創業公司的週期會非常長
。不過值得一提的是，限定場景（比如高速公路）下的無人駕駛或者輔助駕駛依然很有意義。
（Vincent Vanhoucke）
Vincent Vanhoucke演講的最後一部分集中在機器人！他說之前還沒進入機器人領域時，看到DARPA挑戰賽中機器人的各種摔倒鏡頭會大笑，然後真正開始接觸之後，就再也笑不出來了。機器學習的研究人員會想當然地認為機器人已經大規模使用機器學習技術、想當然地認為機器人和環境狀態完全已知、想當然地認為樣本充足、想當然地認為電腦類比十分逼近真實物理世界。從這個角度，機器人領域給機器學習提供了很多有意思的話題。
第一：如何協調感知和執行是機器人的關鍵。
機器人的感知是軟體層面，而執行則是機械層面。做演算法的不懂機械，做機械的不懂軟體往往是業界共同面臨的問題。
第二，如何提高樣本的有效使用再次成為核心問題。
發生在物理世界的訓練樣本往往獲取非常困難，以機器人手臂隨機抓取物體的實驗為例，Google為了獲得訓練樣本，只能以14台機械臂在那裡日夜不停地獲得訓練資料。如何高效率的獲得樣本，或者是高效能的使用樣本，將是極其核心的問題。
第三：機器人領域涉及強化學習、無監督學習、主動學習。
對於機器人領域的核心技術強度學習，特別是深度強化學習(Deep Reinforce Learning)，幾乎所有我們拜訪的工程師，包括Vincent一致認為技術實現的難度非常大。
第四：閉環控制系統對於改善性能極為必要。
第五：需要新的資料結構，用於表示運動學連結（Kinematic chain）、圖像的卷積、運動軌跡。
在之後的問答環節，他對遷移學習抱有厚望。
老牌的IBM業務多元化、而且絕大部分是面向企業服務市場（to B）。因此，Michael Witbrock提出對於人工智慧領域的研究路線更為系統、同時也更為傳統。
他提到
對世界的大規模建模
，由之前明確的、符號化的、分解的建模方式，逐漸融合隱形的、統計的建模方式。例如之前機器人動力學方程中對於摩擦力這類非線性變數的建模和求解時，難度就不小。
IBM 強調了符號主義的重要性，認為知識表達、邏輯在解決複雜問題中非常重要。
基於邏輯的傳統知識表示值得引起我們的重新思考(Rethink)。
IBM在此方面的研究優勢是既有硬體，又有軟體。在整個IBM的研究人員Michael Witbrock演講中，他很自豪地介紹IBM過去在人工智慧領域取得的進展，並且已經廣泛部署到多個領域，其中有一項是在人力資源領域的應用。
對比一個國內的案例，某乳品巨頭的人力資源負責人在談到人工智慧在人力資源領域的應用時不屑一顧地談到人力資源的工作富有人情味，冷冰冰的機器如何應對。其實，LinkedIn的職位招聘不也是人力資源的一部分嗎？
傳統行業如何面對高科技的進步，被顛覆還是主動整合，看似簡單的答案要落到實地並不容易。
值得重視的是，隨著人工智慧應用入侵傳統行業，通常需要對控制物件所處的物理環境建模，這一塊是比互聯網更廣闊的天地，機會更多，當然也更難。
發生在數字世界的非關鍵性應用
從實現難度而言，發生在數字世界的非關鍵性應用最容易發生，實際上推薦系統就是一個很好的例子，一方面大家對推薦商品的準確性相對寬容。
發生在數字世界的非關鍵性應用擠滿各種互聯網公司巨頭，創業公司在這個領域想有所作為也很難，或許還有垂直領域有些機會。而創業公司如何突破人才、資料、計算資源的局限，尋找生存空間值得進一步探討。
代表Quora出場的Xavier Amatriain恰好就回答了這個問題。Quora是家是中小型的創業公司，是美國的問答網站（類似於國內的知乎）。Quora只有85位技術工程師，其中僅僅兩位研究員。人才寥寥、計算存儲資源不多、資料也不是那麼充足，
創業公司怎麼能夠避免一些技術彎路，正確應用人工智慧技術呢？Xavier總結了他這麼多年在機器學習實際工作的一些教訓。
1. 更多的資料還是更好的演算法？
Xavier認為更好的演算法更為重要；
對於小公司而言，本身資料量就少，而獲得標記的資料更是需要額外的成本。小公司堆資料肯定是堆不過大公司，所以選擇把精力放在優化演算法上往往比選擇把精力放在獲取資料上更高效
當然一方面小公司也需要不斷地積累資料。
2. 複雜模型還是簡單模型？
Xavier認為模型和特徵選取需要匹配；
模型不是越複雜越好，在創業公司往往是不管黑貓白貓，能抓到老鼠就是好貓。根據界定的問題，選取與特徵相匹配的模型。
3. 什麼情景下用監督學習還是非監督學習？
Xavier認為非監督學習可以降低維度、並對特徵做工程突破。在某些情況下，將監督學習和非監督學習結合，效果出奇的好；
4. 多種演算法的組合還是單一演算法？
Xavier提出應該盡可能使用組合演算法，不同于強調原創性的學術研究，創業公司更需要“拿來主義”，只要能用上，多嘗試不同的演算法組合來提高準確率是個明智的選擇。
5. 不要將一個模型的輸出作為另一系統的輸入
Xavier警告說這會是系統設計的噩夢。
發生在數字世界的關鍵性應用和發生在物理世界的非關鍵性應用
發生在數字世界的關鍵性應用和發生在物理世界的非關鍵應用對創業公司而言是機會比較多的領域。比如將人工智慧用於金融領域和安全領域。又比如掃地或是玩具機器人是一個典型的發生在物理世界的非關鍵性應用。
這兩個領域是創業公司最有機會的。
人工智慧顛覆性的理論突破仍需等待
通過神經科學或是其他學科與計算科學交叉，尋找人工智慧新理論的突破仍停留在理論研究階段。
雖然深度學習已經獲得不少進展，然而大家至今很多領域依舊是知其然而不知其所以然，而人工智慧其實理論研究獲得的突破依舊。
（Gary Marcus）
對於現在基於概率和數理統計的深度學習而言，紐約大學神經科學教授Gary Marcus希望從神經生物學的角度尋找人工智慧的突破。他剛剛加入新成立的Uber AI Lab。我們在此斷章取義地引用他的觀點，“目前對於人工智慧最大的擔心是技術發展停滯不前”！這也是我們所擔心的。
在近幾年深度學習的浪潮中，人工智慧領域的進展更多是工程推進，而不是理論突破，尤其是海量資料和超大規模的暴力計算。正如Peter Norvig曾經談到Google在人工智慧的出色表現時，就評論到“我們沒有更好的演算法，我們僅僅是有更多的資料”。
而對於通用人工智慧(Artificial General Intelligence)，Gary繼續批評過去幾十年徘徊不前。現階段的智能不能像人一樣閱讀、理解、推理，無人駕駛的安全也不足以讓人信服……
人工智慧研究的道路依舊任重道遠!