经常有某某老板告诉我,公司要成立AI中心、算法中心,或类似的中心。我听了大概率会晕倒。
在学术界,AI基本等同于算法。在工业界截然不同,算法只是AI的一部分。
如果你的算法不解决问题,那么在公司里,研究它干什么呢?
当然,你是奔着解决问题去的。但你怎么知道所研究的算法,就一定解决你的问题呢?
或者,你能否准确定义你的问题组成,以及AI在这些问题里承担的角色?
![](https://smart.postno.de//wp-content/uploads/2019/04/robin-sommer-559996-unsplash-1024x683.jpg)
事实上,很多人两眼一抹黑,根本搞不清楚AI落地的场景和能力需求,就匆匆忙忙,人云亦云,组建团队搞AI去了。结果是时间耗掉了,成本投出去了,产出基本没有。
学术界AI吹得热火朝天,今天一个算法明天一个概念,似乎AI就要解放全人类。但这些都是停留在paper上的,哪怕你每天追最新AI会议的论文,在现实中也解决不了任何问题。
AI在工业界追求落地,并不意味着paper上的算法,就能随意整合进你的生产环境。这里面涉及的因素太多。
我带的一个团队,研究的是业界最新的AI技术,基于手机的深度摄像头进行动作捕捉和3D重建。动作捕捉算法是用深度神经网络搞的。算法重要吗?固然重要。但是,这个项目能否落地,不止是AI算法问题。还有一系列的上下游生态要打通,比如苹果的开发环境,硬件成像技术,模型的平滑方法,3D渲染能力。这里面不止有数学,还涉及到光学、人体动力学、物理学、生物学、运动学的基础知识。
我带的另一个团队,搞推荐的。你或许认为推荐算法至关重要,一定程度上没错。但是在工程实际中,比算法更重要的是数据。数据的准确性、完整性、实时性,比什么推荐算法都有效。不管用LR、FM、xgboost,还是WDL,算法能提升10个点的效果,就顶天了。但是有效的数据改进,能随便提升几十个点。我们花在数据平台建设上的投入,要远大于算法建设。
所以,脱离实际生产环境和具体的场景需求,谈AI在产业落地,是不现实的。盲目的AI计划,并不能给产业赋能,它只会浪费你的成本,降低你对未来的信心。