人工智能五问

懒人曾在面向互联网的人工智能领域混过。

虽然不是什么大牛,但也落地了几个项目。

在AI依然大热的今天,我谈几个问题和看法。

(一)人工智能背后是什么原理?

AI的本质就是对结果的拟合过程。

普通编程工作是这样,给定条件A,编写过程B,然后输出结果C。

AI是这样,给定条件A和结果C,在此基础上,训练算法去实现过程B。

这里,条件A叫特征,结果C叫标签,B就是指模型或算法。

AI训练过程就是让算法不断迭代,最大可能的拟合结果。

评估模型是否合格,就是看算法的拟合程度。

训练出来的模型,其实是一种统计方法,在输入新的条件A时,预测新的结果C。

上述描述指的是监督学习,这也是在工业界基本落地的机器学习方式。

(二)人工智能有用吗?

有用没用是相对的,取决于特定业务场景。

如果一件事物,有迹可循,并且做好它需要大量重复的人力劳动,那么AI产出有价值。

比如医院的X光看片,安防行业的人脸识别,客服领域的自动语音服务。

但如果一件事本身没有规律可循,或者不可控的条件太多,那么AI没什么作用。

比如股市预测,没见谁用AI发了财的。

比如2018世界杯,算法工程师可以借力AI来赌球吗?天台为你准备。

(三)怎么看All in AI?

这个提法有点悬。AI最大的问题在于落地。

AI能否落地,一是对业务的了解与融合程度,二是上下游生态成熟度,包括软硬件环境。

我看到很多AI项目设想起来很美好,其实是落不了地。

比如,目前手机芯片的算力问题、手机屏幕的大小问题、手机摄像头成像结构问题。

这些因素限制了很多高端AI算法在移动端的实现。

(四)人工智能真的那么智能吗?

用户使用了某款AI驱动的产品,比如一键变大长腿,还是很震撼,会感叹AI的智能。

但对AI算法工程师来说,有一句经典的话:

有多少人工,就有多少智能。

此话一点不假。

所谓的智能,也就是那套拟合算法,是付出大量的人力得来的。

人力付出在于数据组织上,在于神经网络设计上,在于模型调参上,在于反复的训练和评估上。

光是数据采集、预处理、打标签,就是一项异常庞大的工程,而且还容易出错。

人工智能的产生过程并不智能。

相比普通程序员,AI工程师不仅输出密集的脑力,还付出大量体力。

所以AI工程师很贵。

(五)如何进入人工智能行业?

请看一万小时定律:

一万小时的锤炼是任何人从平凡变成世界级大师的必要条件。

这一行同样没有捷径。

看数学书,微积分、线性代数、概率与统计。

看神经网络、深度学习方面的书,目前的AI都集中在深度学习领域。

看编程相关的书,Python、C++。

看机器学习视频,比如吴恩达的。

学习领域方向的知识,比如CV(视觉)、NLP(自然语言)、语音。

学习使用框架,比如Keras、Tensorflow、PyTorch。

深入了解业务和数据,这是做任何项目的前提。

知乎同样有一些不错的帖子,比如这篇

Print this entry