0
（雷鋒網(wǎng)）
作為斯坦福大學(xué)計算機(jī)科學(xué)系和電氣工程系的客座教授，吳恩達(dá)一直致力于深度學(xué)習(xí)的研究。在不同的場合，他一再表示：深度學(xué)習(xí)還有很大的潛力，是一項(xiàng)被證明有效的技術(shù)，我們需要繼續(xù)加大投入。
為此他做了很多努力：其與達(dá)芙妮·科勒一起創(chuàng)建的在線教育平臺Coursera影響了數(shù)百萬的AI學(xué)習(xí)者；所開發(fā)的人工神經(jīng)網(wǎng)絡(luò)通過觀看一周YouTube視頻，自主學(xué)會識別哪些是關(guān)于貓的視頻為人工智能領(lǐng)域翻開嶄新一頁。
近日，MIT的 AI 科學(xué)家 Lex Fridman 對吳恩達(dá)進(jìn)行了專訪，在接受采訪的時候，從在線教育平臺Coursera談到了初學(xué)者如何進(jìn)入AI領(lǐng)域，并講解了他認(rèn)為的最高效的“學(xué)習(xí)姿勢”是什么樣的。
另外，其還回憶了他的第一個博士生，并簡單介紹了當(dāng)時研究直升機(jī)的項(xiàng)目......專訪視頻如下，由于視頻過長，AI科技評論在不改變吳教授邏輯的情況下，進(jìn)行了有刪改的編譯。
視頻內(nèi)容：
Andrew Ng: Deep Learning, Education, and Real-World AI | AI Podcast with Lex Fridman
1、Youtube鏈接：
https://www.youtube.com/watch?v=0jspaMLxBig
2、騰訊視頻鏈接：
https://v.qq.com/x/page/k3071n26rvo.html（由網(wǎng)友上傳）
我在香港和新加坡長大，第一次接觸代碼還是5、6歲的時候，當(dāng)時我學(xué)習(xí)基礎(chǔ)的編程語言，將一些代碼編入計算機(jī)里，當(dāng)時我也非常喜歡做一些編碼實(shí)例。
我在我的舊電腦上面實(shí)現(xiàn)我的想法，沉迷于將課本上的代碼復(fù)現(xiàn)到電腦上，因?yàn)槲矣X著用編程幫助我玩視頻游戲非?？幔∧挲g稍微大點(diǎn)，我就和我的醫(yī)生爸爸就閱讀相關(guān)的專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)知識，那時在計算機(jī)里寫代碼，然后展示智能是真的很棒！
高中的時候，我在辦公室做助理實(shí)習(xí)，期間做了很多復(fù)?。╬hotocopy）的工作，當(dāng)時我就想，如果能寫一些軟件來造一個機(jī)器人來讓一些工作自動化，那該多棒。
從那時起，我的很多工作都圍繞著自動化這一主題展開，直達(dá)今天。我仍然以自動化為中心，甚至今天的機(jī)器學(xué)習(xí)在寫一些學(xué)習(xí)算法方面也非常出色。
另外，我在Coursera上也嘗試了將自動化應(yīng)用到校園教學(xué)上面。我在斯坦福教授機(jī)器學(xué)習(xí)的時候，每年會有大約400名學(xué)生，每一年我都會在相同的教授，拍攝相同的教學(xué)視頻，甚至講相同的笑話。我在想為什么我不用在最后一年拍攝的教學(xué)視頻，然后花更多的時間和同學(xué)們建立深刻的關(guān)系 ？這啟發(fā)了我的思考，然后我們發(fā)起了第一步的行動。
其實(shí)大多數(shù)人都不知道，我放在網(wǎng)上的教學(xué)視頻大多是晚上10點(diǎn)到凌晨3點(diǎn)之前錄制的。一開始的時候，壓力很大，我們想過要放棄，但是有十萬人注冊，成千上萬的人的期待促使我走向錄音棚，走向辦公室。開始錄制之前都會調(diào)整我的講課邏輯，調(diào)整歡迎致辭，開著麥克風(fēng)，然后開始錄制，每每都會到夜里兩三點(diǎn)，但是創(chuàng)作內(nèi)容的想法鼓勵著我希望有很多人學(xué)習(xí)機(jī)器學(xué)習(xí)。
我告訴我的團(tuán)隊(duì)，我們首要任務(wù)是做對學(xué)習(xí)者有利的事情，每當(dāng)我往錄音棚走去，我腦子唯一的想法是我能說什么，如何才能讓學(xué)習(xí)者盡可能的了解機(jī)器學(xué)習(xí)概念。我認(rèn)為我們做了對的事情，我一直在堅(jiān)持基本原則，做對學(xué)習(xí)者最好的事情，即使學(xué)習(xí)者可能來自全球各地。
我很想幫助任何對機(jī)器學(xué)習(xí)感興趣的人進(jìn)入這個領(lǐng)域，你可能會好奇，為什么要發(fā)給這么多的時間來解釋梯度下降，其實(shí)回想一下學(xué)習(xí)的基本要求就知道了：任何進(jìn)階技能都可回溯到基礎(chǔ)概念。當(dāng)然，對人工智能感興趣的人非常多，這里面可能包括開發(fā)商，程序員，他們可能來自世界各地。確定的是，感興趣的人數(shù)還會隨著時間的推移而增長，所有的這些東西都不會憑空而來，所有一蹴而就的成功都需要花時間才能實(shí)現(xiàn)。
我第一次接觸到在線教育是把我在斯坦福講課的視頻傳到Y(jié)ouTube上面，隨后也建了網(wǎng)站，建造網(wǎng)站的好處是讓我可以進(jìn)行迭代，讓我們實(shí)現(xiàn)一些想法。當(dāng)時非常興奮，尤其開發(fā)了一個特別的登錄功能，即可以讓多個人同時登錄此網(wǎng)站，能夠讓多人同時看視頻。當(dāng)前的一些網(wǎng)站大多不支持此項(xiàng)功能，畢竟如果你已經(jīng)登錄了，我再想登錄，那么只有你注銷才可以。當(dāng)然也有許多失敗的教訓(xùn)，其實(shí)如果有一些東西看起來很棒，然后沒有人使用，那么它實(shí)際上并沒有你認(rèn)為的那么棒。
2、機(jī)器學(xué)習(xí)會像教育一樣普及
整個機(jī)器學(xué)習(xí)運(yùn)動的興起，并不是憑空而來，越來越多的人在學(xué)習(xí)機(jī)器學(xué)習(xí)，進(jìn)入這個領(lǐng)域的人還會影響他的朋友，所以這個AI學(xué)習(xí)者的比例還會不斷的增長。
尚不清楚AI開發(fā)人員占總開發(fā)人員的多少，但是占到50%以上的比例還是非常輕松的。畢竟AI不僅涉及機(jī)器學(xué)習(xí)建模，還要涉及機(jī)器學(xué)習(xí)基礎(chǔ)設(shè)備、數(shù)據(jù)管道等。就像今天的開發(fā)工程師或多或少的都對“云”有些理解，但并不是都在工作里需要“云”。
我認(rèn)為這種現(xiàn)象以后在某種方式上會適用于AI開發(fā)者。曾幾何時，只有一小部分人識字，也許你認(rèn)為不是每個人都需要學(xué)會讀和寫，這些人只需要聽就夠了？但是當(dāng)一個國家的人基本上都認(rèn)識字的時候，這大大的促進(jìn)了人與人之間的交流。
在計算機(jī)方面，仍處于這個階段，如果人人都認(rèn)識代碼，都曉得機(jī)器學(xué)習(xí)，這在某種程度上類似于識字教育普及。但隨著機(jī)器學(xué)習(xí)和數(shù)據(jù)規(guī)模的上升，我發(fā)現(xiàn)的是，我認(rèn)為在日常生活中，在工作中具體使用數(shù)據(jù)分析的人數(shù)非常多。
如果你在經(jīng)營一家商店，如果你能分析你的客戶的銷售數(shù)據(jù)，那么你的價值非常高。在某種程度上這些人是數(shù)據(jù)科學(xué)家，因此，我認(rèn)為機(jī)器學(xué)習(xí)的數(shù)據(jù)跡象可能比軟件工程更容易進(jìn)入發(fā)達(dá)國家。
Peter是我的我第一個博士生，他有著評判性思維，當(dāng)時他的博士學(xué)位研究主題是用強(qiáng)化學(xué)習(xí)控制無人直升機(jī)，直到現(xiàn)在你都可以在斯坦福網(wǎng)站上看到這些視頻。這項(xiàng)研究非常難，有一些事情無法克服，例如當(dāng)直升機(jī)倒飛時，你如何找出位置？如何定位直升機(jī)？我們嘗試了很多方法，但顯然問題出在GPS硬件上，當(dāng)時想過用兩個GPS定位，但沒有成功。為了解讀GPS信號，我們瘋狂索復(fù)雜的專門硬件配置，經(jīng)歷了很多失敗，最后解決方法采用在地面上安裝攝像頭解決定位問題。斯坦福那時候有很多強(qiáng)化學(xué)習(xí)的理論文章，但是實(shí)際應(yīng)用并不多，所以我們的研究在當(dāng)時非常有名。
我們今天可能又回到了原點(diǎn)，強(qiáng)化學(xué)習(xí)的進(jìn)展目前如此令人興奮，但我們?nèi)匀辉趯ふ腋嗟膽?yīng)用場景。我非常喜歡研究理論，我希望我所做的工作會對人們產(chǎn)生積極的影響。我還記得，多年之前，我們和一位數(shù)學(xué)教授討論的時候，當(dāng)他說道他想做的事情的時候，他的眼里充滿了小星星，他說我之所以研究數(shù)學(xué)，是因?yàn)樗鼛椭藗儼l(fā)現(xiàn)真相以及宇宙的美麗。所以，全力支持以及帶著尊重看別人的觀點(diǎn)非常棒，當(dāng)我看到我的團(tuán)隊(duì)正在幫助人們的時候，也會非常有動力。
這個世界上需要各種各樣的人，我只是其中一個，并不是每個人都像我一樣做事情，但是當(dāng)我鉆研理論或者實(shí)踐的時候，如果我堅(jiān)信這是一條幫助別人的道路，滿足感就會非常強(qiáng)烈。我們也有忽略的東西，那就是早期無監(jiān)督學(xué)習(xí)的重要性，在谷歌大腦的早期，我們在無監(jiān)督學(xué)習(xí)上投入的精力遠(yuǎn)超有監(jiān)督學(xué)習(xí)。當(dāng)前我們所知道的大部分都是通過有監(jiān)督的學(xué)習(xí)來實(shí)現(xiàn)，從絕對有問題的論點(diǎn)來看，人類獲取信息的方式是通過查看圖像、收聽音頻和感悟他在這個世界上的經(jīng)歷。
所以無監(jiān)督的學(xué)習(xí)非常重要，當(dāng)然，這不是說有監(jiān)督學(xué)習(xí)不重要，畢竟早在幾年前，很多人認(rèn)為這才是進(jìn)步的方向。但是我們對“規(guī)?！钡奶剿骺赡苁钦_的，畢竟規(guī)模能夠?yàn)橄到y(tǒng)帶來性能。我在斯坦福小組的名為Adam成員經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，我們訓(xùn)練的學(xué)習(xí)算法規(guī)模越大，效果越好。
為此他還畫了一個圖，并說服了我：當(dāng)模型的規(guī)模比在GPU上所做的大的多的時候，便能夠得到一個非常好的結(jié)果。或許這是一種有爭議的文化，當(dāng)時有很多朋友都說我追求規(guī)模的舉動非常糟糕。但是我發(fā)現(xiàn)，如果你想取得突破，你必須對你所做的事情有信心，在事情流行之前做一些事情，會讓你更有影響力。
其實(shí)數(shù)據(jù)集的規(guī)模和學(xué)習(xí)機(jī)制都很重要，當(dāng)然這依賴于特定的問題，目前已經(jīng)有幾個數(shù)據(jù)表明，在基本錯誤率方面，我們正在接近或超過人類水平。如果我們看看最近使用你們的語言模型取得的突破，例如GPT-2和Bert，就會發(fā)現(xiàn)這是架構(gòu)和規(guī)模的結(jié)合。
我們已經(jīng)在管理cold thing方面在逐漸成熟，例如版本控制。但是我們在管理數(shù)據(jù)集方面并不成熟，例如軟件上一些亂七八糟的數(shù)據(jù)問題。高質(zhì)量數(shù)據(jù)集也非常重要，舉個例子，當(dāng)我們與制造公司合作時，標(biāo)簽不一致的情況非常多。（雷鋒網(wǎng)）
對于大型互聯(lián)網(wǎng)公司，有很多數(shù)據(jù)，錯幾個標(biāo)簽沒關(guān)系，但是對于小公司，并沒有大量的數(shù)據(jù)，假如只有100個數(shù)據(jù)，卻有10個錯誤標(biāo)簽，那么錯誤率就是10%，這對訓(xùn)練的影響會非常大。
一個人是如何進(jìn)入深度學(xué)習(xí)領(lǐng)域的呢？雖然大多數(shù)都是自學(xué)但是仍得益于專業(yè)化的設(shè)計。什么是序列模型？什么是注意力模型？是不是非得微積分才能理解這些概念，其實(shí)如果只在電腦上操作兩個矩陣相乘只需要高中知識就夠了。
當(dāng)然了，深入學(xué)習(xí)還需要線性代數(shù)的支撐，需要了解非?；镜闹R，了解一些編程。但是有人已經(jīng)做了機(jī)器學(xué)習(xí)的調(diào)用，所以進(jìn)行深度學(xué)習(xí)非常容易。
初學(xué)者在學(xué)習(xí)人工智能的時候，應(yīng)該多實(shí)踐，了解算法之間的不同之處，一開始不要費(fèi)心去收集數(shù)據(jù)。在學(xué)習(xí)的過程中要進(jìn)行自我測試，花時間修改架構(gòu)，嘗試新東西，高效的構(gòu)建神經(jīng)網(wǎng)絡(luò)，但規(guī)模也不要太大，神經(jīng)網(wǎng)絡(luò)的規(guī)模要在你可支出的范圍之內(nèi)即可。
你可以在前六個月建立一個完整項(xiàng)目，眼光不要只放在數(shù)據(jù)這一個小的方面。必須著手構(gòu)建實(shí)用的機(jī)器學(xué)習(xí)的系統(tǒng)思維框架，打個比方，我們在學(xué)習(xí)編程的時候哦，必須必須學(xué)習(xí)一些語法，Python也好，C++也好。但同樣重要的是，也許編碼中更重要的部分是理解如何將這些代碼融合在一起。什么時候應(yīng)該在函數(shù)列中放置一些東西？
你什么時候不放置？什么樣的框架能讓程序員更加高效？我記得當(dāng)我在卡內(nèi)基梅隆大學(xué)讀本科時，我的一個朋友會先試著用代碼來調(diào)試他們的代碼。他每一行都要注意語法錯誤。語法錯誤是可怕的，應(yīng)該學(xué)習(xí)如何調(diào)試。另外，機(jī)器學(xué)習(xí)程序中調(diào)試的方式與二進(jìn)制搜索方式非常不同。
非常擅長調(diào)試機(jī)器學(xué)習(xí)算法的人，會讓某些東西工作起來的速度很容易就快了10倍，也許是幾百倍，他們調(diào)試的過程非常高效。與學(xué)習(xí)數(shù)學(xué)類似，深度學(xué)習(xí)的一個挑戰(zhàn)是，有太多的的概念。如果你忽略了概念，那么你就可能弄不清后面要做的事情的前提條件。（雷鋒網(wǎng)）
因此，在深度學(xué)習(xí)的專業(yè)化學(xué)習(xí)中，要盡量打破概念，最大限度提高可理解性。這樣的話，當(dāng)深入學(xué)習(xí)時，就會有足夠的信心。另外，我發(fā)現(xiàn)，如果我嘗試教給學(xué)生最有用的技巧，并讓他們即刻使用，就會縮短他們“強(qiáng)制”學(xué)習(xí)的時間?，F(xiàn)在的世界變化太快了，也許幾年的時間就會天翻地覆，但我認(rèn)為我們還需要更多的進(jìn)行強(qiáng)化學(xué)習(xí)。
深度學(xué)習(xí)令人如此興奮，但人工智能團(tuán)隊(duì)不應(yīng)該只使用深度學(xué)習(xí)，我的團(tuán)隊(duì)就會使用一系列的工具。有時候我們使用PC電腦，試圖在PC上找出解決問題的原因，有時候使用代理模型，有時候使用草稿，這里面或許會有一些對行業(yè)有巨大影響的內(nèi)容。
多樣化的技能可以幫助我們發(fā)現(xiàn)更適用解決問題的工具。在學(xué)術(shù)方面我也有期望。假如我只做學(xué)術(shù)，并且有無限的預(yù)算，不用擔(dān)心短期的影響的話，我會把所有的精力都花在研究無監(jiān)督學(xué)習(xí)上，因?yàn)闊o監(jiān)督學(xué)習(xí)是一個美麗的想法，它讓人興奮。舉一個自監(jiān)督學(xué)習(xí)的例子：我在網(wǎng)上抓取了一些無標(biāo)簽的圖像數(shù)據(jù)，數(shù)據(jù)的種類各種各樣，那么我會將每張圖片旋轉(zhuǎn)、翻轉(zhuǎn)，然后訓(xùn)練一個有監(jiān)督的神經(jīng)網(wǎng)絡(luò)預(yù)測圖片原來的方位。
因?yàn)樾D(zhuǎn)了圖片，所以產(chǎn)生的有標(biāo)簽的數(shù)據(jù)就是無限多。研究人員已經(jīng)發(fā)現(xiàn)，通過無標(biāo)簽數(shù)據(jù)和捏造標(biāo)簽數(shù)據(jù)集，然后訓(xùn)練一個大型的新網(wǎng)絡(luò)，采用隱藏層表示并使用遷移學(xué)習(xí)能夠?qū)⑵滢D(zhuǎn)移到另一個強(qiáng)大的算法上面。無監(jiān)督學(xué)習(xí)越來越重要，并且在現(xiàn)實(shí)世界里發(fā)揮著作用，尤其是在計算機(jī)視覺領(lǐng)域，此概念融合其他學(xué)科的概念會讓人興奮。
我對稀疏編碼也非常感興趣，我看到過一個慢特征分析，其想法可以追溯到我們十年前的工作內(nèi)容，但當(dāng)時我們都被監(jiān)督學(xué)習(xí)所分散精力，所以希望研究者可以圍繞主題探索更多的工作，以便能夠出圈。
對于初學(xué)者來說，大概是16周可以完成深度學(xué)習(xí)專門的課程，也有的人在不到一個月的時間完成學(xué)習(xí)、也就是說，這取決于個人情況，我們在Course上面提供了非常專業(yè)化的課程，非常容易獲得，也很實(shí)惠。如果學(xué)生經(jīng)濟(jì)困難，那么就可以申請經(jīng)濟(jì)援助也是可以的。
在學(xué)習(xí)深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的時候，養(yǎng)成學(xué)習(xí)習(xí)慣是關(guān)鍵，因?yàn)檫@意味著規(guī)律性。對我自己來說，我養(yǎng)成了每周六和周日花點(diǎn)時間看書或?qū)W習(xí)的習(xí)慣，習(xí)慣會讓人變得更容易。所以就像你刷牙的習(xí)慣一樣，不會認(rèn)為那刷牙的那兩分鐘所做的事情是煩人的。
記住，學(xué)習(xí)者不需要有認(rèn)知負(fù)擔(dān)的習(xí)慣，但要做到這一點(diǎn)一開始會非常困難。確信自己能夠養(yǎng)成不需要做決定的習(xí)慣，學(xué)會堅(jiān)持不懈！讀研究論文是一件非常好的事情，“不讀論文”的能力可以來自一年里每周都讀論文，當(dāng)你讀了一百篇論文之后，你會學(xué)到很多。
關(guān)于學(xué)習(xí)的技巧，提倡手寫筆記。對于我來說，當(dāng)我深入研究某件事時，我會用手寫下來。當(dāng)然，視情況而定，不是每個人都適用，例如很多人在通勤途中的學(xué)習(xí)，書寫就非常不方便。但是總的來說，手寫筆記可以提高記憶力，能夠讓人們更多的回憶知識點(diǎn)，促進(jìn)了人們的長期注意力的集中。
然后在寫筆記的過程中，注重總結(jié)，可以寫的慢一點(diǎn)，但要對學(xué)習(xí)的內(nèi)容深層次總結(jié)。在學(xué)習(xí)過程中，實(shí)際上課程作業(yè)是人們進(jìn)入新領(lǐng)域并學(xué)習(xí)概念知識的一種非常有效的方式。
博士生如果想投入研究，實(shí)際上最好的做法，是在開始幾年的花時間奠定基礎(chǔ)，雖然頭幾年的工作效率比較低，但是長遠(yuǎn)來看，確是非常棒。從小事做起，循序漸進(jìn)，不要一上來就處理大項(xiàng)目，可以拿小項(xiàng)目練練手。當(dāng)然，最關(guān)鍵的是先邁出第一步，然后再邁出一小步。
機(jī)器學(xué)習(xí)中最令人著迷的事情就是即使你沒有博士學(xué)位也能做一些有影響力的事情。
當(dāng)然了如果有人被麻省理工或者斯坦福等頂尖高校錄取，那么也是一次極好的經(jīng)歷。另外，如果有人想成為一所頂尖大學(xué)的教授，那么就必須擁有一個博士學(xué)位。
另外，我建議你得到一份工作的時候，要問誰是你的經(jīng)理？你周圍的同齡人都有誰？因?yàn)槲覀兌际巧鐣?，我們往往變得更像我們周圍的人。如果你為?yōu)秀的人工作，你會學(xué)得很快。如果一家公司不告訴你與誰一起工作，或者說是輪換制度，我覺著這可能是一個令人擔(dān)憂的答案，因?yàn)檫@意味著你無法與優(yōu)秀的人一起工作。
很多初創(chuàng)企業(yè)的失敗都來自于產(chǎn)品制造，因?yàn)樗麄兊漠a(chǎn)品沒人想要。我本身傾向于結(jié)果以及客戶驅(qū)動的商業(yè)模式。只有當(dāng)客戶決定給你的產(chǎn)品伸大拇指，還是小拇指的時候，才能決定你的成敗。
在短期可能會得到各種用戶的青睞，最重要的還是長期，所以當(dāng)你創(chuàng)辦一家企業(yè)的時候，要問自己一個問題：客戶會有什么想法？我們所有人都應(yīng)該只做我們認(rèn)為能創(chuàng)造社會公益、推動世界前進(jìn)的事情。無論是在企業(yè)，還是在學(xué)術(shù)環(huán)境中，最有意義的方法一直是為人們服務(wù)。
所以我個人并不想支持制造令人上癮的數(shù)字產(chǎn)品，因?yàn)檫@些產(chǎn)品只要帶著“有利可圖”的屬都能做到“上癮”。當(dāng)我還在百度領(lǐng)導(dǎo)人工智能小組時，我的工作分為兩個部分。其一是建立一個AI引擎支持現(xiàn)有的商業(yè)模式。第二個工作是嘗試啟動公司新的業(yè)務(wù)線，即把公司的人工智能使用上。
所以自動駕駛業(yè)務(wù)并入了我的小組。當(dāng)時我就想建立人工智能基金，并從零開始系統(tǒng)地打造新的創(chuàng)業(yè)公司。我想這會是團(tuán)隊(duì)追求豐富企業(yè)空間的一種重要方式。這種機(jī)制對完成項(xiàng)目，推動世界向前發(fā)展有重要的影響。非常幸運(yùn)的是，我建立了幾個研究小組，也產(chǎn)生了一些積極的影響。接下來我會用更加系統(tǒng)的方式運(yùn)營。
工作室最開始是新的概念，現(xiàn)在可能有了幾十個了，很多團(tuán)隊(duì)仍然試圖想找出如何高成功率運(yùn)行公司的方法。我的一些風(fēng)投朋友也似乎越來越多的想創(chuàng)建一家公司，而不是投資一家公司，因?yàn)樽蠲匀说氖虑槭冀K是如何創(chuàng)建一家成功的公司?，F(xiàn)在已經(jīng)在給創(chuàng)業(yè)者提高成功率方面已經(jīng)做得很好了，但是在全球范圍內(nèi)還處在早期的階段。
對大多數(shù)創(chuàng)業(yè)者來說，開一家公司真的是一件寂寞的事情，有太多的企業(yè)家不知道如何做出決定。例如在銷售的時候，在投放廣告的時候......企業(yè)家需要做出數(shù)百個決定，而在幾個關(guān)鍵決策中犯錯誤會對公司的命運(yùn)產(chǎn)生巨大的影響。因此，我認(rèn)為工作室會給初學(xué)者提供支持，讓創(chuàng)建公司不再是孤獨(dú)的經(jīng)歷。
此外，當(dāng)面對一些關(guān)鍵的決策的時候，例如在雇用第一個工程副總裁的時候，雇傭標(biāo)準(zhǔn)是什么？如何雇傭？工作室至少在關(guān)鍵時刻能給這些人一些幫助。另外也希望幫助他們對關(guān)鍵決策的“時點(diǎn)”有意識。
一家大公司如何將機(jī)器學(xué)習(xí)融入到他們的工作中呢？人工智能是一項(xiàng)通用技術(shù)，它將改變每個行業(yè)。其實(shí)，我們的AI社區(qū)已經(jīng)在很大程度上進(jìn)行了改變，大多數(shù)軟件互聯(lián)網(wǎng)并不是頂級的，其只要具備合理的機(jī)器學(xué)習(xí)能力，就有很大的改進(jìn)空間。軟件互聯(lián)網(wǎng)領(lǐng)域之外行業(yè)，例如制造業(yè)，農(nóng)業(yè)，醫(yī)療保健，物流，運(yùn)輸，有非常多的機(jī)會，但很少的人在使用人工智能。所以我認(rèn)為人工智能的下一步是改變所有其他行業(yè)。因此，我們需要更多的團(tuán)隊(duì)為這類公司工作，幫助他們部署AI。除了互聯(lián)網(wǎng)軟件行業(yè)，所有的行業(yè)都很有潛力，畢竟這是我花了很多時間在制造業(yè)、農(nóng)業(yè)、醫(yī)療保健等方面才得出結(jié)論。舉個例子，在制造業(yè)中，計算機(jī)視覺發(fā)揮了很大的作用：用深度學(xué)習(xí)訓(xùn)練一個算法，然后讓其識別產(chǎn)品是否有缺陷，然后給出工廠如何改進(jìn)的建議，以便提高產(chǎn)量和質(zhì)量。事實(shí)證明，此過程遇到的實(shí)際問題可能與你猜想可能遇到的問題大不相同。在大多數(shù)研究中，首先數(shù)據(jù)集的規(guī)模幾乎是不夠的，另一方面還需要考慮工廠的實(shí)際情況，可能模型在訓(xùn)練集上效果很棒，但如果工廠改變了一些東西，例如燈的亮度，算法的準(zhǔn)確率就不會很高。然而這些問題，學(xué)術(shù)界大多都沒有討論。
我曾經(jīng)在網(wǎng)上發(fā)表了一份《人工智能轉(zhuǎn)型手冊》，簡單的介紹了每個公司在轉(zhuǎn)型的時候應(yīng)該避免的坑。而第一步實(shí)際上是從小事做起，但是很多公司的失敗都是因?yàn)橐婚_始“大而不實(shí)”。
以谷歌大腦為例，當(dāng)時很多人認(rèn)為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)沒啥用，我和我的團(tuán)隊(duì)從小事做起，建立了一個準(zhǔn)確率高的語音識別系統(tǒng)，然后其他團(tuán)隊(duì)開始青睞深度學(xué)習(xí)。
第二個例子是谷歌地圖，我們使用計算機(jī)視覺從基本的街景圖像中讀取房屋編號，以谷歌地圖更準(zhǔn)確地定位房屋。也就是用深度學(xué)習(xí)來提高地圖數(shù)據(jù)的質(zhì)量。通過兩次的成功，我們逐步建立了人工智能項(xiàng)目的發(fā)展勢頭，然后才開始了與谷歌廣告團(tuán)隊(duì)進(jìn)行對話、合作。雖然只前期都是小規(guī)模的項(xiàng)目，但讓我們的團(tuán)隊(duì)獲得信心。
記得，我們當(dāng)時只有一臺GPU，但是卻從如何探索多人共享方面學(xué)到了很多東西，這也幫助我們團(tuán)隊(duì)思考如何將其擴(kuò)展到更大的部署。建立和部署機(jī)器學(xué)習(xí)是非常困難的，在電腦中運(yùn)行notebook文件和在具體實(shí)際情況中部署之間有著巨大的鴻溝。
很多人低估了算法部署到生產(chǎn)所要花費(fèi)的精力，一些算法在測試集上做的很好，但是用在實(shí)處卻不起作用，例如把工廠附近的樹木砍掉，測試集會發(fā)生變化，算法是否能發(fā)揮效力不得而知。在學(xué)術(shù)界，當(dāng)測試集和訓(xùn)練集之間的概率分布是不同的時候，如何處理尚未得到好的解決辦法。當(dāng)然，遷移學(xué)習(xí)正在為這方面工作做努力，但是我們真的不擅長處理此類事情。如果你看看軟件系統(tǒng)中的代碼行數(shù)，機(jī)器學(xué)習(xí)模型可能只占整個軟件系統(tǒng)的5%甚至更少，那么如何完成接下來的工作，并使其更加系統(tǒng)和可靠呢？需要明確的是，良好的軟件工程是基礎(chǔ)，也是構(gòu)建小型機(jī)器學(xué)習(xí)系統(tǒng)的基礎(chǔ)。
拿自動駕駛來說，最大的問題不是“電車難題”是，最大的問題是當(dāng)一輛車橫穿馬路時，最大的問題是你應(yīng)該做的是剎車而不是撞上它。
另一個道德問題是財富不平等，人工智能和互聯(lián)網(wǎng)正在引發(fā)權(quán)力集中，因?yàn)閿?shù)據(jù)擁有可以高效的分析數(shù)據(jù)，會影響眾多產(chǎn)業(yè)。
互聯(lián)網(wǎng)很多行業(yè)有“贏家通吃”的動力，同時這些動力影響著其他的行業(yè)。
所以重點(diǎn)是如何確保財富得到公平分享呢？如何幫助失業(yè)的人？除了教育之外，我們可能還需要做更多的事情。然而偏見也是一個嚴(yán)重的問題。故意對遙遠(yuǎn)的未來可能出現(xiàn)的問題的事情大做文章，而不是把重點(diǎn)放在當(dāng)前硬件方面的問題上，會掩蓋我們今天已經(jīng)存在的問題。
我也犯了很多錯誤，但是每次改正，我都會想為什么不早五年，甚至早十年想到這一點(diǎn)呢？
有時候我讀了一本好書，我希望我10年前就讀過這本書，要是10年前就讀了可能我的生活是如此的不同，盡管這是最近發(fā)生的。在我們發(fā)現(xiàn)的過程中，不斷地發(fā)現(xiàn)那些事后看起來如此明顯的東西，它總是比我想要弄清楚的時間要長得多。
我最自豪的滿足和幸福的就是我的女兒，但我沒有花足夠的時間來陪陪她。
幫助別人也能使我得到滿足，對我來說，生命的意義是希望別人實(shí)現(xiàn)他們的夢想，我希望試圖通過使人類作為一個整體更加強(qiáng)大來推動世界的前進(jìn)。所以，當(dāng)我知道別人因?yàn)槲易兊煤靡恍┑臅r候，我也會非常自豪和幸福。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
