0
雷鋒網(wǎng)按：本文作者李智勇，有興趣可關注其公號：zuomoshi（琢磨事）。
看起來DeepMind用AlphaGo戰(zhàn)敗李世石后似乎就沒啥動靜了，但其實不是的，這家公司正推動著A.I.往縱深發(fā)展，而不是單純地停留在圍棋這樣的領域。只不過這些事情沒有那么抓眼球，所以很多人并沒注意到。很有意思的是，從當前DeepMind所做的事情里我們其實可以抽取出一些更有價值的模式，比如什么是人工智能+，到底應該怎么加。
DeepMind第一件在做的事情是用機器學習來管理數(shù)據(jù)中心，期望達到比人管理更省電的效果。最終結果非常不錯，實際成績是：比人管理的時候節(jié)電40%。
為把事情說清楚需要簡單介紹一下背景：
Google這類大互聯(lián)網(wǎng)公司的應用比如搜索、Gmail、公有云服務等是完全跑在自己的服務器集群上的，這些集群無比龐大通常有數(shù)百萬臺服務器。由于服務器太多因此并不會只放在一個地方，而是分布在多個數(shù)據(jù)中心里。管理各個數(shù)據(jù)中心時，一個核心問題就是冷卻。我們手機用時間長了還發(fā)熱，那么多總是在跑的服務器如果沒有有效的冷卻措施，那數(shù)據(jù)中心會變的火爐一樣。數(shù)據(jù)中心的冷卻系統(tǒng)和中央空調(diào)差不多，這樣一來就需要來根據(jù)環(huán)境來控制什么時候開冷卻系統(tǒng)，開多少度等。但每個數(shù)據(jù)中心所處的地點、架構并不完全一致，這就給管理帶來了一些麻煩。DeepMind把這種麻煩總結為三點：
1. 冷卻設備、操作設備的方法、環(huán)境之間不是簡單的線性關系。也就是說不是環(huán)境溫度是30度時，那冷卻系統(tǒng)調(diào)成20度就完了。
2. 冷卻系統(tǒng)并不能迅速響應內(nèi)部或外部的變化。也就是說外部氣溫上升，你據(jù)此進行調(diào)整，但實際起效果的時候，外部氣溫可能又下降了。
3. 每個數(shù)據(jù)中心都有自己獨特的架構和地理位置。
DeepMind解決這問題時顯然又會用神經(jīng)網(wǎng)絡，這次他們訓練了三個神經(jīng)網(wǎng)絡：
一個神經(jīng)網(wǎng)絡用各種傳感器收集來的數(shù)據(jù)進行訓練，比如：溫度、功率、泵速等。
一個神經(jīng)網(wǎng)絡被訓練用于預測下一小時的溫度。
一個神經(jīng)網(wǎng)絡被訓練用于預測下一小時的工作負荷。
都訓練完之后DeepMind把這三個神經(jīng)網(wǎng)絡在某一個數(shù)據(jù)中心進行了應用，評測的指標是PUE(Power Usage Effectiveness)，這個值表示數(shù)據(jù)中心能源消耗在整個IT能源消耗中的占比（顯然越低越好）。為了說明結果DeepMind貼了一張圖出來：
取得效果后DeepMind認為，它的這個神經(jīng)網(wǎng)絡不只可以用于數(shù)據(jù)中心，而還有一定的通用性，所以準備把它展開到發(fā)電廠、半導體制造等。
案例原文：DeepMind AI Reduces Google Data Centre Cooling Bill by 40%
DeepMind的另一個嘗試是用神經(jīng)網(wǎng)絡看病，并且專門給項目起了個名叫DeepMind Health。
醫(yī)療現(xiàn)實是這樣：每11個成年人里就有1個會得糖尿病，而糖尿病會讓患者失明的概率提高25倍，如果失明的癥狀能在早期發(fā)現(xiàn)，那么有98%的可能性來治愈這疾病。但很可惜的是傳統(tǒng)的分析方法非常復雜，非常有經(jīng)驗的眼科專家也要花很多時間才能做出診斷，所以很難及時的對所有病人進行精確診斷。
DeepMind解決問題的思路還是通過導入神經(jīng)網(wǎng)絡。他們同一家叫Moorfields的機構合作，拿到了近百萬的原始數(shù)據(jù)。我們可以想象這些數(shù)據(jù)有兩個顯然的好處：一個是這些數(shù)據(jù)是原始的醫(yī)療數(shù)據(jù)，清晰度足夠；一個是這些數(shù)據(jù)實際上是標記過的。DeepMind會用這些數(shù)據(jù)訓練它們的神經(jīng)網(wǎng)絡，然后診斷的問題就變成了從圖片中提取特征的問題，而如我們所知深度學習在圖像識別上其錯誤率是比人低的，并且會越來越準。
這個項目還沒有取得實際效果，但從Imagenet上不斷提高識別率上來推斷，這會導致診斷的精度和速度有根本性提升。
案例原文：Announcing DeepMind Health research partnership with Moorfields Eye Hospital
跳出來看的話，我們可以發(fā)現(xiàn)DeepMind的兩個嘗試具有這樣的特征：
1.垂直的領域，但機器學習可以促成質(zhì)的飛躍。
2.垂直領域牽涉的商業(yè)價值足夠大。
3.能夠比較容易的獲取有效數(shù)據(jù)。
我們有理由相信這會是未來人工智能落地的普遍模式?，F(xiàn)在的人工智能具有通用性，但遠不是通用智能，并不能夠什么都干。這樣一來從投入產(chǎn)出比的角度看，它就只有落地在那些顯然能產(chǎn)出較大回報點上，這樣才能真的獲得應用。一個點獲得應用后，那再展開到類似的領域，比如DeepMind從數(shù)據(jù)中心展開到發(fā)電廠，這樣就可以形成“技術進步-投資-回報”上的正反饋。這很像新一代的單點突破，橫向展開，所不同的是同一時間可以做的點實際上也還受制于是否能獲得數(shù)據(jù)。
反過來講這也意味著號稱能做通用智能的基本上是騙子和瘋子。聲智科技（一家提供聲學、語音方案的創(chuàng)業(yè)公司）的CEO陳孝良對此有非常清醒的認識，他的一個核心觀點正是：智能不是越通用越好，數(shù)據(jù)也不是越多越好，認知技術能力邊界非常關鍵。
上面所提到的基本模式未來很可能成為人工智能+的基本模式。有意思的事情是，這種落地并不只是DeepMind公司才能做，而是普遍存在于各個行業(yè)之中。我們可以把能夠做神經(jīng)網(wǎng)絡的團隊分成兩類：一類是真的能對模型本身有所改進，對社區(qū)做出根本性貢獻的團隊；一類是能夠用好模型，把它落地的很好的團隊。前者無疑是非常稀缺的，并且也只有極大的，有野心的公司才養(yǎng)的起，后者則門檻相對較低，與此同時應用范圍則極廣，極端點可以認為可以應用到所有匹配上述模式的地方，也正因此這里才蘊含了比較多的創(chuàng)業(yè)機會。
這里必須一提的是真創(chuàng)業(yè)DeepMind這個公司本身并不是一個很好的模仿對象，這公司實際成功的方法是：先屯一批很牛的人，不管落地方向，做些很牛的事情。等到抱上Google的大腿，再考慮怎么落地。這方法正常創(chuàng)業(yè)公司完全學不來，上面主要想強調(diào)的是它落地的方法值得學習，而非公司自身的創(chuàng)業(yè)思路。
很多點獲得突破和應用后，事實上就為真的通用智能做了充足的準備。想象下，我們的電力，醫(yī)療，教育都非常依賴于數(shù)據(jù)和垂直的智能，那只要A.I.的技術真的有突破，那一種超級智能來接管這一切就會變的非常容易。到那個點上社會結構，經(jīng)濟形態(tài)就會產(chǎn)生根本性變化。當然這是另一個非常宏大的話題，真感興趣可以看我的新書《終極復制：人工智能將如何推動社會巨變》（硬廣，汗...）。
注：頭圖來自svetandroida.cz
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
