由機器之心與上海市北高新聯合主辦的市北·GMIS邀請到AI界“網紅級”人物——吳恩達（Andrew Ng）。吳恩達是斯坦福大學教授、Landing.ai創始人&CEO、在線教育平臺Coursera的聯合創始人，也是人工智能和機器學習領域國際上最權威的學者之一。接下來便是Andrew為我們帶來的主題演講——《企業的人工智能轉型》，讓我們一睹為快吧！

AI是新的電力

Andrew表示，從AI在過去幾年的表現來看可以被稱得上為“新的電力”，且AI的發展勢頭依舊十分迅猛。

從AI相關職位的空缺及AI相關論文的逐漸增加，到各類財報顯示的AI營收數據，我們可以清楚地看到軟件和互聯網行業已經發生了非常重要的轉型，越來越多的軟件行業正在擁抱AI，越來越多軟件行業之外的行業也在更多的擁抱AI。

麥肯錫預計，到2030年GDP的增長中將會有13萬億美元是來自AI，AI會影響到零售、旅游、交通、物流、醫療、制造業等各個方面。

此外，AI的門檻正在顯著降低，幾乎任何人都可以使用到云服務。譬如通過AWS（亞馬遜云服務），人們只需要輸入自己的密碼并支付2000美元就可以完成當年谷歌團隊才能完成的一個實驗。

如今網絡上也有很多的線上課程，近250萬的線上學習者主動花時間或花錢去學習機器學習，而且學習者不僅來自軟件行業，很多軟件行業以外的人才也開始學習編程，學習一些基礎的機器學習。

印象最深刻的是一次創客的會議，會議上有很多來自世界各地的人一起展現他們的項目。其中有一個從印度來到加州的孩子正在展現他造的這個機器人，這個機器人不僅可以拍農場照片，還可以通過機器學習算法來看農作物是否已經成熟——然而這個孩子只有12歲。同樣的一個機器學習的項目，在五年前需要斯坦福的博士生完成，那么現在只需要一個12歲的學生借用開源平臺提供的工具就可以做到。所以，現階段的AI不僅依靠數據與計算能力，還需要借力于人才、想法以及工具。

 

如何選擇AI項目?

首先要從小的項目開始。Andrew以自己在谷歌時的經歷為例講道，在自己開始AI項目時其實有有很多懷疑的聲音，很多人（包括一些管理者）其實并不相信深度學習，即使到現在仍然有許多并不相信說AI真正會影響到他們的業務。

Andrew第一個內部的項目就是語音識別，那時候語音識別在谷歌并不是最重要的項目，也并沒有涉及到廣告業務，所以團隊在提高這個語音識別的準確度后開始幫助谷歌的其他的團隊的工作，幫助他們使用AI及深度學習來提升他們的績效和表現。隨后，語音識別功能上線，我們開始了谷歌地圖的下一項目，將深度學習應用于視覺識別，以看到這個地圖上面的門牌號，提升了地圖的質量。在獲得了這個地圖的項目成功之后，我們又獲得了谷歌廣告團隊認可…… 所以，很多公司啟動AI項目識別其實是因為他們一開始的項目太大了，反之，如果先從小的項目開始，逐漸幫助大家建立一個好的基礎，那么項目落地成功的概率將大大提高。

第二點是要明確AI項目是通過自動化幫助人們的某些任務開始而不是取代人們的工作。在新聞中有很多的關于AI將取代人類工作的報道，但實際上我們應該要想怎么樣用AI進行一些任務的自動化，而不是替代工作。

大多數的工作其實是有很多任務所組成的，人們通常做的一些工作，其實是有很多小的任務組成的，而且其中有一些任務是可以自動化的，比如說在影像醫學領域，醫生的工作任務包括包括讀片、與其他的醫生來溝通咨詢、給年輕醫生提供指導等等，換句話說這個影像醫生有很多的工作要做，只是其中的一個任務是讀掃描的這些片子，而這個閱片的工作就可以交給AI完成，提升影像醫生的閱片效率。

第三點就是把人工智能和專業領域的知識進行結合。比如一些公司想要對水下設備進行檢測，識別設備是否泄漏，在過去我們需要人類下水去看，但是現在可以用AI識別是否有泄露的情況。如下圖所示，左邊是AI可以做的，右邊這個是對于現有業務而言非常重要的東西，而這兩個圈重疊的部分便是合適的AI項目。

現在AI專家們更多的了解就是左邊，但是對于業務專家更了解右邊這個部分，所以通常建議人們建立一個跨功能的團隊進行頭腦風暴，已找到現有業務與AI的交叉項目。通常來說第一個項目并不是最有潛力的項目，所以建議在頭腦風暴提出至少六個不同的項目，然后用幾周或者幾個星期的時間來做一些調研的工作，來確保這個項目是可行的，有價值的，對于業務有用的。

 

自主研發還是技術外包？

基于經驗，很多機器學習的項目要么由公司內部團隊來完成，要么便外包給專業的公司。比如，一個需要24h×7工作的AI軟件項目（如一個線上廣告的系統），期間需要大量的調試和維護，那么這樣的一些項目有時候是可以通過外包減輕公司負擔，以幫助公司來獲得更快的進展；而對于數據科學項目（如數據科學家對廣告數據的分析），它更多的是對業務的洞見并以PPT形式呈現，那么這些更多是企業內部來完成的。

對大多數公司來講，如果目前要進行的項目屬于行業標準級別的，那么就盡量避免自己來做這些，比如在制造業方面的視覺檢測等，這將會是一個行業的標準，所以這種東西不要內部來做的，直接使用行業標準的東西，不然是一個非常大的浪費。

 

避免陷入AI誤區

不要指望AI解決所有的問題，AI并不是魔法，盡管在一些特定領域獲得了接觸的成績，但仍有許多AI無法完成的事情；不要指望AI項目一次就能成功，AI應該是一步步來規劃的，是一個逐步迭代的過程；不要指望招聘兩到三名機器學習的工程師就可以解決所有的問題，你應該要建立一個跨學科、跨職能的團隊，以更好的找到可行的有意義的項目，可以解決技術方面的問題；不要期望不改變傳統的規劃流程就可以更好發展，要與和AI團隊共同建立時間節點以及KPI；不是所有的公司都需要‘巨星級’的AI工程師的，其實很多是自學成才的AI工程師都可以幫助你們進行AI的工作，關鍵要看自己內部的團隊需要做到什么樣的工作。

人工智能的未來趨勢

首先，我們已經看到第一個趨勢就是AI的崛起，但它仍需要逐漸發展成為一種系統性的工程學科。就好比于造橋，古代在造橋時候由于沒有足夠的經驗和理論支持，造橋需要許多技術顧問邊造邊摸索，但現在我們只需要大量土木工程師就可以在各地造出安全可靠的橋梁。反觀人工智能，AI目前仍然處于早期研發階段，期間可能會有許多問題和風險。AI逐步發展成為一種更系統性的工程學科是非常重要的，我們仍需要成千上萬的團隊共同努力，實現更可靠的AI。

第二是小數據的崛起。我們之前經常提到大數據，但現在其實我們并不需要那么多的數據。比如工廠的視覺檢查，現在很多都是通過人眼來看智能手機是否一些劃痕。如果你有一百萬個這樣的圖片，很多的AI團隊可以非常高效的識別好的和有劃痕的智能手機，但是并不是所以工廠每次都會生產數百萬個有劃痕的手機。

還有一個非常有意思的趨勢在于強化學習的應用。舉例來講，我們可以建一個直升機的仿真器，在模擬環境中飛機可以通過強化學習在仿真里面墜毀幾十數百次，以通過模擬來更好的來控制實體的直升飛機。強化學習可以應用到很多其他的問題的解決，可以幫助機器人更好地完成一些工作。

另外就是AI運用到邊緣計算。現在很多AI都是在云端進行的，我們可以看到邊緣服務器，比如智能手機，智能音響等等；我們可以看到物服務器，本地的數據中心基站等可以做更多邊緣設備的計算，使得計算在不同層級進行。

還有最后一個非常重要的趨勢就是5G的到來。5G不僅僅可以用于游戲，它也可以用到各個方面，讓我們更好的在云端進行溝通，從而使這些數據量可以更好的幫助AI發展。