人工智能的四大挑战及对策.docx

人工智能的四大挑战及对策InfoQ微信号 infoqchina功能介绍 有内容的技术社区媒体我们已经处在技术复兴的时代，伴随数据量爆发、大数据技术发展以及 GPGPU 等高性能计算硬件的成熟运用，让人工智能技术在经历多年的不温不火后，重新吸引了大众的眼球。本轮人工智能的关注热点，主要集中在机器视觉、机器听觉、自动驾驶、机器人等看起来更加“贴近自然”的领域上。事实上，以机器学习、自然语言处理为代表的一系列人工智能技术早已在互联网领域运用多年，并取得了辉煌的商业成果。当前，虽然人工智能得到了资本的大力追捧，但真正大规模运用且成功的应用仍然集中在精准营销、个性化推荐等互联网场景中。而新一代的身份认证、语音助手、客服机器人、自动驾驶等人工智能应用才刚刚起步，离“叫好叫座”尚有不少的距离，甚至我们还不清楚它们是否真能带来巨大的商业回报。那么，下一步人工智能往何处发展？是否这一波热潮过去后又会归于平静，重回学术界的研究？百分点集团技术副总裁兼首席架构师刘译璟认为，当前的人工智能技术还只能在较窄的场景下应用，要想更好的解决现实问题，人工智能还需要在理论、技术和数据上进行大的突破。未来的技术重点将集中在如下一些领域。一、多种建模方式相结合 传统的人工智能实现方式，往往是由各个终端将数据汇总到云端，而后在云端进行集中式的建模，并以 SaaS 方式对外提供服务。之所以采取这样的方式是因为只有在云端才能集中大量的计算资源，进行复杂的建模和推理。但这种建模方式存在很大的问题：一是其应用对网络环境的要求极高，例如 Siri 一旦连不上网络就完全无法使用了；二是很难做到实时响应，这对于像自动驾驶之类的应用场景来说是致命的；第三，数据汇总到云端还存在隐私泄漏、数据安全等一法律和道德问题，增加行业潜在风险。从另外一个角度来看，云端集中建模的方式也比较低效，这是因为各个终端所面对的环境是千差万别的，反映在数据层面就是各个终端的数据个性十足，将这些个性十足的数据汇总到云端再统一处理，显然不如在各个终端先进行标准化再交给云端建模效率高。这种理念，特别类似于我们在 SQL 优化中先执行 WHERE 再进行 JOIN。解决上面问题的思路，就是集中式建模（云计算）+ 微建模（边缘计算）的结合。边缘计算可以对一些简单的问题进行自行处理并将处理后的结果传输给云端。可以说，边缘计算是云计算的缩小加持版本，是靠近设备的小型数据中心。边缘计算也助推了物联网的发展，物联网的核心是让每个物体智能连接、运行，物联网不止在改变人们日常的生活习惯，实际上，它更是在创造新的“生态”环境，借助边缘计算，通过设备端的数据分析处理，就可实现物与物之间的传感、交互和控制。除此之外，因靠近设备，边缘计算还解决了从网络边缘到云数据中心网络带宽、延时的限制，作为一种本地化的计算模式，边缘计算提供了对于计算服务需求更快的响应速度，而且通常情况下，它不将大量的原始数据发回核心网，这使其在涉及个人隐私保护与数据安全方面的优势尤为明显。并且，边缘计算不需要主动协助 IaaS、PaaS、 SaaS 和其他云服务，更多地专注于终端设备端，可以节省能耗。我们看到 Google 也在推进这种建模理念。Google 近日推出一个专门针对移动电话而优化的 Tensorflow 版本： Tensorflow Lite，它允许开发人员在用户的移动电话上实时地运行人工智能应用。利用 Tensoflow Lite，我们能将一些人工智能的处理转移到用户的移动电话端。这不仅可以节省处理能力，而且降低了数据量。此外，它同样可确保用户的数据的私有性，可不再依赖于因特网连接。二、多种人工智能技术相融合 本次的人工智能热潮，让深度学习广为人知，甚至许多人认为深度学习可以包打天下，是实现人工智能的终极武器。这其实是一种相当大的误会！我们知道深度学习本质上是一种从数据中归纳规律的方法，它需要海量的样本进行训练，例如 AlphaGO 的自我对局，学习样本越多，效果越好。而且，深度学习的层数越多、特征越多，需要的数据量就越大。但在真实的业务场景中，我们有这么多的数据吗？例如围棋、游戏这一类可以不断重复的场景，我们有可能迅速积累数据。但现实中我们面对的是投资理财、商品交易、政府决策、灾害评估这些场景，这些场景下的数据往往少得可怜。即使我们能积累出足够多的数据，也是需要相当长的时间。因此，在这些场景下，深度学习无能为力。另外，深度学习是一种端到端的学习方式，整个学习过程中不需要人的干预。直接把海量数据投放到算法中，让数据自己说话，系统会自动从数据中学习。从输入到输出是一个完全自动的过程，这也造成了深度学习有自身的两个局限：不可解释和缺乏反馈机制。简单来说，我们既不知道模型学到了什么知识，也无法将这些知识举一反三到其他场合，我们还无法对学习到的知识进行评估并