0
| 本文作者： 亞萌 | 2016-12-02 20:01 |
一名 AI 專家值多少錢？
“基于我個人經驗，一名計算機領域的 AI 專家對于企業的價值，至少為 500-1000 萬美元。為了爭奪這些少數的人才，正在開展競標大戰。”
這是卡耐基梅隆大學計算機科學院院長 Andrew Moore 教授在 11 月 30 日美國參議院聽證會上 ，所說的話。
這場聽證會名為“AI 破曉”（The Dawn of Artificial Intelligence），由參議員泰德·科魯茲主持，主題是探討人工智能當前的形勢，對政策的影響及其對商業形態的改變。共有 5 位 AI 專家出席，分別是：
Eric Horvitz（微軟研究實驗室總經理，人工智能伙伴關系委員會臨時共同主席）
Andrew Moore（卡耐基梅隆大學計算機科學院院長）
Andrew Futreal（德州大學安德森癌癥中心基因醫學教授）
Greg Brockman（OpenAI CTO及其聯合創始人）
Steve Chien（加州理工學院、NASA 噴氣推進實驗室高級研究科學家）
在 Moore 教授看來，美國政府應該從高中階段開始為人工智能產業積蓄研究人員了，而這個人才儲備需求為 100 萬名高中生。這并不是 Moore 教授一個人的觀點，吳恩達也表示贊同。
無獨有偶，僅隔一天，Facebook 的博客上發布了一條新消息，放出大神 Yann LeCun 親自講解 AI 知識的三彈視頻。然而如果 AI 領域的專業讀者，稍微點開視頻一看，便知道這好像是一個高中老師在講科普課的風格。
三彈視頻湊成一個系列，風格十分活潑，Yann LeCun 的講解里穿插動畫，并沒有太多技術性的內容。LeCun 在視頻里就明確表示，這次主要是給大眾普及關于深度學習的基本原理，希望可以鼓勵年輕人、高中生對該領域有更多了解，激發他們來探索這一領域的興趣。
所以這樣看來，無論是美國的學術界、政府還是產業界，都普遍有一種要把 AI 的種子廣泛播種到下一代的氛圍。
雖然是科普性的視頻，但大神的思路可見一斑。就像 Moore 教授所說的，真正的 AI 專家只是非常少的一波群體，其實如今的 AI 從業者仍舊處在一個“學習”階段。
那么，到底 Yann LeCun 的三彈視頻里講了什么內容呢？
雷鋒網根據 Yann LeCun 講解總結成下文，供讀者參閱，底部更是附上原英文視頻。（另外在幾天前，雷鋒網整理了 Yann LeCun 教授在 Quora 上關于“如何自學深度學習技術”的回答，非常具有可操作性，感興趣的讀者可移步: 大神Yann LeCun親授：如何自學深度學習技術并少走彎路）
很多人，對于智能機器非常著迷，而我們的實現方法其實非常簡單。現在我跟大家解釋一下它當中到底是如何工作的。
其實大部分人已經在日常生活中使用 AI 系統了，只不過他們都不知道而已，這里面的應用包括自動駕駛、購買建議、游戲等。
我們最常用的機器訓練模型，就是監督學習（Supervised learning）。
舉一個典型的例子，如果你想建造一個識別圖像的機器，讓它識別圖像里的狗和汽車。那么你就需要給這個機器看幾百萬張含有狗和汽車的圖片，并告訴機器里面是否有狗或汽車，這就是一個“訓練”的過程。
在訓練之前，這個機器只是產生隨機的答案，當你給它顯示一張汽車或狗的圖片時，你都不知道它會怎么回答。如果它答對了，可能只是運氣好罷了；如它答錯了，這時候得人為糾正一下（調參數）。
所以其中的一個關鍵就是，首先就是建造一個機器系統，然后就是調整內部參數或者結構，這樣下一次你再展示圖片的時候，系統就會答出正確答案了。
這就所謂的“學習型算法”，其關鍵就是在于“調整參數”。幾百萬張圖片這樣訓練下來，不斷地調整參數，最終機器會弄清楚“汽車”和“狗”之間的區別。當一張全新的照片給機器看時，它這時多半會給出正確答案。
我們把這個過程稱為“泛化能力”（Generalization ability），指的是，機器能夠識別出跟訓練素材相似的，但從未見過的東西（The ability to recognize things that are similar to what the machine has been trained on but has never seen）。
計算機往往依照一串指令來運行，這一串指令就叫做“算法”（Algorithm）。清洗盤子，也是要遵循“算法”的：先從一摞盤子里選出一個放入水池中，然后擦拭清洗，然后烘干，最后放置在架子上。這個過程不斷重復，就是一種很簡單的“算法”。
那么我們如何為圖像識別寫一個“算法”呢？比如，如何區別圖像里的汽車和狗？
計算機通常采用的方法，是用數字來表示圖片，每一個數字代表特定區域像素的亮度。汽車的像素數組和狗的像素數組如圖，這樣就可以寫一段代碼來區別汽車和狗。
很多年來我們做的事情，就是建立大量的圖片庫，將已識別出的圖像和等待識別的圖像進行比較，如果匹配上時，計算機就可以判定圖片里面到底是汽車還是狗。
但問題是，這個方法所需要的模板數量太巨大了，就汽車和狗而言，需要所有可能的位置、顏色、姿態的狗和汽車，這是非常不實際的。
但機器學習不一樣，我們并不對機器進行編程，而是用圖片對其進行訓練。我們來舉個最簡單的例子，讓機器區分兩個字母。我們看到下圖里，分別是字母 D 和字母 C（黑色塊構成字母輪廓）。 
每張圖片包含 9（3*3）個像素，我們分別給像素賦值，黑色=1，白色=0，從而得到兩張字母圖片的像素矩陣。
接著，我們只讓系統做一件很簡單的事情：計算出像素權重（Weights）之和。
具體而言，我們需要兩個部分：像素值矩陣和權重模板，讓這二者相乘得出結果。我們假定，如果結果>0，即判定為字母 C，如結果<0，即判定為字母D。
像素值矩陣很好設定，接下來就是得出一個有效的區分二者的權重模板，這是通過人工調節得到的。
當看到字母 C 時，人工告訴機器把 C 的權值調大。于是學習系統把字母 C 黑色像素對應的模板的權值增加為 1，白色像素對應的部分保持為 0。
同時將字母 D 的權值調小。
最終得到的模板權值中，正數（1）位置獨屬于字母C，負數（-1）位置獨屬于字母D。這就是一個很完美的將字母 C 和字母 D 區分的模板。
現在我們重新給系統一個字母C 的圖片，計算機將新圖與終極模板相乘，得到的 9個像素里的值，這些值相加得到的值=2。這時，2>0，所以計算機判斷其為字母 C。
同樣，如果新圖是字母D，那么所得結果為-1，-1<0，所以計算機判斷其為字母D。
現實中的分類問題要比區別字母 C 和字母 D 更費時、更復雜，而對模板的設定也更具有挑戰，但是模板法是一種非常基礎的原理。
在深度學習領域，我們使用一種特殊的方法：卷積神經網絡(Convolutional Neural Network, CNN) 。有趣的是，這種網絡結構，是受到哺乳動物的視覺皮層啟發。
一個物體可以有多個角度的照片，比如我要給這個剪刀拍照，各個角度得到的圖片是不一樣的。
如果我要讓計算機識別出這個剪刀，那么就要以這個洞為主要特征，無論剪刀出現在照片的哪個位置，系統都能依據這個“洞”找出這個剪刀。
這個“洞”只是這個剪刀的特征之一，我們可以對一個物體提取多個特征，讓系統來鎖定它。CNN 的特殊之處在于，我們并不需要人工來提取這些“特征”。CNN 的第一層，有幾百個探測器（Detectors），它們自己學習并提取出幾百個“特征”。
這種自我學習的方法，應用在很多領域，包括圖像識別、自動駕駛、語音識別、翻譯等。
Yann LeCun 表示：
這個視頻不是課程，只是讓普通人能夠真正理解“深度學習”技術背后的基本原理，這或許能夠鼓勵年輕人、高中生對此有更豐富的了解，讓他們對此產生興趣，之后或許能在網上聽一些課程，甚至日后在大學里學習相關課程。
我認為，讓公眾對深度學習技術有所了解，是很重要的。
所以，Facebook 已經要在培養青少年人才方面發力了，雷鋒網大膽推測，莫非明年就要出現深度學習技術的高中生競賽了？
從政界、學術界到產業界，美國都在向著“AI 破曉”大膽邁步，中國其實不乏在 AI 領域的專家大牛，是否也有一天，向 Yann LeCun 一樣親切地向大眾普及 AI 知識，推動基礎教育的發展呢？
PS： Yann LeCun三彈視頻。
相關文章：
AI的自我重塑？看看Google、Facebook這些大公司都在做的事
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
