最近幾年，人工智慧經歷了爆紅、發展、再到最近的熱度逐漸下降，似乎人工智慧已經變成了大廠才能玩的遊戲。
究其原因，就是人工智慧的「門檻」越來越高了。
前不久，GoogleAI的代表人物Jeff Dean發表了一個新的工作，但在業界卻引發了一陣不小的風波。究其原因，並不是工作本身有多好。這項研究只比最新結果提升了0.03%，但卻花了價值57,000多美元的TPU算力，這一下就炸鍋了。
很多人說，現在的AI研究變成了拼算力、拼資源的代表，普通學者卷不動了。
還有很多人有這樣的疑惑：人工智慧究竟為我們帶來了哪些改變？它除了下圍棋之外還會做什麼，它的未來還會如何發展？
帶著這些問題，我們和馮霽博士進行了深入溝通。他是創新工場南京AI研究院的執行院長、倍漾量化創始人，在AI領域有著多年的研究經驗。透過這次對談，讓我們對AI未來的發展和落地有了新的體會。
#Google最近這個問題的確受到了挺多關注，我覺得有三個問題值得思考：
第一，大廠開始逐漸地走向「暴力美學」，也就是用「超大規模的數據」 「超大規模的算力」，暴力探索深度神經網路的天花板。不過，這種方法的邊界和極限在哪？
第二，從學術和科研的角度，這個方法是否是AI唯一的出路？ 事實上，目前已經有大量研究在探索其他的技術路線，例如怎麼做到從感知智能到認知智能去做轉變、怎樣利用比較小的數據量解決人工智慧遇到的問題，等等。
第三，對於工業界的實際應用，是否真的需要這麼大的算力？ 工業界有大量任務是非語音圖像文字相關的，這也是在倒逼著學術界去做一些比較高效的演算法。
90年代之前，「人工智慧」的代表技術還是以「符號主義」為主，也就是基於邏輯推理，去做Planning、Searching這樣的技術。
2010年後，迎來了人工智慧的一次重要的轉變，那就是用神經網路技術去更好地表示這些感知類別的任務。但是，目前還有大量的人工智慧的「聖杯」問題沒有解決，例如怎樣做邏輯推理、怎樣做常識、怎樣更好地對記憶進行建模等等。
為了解決這些問題，是不是用深度神經網路就夠？這可能是目前學術界和工業界更關心的下一個重要的方向。
所謂的「感知人工智慧」，其實就是近年來人工智慧成功落地的代表性例子，例如圖像辨識、語音轉文字，以及一些文字生成的任務等。
但更重要的是，怎麼從這種感知類別的任務，轉向具有認知能力的任務，尤其是怎麼用人工智慧的方式來實現邏輯推理、實現常識，從而真正實現通用人工智慧？
針對這個問題，據我所知，學術界主要有三條技術路線。
第一，仍然沿著神經網路這條路，透過不斷地堆資料和算力嘗試解決問題。
第二，嘗試導入符號主義的技術，也就是連結主義 符號主義的結合。
第三，繼續提升傳統的邏輯推理技術，而這條路線也是最難的。
資料對於人工智慧工程來說，重要性已經越來越高了。 工業界提出了一個新的概念，叫做「以資料為中心」的開發模式。 相較之下，之前叫做「以模型為中心」。
傳統情況下，工程師更多的時間會花在如何建立一個模型、如何透過調參來讓這個系統的效能更好。但現如今，大家80%的注意力都放在如何讓資料集變得更好、如何讓訓練集變得更好、如何讓訓練集更平衡，然後讓這個模型在好的資料集上訓練，並得到比較好的結果。
隨著我們對資料隱私需求的逐漸增長，資料帶來的一些負作用以及非技術要求也越來越多了。例如當幾家機構做聯合建模的時候，出於對資料隱私的保護，資料不能夠在機構之間分享。 所以像聯邦學習這樣的技術，就是為了在保護資料隱私的前提下，實現聯合建模。
現在大家已經逐漸意識到，在具體的工業開發中每家機構不一樣的地方就是他們的數據。 現在有了非常便利的軟體開源框架，也有了非常高效的硬體實現，工程師就都轉而去關注數據了——這是一個Paradigm Shift，也就是範式級別的轉變。
我自己孵化的倍漾量化，是以AI技術為核心的對沖基金。在公司內部，每天需要儲存的資料量大概有25-30TB。因此我們就遭遇到了「內存牆」的問題。
為了回應海量資料對記憶體帶來的壓力，我們把資料分成了冷資料、溫資料和熱資料。 「冷數據」指的是，資料存取的頻率不是很高，落庫就好。 「熱數據」是指，我們要做大量的讀寫任務，而數據一般都比較散，每次讀寫的量又非常得大。那麼如何把熱數據很好的進行分散式儲存？
和純SSD方案相比，現在會有更好的解決方案，例如傲騰持久記憶體：它介於記憶體跟SSD之間，可以將熱數據做分散式存儲，就能一定程度地減緩「內存牆」的問題。
現在有個很火紅的概念叫做「雲端原生」，它促進了雲端運算基礎設施的重構。而針對人工智慧而生的「AI-原生」，也已經實實在在地發生了。 尤其在過去的10年，電腦的硬體創新其實都是在圍繞著人工智慧應用而發展出來的。
舉個例子，目前我們對於雲端可信任運算的需求越來越多了。例如AI模型的運算過程是一個公司的核心智慧財產權，如果把它放到雲端或是公有平台上，自然會擔心運算過程有被竊取的風險。
在這種情況下，有沒有基於硬體的解決方案？答案是肯定的，例如我們正在使用英特爾晶片上的SGX隱私沙盒，它能夠以硬體的方式來保障我們的運算，這個其實是跨機構之間合作的一個非常重要的基礎。
這是一個非常典型的例子，也就是從需求出發，推動晶片或硬體廠商提供對應的解決方案。
這個觀點確實就比較片面了。以倍漾量化每天的工作來舉例，當我們在做量化交易的時候，如果把資料從CPU拷貝到GPU，再拷貝回來，對於很多量化交易的任務就已經來不及了。也就是說，我們需要有一個非常高效能的、CPU版本的人工智慧模型的實作。
再比如，我們有很多任務需要在網卡上直接對資料做分析和處理，而網卡上一般帶的是FPGA晶片，它處理的資料如果要傳到GPU上就更來不及了。對於這種低時延、又需要人工智慧技術幫助的場景，我們需要一個異質的架構。
也就是說，不管是FPGA、ASIC，還是CPU、GPU，在不同的場景下，它們都有不同的用武之地。
關於異質平台的編程，我看到工業界已經有了一些嘗試。例如英特爾的oneAPI，我覺得是蠻重要的一個工具。也就是說，oneAPI能讓同樣一套程式碼能夠自動地適配CPU、FPGA或其他類型的晶片。這樣將會大幅減少工程師的程式設計難度，也能夠讓他們專注在演算法創新上。
我覺得，這對推動異質應用非常重要。
我覺得，可能需要一個更好的端到端的解決方案。現在其實已經從「軟體1.0」升級到「軟體2.0」時代。也就是說，從傳統規則驅動的複雜軟體工程的構建，變成了數據驅動的軟體工程構建方法。在
之前，我們要靠很高的聰明才智寫一系列精妙的系統，才能讓整個程式能夠跑起來。這就類似於機械手錶，最好的程式設計師都把精力放在建構「齒輪」的運作、以及如何讓這個「手錶」能夠跑起來。
現在，如果這套運行的規則我不知道該怎麼定，那就直接把它撂給大量的資料或機器學習演算法，這個演算法會產生一個新的演算法，而這個新的演算法是我們想要去得到的。這種方式，有點像是去造一個造機器人的機器人。
在軟體2.0時代，整個軟體工程的開發範式將有一個很大的轉變，我們很希望得到一套端到端的解決方案，核心就是怎樣更方便地實現「以數據為中心」的軟體工程開發。
我覺得大概有兩面。第一，從工業界來看，還是要從第一原理出發，也就是基於自己的需求，並且綜合考慮到許多的非技術因素。例如我看到有一個公司想做小區安防的人臉辨識系統，但每個出入口後面要配4個非常昂貴的GPU，這就是典型的沒有從需求和成本出發。
第二，學術研究未必要跟風。就像我們在剛開始時說到的那樣，對於模型的規模，並不需要相互攀比：你有一個千億的，我就要搞個萬億的，你有個萬億的我就要搞一個十萬億的。
其實有大量的任務都需要小規模的參數，或是因為成本等限制，只能提供少量的樣本。在這種條件下，怎麼做創新、突破？這個是學術界應該主動擔起的責任。
我們可以想想看，90年代末期，建個網站都要花2-3萬元，因為當時會網路程式設計技術的人鳳毛麟角。但在今天，可能任何一個高中生，滑鼠點一點就能蓋站。
也就是說，網路知識已經在每一個普通程式設計師的工具包裡了。
其實，人工智慧技術也是一樣。在2015年左右時，搭一套深度學習框架、還要在GPU上能跑起來，全球可能不超過1000個人。而現在經歷了指數級的成長，很多人都會了。我們有理由相信，大概在五年後，隨便一個程式設計師的工具包裡就有更豐富的人工智慧解決方案，它的實現的門檻肯定是在不斷降低的。也只有這樣，人工智慧技術才能更為普遍地應用在每一個公司。
所以，大廠裡的AI Lab是必然會消失的。 就像2000年前後，很多公司都有一個Internet Lab，就是把公司所有跟網路有關的事情專門搞一個實驗室，由這個實驗室向其他的業務部門做技術輸出。這是因為會這項技術的人特別少，他們才會做這件事。
#AI Lab也是一樣的，當AI技術落地的門檻逐漸降低時，大量業務部門的人也擁有類似的技術，那這種AI Lab就必然會消失。我覺得這就是在技術發展過程中一個臨時產品，這是個好事情。 當大廠沒有AI Lab的時候，大概就是人工智慧真正遍地開花的年代。
第一，我們還需要摩爾定律的加持。 現在還有大量的任務對算力的要求很大，我們必須不斷進行硬體的迭代和演算法的更新。只有當需要在集群上跑的事情能在手機上跑，AI才可能有大量的落地。
第二，人工智慧創新的重點，要從網路的業務轉向一些傳統的產業。 之前大家的精力都在怎樣用人工智慧做更好的視覺解決方案，或是更好的推薦系統，或更好的P圖軟體。但在實體經濟中，其實也有大量產生數據的部門和業務。當這些實體經濟數據能夠更好地資訊化之後，它們所帶來的價值可能遠超於目前的虛擬經濟。
以上是人工智慧十問：越來越捲的AI，未來路在何方的詳細內容。更多資訊請關注PHP中文網其他相關文章！
