在实际场景中 , 不见得对每个子问题用深度学习都是最优选择 。 比如有些模块的机理本身已经很清晰 , 用白盒方式很容易求解(譬如一个数学公式即可) , 那就没必要杀鸡用牛刀 。
所以 , 最终可能比较合理的解决方案是最右侧展示的“白+黑”的方式 。 对一个业务来说 , 业务专家和AI专家合作把问题分解 , 看什么问题适合AI来解决 , 什么问题必须用人工去解决 , 需要作出客观判断与合理选择 。
软件2.0:数据编程的时代有很多思想领袖对深度学习的价值做了很好的总结和概括 。 比如特斯拉人AI负责人Andrej Karpathy , 他在17年写了篇博客叫《Software 2.0》 。 他的观点 , 以前是软件1.0 , 也就是所有软件都要人写 , 但现在2.0可以用数据编程的方式来做 。
训练神经网络的权重 , 本质就是在编程 。
文章图片
最近曾经因为赌对了特斯拉、比特币而名噪一时的ARK基金写了一份报告 , 罗列了他们眼中会影响未来的最重要的一二十项技术 , 第一项就是深度学习 。 ARK就从软件2.0数据编程的角度来解释深度学习的重要性 , 他们预测2037年AI创造的市场价值会超过以前所有信息技术之和 , 高达30多万亿美金 。
总结一下 , 我们对AI的判断——它是史诗级的技术进步 , 而且是一种通用的技术 , 它一定会成为数字化基础设施非常重要的组成部分 。 从历史的角度 , 工业革命从蒸汽机到电力突破了人的体力极限 , 信息技术、AI突破人的脑力极限 。 所以对AI的技术创造社会价值 , 我是非常乐观的 。 AI既有本质优势 , 也有它的局限性 , 我们应该对它既不报过高期待 , 也不过度贬低 。
如何预判人工智能产业格局的未来?最近 , 产业AI化好像起来了 , 很多是甲方掌握了场景 , 加一点AI就取得了很好的效果 , 这反倒是比较健康的一个模式 。 我接下来重点聊一下AI产业化 , 很多技术出身的人在思考这个问题 , 有一个好锤子 , 怎么拿它去挣钱?近几年的探索其实是碰了不少壁 , 主要是AI不够标准化 , 所以有人说AI不存在标准化的可能性 , 质疑AI是不是有产业化的机会 , 我对此是不同意的 。
要预测AI产业化的机会 , 我觉得 要从平民化、标准化、自动化、工具化、服务化等角度来看 。
人工智能的标准化趋势AI的标准化趋势其实正在发生 。 除了 算法的标准化 , 其实还有 各个层面的标准化 。 算法的标准化带来了软件标准化的机会 ,深度学习框架正在走向标准化 , 硬件、技术平台、最佳实践也在标准化 。
推荐阅读
- 产品|泰晶科技与紫光展锐联合实验室揭牌
- 空间|(科技)科普:詹姆斯·韦布空间望远镜——探索宇宙历史的“深空巨镜”
- 相关|科思科技:无人机地面控制站相关设备产品开始逐步发力
- 机身重量|黑科技眼控对焦23年后回归,升级! 江一白解读EOS R3
- 公司|科思科技:正在加速推进智能无线电基带处理芯片的研发
- 项目|常德市二中2021青少年科技创新大赛再获佳绩
- 视点·观察|科技巨头纷纷发力元宇宙:这是否是所有人的未来?
- 技术|聚光科技旗下临床质谱仪获批医疗器械注册证
- 视点·观察|科技股连年上涨势头难以持续:或已透支未来涨幅
- 视点·观察|科技行业都在谈论“元宇宙”,可是它还不存在