<前哨>学习笔记-人工智能的产业机会

2017-08-20 本文已影响25人橙子梦小静

关于人工智能的产业机会，学习笔记大致如下：

一，三要素数据最为重要

在人工智能三要素：计算能力，算法，数据。计算能力可以利用大公司的云平台，因为各大公司都把自己的人工智能平台开放出来了。而算法也往往是开源的，所以数据最为关键！

人工智能的发展和培养，不是考简单的写一个死程序，进行运转就可以的，而是要像培养孩子一样，有训练和培养的过程，要让人工智能成长。

而训练人工智能的关键就在于“有监督学习”，说白了就是要有反馈的进行练习。

学习中举了一个著名的例子：

微软的人工智能程序被扔到社交网络里训练它和人聊天。因为没有给足够的好坏反馈，所以这个系统首先学会了一堆脏话。

像我们的孩子也是这样，一旦孩子说脏话，你立刻要制止他，不然的话他也更容易学会说脏话。

反馈方法有两种：

第一种是客观结果，比如说围棋、国际象棋，客观结果就是输赢，因为输赢的判断是有客观依据的。

第二种是专家结果，比如音乐、绘画、其他艺术类创作等，因为没有完全客观的结果，只能依靠专家的意见作为结果。

DeepMind在战胜柯洁的时候，用到了增强学习，指的是人不给任何指导，只是告诉机器输赢的规则，让两台机器自己下棋，并根据输赢的结果自己总结最优策略，这种做法避免了人类的局限，但仍然需要有客观的结果帮助判断。

从上面的例子可以看出，只要是有明确结果的，人工智能是有可能摆脱人类的监督自行学习的，这也是本轮人工智能发展的重要突破。

一些判断模式相对复杂，但是结果很明确的领域是机器人的领域。

比如说智能的商品推荐和广告服务，比如说人工智能的投资，金融投资、股票投资，这些都已经有人工智能系统开发出来了，证明是相当优秀的。

当然，例子还有人工智能在农业分拣、艺术创作等等领域的例子，主要是要让人工智能为你服务，大大增加你的效率。

在文章中，作者对如下四个方面进行了重点的思考：

文章强调，不要试图做各个领域都能用的强人工智能，是做不出来的，不要做通用型的人工智能对人工智能又做了特定的训练，就一定会有结果，会在这个领域有价值。

所以，宜窄不宜宽，宜特定不宜宽泛。

要看这个领域里面你是否有数据，你的数据是否有壁垒，你是否能够定义出来，能够用人工智能解决的问题，结果是否可以被市场接受。同时，是否有大公司在做同样的事情。如果大公司在做，那由于信任问题，小公司会比较难开展业务。

就是你训练人工智能的输出是否有清晰的可比较的结果，如果有清晰的客观的结果，也许你不需要专门的行业专家。

但如果你的领域没有清晰的客观标准，你就要问自己是否有这个领域的专家参与，帮你来确定结果的好坏，帮你来训练。

优势最好在数据上，还有把握行业痛点上，而不是算法和计算能力上，那样没有优势。