深度学习“撞到南墙”了？

发布日期：2022-03-18 15:41


这项价值数十亿美元的技术极大地推动了当代人工智能的发展作为这项技术的先驱。2016年时，深度学习「教父」Geoffrey Hinton就说过，我们不用再培养放射科医生了。如今几年过去，AI 并没有取代任何一位放射科医生。问题出现在哪？与之类似的行业还有无人驾驶，时至今日，经过深度学习的自动驾驶系统依然无法让人类感到安心。深度学习“撞到南墙”了吗？另一方面，AI公司在商业上发展似乎也陷入瓶颈。智能语音公司纷纷加快转型步伐，谋求商业模式的突破；而更多的AI公司在发展的同时，也面临着巨大的亏损，比如国内AI四小龙中的依图科技在2年半的时间内亏损了60亿、旷视科技在三年之内亏损了127亿元、商汤科技更是3年半亏损了243亿元。为何AI公司亏损严重？AI公司的盈利期何时才能到来？


深度学习模型就像是的士司机，我们只需要让熟悉路的乘客带着新司机从一些出发地到一些目的地多跑几遍，新司机就会熟能生巧地记住这些路线，成为老司机。将来新的乘客在一些出发地只要上了老司机的车，老司机就能把乘客带到乘客想去的目的地。但是，当前的深度学习模型有超过的士司机之处，也有不如的士司机之处。
 
深度学习模型超过的士司机的地方在于深度学习模型能够记住更多的出发地和目的地及其路线，这个优势之所以存在，是因为人类大脑的潜能只开发了冰山一角，而人工智能则是毫无保留地使用。从这个角度来看，这个优势也只是表面现象，如果人类大脑的潜能被百分之百发挥，人类大脑的存储能力和计算能力也会超过深度学习模型，这一点从超强大脑等节目就能看出一点端倪，那些选手的大脑潜能也只是比常人多开发了一点，就能表现出令人惊诧的特殊能力。
 
图片

深度学习模型不如的士司机的地方在于，的士司机从出发地到目的地多跑几遍后，能说出所 以然，能说出从出发地到目的地的路线。但深度学习模型不能，如果你上了深度学习模型的车，问它准备从哪条路线到目的地，它不会给你解释的，事实上它也不知道，它只知道把你从出发地带到目的地，但具体路线它也说不清。那你在深度学习模型的车上肯定想自己通过 窗户看看是从哪个路线走的，深度学习模型也会说抱歉了，因为你一上深度学习模型的车，就直接被带入了迷宫，根本分不清东南西北，窗外所有的景象全部支离破碎，你根本上认不出来哪里是哪里。这时候，你在车子上会不会提心吊胆？需不需要担心深度学习模型的车会 把你拉到悬崖或撞到墙上？
 
有的人说不需要，因为深度学习人脸识别的准确率、疾病预测的准确率、玩游戏的水平、下围棋的水平等等似乎已经能够与人类并驾齐驱。既然水平和人类水平差不多，那么敢坐人类司机开的车，为什么就不敢坐深度学习模型开的车？只是心理因素吗？是不是克服了心理障碍就可以了？是不是本质上没有区别，只是人们在心理上不太相信深度学习模型的车？事实上还真的不只是心理的原因。就像人们怕鬼一样，可能只是心理的因素，事实上可能没有鬼，只是因为心里有鬼，就自己吓自己了。那深度学习模型的车里到底有没有鬼呢？还真的有。深度学习模型之车的诡异之处在于它跟地铁不一样，地铁从出发地到目的地的路线是固定的，就跟专家系统一样，根据知识一个轨道一个轨道地推理前进，没有不确定性。
 
图片
专家系统的结构

深度学习模型却有一定的不确定性，即使给深度学习模型的司机做同样的培训，不同的教练（就是所谓的调参师）训练出来的深度学习模型不同，往往有天壤之别，同一个教练训练不同的深度学习模型的效果也不同。这一点和人类学车大同小异，不同教练教出来的司机水平不同，同一个教练教不同的司机教出来的水平也不同。但同一个教练教同一个司机教出来的水平肯定是一样的，诡异的是，即使是同一个教练，训练同一个深度学习模型，得到的模型也不完全相同，虽然八九不离十。爱因斯坦不相信上帝会掷筛子，但深度学习模型里的确被人类设置了掷筛子机制，那把掷筛子机制去掉行不行呢？去掉之后深度学习模型的能力就会下降，本质上深度学习模型利用的是大数据的统计特征，进行的是数据之间的拟合。而统计的特点就是具备一定的概率性，这种概率可以达到百分之九十九，甚至不断逼近百分之百，但没有办法完全达到百分之百。既然如此，有人就会质疑了，人无完人，智者千虑必有一失，人类也没有办法达到百分之百的准确率，我们有时也会在路上认错人，我们开车有时也会发生交通事故，医生看片有时也会看走眼，既然如此为什么我们人类能犯错，就不允许人工智能犯错呢？为什么就不能在生产生活中大范围使用人工智能呢？这是因为我们人类犯错往往不是人类智能本身的缺陷引起的，而人工智能犯错本质上是由于当前的人工智能技术还存在着机制上的缺陷，也就是弱人工智能的缺陷。
 
图片

弱人工智能只能处理相对封闭的系统，对于完全开放的系统，弱人工智能就会变成人工智障。当前不管是人脸识别还是下围棋或玩游戏等等人工智能所很好应用的领域，都属于相对封闭的领域，都是目标和范围相对明确的领域。对于完全开放的领域，不管是深度学习，还是机器学习，或者专家系统，或迁移学习，或强化学习都会一筹莫展、无能为力，变成三岁小孩都不如的智商。而我们的现实生活中，绝大部分的场景都是完全开放的，时常会发生意想不到的情景，这时如果我们依赖弱人工智能，就会给我们带来意想不到的伤害，从而引发一系列人工智能伦理问题。而强人工智能就能解决这些问题，但我们要不要发展强人工智能，能不能发展强人工智能，应不应该发展强人工智能，都是我们这一代甚至我们子孙后代需要思考的问题，因为强人工智能的到来就如同外星人到来，也如同另一个人类种族的到来。如果人工智能发展成了强人工智能，那么人工智能不再是人类的工具，会不会和人类争夺地球的资源甚至主权？会不会毁灭人类？这些都是值得警惕的关系到人类命运的大问题。


在经历了高歌猛进的飞速发展后，AI各个赛道的格局日趋明显，各个细分领域也相继迎来了第一股。在AI市场规模高速增长的同时，相关企业盈利状况并不乐观。主要原因是目前AI落地的场景过于碎片化，定制化、成本高、利润低等不利因素的影响下，亏损也就成了人工智能企业难以避免的一种常态。虽然看起来营收在逐年增长，但是需要的研发投入也在逐年增加，还未达到营收平衡的临界点。

图片
 
近年来AI产业生态也正在逐步回归理性。行业参与者一方面深化AI落地，另一方面回到技术本身寻求更多突破。技术与场景的结合，将培育出更多打破原有产业边界与业态的创新型应用。未来，在细分领域有整体垂直应用的解决方案，并且形成数据闭环后，这种技术和价值壁垒将是可以持续的，也更容易获得资本的青睐。同时，同一应用场景下，多模态的技术整合比单一软件或硬件更容易找到落脚点。比如结合机器人+人工智能+医学影像+物联网+大数据等技术，只为解决群体性乳腺癌筛查这一件事，形成端到端的深度解决方案，解决的是整个小生态的问题，而不仅仅是医生辅助阅片或者单单自动扫查释放体力劳动的问题。更重要的是，基于软件和硬件的整合能自我催生源源不断的数据，这是可盈利的基础。在商业模式的选择上，每家都有自己的路径，从市场规模、客户痛点、自身优势、切入难易度，产品的匹配程度等方面都要找到。同时，对于初创企业，合理压缩估值泡沫也将有利于企业获得融资和生态的健康发展。


近几年，AI技术的发展不再仅仅强调核心算法和理论的提升，更多的是与应用场景结合，解决实际问题，实现AI技术落地。我并不认为深度学习“撞到南墙”，恰恰相反，AI研究人员正在解决深度学习“黑匣子”问题，通过可解释性AI技术来解决AI技术当前所面临的一系列问题，以实现AI技术的可持续发展。诸如智能交互、AI内容生成、虚拟人等多模态AI技术，已逐步走进了人们的视野，改变人们的生活方式。目前，已有大量的工作已被AI所取代，但人们更期待的是拟人化的AI技术。
 
图片

数据、算法、算力作为AI技术的三大核心驱动力，注定了AI行业门槛较高、链路长，投入的成本远高于其它IT行业。我认为当前AI行业处于基础设施建设初步完成、AI技术即将发生重大更迭的阶段，大规模的AI应用将在未来的3年内爆发，AI公司未来可期。


亏损严重有以下几点原因，一是大多数AI公司成立时间不长，估值成长较快，核心团队普遍持有公司股权，导致其股份支付费用十分巨大，如商汤为11亿、云从13亿、奥比中光5亿，这一笔天价股份支付费用是导致巨额亏损的直接原因；二是AI独角兽们虽然拥有强大的研发团队和厚实的技术积累，但其技术所服务领域一直没有很好的落地场景，导致营收规模一直无法有效提升；三是AI独角兽们的技术研发人员占比通常可达70%以上，其每年巨大的研发开支也是重要原因之一。我认为AI独角兽想要盈利，主要取决于落地场景什么时候能够成熟，主要业务带来的营收能不能迅速放量。在Aiot、智能驾驶、新消费愈加贴近我们生活的今天，相信这个时点会到来。

图片

“弹科技”是广东省人工智能产业协会与广东卫视《财经郎眼》围绕科技热点、行业趋势，邀请各领域的意见领袖进行点评的互动栏目。本栏目致力于为推动科技创新、科技向善提出真知灼见。