什么叫人工智能al_阿里Al大神贾扬清：我对人工智能方向的一点浅见

欲了解更多创业内容，请访问http://www.iheima.com/scope/79

什么叫人工智能al

.这篇文章是关于

2549

字数

。耗时

分钟

简介:目前阿里计算平台的领军人物贾六年前，他写下了人工智能框架Caffe，令人印象深刻。经过六年的取证，他对今天的人工智能有什么看法？最近，贾在阿里内部分享了他的想法和见解

来源|阿里科技< br>

|贾

近年来深入学习的普及被普遍认为是2012年AlexNet在图像识别领域取得成功的一个里程碑AlexNet提高了机器学习在整个行业的认可度:许多机器学习算法过去“几乎能做演示”，但AlexNet的效果已经跨越了许多应用的门槛，导致对应用领域的兴趣激增。

，当然，没有什么是一蹴而就的。在2012年之前，许多成功的因素已经开始逐渐显现:2009年的ImageNet数据库为大量的标注数据奠定了基础；从2010年开始，IDSIA的丹西兰首次使用图形处理器进行物体识别。2011年，在北京举行的ICDAR会议上，神经网络在脱机中文识别方面取得了非凡的成就。早在2001年，神经科学文献中就提到了AlexNet中使用的ReLU层因此，在一定程度上，神经网络的成功也是一个自然的过程我们可以在2012年后读到很多东西，所以我们不会在这里重复。

成功与局限

在展望神经网络的成功时，我们应该进一步挖掘其背后的理论和工程背景。为什么几十年前神经网络和深度学习失败了，但现在它们成功了？它成功的原因是什么？它的局限性是什么？这里我们只能说几个关键点:

成功的原因是大数据和高性能计算。

的局限性在于对小数据的结构理解和有效的学习算法。

大量数据，如移动互联网和AWS的兴起，一个低成本的数据标签平台，使机器学习算法打破了数据限制；由于高性能操作(如GPU)的兴起，我们可以在可控时间内(几天甚至更短)执行触发器级计算，从而使训练复杂网络成为可能。值得注意的是，高性能计算并不局限于GPU、大量的CPU矢量化计算、分布式计算中的MPI抽象，所有这些都与20世纪60年代开始出现的高性能计算领域的研究成果密切相关。然而，我们也应该看到深入学习的局限性。如今，许多深入学习算法在感知方面取得了突破，可用于识别语音、图像和非结构化数据。面对更多结构化的问题，简单地应用深度学习算法可能达不到良好的效果。一些学生可能会问为什么像阿尔法戈和星际争霸这样的算法会成功。一方面，深度学习解决了感知问题；另一方面，我们也应该看到有许多传统的非深度学习算法，如Q学习和其他学习增强算法，它们共同支持整个系统。而且，当数据量很小时，复杂网络的深入学习往往不能取得很好的效果，但在很多领域，尤其是在医疗等领域，数据很难获得，这可能是未来一个非常有意义的研究方向。

人工智能下一步将走向什么方向，深入研究还是更广泛？我个人的感觉是，虽然在过去的几年里每个人都在密切关注人工智能框架，但近年来框架的同质化表明，它不再是一个需要花大力气解决的问题。像TensorFlow这样的框架在工业中的广泛应用，以及各种框架在使用Python建模领域中的出色性能，已经可以帮助我们解决许多需要通过我们自己的编程来实现的问题。因此，作为人工智能工程师，我们应该跳出框架的束缚，在更广阔的领域寻找价值。

挑战

上，我们将会遇到许多产品和科学研究的新挑战，如:

传统的深度学习应用，如语音、图像等。，我们应该如何输出产品和价值？例如，计算机视觉基本上仍处于安全级别。它如何渗透到医疗、传统行业甚至社会护理中(它如何帮助盲人看世界？)这些领域不仅需要技术，还需要产品思维。除了声音和图像，

如何解决更多问题阿里和许多互联网公司都有一个“沉默的多数”应用，即推荐系统:它通常占据机器学习计算能力的80%甚至90%。如何将深度学习与传统的推荐系统进一步整合，如何找到新的模型，以及如何模拟搜索和推荐的效果，这些可能不如语音和图像那样广为人知，但却是公司不可或缺的技能。

即使在科学研究的方向上，我们的挑战才刚刚开始:伯克利大学的吉坦德拉·马利克教授曾经说过，“我们过去手动调整算法，但现在我们正在手动调整网络架构。如果我们局限于这种模式，人工智能就无法进步。”如何摆脱手工参数调整的旧方式，利用智能来提高智能是一个非常有趣的问题。最初的AutoML系统仍然停留在搜索模型结构的层次，计算量很大，但是现在各种更高效的AutoML技术开始出现，这是值得关注的。

机遇

走下去，我们会发现传统的系统、架构等知识，计算机软件工程的实践，会给人工智能带来许多新的机遇，例如:

传统的人工智能框架是手写的高性能代码，但模型是如此多变，新的硬件平台层出不穷，我们应该如何进一步提高软件效率？我们已经看到人工智能框架通过编译器技术和传统的人工智能搜索方法依次得到优化，比如谷歌的XLA和华盛顿大学的TVM。尽管这些项目还处于早期阶段，但它们已经显示出了它们的潜力。

平台如何提高集成能力在开源领域，每个人的方法都是一个人，一台机器，几个GPU，训练更多的学术模型。然而，在大规模应用中，我们的数据量非常大，模型非常复杂，并且集群中会有各种调度挑战(是否可以同时需要256个GPU？计算资源可以灵活调度吗？)，这给我们自己的机器学习平台和在云上向客户提供的服务带来了许多挑战。

如何共同设计软件和硬件当深度学习计算模式开始逐渐固化时(例如，美国有线电视新闻网)，新硬件和特殊硬件(例如，专用集成电路)的优势开始显现。如何实现软硬件协同设计，防止出现“硬件出来了，我不知道怎么写程序”或者“型号变了，硬件一出来就过时”等问题，将是未来几年的大方向。

人工智能是一个快速变化的领域。我们开玩笑说，2012年的科研成果现在都是古代的故事了。快速迭代带来的大量机会和挑战非常令人兴奋。无论是经验丰富的研究人员还是刚刚开始学习人工智能的工程师，在当今基于云的智能时代，如果他们能够快速学习和更新算法和工程的各种挑战，他们就能够通过算法创新来领导和激励社会的各个领域。在这方面，人工智能领域的各种开源和开源代码、科学研究文章和平台为每个人创造了比以前更容易的入门门槛，机会掌握在我们自己手中。

*本文转载自贾的《阿里科技》。黑之，关注人工智能登陆和人工智能商业价值

党员捐款抗疫情怎么捐_东阿经济开发区：党员捐款见初心众志成城抗疫情疫情防控我国优势_积极向好！我国疫情防控形势取得阶段性重要成果