联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
未来,AI的发展速度会更快
未来,AI的发展速度会更快
25年前,当网络刚出现的时候,每个人都变成了电子商务,每一个过程都变得“网络化”。现在,随着AI技术的发展,每个人都将成为“AI企业”,或者是“C企业”,即认知企业,每个人都在获得“认知能力”。每一个过程都会被“认知化”。每一个过程都将从新的数据和新的互动中学习。
关于AI的五个误区
【问】:众所周知,你总是回避“人工智能(AI)”这个词,而倾向于使用“认知计算”,甚至你的个人简介里也只提到了在认知计算方面取得的成就。这是为什么?
萨克森纳:对我来说,AI是制造智能系统和智能机器的科学,而认知计算以及AI的大部分都是围绕着取代人类的思维而开发的,并创造出能够更好完成人类工作的系统。我认为这项技术最大的机遇(已经在多项研究报告中得到证实)是在增强人类方面。因此,对我来说,AI并非指人工智能,而是增强智能。你可以用机器来增强和扩展人类的能力。认知计算就是利用AI技术和其他技术将人类与机器进行匹配,从而增强人类的决策能力和体验。
我把认知计算看作是AI和其他技术的应用,具体来说,我称之为“钢铁侠的贾维斯套装”,它让每个人都成为了超人。这就是认知计算的意义所在,坦白地说,这是我们在运行IBM沃特森项目时就开创的领域,我们相信,它也是IT和企业领域的“下一个大事件”。
【问】:当AI的概念首次被提出时,研究人员在达特茅斯会面,他们认为自己可以在当年夏天就让它成为现实。他们在论文中认为,就像物理学中只有少数定律,电力学中也只有几个定理那样,他们认为AI也只需要几条规则即可。AI最初出现了很多错误,但是现在,我们对它的发展前景以及可以用它做什么更为乐观。在过去的十年里,AI领域发生了哪些变化?
萨克森纳:我认为其中有两个维度需要关注,一个是当AI最初发展的时候,其全部意图是“人工模拟世界。”然后,它转向“模拟人类思维”。而现在,我认为最有潜力的应用是“模拟人类和商业体验”。每个目标都非常庞大。最初的“模拟世界”和“模拟大脑思维”都可以被看做大规模的练习。在很多情况下,我们甚至都不知道大脑是如何运作的,所以你如何对自己都不理解的东西进行建模呢?这个世界太复杂、变化太快,以至于我们根本无法做出如此大的模型。
我认为,更实用的方法是使用AI来模拟微体验,无论是Uber应用还是Waze都是如此。或者是对一个商业过程进行建模,不管它是索赔解决方案,还是承接保险,亦或是糖尿病管理。我想这就是第三个AI时代将更加专注的领域,它不是为世界建模,也不是为思维建模,而是为人类体验和商业过程建模。
【问】:那么,这是否意味着我们降低了对它的期望?
萨克森纳:我想我们是专门从事这项工作的。如果你再仔细看看人类的思维,你可能不会相信某个孩子能一夜之间就变成天才。更不用说一个能理解所有科学、所有语言和所有国家的天才了。我认为,在如何以及哪里应用AI方面,我们得到了更务实的结果,而不是更多研究和科学驱动的结果。
【问】:我注意到你曾两次使用“思维”这个词,而不是“大脑”。这是故意的吗?如果是,你认为“思维”是从哪里来的?
萨克森纳:我认为现在AI有很多炒作,而且出现了很多误解。我很想这样说:“如今的AI等同于‘人工膨胀(artificially?inflated)’或‘惊人的创新(amazing?innovations)’。我认为在‘人工智能等同于人工膨胀’的领域里有五个误区。”最早的误区之一是,AI等同于人类思维的替代品。我将人类大脑与人类思维、人类意识区分开来。所以,在最好的情况下,我们想要做的就是利用AI的某些部分模拟人脑的功能,而不是说模仿人类思维或人类意识。
我们上次讨论过这个问题,我们甚至不知道意识是什么,除了靠医生宣布病人是死是活外,我们根本没有意识探测器。而对于人类思维有一种说法是,你可能需要量子计算机才能真正了解一个人的思维是如何工作的,它不是布尔型机器或冯诺依曼机器,而是一种不同类型的处理器。但我认为,人类的大脑可以被分解,可以通过AI增强,从而创造出非凡的结果。我们已经在放射学、华尔街、定量分析和其他领域看到了这一点。我认为更令人兴奋的是,可以将AI应用于这些领域。
【问】:你知道,这真的很有趣,因为有个持续了20年的研究项目OpenWorm。即专门研究线虫的大脑,它有302个神经元组成,研究人员希望对它进行建模。即使是在20年后,从事这个项目的研究人员也说,这或许是不可能实现的。所以,如果你不能模拟线虫的思维,那么有一件事是肯定的,在模拟线虫的大脑之前,你更无法对人类思维进行建模。
萨克森纳:完全正确。你知道我的看法,我更感兴趣的是“更富有”,而不是“更聪明”。我们需要变得更聪明,但同时我们也需要变得更加富有。我所谓的“更富有”并非单单指有钱,我的意思是:我们如何利用AI来改善我们的社会、我们的企业以及我们的生活方式。这就是我为何认为应以“更注重结果”而不是“科学研究”的方式来解决这个问题的原因,我认为前者是一种更实用的AI应用方式。
【问】:所以,你提到了五个误解,它就是其中之一。其他的四个误解都是什么?
萨克森纳:第一个误解是,AI等同于取代人类思维。第二个误解是,将AI与自然语言处理等同起来,但实际上这与事实相去甚远。自然语言处理只是AI中的一种技术。这就像是在说:“我有能力理解和阅读一本书,而这就是我的大脑的全部能力。”这是第二个误解。
第三个误解是,AI和大数据、分析数据没什么分别,大数据和分析工具是用来捕捉更多AI输入的工具。但认为大数据和AI没有分别,只是因为我能感知到更多,可以变得更聪明。所有大数据都会给你更多的信息,让你有更多的感觉。它不会让你变得更聪明。这是第三个误解。
第四个误解是,与垂直应用相比,水平部署的AI更好用。我相信真正的AI以及在企业中取得成功的AI,必然是垂直领域的AI。因为说“我有个AI”是一回事儿,而“我有一个懂得保险的AI”则是另一回事儿,还有能理解糖尿病的AI,能理解“超级碗”广告的AI等。每个AI分支都需要对数据、模型、算法和经验进行特定领域的优化。这是第四个误解。
第五个误解是,AI完全是关于技术的。而在最好的情况下,AI只有一半与技术有关。这个等式的另一半与技能有关,与新流程、方法和管理有关,比如如何在企业中负责任地管理AI等。就像互联网出现的时候,你没有办法和流程来创建网页,建立网站,管理网站不被入侵,以及管理网站的更新等。类似地,有个完整的AI生命周期管理,这也是CognitiveScale公司关注的问题:如何以负责的、大规模的方式创建、部署和管理AI?
传统IT系统不具备学习能力,它们主要是基于规则建立的系统,以规则为中心的系统不会学习,而以AI为基础系统是基于模式的,它们可以从模式中学习。因此,与不具备学习能力的传统IT系统不同,AI系统有自学和几何级数提升自我的能力。如果你无法获得对这些AI系统的可见性和控制能力,那么你可能会面临CognitiveScale公司所谓的“流氓AI”的巨大问题,它是不负责任的AI。你知道恐怖电影《鬼娃孽种》(Seed of Chucky)中的场景吧,就像许多鬼娃在你的企业里跑来跑去,将那里搞得一团糟。我们需要的是全面的端对端视图,从设计、部署到生产,以及在规模上管理AI。这需要的不仅仅是技术,还需要技能、方法以及过程。
AI必须作为一项商业战略来完成
【问】:在我们更早的聊天中,你提到有些人在扩展他们的AI项目时遇到了困难,他们在自己的企业里开始,让他们的企业有了准备。我们来谈谈这个问题。为什么会这样,那么解决方法是什么呢?
萨克森纳:是的。在过去五年中,我与超过600名客户进行了交流,从IT级别到董事级别,再到首席执行官级别。有三件大事正在发生,他们正在努力获取AI的价值。第一,AI被认为是数据科学家和分析人员才可以做的事情。然而AI实在太重要了,不能只留给数据科学家去做。AI必须作为一项商业战略来完成。AI必须通过自顶向下的方式来驱动业务成果,而不是自下而上地寻找数据模式。这是第一部分。我看到很多正在进行的科学项目。其中一位客户将其称为“飞镖vs泡沫”。他说:“有很多项目正在进行中,但我怎么知道泡沫在哪里,这对我所拥有的数十亿美元的业务真的有帮助吗?”有很多我称之为“自下而上的工程实验”正在进行中,它们可能不会有太大帮助。
第二,数据科学家和应用开发人员正在努力将这些项目投入生产,因为他们无法为你在企业中需要的AI提供基本能力,比如解释能力。我相信,目前99.9%的AI公司在未来3年内无法实现这一目标,因为它们缺乏一些基本的能力,即解释能力。在互联网上通过深度学习网络找到喵星人的照片是一回事,向首席风险官解释为什么某项指控被拒绝、病人为何死亡则是另一回事,而现在他们又面临着一场价值数百万美元的诉讼。AI必须是负责任的、值得信赖的、能够解释的,并能够说明为什么当时做出了这样的决定。由于缺乏这种能力,而且有五种我们称之为“企业级AI”的能力,大多数项目都无法进入生产阶段,因为它们无法满足安全性和性能方面的要求。
最后,这些技能依然非常稀少。有人曾告诉我,在这个世界上只有七千个人拥有能够理解和运行AI模型和网络的技能,比如深度学习和其他网络。想象一下,7000人。我知道有一家银行,它有22000名开发者,这仅仅是一家银行。如今AI投入实践中使用的方式依然存在着巨大分歧,与此同时,AI技能的发展也面临着巨大的挑战。
这是CognitiveScale公司正在做的另一件事,我们创造了这个平台来帮助AI民主化。如何让应用开发者、数据科学家和机器学习人员协同工作,并在90天内部署AI?我们有一种名为“10-10-10”的方法,即在10小时内,我们选择一个用例;在10天内,我们使用它们的数据建立参考应用程序;最后在10周内,我们将它们投入生产实践中。我们通过帮助这些团队合作开发一个名为“Cortex”的新平台,让你可以安全地将AI大规模地投入生产。
【问】:在这一点上,欧洲人正在努力,以弄明白AI是否为你做出了决定,你有权利知道为什么它会拒绝为你贷款。所以,你是说这是现在还没有发生的事情,但这是有可能发生的。
萨克森纳:实际上,目前已经有很多正在进行的类似努力。DARPA已经围绕“XAI”(可解释AI)这个概念提出了一些倡议。我知道其他公司也在探索这个问题,但这仍然是一项水平非常低的技术工作。在商业流程层面,在行业层面上,“XAI”不会出现,因为AI的解释性要求因过程而有所不同,行业之间也存在差异。对于喉癌专家来说,关于AI为何推荐当前疗法的解释性要求,与财富管理领域的投资咨询经理的解释性要求不同,后者可能会说:“这是我和AI系统向你推荐的投资组合。”因此,解释性要求存在于两个层面。它作为一种技术存在于水平层面上,而且它也存在于行业优化层面上,这就是为什么我认为AI必须进行垂直化和行业优化才能真正实现起飞的理由。
【问】:你认为这是询问AI系统的有效请求。
萨克森纳:我认为这是必要条件。
【问】:但如果你问谷歌员工:“我在搜索中排名第三,另一人排在第四位。为什么我第三他第四?他们会说:‘我不知道。’因为有六千种不同的事情正在发生。”
萨克森纳:完全正确。
【问】:那么,解释性要求难道不会阻碍技术发展吗?
萨克森纳:或者会,但它也可以创造出一个新的领导阶层,他们知道如何解决这个难题。这就是我们建立CognitiveScale公司的初衷。这是我们在创建“企业级AI”的六项要求之一。当我们在研发IBM超级电脑沃特森的时候,我学到了一个重要的东西,那就是你如何建立一个可以信任的AI系统,就像人类那样?解释能力就是其中之一。另一个原因是,有理由的进行推荐。当AI给你提供了一个洞见时,它还能给你提供支持洞见的证据:“为什么我认为这是你最好的行动方式?”当对AI建立起信任后,也就是人类能够采取行动的时候。提供证据和解释能力是“企业级AI”需要的两大要求,也是AI取得大规模成功的前提。
【问】:有七千人明白这一点。假设这是真的,那是它有多困难?
萨克森纳:我认为,这是一种技能的不同之处,我们正试图将其引入企业。这也非常困难,就像网络一样,我一直在上网,我们现在就像处于1997年互联网刚刚诞生时的状态。在那个时候,可能只有几千人知道如何开发基于html的应用程序或网页。今天的AI就像1996年和1997年的互联网,当时人们通过手工制作网页,这与构建web应用程序有很大的不同。网络应用将一系列web页面连接起来,并将它们编排到一个业务流程中来驱动结果。这与优化某个行业的过程有很大不同,而且要在可解释性、管理和可扩展性等要求下对其进行管理。围绕“企业级AI”的创新还有很多,但我们还没有触及到这个领域。
【问】:1997年互联网问世时,人们争相在自己的公司里建立网络部门。我们现在也处于那种状态吗?我们是否在争相建立AI部门,难道不是这样的吗?
萨克森纳:绝对如此。我不会说这不是解决问题的方法。我得说这是必要的第一步,需要真正的理解和学习。不仅仅是AI,甚至是区块链——CognitiveScale公司将其称为“大脑区块链”。我认为这是一个巨大的转变,虽然这还没有发生,但在未来三到四年的时间里,你会开始建立自我学习和自我保证的过程。回到网络的类比上,这是需要三四步才能实现的目标(让企业成为电子商务)迈出的第一步。25年前,当网络刚出现的时候,每个人都变成了电子商务,每一个过程都变得“网络化”。现在,随着AI技术的发展,每个人都将成为“AI企业”,或者是“C企业”,即认知企业,每个人都在获得“认知能力”。每一个过程都会被“认知化”。每一个过程都将从新的数据和新的互动中学习。
它们将经历的这些步骤与他们在网络诞生时所经历的过程并没有什么不同。一开始,有一群人在开发网络应用,CEO在一段时间之后说:“我已经花了一百万美元,我在网站上有了智能数字手册。但它对我的生意有何帮助?”这正是我们目前所处的阶段。然后,另一个人说:“嘿,我可以把购物车连接到这个特定的网页上,我可以围绕它设置一个支付系统,我可以用它创建一个电子商务系统。我有一个名叫JBoss的开源项目,你可以用它来做这些事情。”这有点类似于Google TensorFlow今天为AI提供的支持,然后,像Siebel和Salesforce这样的下一代公司会说:“我可以为你打造一个商业化的、基于网络的CRM系统。”同样,这也是CognitiveScale公司在做的。我们正在打造下一代智能CRM系统,或称智能HRM系统,让你以可靠和可扩展的方式从这些系统中获得价值。所以AI的发展过程与我们在互联网诞生后经历的情况类似。而且,这期间仍有大量的创新,并形成新的市场领导力量。我相信会有一家价值数千亿美元的AI公司,它将在未来7到10年内崛起。
未来,AI的发展速度会更快
本期嘉宾是玛诺基·萨克森纳(Manoj Saxena),他和我们讨论了认知计算、意识、数据、DARPA、AI解释能力以及超收敛性(superconvergeni)等话题。
关于AI的五个误区
【问】:众所周知,你总是回避“人工智能(AI)”这个词,而倾向于使用“认知计算”,甚至你的个人简介里也只提到了在认知计算方面取得的成就。这是为什么?
萨克森纳:对我来说,AI是制造智能系统和智能机器的科学,而认知计算以及AI的大部分都是围绕着取代人类的思维而开发的,并创造出能够更好完成人类工作的系统。我认为这项技术最大的机遇(已经在多项研究报告中得到证实)是在增强人类方面。因此,对我来说,AI并非指人工智能,而是增强智能。你可以用机器来增强和扩展人类的能力。认知计算就是利用AI技术和其他技术将人类与机器进行匹配,从而增强人类的决策能力和体验。
我把认知计算看作是AI和其他技术的应用,具体来说,我称之为“钢铁侠的贾维斯套装”,它让每个人都成为了超人。这就是认知计算的意义所在,坦白地说,这是我们在运行IBM沃特森项目时就开创的领域,我们相信,它也是IT和企业领域的“下一个大事件”。
【问】:当AI的概念首次被提出时,研究人员在达特茅斯会面,他们认为自己可以在当年夏天就让它成为现实。他们在论文中认为,就像物理学中只有少数定律,电力学中也只有几个定理那样,他们认为AI也只需要几条规则即可。AI最初出现了很多错误,但是现在,我们对它的发展前景以及可以用它做什么更为乐观。在过去的十年里,AI领域发生了哪些变化?
萨克森纳:我认为其中有两个维度需要关注,一个是当AI最初发展的时候,其全部意图是“人工模拟世界。”然后,它转向“模拟人类思维”。而现在,我认为最有潜力的应用是“模拟人类和商业体验”。每个目标都非常庞大。最初的“模拟世界”和“模拟大脑思维”都可以被看做大规模的练习。在很多情况下,我们甚至都不知道大脑是如何运作的,所以你如何对自己都不理解的东西进行建模呢?这个世界太复杂、变化太快,以至于我们根本无法做出如此大的模型。
我认为,更实用的方法是使用AI来模拟微体验,无论是Uber应用还是Waze都是如此。或者是对一个商业过程进行建模,不管它是索赔解决方案,还是承接保险,亦或是糖尿病管理。我想这就是第三个AI时代将更加专注的领域,它不是为世界建模,也不是为思维建模,而是为人类体验和商业过程建模。
【问】:那么,这是否意味着我们降低了对它的期望?
萨克森纳:我想我们是专门从事这项工作的。如果你再仔细看看人类的思维,你可能不会相信某个孩子能一夜之间就变成天才。更不用说一个能理解所有科学、所有语言和所有国家的天才了。我认为,在如何以及哪里应用AI方面,我们得到了更务实的结果,而不是更多研究和科学驱动的结果。
【问】:我注意到你曾两次使用“思维”这个词,而不是“大脑”。这是故意的吗?如果是,你认为“思维”是从哪里来的?
萨克森纳:我认为现在AI有很多炒作,而且出现了很多误解。我很想这样说:“如今的AI等同于‘人工膨胀(artificially?inflated)’或‘惊人的创新(amazing?innovations)’。我认为在‘人工智能等同于人工膨胀’的领域里有五个误区。”最早的误区之一是,AI等同于人类思维的替代品。我将人类大脑与人类思维、人类意识区分开来。所以,在最好的情况下,我们想要做的就是利用AI的某些部分模拟人脑的功能,而不是说模仿人类思维或人类意识。
我们上次讨论过这个问题,我们甚至不知道意识是什么,除了靠医生宣布病人是死是活外,我们根本没有意识探测器。而对于人类思维有一种说法是,你可能需要量子计算机才能真正了解一个人的思维是如何工作的,它不是布尔型机器或冯诺依曼机器,而是一种不同类型的处理器。但我认为,人类的大脑可以被分解,可以通过AI增强,从而创造出非凡的结果。我们已经在放射学、华尔街、定量分析和其他领域看到了这一点。我认为更令人兴奋的是,可以将AI应用于这些领域。
【问】:你知道,这真的很有趣,因为有个持续了20年的研究项目OpenWorm。即专门研究线虫的大脑,它有302个神经元组成,研究人员希望对它进行建模。即使是在20年后,从事这个项目的研究人员也说,这或许是不可能实现的。所以,如果你不能模拟线虫的思维,那么有一件事是肯定的,在模拟线虫的大脑之前,你更无法对人类思维进行建模。
萨克森纳:完全正确。你知道我的看法,我更感兴趣的是“更富有”,而不是“更聪明”。我们需要变得更聪明,但同时我们也需要变得更加富有。我所谓的“更富有”并非单单指有钱,我的意思是:我们如何利用AI来改善我们的社会、我们的企业以及我们的生活方式。这就是我为何认为应以“更注重结果”而不是“科学研究”的方式来解决这个问题的原因,我认为前者是一种更实用的AI应用方式。
【问】:所以,你提到了五个误解,它就是其中之一。其他的四个误解都是什么?
萨克森纳:第一个误解是,AI等同于取代人类思维。第二个误解是,将AI与自然语言处理等同起来,但实际上这与事实相去甚远。自然语言处理只是AI中的一种技术。这就像是在说:“我有能力理解和阅读一本书,而这就是我的大脑的全部能力。”这是第二个误解。
第三个误解是,AI和大数据、分析数据没什么分别,大数据和分析工具是用来捕捉更多AI输入的工具。但认为大数据和AI没有分别,只是因为我能感知到更多,可以变得更聪明。所有大数据都会给你更多的信息,让你有更多的感觉。它不会让你变得更聪明。这是第三个误解。
第四个误解是,与垂直应用相比,水平部署的AI更好用。我相信真正的AI以及在企业中取得成功的AI,必然是垂直领域的AI。因为说“我有个AI”是一回事儿,而“我有一个懂得保险的AI”则是另一回事儿,还有能理解糖尿病的AI,能理解“超级碗”广告的AI等。每个AI分支都需要对数据、模型、算法和经验进行特定领域的优化。这是第四个误解。
第五个误解是,AI完全是关于技术的。而在最好的情况下,AI只有一半与技术有关。这个等式的另一半与技能有关,与新流程、方法和管理有关,比如如何在企业中负责任地管理AI等。就像互联网出现的时候,你没有办法和流程来创建网页,建立网站,管理网站不被入侵,以及管理网站的更新等。类似地,有个完整的AI生命周期管理,这也是CognitiveScale公司关注的问题:如何以负责的、大规模的方式创建、部署和管理AI?
传统IT系统不具备学习能力,它们主要是基于规则建立的系统,以规则为中心的系统不会学习,而以AI为基础系统是基于模式的,它们可以从模式中学习。因此,与不具备学习能力的传统IT系统不同,AI系统有自学和几何级数提升自我的能力。如果你无法获得对这些AI系统的可见性和控制能力,那么你可能会面临CognitiveScale公司所谓的“流氓AI”的巨大问题,它是不负责任的AI。你知道恐怖电影《鬼娃孽种》(Seed of Chucky)中的场景吧,就像许多鬼娃在你的企业里跑来跑去,将那里搞得一团糟。我们需要的是全面的端对端视图,从设计、部署到生产,以及在规模上管理AI。这需要的不仅仅是技术,还需要技能、方法以及过程。
AI必须作为一项商业战略来完成
【问】:在我们更早的聊天中,你提到有些人在扩展他们的AI项目时遇到了困难,他们在自己的企业里开始,让他们的企业有了准备。我们来谈谈这个问题。为什么会这样,那么解决方法是什么呢?
萨克森纳:是的。在过去五年中,我与超过600名客户进行了交流,从IT级别到董事级别,再到首席执行官级别。有三件大事正在发生,他们正在努力获取AI的价值。第一,AI被认为是数据科学家和分析人员才可以做的事情。然而AI实在太重要了,不能只留给数据科学家去做。AI必须作为一项商业战略来完成。AI必须通过自顶向下的方式来驱动业务成果,而不是自下而上地寻找数据模式。这是第一部分。我看到很多正在进行的科学项目。其中一位客户将其称为“飞镖vs泡沫”。他说:“有很多项目正在进行中,但我怎么知道泡沫在哪里,这对我所拥有的数十亿美元的业务真的有帮助吗?”有很多我称之为“自下而上的工程实验”正在进行中,它们可能不会有太大帮助。
第二,数据科学家和应用开发人员正在努力将这些项目投入生产,因为他们无法为你在企业中需要的AI提供基本能力,比如解释能力。我相信,目前99.9%的AI公司在未来3年内无法实现这一目标,因为它们缺乏一些基本的能力,即解释能力。在互联网上通过深度学习网络找到喵星人的照片是一回事,向首席风险官解释为什么某项指控被拒绝、病人为何死亡则是另一回事,而现在他们又面临着一场价值数百万美元的诉讼。AI必须是负责任的、值得信赖的、能够解释的,并能够说明为什么当时做出了这样的决定。由于缺乏这种能力,而且有五种我们称之为“企业级AI”的能力,大多数项目都无法进入生产阶段,因为它们无法满足安全性和性能方面的要求。
最后,这些技能依然非常稀少。有人曾告诉我,在这个世界上只有七千个人拥有能够理解和运行AI模型和网络的技能,比如深度学习和其他网络。想象一下,7000人。我知道有一家银行,它有22000名开发者,这仅仅是一家银行。如今AI投入实践中使用的方式依然存在着巨大分歧,与此同时,AI技能的发展也面临着巨大的挑战。
这是CognitiveScale公司正在做的另一件事,我们创造了这个平台来帮助AI民主化。如何让应用开发者、数据科学家和机器学习人员协同工作,并在90天内部署AI?我们有一种名为“10-10-10”的方法,即在10小时内,我们选择一个用例;在10天内,我们使用它们的数据建立参考应用程序;最后在10周内,我们将它们投入生产实践中。我们通过帮助这些团队合作开发一个名为“Cortex”的新平台,让你可以安全地将AI大规模地投入生产。
【问】:在这一点上,欧洲人正在努力,以弄明白AI是否为你做出了决定,你有权利知道为什么它会拒绝为你贷款。所以,你是说这是现在还没有发生的事情,但这是有可能发生的。
萨克森纳:实际上,目前已经有很多正在进行的类似努力。DARPA已经围绕“XAI”(可解释AI)这个概念提出了一些倡议。我知道其他公司也在探索这个问题,但这仍然是一项水平非常低的技术工作。在商业流程层面,在行业层面上,“XAI”不会出现,因为AI的解释性要求因过程而有所不同,行业之间也存在差异。对于喉癌专家来说,关于AI为何推荐当前疗法的解释性要求,与财富管理领域的投资咨询经理的解释性要求不同,后者可能会说:“这是我和AI系统向你推荐的投资组合。”因此,解释性要求存在于两个层面。它作为一种技术存在于水平层面上,而且它也存在于行业优化层面上,这就是为什么我认为AI必须进行垂直化和行业优化才能真正实现起飞的理由。
【问】:你认为这是询问AI系统的有效请求。
萨克森纳:我认为这是必要条件。
【问】:但如果你问谷歌员工:“我在搜索中排名第三,另一人排在第四位。为什么我第三他第四?他们会说:‘我不知道。’因为有六千种不同的事情正在发生。”
萨克森纳:完全正确。
【问】:那么,解释性要求难道不会阻碍技术发展吗?
萨克森纳:或者会,但它也可以创造出一个新的领导阶层,他们知道如何解决这个难题。这就是我们建立CognitiveScale公司的初衷。这是我们在创建“企业级AI”的六项要求之一。当我们在研发IBM超级电脑沃特森的时候,我学到了一个重要的东西,那就是你如何建立一个可以信任的AI系统,就像人类那样?解释能力就是其中之一。另一个原因是,有理由的进行推荐。当AI给你提供了一个洞见时,它还能给你提供支持洞见的证据:“为什么我认为这是你最好的行动方式?”当对AI建立起信任后,也就是人类能够采取行动的时候。提供证据和解释能力是“企业级AI”需要的两大要求,也是AI取得大规模成功的前提。
【问】:有七千人明白这一点。假设这是真的,那是它有多困难?
萨克森纳:我认为,这是一种技能的不同之处,我们正试图将其引入企业。这也非常困难,就像网络一样,我一直在上网,我们现在就像处于1997年互联网刚刚诞生时的状态。在那个时候,可能只有几千人知道如何开发基于html的应用程序或网页。今天的AI就像1996年和1997年的互联网,当时人们通过手工制作网页,这与构建web应用程序有很大的不同。网络应用将一系列web页面连接起来,并将它们编排到一个业务流程中来驱动结果。这与优化某个行业的过程有很大不同,而且要在可解释性、管理和可扩展性等要求下对其进行管理。围绕“企业级AI”的创新还有很多,但我们还没有触及到这个领域。
【问】:1997年互联网问世时,人们争相在自己的公司里建立网络部门。我们现在也处于那种状态吗?我们是否在争相建立AI部门,难道不是这样的吗?
萨克森纳:绝对如此。我不会说这不是解决问题的方法。我得说这是必要的第一步,需要真正的理解和学习。不仅仅是AI,甚至是区块链——CognitiveScale公司将其称为“大脑区块链”。我认为这是一个巨大的转变,虽然这还没有发生,但在未来三到四年的时间里,你会开始建立自我学习和自我保证的过程。回到网络的类比上,这是需要三四步才能实现的目标(让企业成为电子商务)迈出的第一步。25年前,当网络刚出现的时候,每个人都变成了电子商务,每一个过程都变得“网络化”。现在,随着AI技术的发展,每个人都将成为“AI企业”,或者是“C企业”,即认知企业,每个人都在获得“认知能力”。每一个过程都会被“认知化”。每一个过程都将从新的数据和新的互动中学习。
它们将经历的这些步骤与他们在网络诞生时所经历的过程并没有什么不同。一开始,有一群人在开发网络应用,CEO在一段时间之后说:“我已经花了一百万美元,我在网站上有了智能数字手册。但它对我的生意有何帮助?”这正是我们目前所处的阶段。然后,另一个人说:“嘿,我可以把购物车连接到这个特定的网页上,我可以围绕它设置一个支付系统,我可以用它创建一个电子商务系统。我有一个名叫JBoss的开源项目,你可以用它来做这些事情。”这有点类似于Google TensorFlow今天为AI提供的支持,然后,像Siebel和Salesforce这样的下一代公司会说:“我可以为你打造一个商业化的、基于网络的CRM系统。”同样,这也是CognitiveScale公司在做的。我们正在打造下一代智能CRM系统,或称智能HRM系统,让你以可靠和可扩展的方式从这些系统中获得价值。所以AI的发展过程与我们在互联网诞生后经历的情况类似。而且,这期间仍有大量的创新,并形成新的市场领导力量。我相信会有一家价值数千亿美元的AI公司,它将在未来7到10年内崛起。
未来,AI的发展速度会更快
上一条:手机端工商执照OCR识别
下一条:2018年人工智能的发展方向