注：以下的“我”，指的都是冯霁博士。

1、人工智能创新，遇到天花板/strong>

谷歌最近这个问题的确受到了挺多关注，我觉得有三个问题值得思考：

第一，大厂开始逐渐地走向「暴力美学」，也就是用「超大规模的数据」+「超大规模的算力」，暴力探索深度神经 络的天花板。不过，这种方法的边界和极限在哪/p>

第二，从学术和科研的角度，这种方法是否是AI唯一的出路/strong>事实上，目前已经有大量研究在探索其他的技术路线，比如怎样做到从感知智能往认知智能去做转变、怎样利用比较小的数据量解决人工智能遇到的问题，等等。

第三，对于工业界的实际应用，是否真的需要如此大的算力/strong>工业界有大量任务是非语音图像文本相关的，这也是在倒逼着学术界去做一些比较高效的算法。

2、人工智能算法，只有深度神经 络/strong>

90年代之前，「人工智能」的代表技术还是以「符 主义」为主，也就是基于逻辑推理，去做Planning、Searching这样的技术。

2010年之后，迎来了人工智能的一次重要的转变，那就是用神经 络技术去更好地表示这些感知类的任务。但是，目前还有大量的人工智能的「圣杯」问题没有得到解决，比如怎样做逻辑推理、怎样做常识、怎样更好地对记忆进行建模等等。

为了解决这些问题，是不是用深度神经 络就够可能是目前学术界和工业界更关心的下一个重要的方向。

3、人工智能的未来：感知 vs 认知/strong>

所谓的「感知人工智能」，其实就是最近几年人工智能成功落地的代表性例子，比如图像识别、语音转文字，以及一些文本生成的任务等。

但更重要的是，怎么从这种感知类的任务，转向具有认知能力的任务，尤其是怎么用人工智能的方式来实现逻辑推理、实现常识，从而真正实现通用人工智能/p>

针对这个问题，据我所知，学术界主要有三条技术路线。

第一，仍然沿着神经 络这条路，通过不断地堆数据和算力尝试解决问题。

第二，尝试导入符 主义的技术，也就是连接主义+符 主义的结合。

第三，继续提升传统的逻辑推理技术，而这条路线也是最难的。

4、数据：数字时代的石油怎么采/strong>

数据对于人工智能工程来说，重要性已经越来越高了。工业界提出了一个新的概念，叫「以数据为中心」的开发模式。相比之下，之前叫做「以模型为中心」。

传统情况下，工程师更多的时间会花在如何搭建一个模型、如何通过调参来让这个系统的性能更好。但现如今，大家80%的注意力都放在如何让数据集变得更好、如何让训练集变得更好、如何让训练集更平衡，然后让这个模型在好的数据集上训练，并得到比较好的结果。

随着我们对数据隐私需求的逐渐增长，数据带来的一些负作用以及非技术要求也越来越多了。比如当几家机构做联合建模的时候，出于对数据隐私的保护，数据不能够在机构之间分享。所以像联邦学习这样的技术，就是为了在保护数据隐私的前提下，实现联合建模。

现在大家已经逐渐地意识到，在具体的工业开发中每家机构不一样的地方就是他们的数据。现在有了非常便利的软件开源框架，也有了非常高效的硬件实现，工程师就都转而去关注数据了——这是一个Paradigm Shift，也就是范式级别的转变。

我自己孵化的倍漾量化，是以AI技术为核心的对冲基金。在公司内部，每天需要存储的数据量大概有25-30TB。因此我们就遭遇到了“内存墙”的问题。

为了应对海量数据对内存带来的压力，我们把数据分成了冷数据、温数据和热数据。

“冷数据”指的是，数据访问的频率不是很高，落库就好。“热数据”是指，我们要做大量的读写任务，而数据一般都比较散，每次读写的量又非常得大。那么如何把热数据很好的进行分布式存储/p>

也就是说，不管是FPGA、ASIC，还是CPU、GPU，在不同的场景下，它们都有不同的用武之地。   

关于异构平台的编程，我看到工业界已经有了一些尝试。比如英特尔的oneAPI，我觉得是蛮重要的一个工具。也就是说，oneAPI能让同样一套代码能够自动地适配CPU、FPGA或者其他类型的芯片。这样将会大大地减少工程师的编程难度，也能够让他们专注在算法创新上。

我觉得，这对于推动异构应用非常重要。

7、未来人工智能发展的方向，还有哪些/strong>

我觉得，可能需要一个更好的端到端的解决方案。现在其实已经从「软件1.0」升级到了「软件2.0」时代。也就是说，从传统规则驱动的复杂软件工程的构建，变成了数据驱动的软件工程构建方法。

之前，我们要靠很高的聪明才智写一系列精妙的系统，才能让整个程序能够跑起来。这就类似于机械手表，最好的程序员们都把精力放在构建“齿轮”的运转、以及如何让这个“手表”能够跑起来。

现在，如果这一套运行的规则我不知道该怎么定，那就直接把它撂给大量的数据或者机器学习算法，这个算法会生成一个新的算法，而这个新的算法是我们想去得到的东西。这种方式，有点像去造一个造机器人的机器人。

在软件2.0时代，整个软件工程的开发范式将有一个很大的转变，我们很希望得到一套端到端的解决方案，核心就是怎样更方便地实现「以数据为中心」的软件工程开发。

8、人工智能，未来如何落地/strong>

我觉得大概有两方面。第一，从工业界来看，还是要从第一性原理出发，也就是基于自己的需求，并综合考虑到很多的非技术因素。比如我看到有一个公司想做小区安防的人脸识别系统，但每个出入口后面要配4个非常昂贵的GPU，这就是典型的没有从需求和成本出发。

第二，学术研究未必要跟风。就像我们在刚开始时说到的那样，对于模型的规模，并不需要相互攀比：你有一个千亿的，我就要搞个万亿的，你有个万亿的我就要搞一个十万亿的。

其实有大量的任务都需要小规模的参数，或者由于成本等限制，只能提供少量的样本。在这种条件下，怎样做创新和突破个是学术界应该主动担起的责任。

9、人工智能创业，还是风口吗/strong>

我们可以想想看，90年代末期，建个 站都要花2-3万元，因为当时会 络编程技术的人凤毛麟角。但是在今天，可能任何一个高中生，鼠标点一点就能建站。

也就是说， 络知识已经在每一个普通程序员的工具包里了。

其实，人工智能技术也是一样。在2015年左右时，搭一套深度学习框架、还要在GPU上能跑起来，全球可能不超过1000个人。而现在经历了指数级别的增长，很多人都会了。我们有理由相信，大概在五年之后，随便一个程序员的工具包里就有更为丰富的人工智能解决方案，它的实现的门槛肯定是在不断降低的。也只有这样，人工智能技术才能更为普遍地应用在每一个公司。

所以，大厂里的AI Lab是必然会消失的。就像2000年前后，很多公司都有一个Internet Lab，就是把公司所有跟 络有关的事情专门搞一个实验室，由这个实验室向其他的业务部门做技术输出。这是因为会这项技术的人特别少，他们才要做这件事情。

AI Lab也是一样的，当AI技术落地的门槛逐渐降低时，大量业务部门的人也拥有类似的技术，那这种AI Lab就必然会消失。我觉得这就是在技术发展过程中一个临时产品，这是个好事情。当大厂没有AI Lab的时候，大概就是人工智能真正遍地开花的年代。

10、人工智能，如何普惠大众/strong>

第一，我们还需要摩尔定律的加持。现在还有大量的任务对算力的要求很大，我们必须不断进行硬件的迭代和算法的更新。只有当需要在集群上跑的事情能在手机上跑，AI才可能有大量的落地。

第二，人工智能创新的重点，要从互联 的业务转向一些传统的行业。之前大家的精力都在怎样用人工智能做更好的视觉解决方案，或者更好的推荐系统，或者更好的P图软件。但在实体经济中，其实也有大量产生数据的部门和业务。当这些实体经济数据能够更好地信息化之后，它们所带来的价值才可能远超于目前的虚拟经济。

文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览34183 人正在系统学习中