依圖聯(lián)合創(chuàng)始人：AI 的格局，場景和未來

我是 Leo，依圖科技聯(lián)合創(chuàng)始人，UCLA 統(tǒng)計學博士，從事人工智能研究 15 年，曾在深度學習奠基者 Yann LeCun 教授實驗室擔任研究員，2010 年獲得 PASCAL 圖像目標檢測比賽冠軍，2017 年獲得美國國家標準與技術研究院 NIST 和美國國家情報高級研究計劃局 IARPA 人臉識別全球冠軍。

最近，大量關于人工智能的研究報告，投資人、創(chuàng)業(yè)者、學者熱議 AI 的趨勢和對社會各行業(yè)的影響，不乏對 AI 技術和產(chǎn)業(yè)發(fā)展的誤解，很容易有誤導性。

宏觀上，議題大體分為三個方面：AI 是多大的事?誰是真正的 AI player?AI 的場景在哪里?從科學研究者和創(chuàng)業(yè)者的雙視角談談我的主要觀點：AI 的邊界，只有領軍人物才可能準確把握和拓展;頂尖企業(yè)，因為遠見造就勢能;AI 的未來，無與倫比，沒有歷史可以借鑒，也沒有權威可以預測。

「S」曲線看 AI 格局我對 AI 發(fā)展歷史和預測，用上圖的「S」形曲線建模(Sigmoid 函數(shù)，恰好也是用來刻畫神經(jīng)網(wǎng)絡中神經(jīng)元的 activation function)。

橫軸表示時間，縱軸表示機器智能水平。

曲線上的點表示某個時間點的全球最高智能水平。

2013 年開始是新 AI 時代(深度學習)，2013 年前的機器智能發(fā)展水平相較于近 5 年的發(fā)展基本可以忽略不計。

紅線代表悲觀派(AI 退潮、AI 泡沫等)，2017 年之后很快出現(xiàn)發(fā)展停頓;藍線代表樂觀派，2017 年之后還有快速發(fā)展。

值得強調(diào)的是，藍紅兩條曲線對 AI 歷史有相同認識，但市場上很多論調(diào)或研究報告看到的是另一條曲線，很大概率調(diào)研看到的 AI 水平離最高水平有很大差距。

分析 AI 格局的不同立場，可以通過解讀 S 曲線的三個方面：1、AI 過去的發(fā)展以及 AI 未來發(fā)展程度和速率的預測2、AI 發(fā)展水平和商業(yè)場景的關系3、各個 player 的所在位置和差距具體來說，我們先從 AI 過去 5 年的發(fā)展情況談起，以人臉識別作為例子，把人臉從 N 個人中找到的概率在 95%，縱軸就是可識別的規(guī)模(N 的大小)。

技術不是趨同，而是會放大差距、解鎖場景2017 年人臉識別最高水平可識別規(guī)模在 20 億人，大概比 2016 年可識別千萬提高兩百倍，比 2015 年提高了數(shù)萬倍。

在 2017 年全球最權威的人臉識別測試中(NIST)，我們比第二名 Vocord 團隊，在千萬比對測試上領先 2%(Vocord 在另一測試集比騰訊優(yōu)圖高 10%)，這個就是大家常說的技術水平趨同，高一兩個百分點沒有意義(引申出難兌現(xiàn)成競爭價值)。

這個誤區(qū)需要從兩個方面解讀：第一方面，算法在億級、十億級比對的領先會快速放大到 5%，20%。

這是一般的算法性能曲線的規(guī)律。

除了可識別規(guī)模上的重大差異，還體現(xiàn)在難(hard)的數(shù)據(jù)上的識別率差異。

從算法經(jīng)驗來說，黑人、女性、小孩、大年齡跨度、遮擋等是較難識別的群體和類別。

在這些子類上，不同算法之間的性能差異會更大。

超大規(guī)模下的評測本身就是一個不簡單的學術命題，還需要大量的數(shù)據(jù)支撐，真正能觀測到 20 億數(shù)據(jù)下性能的人少之又少，例如美國很難建立 20 億級的測試集。

這不是訪談一些人臉識別研究從業(yè)者就能獲得，這是誤區(qū)的第一個來源。

第二方面，算法提高，擴大可識別規(guī)模，就會解鎖更多商業(yè)應用場景。

百萬、千萬識別規(guī)模對應的是身份認證場景，遠程認證、手機解鎖都屬于此類。

「技術無差異」的論調(diào)在這個場景下倒是可以成立。

但安防刑偵破案對億級和十億比對有剛性需求，在這些場景下，不是多識別出幾個罪犯的問題，而是找出來概率差別十倍以上的，幾乎就是行與不行的問題。

「非關鍵性應用」的論斷誤導性極強。

在最新的安防案例中，萬路甚至十萬路攝像頭視頻的人臉搜索、歸檔對算法有極高要求，假定每路人流為萬，要在萬路視頻中，搜索性能相當于要求算法百億、千億規(guī)模上的可識別率。

這比其他場景的性能要求再提高千倍。

以不同算法為基礎的產(chǎn)品端體驗差異就被同比例放大。

另外，全球人種的識別，是反恐、出入境業(yè)務對識別的覆蓋面要求是很很高的。

總結(jié)來說，99% 識別率的算法和 99.99% 的算法，區(qū)別在于可解鎖的應用場景。

這些新的場景解鎖，是最先鋒的算法團隊和垂直領域的開拓者(比如公安系統(tǒng)的創(chuàng)新團隊)共同努力，也不是訪談一般的安防從業(yè)者就能感知變革的最前沿，這是誤區(qū)的另一個來源。

技術水平的三個層次 VIE：Vision(遠見)，Insight(洞見)，Execution(執(zhí)行)技術實力該如何評估比較呢?最常見的是測試比賽的冠軍、實際案例、招投標 PK 成績、論文等。

這些或許能區(qū)分是不是前 10 名的 AI 團隊，但很難區(qū)分最好的團隊。

我對技術的三層解構(gòu)：Vision，遠見，或戰(zhàn)略格局、技術趨勢判斷;Insight，洞見，算法本質(zhì)和客觀世界分布規(guī)律的理解;Execution，執(zhí)行，算法實現(xiàn)、數(shù)據(jù)獲取、工程計算平臺等。

具體來說：最基礎的 Execution 就是算法做到什么水平，特別是大體框架已知后，能快速實現(xiàn)，包括基礎算法、場景數(shù)據(jù)、計算實驗平臺、產(chǎn)品應用等。

比如，AlphaGo 出來后，多快能復現(xiàn);語音識別多快能追上全球最好的結(jié)果。

頂級的 Execution，不是開源的算法平臺可以彌補。

特定領域的專家能幫助團隊快速提高對應領域 Execution 的水平。

這個層面，中國團隊應該是世界一流的。

Google 如果是世界第一的話，不論是下棋、人臉識別、語音識別等，中國的水平應該不會比 Facebook、Microsoft、Apple、Amazon 等差，甚至某些方面稍強些。

大部人比較技術，基本就在這個層次。

但更重要的、威力更大的是上面的兩個層次。

再往上一層是 Insight，考察對技術的深刻認知。

包括算法模型的數(shù)學解釋、客觀世界分布規(guī)律的獨到見解。

Insight 指導如何使用數(shù)據(jù)、計算力(就是指導如何使用算法甚至創(chuàng)新算法)。

這層決定能不能比 Google 做得更好，或者能保持同一發(fā)展節(jié)奏。

假定擁有深度學習算法框架、海量數(shù)據(jù)在同樣水平，但是大家對算法性能調(diào)教還有巨大差距。

以人臉識別為例，我們使用了 2 億張人臉圖片(幾十億張圖片的子集)訓練，有效模型參數(shù)達到 10 億量級，利用對人臉這個對象的屬性先驗的合理假設，包括光照、年齡、種族、運動模糊、成像解析度等，模型定制、數(shù)據(jù)如何組合、計算如何加速在性能調(diào)優(yōu)和模型學習效率上(就是上面提到的 Execution)都有重大差異。

這就是為什么擁有算法、算力、數(shù)據(jù)條件的互聯(lián)網(wǎng)巨頭也不見得能在單項 AI 任務上能做到全球前三。

Vision：預測發(fā)展趨勢、定義未來方向，想象對生活、生產(chǎn)的影響。

這除了需要對技術的深刻理解，還需要對技術的創(chuàng)新能力，以及技術商業(yè)價值的想象力、創(chuàng)造力。

技術的遠見，回答 AI 的場景在哪以及多快到來。

強的 Execution，Insight 肯定不錯，但可能毫無 Vision;最強的 Vision，Insight 肯定一流，但 Execution 可能很差。

VIE 都很強的團隊全球極其稀缺。

用深度學習領域最強的兩位大師 Hinton 和 LeCun 談一下我的感受。

在 2010 年前，學術界不少人已經(jīng)在談大數(shù)據(jù)對機器學習的重要性，Hinton 團隊 2012 年在 LeCun 發(fā)明的算法基礎上，用了百萬的訓練數(shù)據(jù)，在 ImageNet 上取得世界級的突破性進展;同一時期，LeCun 團隊只用了不到十萬的數(shù)據(jù)。

但是在 Hinton 公布 ImageNet 結(jié)果的頭兩個月，LeCun 團隊沒法重現(xiàn) Hinton 用自己算法的實驗結(jié)果。

在 Hinton 公布算法實現(xiàn)和技巧后，LeCun 團隊的結(jié)果就輕松超過了 Hinton 團隊的水平。

兩位大師都擁有超一流的 Vision，在深度學習方向上堅持三十年。

但是他們 Vision 的差別以及以此帶來的信念差別使得 Insight 的差別(是否追求更深刻見解)在當時可能是巨大的，對深度學習算法發(fā)揮的突破條件包括訓練數(shù)據(jù)規(guī)模、模型正則化實現(xiàn)、activation function 選取、GPU 計算等的理解還有顯著差異。

這些在當時，原理還不清楚時，可能完全是憑著 Hinton(包括那一期超強的博士生)的直覺。

這種 Insight 的差距，使得 LeCun 團隊已知所用算法框架和目標性能但未知關鍵實現(xiàn)時，也不能重現(xiàn)結(jié)果。

但之后，LeCun 團隊擁有更好的 Execution(大規(guī)模系統(tǒng)性調(diào)優(yōu))，能在短時間內(nèi)算法性能超過。

這種最牛高手間信念的微妙差異，到底來源于什么，值得深思。

為什么 Vision 很重要?就像雷達，對別人來說是盲區(qū)，Vision 讓你看見，看見所以相信，相信所以平靜。

不僅以此獲得戰(zhàn)略優(yōu)勢，還有定力，排除誘惑和干擾。

Vision 如何辨別呢?非常難，甚至幾乎不可能，只能由同樣有 Vision 的人欣賞。

就像 taste 難以打分一樣，只能由同樣有 taste 的人欣賞。

Vision 帶你看到的，就是 99% 的專家同行都看不到、不相信的。

所以，偉大往往和誤解相伴。

LeCun 在深度學習被實際測試數(shù)據(jù)驗證前，也很難被美國主流學術圈認可，甚至發(fā)表頂級會議都不是簡單的事，可如今，幾乎所有的論文都要貼上深度學習的標簽。

但是判斷過濾沒有 Vision 的團隊，倒是有跡可循。

一般來說，無論學術還是創(chuàng)業(yè)，偉大的突破，都需要多年前后一致的投入和深耕。

隔年換領域或者什么模式都在做的(垂直、平臺等)，歸類為沒有 Vision 應該沒什么問題。

有了 VIE 的拆解，我認為，AI 新時代的壁壘只有人，最頂級的人。

領軍人物對 AI 技術和商業(yè)邊界的未來分布判斷無法替代，決定 AI 發(fā)展基本要素(算法、算力、數(shù)據(jù)和場景)的所需程度和權重。

擁有頂級 Execution 和 Insight 的團隊，最知道對算法有效的數(shù)據(jù)在哪、如何標注使用。

擁有頂級 Insight 和 Vision 的團隊，最早知道技術的突破帶來最具商業(yè)價值的場景在哪以及何時到來。

AI 未來：沒有歷史可以借鑒，也沒有權威能夠預測談了 AI 發(fā)展，技術如何解構(gòu)，談談 AI 的未來。

基于深度學習的 AI 新時代，大大不同于 30 年歷史上的 AI，這是被各種應用、在實際場景、大規(guī)模數(shù)據(jù)驗證過性能的技術，而不只是理論或概念。

盡管過去 5 年的發(fā)展，對得起人們的期待，今天，還有不少人擔心新 AI 像過去一樣很快會退潮。

但我認為，AI 新時代只是開始。

我從新 AI 的三個特性簡要闡述：1、AI 是全新的維度。

這是最重要的，決定 AI 到底是多大的事。

AI 技術如何創(chuàng)新發(fā)展，如何變革商業(yè)，沒有歷史可以借鑒，也沒有權威能準確判斷。

AI 不僅僅是一個技術，AI 突破還能突破所有技術包括人機交互、搜索、機器人、芯片計算、醫(yī)學、制藥等科學領域的幾乎所有學科。

2、AI 的發(fā)展速度快、跳躍性強從 S 曲線中，可以看到過去 5 年，AI 的發(fā)展及其迅猛，單門類(人臉識別)算法有了萬倍的增長。

但我對未來更加憧憬，即 S 曲線中 2018 年之后的曲線有多陡。

AI 發(fā)展帶來的多維度技術和各場景深度結(jié)合、疊加會帶來更有沖擊力的體驗。

從多技術維度來說，從視覺，到聽覺、語義理解、運動控制會在之后幾年都會快速突破;和芯片結(jié)合，端智能滲透到與用戶的最后 30 公分的交互體驗，從 Internet Of Things 向 Internet Of Intelligence 跨越，讓智能無處不在。

3、AI 領先一步，會帶來巨大勢能在 S 曲線中，處在不同位置的團隊，優(yōu)勢不只是橫軸時間的差距，而是技術領先帶來的累積效應(曲線積分)以及更多元(多條 AI 技術曲線)AI 技術的疊加，這使得 AI 能有跨行業(yè)的摧毀性。

不僅僅決定某個行業(yè)，第一名和第二名的差距或位置關系，還能使得 AI 領先的行業(yè)的領導者撬動 AI 意識落后的行業(yè)。

AI 未來，無與倫比;因為看見，所以相信。