人工智能前景怎么样（Andrew Ng 预测未来 10 年的人工智能）

你有没有觉得你已经受够了你目前的工作并想要换档？ 如果你有，你**不是一个人。 然而，除了参加大辞职之外，还有一些不太激进的方法，比如吴恩达正在采取的方法。

Ng 是人工智能领域最杰出的人物之一，是 LandingAI 和 DeepLearning.AI 的创始人，Coursera 的联合主席和联合创始人，以及斯坦福大学的兼职教授。 他还是百度的首席科学家和谷歌大脑计划的创始人。 然而，正如他所说，他目前的优先事项已经从“比特到事物”转移了。

2017 年，Andrew Ng 创立 Landing AI ，这是一家致力于促进人工智能在制造业中采用的初创公司。 这一努力有助于塑造 Ng 对如何让 AI 超越大 yech 工作的看法。

我们与 Ng 联系，讨论他所谓的人工智能“以数据为中心的方法”，以及它与他与 Landing AI 以及当今人工智能的大局之间的关系。

从比特到事物

Ng解释说，他的动机是面向行业的。 他认为制造业是“对每个人的生活产生巨大影响的伟大行业之一，但对我们中的许多人来说却如此无形。” 包括美国在内的许多**都对制造业的衰落感到遗憾。 Ng 想要“利用改变了互联网业务的人工智能技术，并用它来帮助从事制造业的人们。”

这是一个不断增长的趋势：根据 The Manufacturer ，65% 的制造业领导者正在努力试行人工智能。 未来五年，仅在仓库中的实施预计将达到 57.2% 的复合年增长率。

虽然 人工智能在制造业中的应用越来越多 ，但从比特到物件的转变比 Ng 想象的要困难得多。 Ng 承认，当 Landing AI 开始时，主要专注于咨询工作。

但在完成了许多客户项目之后，Ng 和 Landing AI 开发了一个新的工具包和剧本，让 AI 在制造业和工业自动化中发挥作用。 这导致了 Landing Lens、Landing AI 的平台，以及以 数据为中心的 AI 方法 。

Landing Lens 致力于让制造和工业自动化领域的客户能够快速、轻松地构建和部署视觉检测系统。 Ng 不得不调整他在消费软件方面的工作，以针对制造业的人工智能。 例如，人工智能驱动的计算机视觉可以帮助制造商完成识别生产线缺陷等任务。 但这不是一件容易的事，他解释说。

“在消费软件中，你可以构建一个单一的人工智能系统来服务一亿或十亿用户，并通过这种方式真正获得很多价值，”他说。 “但在制造业中，每家工厂都会做出不同的东西。 因此，每个制造工厂都需要一个定制的 AI 系统，并对其数据进行训练。”

他继续说，人工智能领域的许多公司面临的挑战是，例如，如何帮助 10,000 家制造厂构建 10,000 个客户系统。

以 数据为中心的方法 主张人工智能已经达到了数据比模型更重要的地步。 如果将 AI 视为具有移动部件的系统，那么保持模型相对固定更有意义，同时专注于质量数据以微调模型，而不是继续推动模型的边际改进。

Ng 的想法并不孤单。 负责人 Chris Ré Hazy 研究 斯坦福大学 数据为中心的方法 。 当然， 如前所述 ，数据的重要性并不新鲜。 几十年来已经开发出成熟的数学、算法和系统技术来处理数据。

然而，新的是根据现代 AI 模型和方法构建并重新审视这些技术。 就在几年前，我们还没有长期存在的人工智能系统或当前强大的深度模型。 以来，他得到的反应 2021 年 3 月开始谈论以数据为中心的 AI 让他想起了大约 15 年前他和其他人开始讨论深度学习的时候。

“我今天得到的反应是’我一直都知道，这里没有什么新鲜事’，一直到’这永远行不通’，”他说。 “但也有人说，‘是的，我一直觉得这个行业需要这个，这是一个很好的方向。”

以数据为中心的 AI 和基础模型

如果以数据为中心的 AI 是一个很好的方向，那么它在现实世界中如何运作？ 正如 Ng 所指出 的，期望组织训练自己的自定义 AI 模型是不现实的。 摆脱这种困境的**方法是构建工具，使客户能够构建自己的模型、设计数据并表达他们的领域知识。

Ng 和 Landing AI 通过 Landing Lens 做到这一点，使领域专家能够通过数据标签表达他们的知识。 Ng 指出，在制造业中，往往没有大数据可供参考。 . 例如，如果任务是识别有缺陷的产品，那么一条相当好的生产线不会有很多有缺陷的产品图像可供参考。

Ng 说，在制造业中，有时全球只有 50 张图像。 对于大多数当前的 AI 模型来说，这还不足以学习。 这就是为什么重点需要转移到授权专家通过数据工程记录他们的知识。

Ng 说，Landing AI 的平台通过帮助客户找到最有用的示例来创建最一致的标签并提高输入到学习算法中的图像和标签的质量来做到这一点。

这里的关键是“一致”。 Ng 和他之前的其他人发现，专家知识并不是单一定义的。 对一位专家来说可能算作缺陷的东西可能会被另一位专家批准。 这可能已经持续了多年，但只有在被迫生成一致注释的数据集时才会曝光。

这就是为什么，Ng 说，您需要好的工具和工作流程来帮助专家快速了解他们的共识。 没有必要在有共识的地方花时间。 相反，我们的目标是关注专家们不同意的地方，这样他们就可以得出缺陷的定义。 事实证明，整个数据的一致性对于让 AI 系统快速获得良好性能至关重要。

这种方法不仅很有意义，而且也有一些相似之处。 Ng 描述的过程显然背离了当今 AI 经常采用的“让我们在问题上投入更多数据”的方法，更多地指向基于管理、元数据和语义协调的方法。 换句话说， 中机器学习之前，有一种基于知识的符号人工智能的发展 运动

事实上，像 Google 前机器翻译主管 David Talbot 这样的人 一直在说 ：除了从数据中学习之外，应用领域知识对机器翻译也很有意义。 在机器翻译和自然语言处理 (NLP) 的情况下，该领域知识就是语言学。

我们现在已经达到了所谓 的 NLP 基础模型的 地步：像 GPT3 这样的巨大模型，经过大量数据训练，人们可以使用这些模型来针对特定应用程序或领域进行微调。 然而，那些 NLP 基础模型并没有真正利用领域知识。

计算机视觉的基础模型呢？ 它们有可能吗？如果有，我们如何以及何时可以到达那里，这将带来什么？ 根据 Ng 的说法，基础模型既是规模问题，也是惯例问题。 他认为它们会发生，因为有多个研究小组致力于建立计算机视觉的基础模型。

“不是一天它不是基础模型，而是第二天它是，”他解释说。 “在 NLP 的案例中，我们看到了模型的发展，从 Google 的 BERT 模型、transformer 模型、GPT2 和 GPT3 开始。 这是一系列越来越大的模型，在越来越多的数据上进行训练，然后人们将其中一些新兴模型称为基础模型。”

Ng 说他相信我们会在计算机视觉中看到类似的东西。 “很多人多年来一直在 ImageNet 上进行预训练，”他说。 “我认为逐渐的趋势将是在越来越大的数据集上进行预训练，越来越多地在未标记的数据集上而不是仅仅在标记的数据集上，并且越来越多地在视频上而不是仅仅在图像上进行预训练。”

人工智能的未来 10 年

作为一名计算机视觉内部人士，Ng 非常清楚人工智能正在取得的稳步进展。 他认为，在某个时候，媒体和公众将宣布计算机视觉模型是基础模型。 然而，准确预测何时会发生这种情况是另一回事。 我们将如何到达那里？ 嗯，很复杂。

对于拥有大量数据的应用程序，例如 NLP，注入系统的领域知识量随着时间的推移而下降。 Ng 解释说，在深度学习（包括计算机视觉和 NLP）的早期，人们通常会训练一个小型深度学习模型，然后将其与更传统的领域知识库方法结合起来，因为深度学习效果不佳。

但随着模型变得越来越大，数据越来越多，注入的领域知识越来越少。 根据 Ng 的说法，人们倾向于对大量数据有学习算法的看法，这就是为什么机器翻译最终证明学习方法的端到端纯度可以很好地工作。 但这仅适用于需要学习大量数据的问题。

当您拥有相对较小的数据集时，领域知识确实变得很重要。 Ng 认为人工智能系统提供了两种知识来源——来自数据和来自人类经验。 当我们拥有大量数据时，人工智能将更多地依赖数据，而不是人类知识。

然而，Ng 补充说，在数据很少的地方，例如制造业，您需要严重依赖人类知识。技术方法必须是构建工具，让专家表达他们大脑中的知识。

这似乎指向了诸如鲁棒人工智能、 混合人工智能 或神经符号人工智能之类的方法，以及用于表达领域知识的知识图谱等技术。 然而，虽然 Ng 说他知道这些并觉得它们很有趣，但 Landing AI 并没有与它们合作。

Ng 还发现所谓的 多模态 AI 或结合不同形式的输入，例如文本和图像，是很有前途的。 在过去的十年中，重点是为单一模态构建和完善算法。 他同意，现在人工智能社区变得更大了，并且已经取得了进展，追求这个方向是有意义的。

虽然 Ng 是最早使用 GPU 进行机器学习的人之一，但如今他不太关注硬件方面。 虽然拥有一个蓬勃发展的 AI 芯片生态系统是一件好事，包括英伟达、AMD 和英特尔等老牌企业以及拥有新颖架构的新贵，但这也不是终点。

“如果有人能让我们的计算量增加十倍，我们就会找到使用它的方法，”他说。 “还有许多应用程序的数据集大小很小。 因此，您仍然希望更快地处理这 50 张图像，但计算要求实际上完全不同。”

在过去的十年里，人工智能的大部分焦点都集中在大数据上——也就是说，让我们利用巨大的数据集并在它们上训练更大的神经网络。 这是 Ng 本人帮助推广的。 但是，尽管在大模型和大数据方面仍有待取得进展，但 Ng 现在表示，他认为 AI 的注意力需要转向小数据和以数据为中心的 AI。

“十年前，我低估了充实深度学习所需的工作量，我认为今天很多人都低估了充实数据所需的工作量、创新、创造力和工具——以人工智能为中心，充分发挥其潜力，”Ng 说。 “但随着我们在未来几年共同在这方面取得进展，我认为它将支持更多的人工智能应用，我对此感到非常兴奋。”