get“模型設(shè)計”新技能

　　AI自我進(jìn)化了？

　　“僅需幾行代碼就能構(gòu)建一個回歸模型。”程序員認(rèn)可谷歌AutoML的工作表現(xiàn)，認(rèn)為AutoML設(shè)計的模型和機器學(xué)習(xí)專家設(shè)計的不相上下。日前，谷歌工程師分別在中國和硅谷重點推介谷歌AutoML項目。

　　不明就里的疑惑緊跟著紛至沓來——AI又進(jìn)化了？！已經(jīng)會自開發(fā)了？能操控自己的進(jìn)化了？是要擺脫人類嗎？

　　進(jìn)化分幾步

　　AI確實進(jìn)化了，它能做的事情越來越多，成績斐然。它的背后是AI實現(xiàn)路徑的“三級跳”——

　　國家超級計算濟南中心大數(shù)據(jù)研發(fā)部研究員趙志剛說：“起初我們用數(shù)學(xué)公式和‘if……then’等語句告訴計算機第一步做什么、第二步做什么，手把手地教，后來給機器n組輸入和輸出，中間的規(guī)則或規(guī)律由它自己學(xué)會。”

　　“之前，很多聰明的頭腦花一輩子時間研究：如何抽取有效的特征。”專注于智能導(dǎo)購對話機器人的智能一點公司CTO莫瑜解釋道，“神經(jīng)網(wǎng)絡(luò)算法的發(fā)明、深度學(xué)習(xí)技術(shù)的出現(xiàn)，使得AI進(jìn)化到2.0，抽取特征的工作由AI自己進(jìn)行，我們的工作也隨之發(fā)生了變化。”

　　用數(shù)學(xué)函數(shù)的模式很容易解釋“1.0”到“2.0”的轉(zhuǎn)變：如果把識別圖像、語義理解、下棋等任務(wù)的達(dá)成都看成是不同的Y=f(X)，即輸入的“貓”的圖片、聲音或棋招是“X”，輸出的“貓”、回答、棋高一招是“Y”。深度學(xué)習(xí)之前，人通過自己的分析尋找函數(shù)f對應(yīng)的公式，告訴給AI。而深度學(xué)習(xí)之后，人輸入大量的X與Y的對應(yīng)，AI自己發(fā)現(xiàn)函數(shù)f對應(yīng)的公式。

　　“AI找到的函數(shù)f的具體內(nèi)容，可能比人找到的更好，但是人類并不知道，就像一個黑匣子。”莫瑜說，“但是f的形式是AI研究員通過研究設(shè)計出來的，如果使用深度神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)中的模塊以及模塊之間的組織方式也是提前設(shè)計的。”

　　隨著深度學(xué)習(xí)技術(shù)的成熟和普遍化，模型構(gòu)建出現(xiàn)了特定可追尋的經(jīng)驗。“各種共性神經(jīng)網(wǎng)絡(luò)的發(fā)布，使得從業(yè)門檻越來越低。一些普通的模型構(gòu)建與優(yōu)化，剛畢業(yè)的學(xué)生在網(wǎng)上學(xué)學(xué)教程就能上手。”趙志剛說。

　　當(dāng)構(gòu)建模型成為可習(xí)得的技能，AutoML就出現(xiàn)了。它能做的正是AI研究員的模型設(shè)計工作。“將幫助不同公司建立人工智能系統(tǒng)，即使他們沒有廣泛的專業(yè)知識。”谷歌工程師這樣推介。AI成功進(jìn)化到3.0。

　　事實上，AutoML替代的仍舊是人類能夠提煉出經(jīng)驗的工作。“如果說之前人描繪一套尋找函數(shù)f的‘路網(wǎng)’，在深度學(xué)習(xí)的技術(shù)輔助下，機器能最快找到優(yōu)化路徑；那么AI現(xiàn)在可以自己設(shè)計路網(wǎng)了。”趙志剛言簡意賅。

　　可以看出，不論是深度學(xué)習(xí)、還是AutoML，都只替代人類的一部分群體已經(jīng)鉆研透了的工作。“機器能做的事情，盡量不要手工勞動”，這是很多程序員的人生信條，這個信條催生了AutoML。本著同樣的信條，微軟開發(fā)了DeepCoder。“它可以用來生成滿足給定輸入輸出的程序。”莫瑜說，但它的表現(xiàn)目前還不盡如人意，只能編寫一些簡單的程序。

　　誰是“上帝”

　　答案毫無疑問，人類。

　　既然AI在進(jìn)化中走向了更高一階的模型設(shè)計，那么“上帝之手”又發(fā)生了哪些變化呢？

　　“煉丹”，莫瑜用兩個字形象地說起自己的工作，“智能一點是專業(yè)做智能客服的，研發(fā)人員的工作主要集中于問題建模(如何將實際問題轉(zhuǎn)化為人工智能技術(shù)解決的問題)和算法優(yōu)化(如何提升人工智能算法的效果)。”

　　“煉”意味著不斷地調(diào)試和完善。“針對特定的人，越投脾氣越好，回答越精準(zhǔn)越好。”莫瑜說，“我們的X是客戶的問話，Y是機器人客服的回復(fù)，中間的函數(shù)f需要訓(xùn)練。”

　　這是個不容易的任務(wù)。如果把人類社會的經(jīng)驗分為3類：有公式的確定規(guī)則、可言傳的知識、只可意會不可言傳的感覺。最后一類最難琢磨。

　　“因此，我們想辦法構(gòu)建完善的閉環(huán)反饋，了解特定用戶的喜好，通過情感、趣味的表達(dá)，最終做到投其所好。”莫瑜說，“目前處于人機協(xié)同的工作階段，但是越來越多樣本的獲取，將幫助我們的智能客服給出精準(zhǔn)的、討喜的回答。”

　　可見，并不是所有領(lǐng)域都適合交給AI自開發(fā)去做，比如問題建模方面，如何將實際問題抽象轉(zhuǎn)換為機器學(xué)習(xí)問題， AI還無法自主完成。在AI2.0階段，研發(fā)人員還需要人工設(shè)計函數(shù)f的形式。

　　那么，AutoML普及的未來會是什么樣？

　　“人類被從低一級的工作中解放出來。”趙志剛說，“如果模型設(shè)計可以由AI來做，那么AI研究員將更多地探尋構(gòu)成模型的基礎(chǔ)模塊的設(shè)計。”

　　“用AutoML開發(fā)AI模型類似于孩子玩‘樂高’玩具。”趙志剛深入淺出，“樂高”設(shè)計者把完整的世界拆解成細(xì)致的模塊，萬物可用，進(jìn)而組合成復(fù)雜的模型。而人類更高一級的工作就是針對不同領(lǐng)域為AI找到基礎(chǔ)單元，也就是模塊。如在圖像識別領(lǐng)域，人類已設(shè)計出卷積、池化等多種模塊。“AutoML才可以以此為依據(jù)進(jìn)行模型構(gòu)建，不停地調(diào)整模塊組合，獲得更符合常理的輸出。模塊越精細(xì)、越能解決通用性問題，自開發(fā)AI越能施展開拳腳。”趙志剛說。

　　延伸閱讀

　　產(chǎn)業(yè)需要的人才在哪兒

　　緩解人才短缺問題是AutoML的主力賣點。“AI系統(tǒng)正在遍地開花，AI人才卻遠(yuǎn)遠(yuǎn)跟不上。”谷歌方面這樣解釋AutoML為啥不可或缺。目前的AI人才現(xiàn)狀如何？

　　2017年，《全球AI領(lǐng)域人才報告》《BAT人工智能領(lǐng)域人才發(fā)展報告》等相繼發(fā)布。“AI人才短缺是真實存在的。”盛世投資集團副總裁徐文娟說，“初創(chuàng)期和發(fā)展期企業(yè)人才短缺的問題尤其嚴(yán)重。從目前世界范圍看，美國擁有數(shù)量最多的AI人才，我國AI人才無論從人數(shù)還是從業(yè)經(jīng)驗上都無法與之比擬。”

　　趙志剛有相同的感觸：“我國AI領(lǐng)域現(xiàn)在缺老手、缺高手、缺多面手及頂級大師。”模型的優(yōu)化調(diào)試需要經(jīng)驗，模型的精巧設(shè)計需要高超技藝，把AI應(yīng)用于各個行業(yè)需要復(fù)合型人才，此外，目前引領(lǐng)AI發(fā)展方向的頂級人才屈指可數(shù)，且多在國外。

　　徐文娟介紹，中國的AI人才在BAT(百度、阿里、騰訊)中最多。一般這類人才的背景經(jīng)歷有幾種，海歸、BAT工作經(jīng)驗，或是來自高校或科研院所。

　　“AI自開發(fā)短期內(nèi)應(yīng)該無法替代人的工作，還有很長的路要走。”徐文娟說。趙志剛從學(xué)術(shù)角度分析道：“只有當(dāng)人類把不同應(yīng)用領(lǐng)域的AI模型設(shè)計出來，并進(jìn)一步分解出一系列通用模塊，如同化學(xué)中的元素周期表、生物中的DNA、RNA，這種自開發(fā)才能有更多的應(yīng)用。”

?

?

相關(guān)鏈接：

?