深度学习如何做一个合格“傀儡师”？

　　金山云大数据和AI技术总监张东进

　　巨头企业搭建大平台，小企业深耕垂直领域。随着AI热潮的到来，网络巨头们也纷纷布局机器学习平台。比如，谷歌开源机器学习平台Tensor Flow、IBM旗下机器学习平台SystemML采用开源的方式搭建平台，吸引不少了AI企业入驻。国内百度云、阿里云、腾讯云、金山云等也争先发力深度学习平台。为此金山云大数据和AI技术总监张东进接受《经济》-经济网记者的专访，畅谈他对人工智能及深度学习平台的理解，以及他对人工智能行业健康发展的建议。

　　 AI三历程

　　从上个世纪60年代，人工智能首次提出至今，它经历了三个发展阶段。第一是专家系统阶段，即把专家的经验输入系统内部。例如，垃圾邮件的确认、早期的语音系统。第二是机器学习阶段，让机器从人工设计的特征和标签中学习人类已有的经验。例如，早期的分类模型、序列模型。第三是深度学习阶段。随着数据量越来越大，以及数据自身的复杂性越来越高，应用场景越来越多，AI进入到深度学习阶段。起初，深度学习在国际图像分类比赛中取得不错的成绩，随后在学界和产业界掀起了深度学习热潮。

　　张东进指出，未来第四个阶段是强人工智能阶段，重点发展方向是无监督学习。目前的深度学习属于监督学习，是建立在人的经验之上，机器复制了人类的逻辑。人类给机器提供很多非监督学习的原始资料，依赖于人类的经验。最大的难点在于如何实现无监督学习，即人类不需要告诉电脑怎么做，AI可以通过自主学习然后决策。但张东进猜测，在未来50-100年都不会实现强人工智能的技术突破和大规模应用。

　　 深度学习的瓶颈

　　阿尔法狗战胜人类，让普罗大众认识了深度学习技术。张东进认为，目前深度学习的瓶颈在于算法，需要在资源、平台、系统，甚至是在应用工具等方面进行突破。

　　首先，深度学习研发和应用需要海量的高性能硬件资源，包括存储、网络、计算等各个方面的硬件资源。但整个基础设施的建设成本极高。同时由于技术特点，资源利用率低的问题也比较突出。比如，有些公司的资源利用率只有10%。张东进建议，最好做到按需使用，实现任务排序的自动分配和自动调度，提高硬件资源利用率。

　　第二，系统即云操作系统可以高效地使用这些机器。而并行计算的发展让我们高效地利用这些资源。张东进表示，当我们把资源云化以后，操作系统的最大功能是资源的调配。利用这种技术到资源海洋中完成深度学习的任务。

　　第三是研发效率，人工智能研发是一个多轮反复实验和迭代的过程，整个研发周期中存在大量耗时低效的节点。张东进表示，我们希望通过深度学习平台中提供的功能组件为深度学习研发提供全流程的高效支持，从而提升整体研发效率。

　　第四，从模型上提供更高层次的支持，把可能遇到的瓶颈进行效率的提升。将物体识别的模型和物体检测的模型变成抽象模型，未来企业在研发时可以用到这一模型。

　　张东进向记者举例，目前钢厂生产钢铁的过程中会存在瑕疵，需要在生产线上添置一台实时监测瑕疵钢材的设备。这类解决方案来自国外企业，价格昂贵，且检测识别率较低，中大型企业可以在深度学习平台上进行自主研发检测系统。