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。企业的研发人员可以调整这个模型，不需要重新研发它，对企业技术要求和门槛大大降低了。

　　此外，深度学习平台在视频、医疗、游戏等领域的需求也极为强劲。比如，在视频领域中的交互式玩法（可自动地对头像做一些变化）的研发。在医疗领域中的医疗影像、心电图识别的研发。在游戏领域中智能游戏机器人(行情300024,诊股)的研发等，这些都需要深度学习平台来支持研发。

　　此外，张东进指出，科研院所对深度学习的研发需求也很大。如果一个实验室采购GPU，成本高且不可复用，科研院所可以通过金山云深度学习平台KDL私用云版系统，让整个研究人员针对该系统做研发，可以共享资源和GPU的加速度。

　　 AI硬件还需发力

　　目前普通智能手机中的CPU在很大程度上限制了人工神经网络的应用，此时需要定制人工智能神经网络芯片了。苹果公司发布的新品iPhone8/8p和iPhone X均搭载了苹果自研、专用于机器学习的A11 Bionic（仿生）芯片。据了解，华为旗舰机Mate10也将搭载AI芯片——麒麟970。

　　某知名新能源汽车为了实现高级别自动驾驶，在机舱内装了桌面级独立GPU，但在获得强大性能的同时，其发热量和功耗也十分巨大。研究者希望每辆汽车都能应用一些功耗低的芯片。人工智能尤其是深度学习方面，对GPU需求巨大。张东进指出，目前在人工智能硬件方面，国外厂商占垄断地位，尤其是GPU的定价权完全掌握在国外厂商的手中，不利于我国人工智能产业的长期发展。但张东进自信地说：“希望国内人工智能芯片越来越成熟，人工智能芯片对国内外其实都是很新的事物。”

　　 正确看待AI威胁论

　　“人工智能是新事物，其应用模式和技术和以往相比具有颠覆性，的确会引发很多问题。”张东进表示，人工智能是一个黑盒，人们尚不清楚它作出判断的原因。深度学习模型，可能会在不可预期的场景出现不可预期的行为。

　　譬如，之前有俄罗斯的团队在人脸上做出一些标记，可以骗过人脸识别模型。也有新闻报道通过人脸识别能够判断一个人的性取向，甚是此人犯罪的概率。张东进表示，这类东西做研究可以，但如果有一天被商用了，就会产生伦理问题。他充满疑问地说：“如果一个人的犯罪倾向高，就要逮捕他吗？”

　　人类可以用人工智能实现自动化，但当它遍布世界每个角落时，其潜在的漏洞也会成倍增长，此时如何防范漏洞引发更大的危机，需要我们去思考。为此张东进建议：首先，国家相关法律法规应当适时的跟进完善，对一些涉及伦理的应用场景进行规范和引导，确保人工智能研发在可控的框架下发展。其次，企业应当加强自律，避免将不成熟的产品推向市场而造成问题，尤其是在法律法规缺失的领域。再次，企业应当加强对数据，尤其是个人隐私的保护，确保数据全链路和全周期的安全性。最后，人工智能技术本身也需要更多的去关注模型的可解释性、可预期性，努力削减黑盒效应，从而能够更好的建立信任基础。