最近幾年，人工智能經(jīng)歷了爆火、發(fā)展、再到最近的熱度逐漸下降，似乎人工智能已經(jīng)成了大廠才能玩的游戲。

究其原因，就是人工智能的「門檻」越來越高了。

前不久，谷歌AI的代表人物Jeff Dean發(fā)表了一個新的工作，但在行業(yè)內(nèi)卻引發(fā)了一陣不小的風(fēng)波。究其原因，并不是工作本身有多么出色。這個研究只比[敏感詞]結(jié)果提升了0.03%，但卻花費了價值57000多美元的TPU算力，這一下就炸鍋了。

很多人說，現(xiàn)在的AI研究已經(jīng)變成了拼算力、拼資源的代表，普通學(xué)者卷不動了。

還有很多人有這樣的疑惑：人工智能究竟給我們帶來了哪些改變？它除了下圍棋之外還會做什么，它的未來還會如何發(fā)展？

帶著這些問題，我們和馮霽博士進(jìn)行了深入溝通。他是創(chuàng)新工場南京AI研究院的執(zhí)行院長、倍漾量化創(chuàng)始人，在AI領(lǐng)域有著多年的研究經(jīng)驗。通過這次對談，讓我們對AI未來的發(fā)展和落地有了新的認(rèn)識。

下面的小視頻提煉了對話的亮點，文章是對于對話的整理和采編：

注：以下的“我”，指的都是馮霽博士。

谷歌最近這個問題的確受到了挺多關(guān)注，我覺得有三個問題值得思考：

[敏感詞]，大廠開始逐漸地走向「暴力美學(xué)」，也就是用「超大規(guī)模的數(shù)據(jù)」+「超大規(guī)模的算力」，暴力探索深度神經(jīng)網(wǎng)絡(luò)的天花板。不過，這種方法的邊界和極限在哪？

第二，從學(xué)術(shù)和科研的角度，這種方法是否是AI[敏感詞]的出路？事實上，目前已經(jīng)有大量研究在探索其他的技術(shù)路線，比如怎樣做到從感知智能往認(rèn)知智能去做轉(zhuǎn)變、怎樣利用比較小的數(shù)據(jù)量解決人工智能遇到的問題，等等。

第三，對于工業(yè)界的實際應(yīng)用，是否真的需要如此大的算力？工業(yè)界有大量任務(wù)是非語音圖像文本相關(guān)的，這也是在倒逼著學(xué)術(shù)界去做一些比較高效的算法。

90年代之前，「人工智能」的代表技術(shù)還是以「符號主義」為主，也就是基于邏輯推理，去做Planning、Searching這樣的技術(shù)。

2010年之后，迎來了人工智能的一次重要的轉(zhuǎn)變，那就是用神經(jīng)網(wǎng)絡(luò)技術(shù)去更好地表示這些感知類的任務(wù)。但是，目前還有大量的人工智能的「圣杯」問題沒有得到解決，比如怎樣做邏輯推理、怎樣做常識、怎樣更好地對記憶進(jìn)行建模等等。

為了解決這些問題，是不是用深度神經(jīng)網(wǎng)絡(luò)就夠？這可能是目前學(xué)術(shù)界和工業(yè)界更關(guān)心的下一個重要的方向。

所謂的「感知人工智能」，其實就是最近幾年人工智能成功落地的代表性例子，比如圖像識別、語音轉(zhuǎn)文字，以及一些文本生成的任務(wù)等。

但更重要的是，怎么從這種感知類的任務(wù)，轉(zhuǎn)向具有認(rèn)知能力的任務(wù)，尤其是怎么用人工智能的方式來實現(xiàn)邏輯推理、實現(xiàn)常識，從而真正實現(xiàn)通用人工智能？

針對這個問題，據(jù)我所知，學(xué)術(shù)界主要有三條技術(shù)路線。

數(shù)據(jù)對于人工智能工程來說，重要性已經(jīng)越來越高了。工業(yè)界提出了一個新的概念，叫「以數(shù)據(jù)為中心」的開發(fā)模式。相比之下，之前叫做「以模型為中心」。

傳統(tǒng)情況下，工程師更多的時間會花在如何搭建一個模型、如何通過調(diào)參來讓這個系統(tǒng)的性能更好。但現(xiàn)如今，大家80%的注意力都放在如何讓數(shù)據(jù)集變得更好、如何讓訓(xùn)練集變得更好、如何讓訓(xùn)練集更平衡，然后讓這個模型在好的數(shù)據(jù)集上訓(xùn)練，并得到比較好的結(jié)果。

隨著我們對數(shù)據(jù)隱私需求的逐漸增長，數(shù)據(jù)帶來的一些負(fù)作用以及非技術(shù)要求也越來越多了。比如當(dāng)幾家機(jī)構(gòu)做聯(lián)合建模的時候，出于對數(shù)據(jù)隱私的保護(hù)，數(shù)據(jù)不能夠在機(jī)構(gòu)之間分享。所以像聯(lián)邦學(xué)習(xí)這樣的技術(shù)，就是為了在保護(hù)數(shù)據(jù)隱私的前提下，實現(xiàn)聯(lián)合建模。

現(xiàn)在大家已經(jīng)逐漸地意識到，在具體的工業(yè)開發(fā)中每家機(jī)構(gòu)不一樣的地方就是他們的數(shù)據(jù)。現(xiàn)在有了非常便利的軟件開源框架，也有了非常高效的硬件實現(xiàn)，工程師就都轉(zhuǎn)而去關(guān)注數(shù)據(jù)了——這是一個Paradigm Shift，也就是范式級別的轉(zhuǎn)變。

我自己孵化的倍漾量化，是以AI技術(shù)為核心的對沖基金。在公司內(nèi)部，每天需要存儲的數(shù)據(jù)量大概有25-30TB。因此我們就遭遇到了“內(nèi)存墻”的問題。

為了應(yīng)對海量數(shù)據(jù)對內(nèi)存帶來的壓力，我們把數(shù)據(jù)分成了冷數(shù)據(jù)、溫數(shù)據(jù)和熱數(shù)據(jù)。

“冷數(shù)據(jù)”指的是，數(shù)據(jù)訪問的頻率不是很高，落庫就好。“熱數(shù)據(jù)”是指，我們要做大量的讀寫任務(wù)，而數(shù)據(jù)一般都比較散，每次讀寫的量又非常得大。那么如何把熱數(shù)據(jù)很好的進(jìn)行分布式存儲？

和純SSD方案相比，現(xiàn)在會有更好的解決方案，比如傲騰持久內(nèi)存：它介于內(nèi)存跟SSD之間，可以將熱數(shù)據(jù)做分布式存儲，就能一定程度地減緩“內(nèi)存墻”的問題。

現(xiàn)在有個很火的概念叫「云原生」，它促進(jìn)了云計算基礎(chǔ)設(shè)施的重構(gòu)。而針對人工智能而生的「AI-原生」，也已經(jīng)實實在在地發(fā)生了。尤其在過去的10年，計算機(jī)的硬件創(chuàng)新其實都是在圍繞著人工智能應(yīng)用而發(fā)展的。

舉個例子，當(dāng)前我們對于云端可信計算的需求越來越多了。比如AI模型的計算過程是一個公司的核心知識產(chǎn)權(quán)，如果把它放到云端或者公有平臺上，自然會擔(dān)心計算過程有被竊取的風(fēng)險。

在這種情況下，有沒有基于硬件的解決方案？答案是肯定的，比如我們就在使用英特爾芯片上的SGX隱私沙盒，它能夠以硬件的方式來保障我們的計算，這個其實是跨機(jī)構(gòu)之間合作的一個非常重要的基礎(chǔ)。 

這就是一個非常典型的例子，也就是從需求出發(fā)，推動芯片或硬件廠商提供相應(yīng)的解決方案。

這個觀點確實就比較片面了。以倍漾量化每天的工作來舉例，當(dāng)我們在做量化交易的時候，如果把數(shù)據(jù)從CPU拷貝到GPU，再拷貝回來，對于很多量化交易的任務(wù)就已經(jīng)來不及了。也就是說，我們需要有一個非常高性能的、CPU版本的人工智能模型的實現(xiàn)。

再比如，我們有很多任務(wù)需要在網(wǎng)卡上直接對數(shù)據(jù)做分析和處理，而網(wǎng)卡上一般帶的是FPGA芯片，它處理的數(shù)據(jù)如果要傳到GPU上就更來不及了。對于這種低時延、又需要人工智能技術(shù)幫助的場景，我們需要一個異構(gòu)的架構(gòu)。

也就是說，不管是FPGA、ASIC，還是CPU、GPU，在不同的場景下，它們都有不同的用武之地。   

關(guān)于異構(gòu)平臺的編程，我看到工業(yè)界已經(jīng)有了一些嘗試。比如英特爾的oneAPI，我覺得是蠻重要的一個工具。也就是說，oneAPI能讓同樣一套代碼能夠自動地適配CPU、FPGA或者其他類型的芯片。這樣將會大大地減少工程師的編程難度，也能夠讓他們專注在算法創(chuàng)新上。

我覺得，這對于推動異構(gòu)應(yīng)用非常重要。

我覺得，可能需要一個更好的端到端的解決方案。現(xiàn)在其實已經(jīng)從「軟件1.0」升級到了「軟件2.0」時代。也就是說，從傳統(tǒng)規(guī)則驅(qū)動的復(fù)雜軟件工程的構(gòu)建，變成了數(shù)據(jù)驅(qū)動的軟件工程構(gòu)建方法。

之前，我們要靠很高的聰明才智寫一系列精妙的系統(tǒng)，才能讓整個程序能夠跑起來。這就類似于機(jī)械手表，[敏感詞]的程序員們都把精力放在構(gòu)建“齒輪”的運轉(zhuǎn)、以及如何讓這個“手表”能夠跑起來。

現(xiàn)在，如果這一套運行的規(guī)則我不知道該怎么定，那就直接把它撂給大量的數(shù)據(jù)或者機(jī)器學(xué)習(xí)算法，這個算法會生成一個新的算法，而這個新的算法是我們想去得到的東西。這種方式，有點像去造一個造機(jī)器人的機(jī)器人。

在軟件2.0時代，整個軟件工程的開發(fā)范式將有一個很大的轉(zhuǎn)變，我們很希望得到一套端到端的解決方案，核心就是怎樣更方便地實現(xiàn)「以數(shù)據(jù)為中心」的軟件工程開發(fā)。

我覺得大概有兩方面。[敏感詞]，從工業(yè)界來看，還是要從[敏感詞]性原理出發(fā)，也就是基于自己的需求，并綜合考慮到很多的非技術(shù)因素。比如我看到有一個公司想做小區(qū)安防的人臉識別系統(tǒng)，但每個出入口后面要配4個非常昂貴的GPU，這就是典型的沒有從需求和成本出發(fā)。

第二，學(xué)術(shù)研究未必要跟風(fēng)。就像我們在剛開始時說到的那樣，對于模型的規(guī)模，并不需要相互攀比：你有一個千億的，我就要搞個萬億的，你有個萬億的我就要搞一個十萬億的。

其實有大量的任務(wù)都需要小規(guī)模的參數(shù)，或者由于成本等限制，只能提供少量的樣本。在這種條件下，怎樣做創(chuàng)新和突破？這個是學(xué)術(shù)界應(yīng)該主動擔(dān)起的責(zé)任。

我們可以想想看，90年代末期，建個網(wǎng)站都要花2-3萬元，因為當(dāng)時會網(wǎng)絡(luò)編程技術(shù)的人鳳毛麟角。但是在今天，可能任何一個高中生，鼠標(biāo)點一點就能建站。

也就是說，網(wǎng)絡(luò)知識已經(jīng)在每一個普通程序員的工具包里了。

其實，人工智能技術(shù)也是一樣。在2015年左右時，搭一套深度學(xué)習(xí)框架、還要在GPU上能跑起來，全球可能不超過1000個人。而現(xiàn)在經(jīng)歷了指數(shù)級別的增長，很多人都會了。我們有理由相信，大概在五年之后，隨便一個程序員的工具包里就有更為豐富的人工智能解決方案，它的實現(xiàn)的門檻肯定是在不斷降低的。也只有這樣，人工智能技術(shù)才能更為普遍地應(yīng)用在每一個公司。

所以，大廠里的AI Lab是必然會消失的。就像2000年前后，很多公司都有一個Internet Lab，就是把公司所有跟網(wǎng)絡(luò)有關(guān)的事情專門搞一個實驗室，由這個實驗室向其他的業(yè)務(wù)部門做技術(shù)輸出。這是因為會這項技術(shù)的人特別少，他們才要做這件事情。

AI Lab也是一樣的，當(dāng)AI技術(shù)落地的門檻逐漸降低時，大量業(yè)務(wù)部門的人也擁有類似的技術(shù)，那這種AI Lab就必然會消失。我覺得這就是在技術(shù)發(fā)展過程中一個臨時產(chǎn)品，這是個好事情。當(dāng)大廠沒有AI Lab的時候，大概就是人工智能真正遍地開花的年代。

[敏感詞]，我們還需要摩爾定律的加持。現(xiàn)在還有大量的任務(wù)對算力的要求很大，我們必須不斷進(jìn)行硬件的迭代和算法的更新。只有當(dāng)需要在集群上跑的事情能在手機(jī)上跑，AI才可能有大量的落地。

第二，人工智能創(chuàng)新的重點，要從互聯(lián)網(wǎng)的業(yè)務(wù)轉(zhuǎn)向一些傳統(tǒng)的行業(yè)。之前大家的精力都在怎樣用人工智能做更好的視覺解決方案，或者更好的推薦系統(tǒng)，或者更好的P圖軟件。但在實體經(jīng)濟(jì)中，其實也有大量產(chǎn)生數(shù)據(jù)的部門和業(yè)務(wù)。當(dāng)這些實體經(jīng)濟(jì)數(shù)據(jù)能夠更好地信息化之后，它們所帶來的價值才可能遠(yuǎn)超于目前的虛擬經(jīng)濟(jì)。

免責(zé)聲明：本文采摘自網(wǎng)絡(luò)，本文僅代表作者個人觀點，不代表薩科微及行業(yè)觀點，只為轉(zhuǎn)載與分享，支持保護(hù)知識產(chǎn)權(quán)，轉(zhuǎn)載請注明原出處及作者，如有侵權(quán)請聯(lián)系我們刪除。