全民聊AI的時(shí)代，還有這些未開荒的領(lǐng)域等待我們?nèi)ヌ剿靼l(fā)現(xiàn)...
利用機(jī)器智能處理非常復(fù)雜的問題如今已經(jīng)又十分標(biāo)準(zhǔn)的流程。首先需要收集十分巨量的訓(xùn)練數(shù)據(jù)，數(shù)據(jù)量的大小也許超出了人類感知范圍；隨后對數(shù)據(jù)進(jìn)行預(yù)處理，使得其中包含的關(guān)系可以較為容易的進(jìn)行處理（結(jié)構(gòu)化以及特征工程）。最后，將這些數(shù)據(jù)喂到高性能的并行計(jì)算機(jī)中并利用各種標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)算法來進(jìn)行處理，包括邏輯回歸、深度神經(jīng)網(wǎng)絡(luò)、k均值聚類雖然名字有點(diǎn)拗口，但重點(diǎn)是這些算法在高質(zhì)量的開源包中廣泛存在的。
Google作為這一領(lǐng)域的先驅(qū)，將機(jī)器智能用于廣告投放、機(jī)器翻譯、垃圾郵件過濾以及Youtube上的視頻推薦，甚至應(yīng)用到了目前的自動駕駛汽車中去，創(chuàng)造了數(shù)十億美元的價(jià)值。
Google令人驚訝的成功，不僅在于其實(shí)現(xiàn)的規(guī)模和多樣性，更在于將傳統(tǒng)智慧與人工智能與機(jī)器學(xué)習(xí)領(lǐng)域進(jìn)行結(jié)合后所爆發(fā)出的驚人力量。很多聰明人小心求證并論證如何建立AI的理論再一次被證明是錯(cuò)的（這在歷史上不止一次的發(fā)生）。
從而人們開始注意到數(shù)據(jù)有效性中不合理的方面：通過對一簡單的模型供給龐大的數(shù)據(jù)將傳統(tǒng)的經(jīng)驗(yàn)理論實(shí)現(xiàn)方式壓得粉碎，而這些方法在大數(shù)據(jù)之前是世界處理這類問題的主要手段。
在很多實(shí)際情況中，Google將很多曾被認(rèn)為需要強(qiáng)AI才能解決的問題成功的通過結(jié)合人類智慧和弱AI得以解決，利用新的匹配的輸入取代上文提到的龐大數(shù)據(jù)。而這一點(diǎn)金術(shù)的魔力來自于大型的中心化云服務(wù)的誕生。
如今谷歌在這一方向走得更遠(yuǎn)，他們提出了一個(gè)偉大的公司使命：重構(gòu)世界的信息，并讓信息的接入無處不在發(fā)揮作用。它成功的將網(wǎng)絡(luò)世界中的規(guī)則和可能性遷移到了我們現(xiàn)實(shí)生活的物理世界中來。這一切都反映在其機(jī)器學(xué)習(xí)和人工智能的實(shí)現(xiàn)重。
我們不禁要問這難道就是AI唯一可行的途徑嗎？谷歌和其他技術(shù)巨頭都在瘋狂的購買AI和機(jī)器人公司，系統(tǒng)的向機(jī)器學(xué)習(xí)能帶來更高競爭力的利于轉(zhuǎn)型并雇傭了大批的機(jī)器學(xué)習(xí)專家，他們仿佛想要表達(dá)游戲已經(jīng)結(jié)束了。但是在這一切的背后是我們知之甚少的大量未公開的研究計(jì)劃，我們依然可以樂觀了做出假設(shè)，這一領(lǐng)域依然有很多方向充滿機(jī)會，至少沒有形成壟斷的格局。
筆者認(rèn)為這些方向具有下面三個(gè)方面的特征：
1.數(shù)據(jù)集規(guī)模本身就很小，庫卡機(jī)器人驅(qū)動器維修，進(jìn)一步收集數(shù)據(jù)要么會觸碰到法律紅線，要么需要高昂的成本，甚至進(jìn)一步收集數(shù)據(jù)是不可能的。但需要注意一條上限：有的時(shí)候數(shù)據(jù)收集的僅僅只需要等待合適的投資和努力，例如將地圖車開到地球每一個(gè)角落的大街小巷。
2.不用復(fù)雜精準(zhǔn)的模型就無法進(jìn)行解釋的數(shù)據(jù)。當(dāng)然其中表現(xiàn)出的數(shù)據(jù)有效性可以由大數(shù)據(jù)下一大堆模型的簡單統(tǒng)計(jì)計(jì)算就可以得到。
3.由于法律、政治、合同等原因無法從用戶和客戶上采集的數(shù)據(jù)。這造成了很多小數(shù)據(jù)而不是大數(shù)據(jù)的問題。
基因數(shù)據(jù)就具有上述1、2兩個(gè)特征。將基因序列稱為小數(shù)據(jù)你可能會感到奇怪，但你需要明白，地球上只有幾十億人，每一個(gè)人都攜帶有幾十億的編碼。這意味著大多數(shù)基因（包括很多完美的基因）我們將永遠(yuǎn)沒有機(jī)會觀測到。另一方面，我們根據(jù)采集到的數(shù)據(jù)，來對如此豐富的編碼分析出的模式很可能會面臨過擬合的錯(cuò)誤。
全基因組關(guān)聯(lián)分析得到了這個(gè)令人失望的結(jié)果，但對于基因序列相對直接的統(tǒng)計(jì)學(xué)分析代表了第一次通過基因識別和預(yù)測疾病的努力，這也強(qiáng)化了這一領(lǐng)域需要更多關(guān)于細(xì)胞對于基因變化的轉(zhuǎn)錄和翻譯機(jī)制知識的合作需求。
另一個(gè)有趣的例子是關(guān)于在未知環(huán)境中的感知和自動導(dǎo)航的內(nèi)容。谷歌目前的無人車是通過預(yù)置的高精度地圖來幫助它進(jìn)行定位和導(dǎo)航的。
沒有預(yù)先的信息，機(jī)器人將會完全迷失在喧囂的世界中。未來將會有成千上萬的自動駕駛汽車和機(jī)器人進(jìn)入我們的生活，他們中的大多數(shù)都需要一套可以實(shí)時(shí)進(jìn)行感知和定位的系統(tǒng)來幫助他們工作。但如果將自動駕駛設(shè)備放到一個(gè)它完全沒有到過的地方（就像火星車一樣），或是面對迅速變化甚至與靜態(tài)地圖完全相反的情形，機(jī)器人將為怎么樣呢？我們需要明白，機(jī)器人維修，在真實(shí)世界中，有很多地方是不可測量或者谷歌的無人車無法輕易進(jìn)入的。
其他的例子包括通過公開數(shù)據(jù)和財(cái)報(bào)來解讀和預(yù)測公司的表現(xiàn)（第一和第二種特征）；直接通過傳感器數(shù)據(jù)來理解制造業(yè)或者其他商業(yè)流程，并提出改進(jìn)建議（第二第三種特征）；通過真實(shí)信息進(jìn)行優(yōu)化和決策，這個(gè)領(lǐng)域還遠(yuǎn)遠(yuǎn)沒有成熟（以上三種特征都有）。
這個(gè)領(lǐng)域還有很長的路要走，KUKA機(jī)器人維修，但是我確實(shí)在其中看到了一些機(jī)會。這并不是這些大公司不能夠研發(fā)這方面的應(yīng)用，而是因?yàn)檫@些問題與這些公司根深蒂固的文化、組織結(jié)構(gòu)以及現(xiàn)有的能力不匹配，才使得更多的市場參與者有了發(fā)展和進(jìn)步的空間。這將正是AI領(lǐng)域未被發(fā)掘的新機(jī)會！