内容简介:[译] 机器智能 3.0 的发展史
(O'Reilly是最先在这里发文的作者 。James Cham是我今年的合作伙伴)
如果你对本文中企业这张表所涉及的内容感兴趣,请参阅《哈佛的商业评论》 The Competitive Landscape for Machine Intelligence )
大约在一年以前,我们发布了年度机器智能公司的landscape,自那以后我们参加了大量的活动。今年的landscape第三次的情形比两年前的第一次,有更多的公司参加。但是对人工智能的综合性更加无益。因为所有的活动都只抓到了皮毛而已。
从过去两年的情况看来, 我们的基金仍然被最初的机器智能问题所困扰—为了解决从安全性到招聘人才再到软件开发等领域中35个意义重大的问题,我们已经投资了35家机器智能公司。(我们的基金注重未来的工作,所以有一些机器智能领域,我们比别人投资得更多)
同时, 机器智能的炒作方法花样百出:“深度学习”这种词汇等同于代表一系列意义非凡的突破(让人惊叹),但是就像 “大数据”一样只是炒作词汇而已(不是很好)。我们关心的是创始人是否能用正确的方法解决问题,而不是最花哨的办法。我们更喜欢创始人使用思虑周到的技术。
去年最大的变化是什么?我们从不同的人口中得到了inbound inquiries 。关于v1.0,我们从创始人和学者哪儿听说的简介都非常独特。然后,私营和公共部门都出现了一派健康的投资者。现在,我们听说一些公司以压倒之势试图找出如何使用机器智能转换业务的办法。
这是第一次,"一站式"机器智能的堆栈进入人们的视野--尽管是在一两年后才精美的形式化。堆栈的成熟可以解释为什么越来越多的名企更注重创建正统的机器智能能力。任何能随机应变的人将本能的做出创建收购的决定,因此我们觉得早期对技术的尝试和铺设总比不尝试好。
Ready player world
在游戏的世界, 我们见过很多看上去令人印象深刻的技术,从 DeepMind 打败Atari经典,到在世界上最好的OpenAI体育馆中,任何人都可以在一系列的游戏环境训练智能代理。
游戏世界为机器智能工作的开始提供了一个完美的地方(例如:限制环境,明确奖励,容易得到比较结果,看上去令人映像深刻)——特别是强化学习。 在虚拟环境中乘坐无人驾驶车骑行一万亿英里比在真实的路上简单得多。现在这种技术已经征服了游戏世界正在往现实世界迁移。一个具有新闻价值的案例是将游戏测试技术用于真实的世界,DeepMind使用神经网络使得 Google‘ s data centers more efficient 。这隐藏的问题是:世界上还有什么看起来像一个游戏?或者世界上还有什么我们能重新配置,使它看起来更像一个游戏?
早期的一些尝试很有趣。开发者们 dodging meter maids (brilliant—amodern day Paper Boy) , categorizing cucumbers, sorting trash, and recreatingthe memories of loved ones as conversational bots. Otto的无人驾驶车, 在他们的第一商业乘坐中运送啤酒, 就像 Grand Theft Auto的奖励关卡,我们很期待明年会有什么新的创造性应用。
Why even bot-her?
2016 年, 聊天机器人的发布,不论好坏—在IOS和 Android的发布之后我们很乐意看到移动APP的发布,主要平台 (机器智能的案例, Facebook, Slack, Kik)都在竞争,希望程序开发者们能在他们的平台上开发。这就意味着我们将看到更多优秀的机器人, 但是也会有很多劣质的存在 — 这就是公共实验的乐趣。
危险的是, 不像激增的移动APP(我们对这些产品的能力缺乏期待)假设有一个平台有接近人类水平的交流界面和我们交流。而大部分平台没有, 这将导致明年的理想破灭,然后大部分平台也会迅速消失。
我们的基金会将如何对待这种新兴领域,首先我们将每种技术分为两种组件:对话式界面本身,幕后代理。你肯定不能只把球仅放在界面层上面,我们花了大部分时间在思考 behind-the-scenes 代理,它能否解决实际意义问题。
很多人质疑是否会有一个自动程序能管理所有的问题,老实说, 在很多基金领域, 我们对此并不赞同。我们当然不会相信会有一个机构甚至是一个界面能管理所有的问题, 目前, 机器人还只是白痴专家:就像恒星一样是特定的应用程序。
我们已经写了很多关于这一点,我们用框架思考代理如何转变CEO以及支持她的员工们的想法。许多财富500强ceo雇佣一个调度程序,处理程序,一个研究小组,编辑,演讲,个人采购,司机和专业教练。这些人中的每一个执行完全不同的功能,访问完全不同的数据完成工作。bot / agent 生态系统中因为有很明确的赢家,他们会沿着这些线划分非常利索的将类似的职责分离。(请注意,一些CEO 有一个类似参谋长的职位,用于协调所有功能,因此一个界面是有可能管理所有案例的)
在我们的landscape中,一些企业的机器智能功能将重新发明(大部分在界面层而不是会话机器人)
On to 11111000001
在大型企业中能成功使用机器智能是通过二进制算法,就像用指头弹电灯开关一样。很难做,但是一旦机器智能做到了,整个企业就可以通过镜头看到一切程序的潜能。像Google, Facebook, Apple,Microsoft, Amazon, Uber, and Bloomberg 等企业(我们唯一的投资者)大举押注在机器智能上,并普遍用于他们所有的产品中。
其他公司正在努力弄清楚机器智能能做什么,正如1997年 董事会处理互联网能做什么一样。为什么企业将注意力放在机器智能上如此困难呢? 因为机器智能和传统的软件业不一样。和大数据不同,在哪儿你都能购买一项新功能, 机器智能却取决于更加深度的组织架构和流程变化。企业需要反复思考他们是否能信任机器智能的一次性分析,他们能否将神秘莫测的机器智能模型嵌入到核心流程中。团队需要弄清楚如何测试新开发的功能,应用程序需要的调整。因此他们不止提供了一个系统记录,还需要请教练学习输入数据。
不像传统的硬编码软件, 机器智能只给出了概率输出。我们想让机器智能基于不完整的信息作出主观的决定(就像我们信任同事一样)。但结果却是,这种新的智能软件也会像我们一样犯错误,然后我们就需要思考什么时候可以信任它什么时候不可以。
要信任这种新型机器的决定还是很困难,也导致机器智能也比传统的软件更难落地。有一些人告诉我们说一个企业采用机器智能能否成功最大的预测办法是, 该企业是否有首席执行官是高等数学学位。这些高管理解的机器智能不是魔术而是(硬)数学。
我们不知道如何区分机器智能的商业模式和有许可证的订阅软件之间的不同。不像传统的软件,我们仍然无法判定在哪儿部署机器智能的管理框架。正如Ajay Agrawal, Joshua Gans, and Avi Goldfarb这些经济学家, 已经采取第一步措施帮助管理者理解机器智能的经济意义、以及预测如何处会最有效。但是现在仍然有很多的工作要做。
在接下来的几年里, 危险的不是我们在反乌托邦式科幻电影看到的那样,机器智能真正的危险是在机器智能的创造能力方面,高管们做出错误的决定。
Peter Pan's never-never land
我们一直在思考成为一家大型机器智能公司的成长之路。毫无疑问,已经有很多的机器智能公司被收购(Nervana被英特尔收购, MagicPony 被Twitter收购, Metamind被 Salesforce收购 , Otto 被优步收购,Cruise被 GM收购,SalesPredict被Ebay收购,Viv被三星收购)这些大多数收购都是发生在公司初创早期。并以非常高的价格,这是为什么呢?
创立公司并努力弄明白机器智能技术,这个探索的过程很辛苦,因此要卖掉公司就会很痛苦, 但是能使用这项技术,自助式服务的买家市场很小。如果你能了解到到这项技术对企业的增强能力,那么你就能意识到囤积这项技术的价值。买家对机器智能公司说,把技术卖给其他公司还是算了吧, 因为我将买下你整个公司。
PeterPans 说缺乏市场对于正在创业过程中的机器智能公司愈显艰难,特别是同行技术供应商的成长。我们见过的成功进入正轨的公司,可以为一些企业或者只是新入行的公司把他们的技术打包成一个新的应用程序。(喜欢这种技术)我们标记了一些新的行业类别,我们相信这些创业公司有可能在今年的 landscape拉开差距。
Inspirational机器智能
当我们弄清楚,比起传统软件,机器智能能解决更多更有趣的问题。为此我们兴奋不已,相信为了利益会有很多人机智的选用机器智能。
正如 Conservation Metrics 和 Vulcan Conservation 等确定的玩家已经使用深度学习保护频危的动物物种;Thorn的团队不断努力提出有创意的算法技术来保护我们的儿童免受在线欺诈。科技巨头的慈善武器加入, 使得免费存储, 计算甚至是开发人员的时间都成为非盈利项目。Google和非盈利组织合作开发Global Fishing Watch 通过卫星实时监测非法捕鱼活动,启动卫星轨道情报的观测力(我们只是投资者)和Global Forest Watch 合作监测非法砍伐和其他森林退化的原因。创业公司也加入了此次行动, Creative Destruction Lab 机器智能加速器(和我们紧密合作)合作致力于早期疾病和伤害的预防工作。在一些领域,我们已经发现了一些活动, 但是我们更想看到机器智能协助老人的生活。
谈到很多人为了利益使用机器智能,引用开源技术起到了关键作用。在过去的一年,我们看到OpenAI的启动, 使得每个人都可以使用世界一流的搜索和环境, 以及TensorFlow 和 Keras越来越好的版本。非营利组织总是想少花钱多办事,而机器智就能支持他们在不增加预算得情况下扩大任务范围。这种算法使得非盈利组织的低成本的规模也能负担得起。
我们可以发现大学和公司智能库的成长,例如, AI社会中 USC新中心,人类兼容AI的Berkeley中心,复合公司在AI上学习机器智能帮助人类的方式。甚至是白宫也加入了这次行动中:在围绕美国进行的一系列研讨会以后,他们发表了一篇48页的报告,概述了他们推荐使用机器智能来安全、公正的解决社会问题。
值得一提的是, 我们还听到了一些关于人工智能在手工业的版本。人们用电脑视觉算法来帮助他们,例如:为高级巧克力选择最好的咖啡豆,写诗,煎牛排,生成音乐剧。
好奇的想了解,如果你正着手机器智能的一项独特或者重要的应用程序,那么我们很想听听你的意见。
Looking forward
我们看到所有的这些活动正在持续加速,世界会给我们带来更多开源、用于商业的机器智能模块。还会有更多的数据, 更多愿意学习这些方法的人, 更多值得解决的问题。我们正在想办法多方位的解释机器智能和传统软件的区别。、
代码的价值和数据不一样 , 但是基于那些数据改善的代码模型的价值呢?一旦我们深度了解机器智能,再回顾传统软件的领域,现在发生的一切仅仅只是一个开始,我们很期待明年会带来什么。
译文原文: http://www.shivonzilis.com/machineintelligence
欢迎关注微信公众号,第一时间,阅读更多有关云计算、大数据文章。
原创文章,转载请注明: 转载自Itweet的博客
本博客的文章集合:
http://www.itweet.cn/blog/archive/
以上所述就是小编给大家介绍的《[译] 机器智能 3.0 的发展史》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。