更多精彩，敬請關注矽谷洞察官方網站（）
2017年，發起 ImageNet 比賽的史丹佛大學教授李飛飛宣佈，今年將會是最後一屆挑戰賽。因為機器識別照片的錯誤率已經幾乎降低到跟人類一樣了，甚至超過人類。
2018年，計算機界諾貝爾獎的“圖靈獎”宣佈由深度學習三巨頭獲得：Yoshua Bengio, Yann LeCun 和 Geoffrey Hinton。
從機器影像識別超過人類，到深度學習獲圖靈獎認可，但這並非人工智慧的終點。
矽谷企業巨頭如何運用人工智慧的？未來的AI世界，會出現“超級智慧”嗎？小企業又該如何應對？矽谷洞察帶你聽聽加州大學伯克利分校計算機系大牛教授 Pieter Abbeel 如何說。
從監督式學習到強化學習: 有目標的AI在未來會有很大影響
Pieter Abbeel 擁有史丹佛大學計算機學系博士學位，師從吳恩達。2008 年起，Pieter Abbeel 在加州大學伯克利分校電氣工程和電腦科學系擔任教授。他還曾在 Open AI 擔任科學家，曾擔任一家AI 改作業的教育公司 Gradescope 的聯合創始人，2018年，公司被收購。
（Pieter Abbeel 教授上課中，版權屬於營創學院）
Pieter Abbeel 教授先從機器學習的三種主要實現方式說起，分別是： 監督式學習（Supervised Learning），強化學習（Reinforcement Learning）以及無監督式學習（unsupervised Learning）。
所謂監督式學習，就是透過給神經網路“喂”大量影像，神經網路在這些被標記了的影像當中進行學習，最終找到和標記物之間差異最小化的物體。
事實上，被稱為 “深度學習之父” 的多倫多大學 Geoffrey Hinton 教授，就是透過提出一種深度卷積神經網路結構 AlexNet，奪得 2012 年 ImageNet 比賽冠軍，成績比當時第二名高出41%。他們採用的就是監督式學習。
後來，很多人都將 2012 年的這場比賽視作當今人工智慧浪潮的催化劑。到2014年，可以說，幾乎所有高分參賽隊員都用了深度神經網路。
如今，人工智慧從簡單地識別影像中的物體，到對影像進行描述，再到進行視覺問答挑戰。可以說，機器除了擁有人類理解影像的能力，還能用人類語言描述影像內容，甚至關於任何一張圖片，機器能進行自問自答。每一步，人工智慧的能力都越來越強大。
那麼，監督式學習完成得好，需要什麼呢？Abbeel 教授指出， 第一，大量經過標記過的資料，第二，大量的計算資源，第三，一個好的AI團隊。 但隨之而來也伴隨著挑戰：企業需要有大量經過標記過的資料，屬於”勞動密集型”產業。
這也是為什麼 Abbeel 教授指出，強化學習在不遠的將來，更讓人感到振奮。
強化學習跟監督式學習的主要不同在於，監督式學習更像是有一個老師，站在你旁邊監督你，但老師會知道所有的答案是對是錯。 強化學習更是給學習物件（即機器）一個獎勵反饋訊號 。像教小孩子走路或者小狗一樣， 做得好，就給一點獎勵，做不好，就懲罰。
強化學習一個最典型的例子，就是下贏了兩位人類圍棋高手柯潔與李世石的 AlphaGo。
Abbeel 教授表示， 當前強化學習確實主要用於遊戲和機器人訓練，解決平常的決策問題。 比如伯克利就有模擬人類學習行走的機器人，它可能在學習過程中摔倒很多次，但一旦有一次沒有摔倒，分數就更高，沒有摔倒的結果會反向傳播到神經網路當中，從而強化學習結果。經過大約2000次學習，這個機器人就能學會如何“跑”了。
對於 Abbeel 教授而言，他認為家用機器人在強化學習下的運用，更令人感到振奮。 他個人主要研究方向便是將深度強化學習應用到機器人上。
從2010 年起，他和學生對伯克利的 BRETT（Berkeley Robot for the Elimination of Tedious Tasks，“用於解決繁雜任務的伯克利機器人”）機器人進行了程式設計，使其可以拿起不同大小的毛巾、弄清楚它們的形狀並將它們整齊疊好。如今已發展成可以疊衣服、整理玩具、餐具等等。（多少居家人的夢想啊！不過該機器人造價40萬美元……）
按照 Abbeel 教授的預測，未來機器人將會面臨兩撥新的自動化浪潮:
第一波：“長眼睛”的機器人 。他表示，當機器人有了視覺能力後，會適應很多新的場景，能夠完成的任務也就更多了。
第二波：“可示教”的機器人，即透過人的示範教學，讓機器人從中學習。 完成那些無法透過程式設計教機器人的任務。“真正有助於更快地教授機器人新技能的是使用遠端操作和虛擬現實”，Abbeel 教授如今跟幾個學生創業的公司 covariant.ai 就在進行這樣的嘗試。
那麼，這樣的機器人到底什麼時候能大規模推開，為製造業、倉庫、物流等行業提供自動化解決方案呢？Abbeel 教授預計五年內可落地，主要因為當前技術尚未完全成熟，但已在實驗室裡逐漸變為現實。
至於無監督式學習，跟監督式學習的主要差別在於，沒有給定事先標記過的資料進行訓練示例，機器自動對輸入的資料進行分類或分群。Abbeel 教授比喻，好比教孩子一樣，什麼是汽車、卡車、腳踏車，只需要教一次即可，而無需反覆告訴他。不過，當前無監督式學習應用較為缺乏，這領域會是將來各大公司逐漸發力的地方，比如 Facebook 首席人工智慧科學家Yann Lecun 就是因為對無監督式學習的研究而獲得的 “圖靈獎”。
矽谷商業巨頭如何運用AI？以深度監督式學習為主
當前人工智慧在商業領域的應用是否廣泛？Abbeel 教授認為，對於商業領域的案例而言， 主要還是深度監督式學習，且非常有效，創造了大量的可能性。
第一個很重要的應用場景就是：自動預測能力 。Abbeel 教授甚至採用他博士導師吳恩達的話說是：“我認為在接下來幾年裡，很難舉出一個領域的例子是不能被AI顛覆的。”
現在，我們就以矽谷的一眾大科技企業為例，來看看到底深度監督式學習是如何運用在日常生活中的：
比如美食點評網站Yelp（類似於美國版“大眾點評”），試想一下一天使用者上傳的照片有多少？2016年時，這個數字已經高達10萬張至千萬張不等。
試想一下，怎樣向其他食客展示更漂亮的照片，從而吸引更多的食客來呢？這就是人工智慧發揮作用的地方了。
前面說到資料，如果讓 Yelp 團隊成員一張張標註照片好看或不好看的話，並不現實。 第一太主觀，第二，太浪費勞動力 。因此，Yelp 的團隊想到了訓練資料庫。他們發現，決定一張照片質量好壞的引數包括是否用數碼單反照片拍攝，以及記錄數碼照片的屬性資訊和拍攝資料的EXIF資料等。
因此，利用深度學習構建照片評分模型後，如今，Yelp 上面上傳照片的質量，就高下立見了。下面兩組圖裡，是不是底下的照片比上面的照片看上去讓人有食慾多了呢？
（上：AI篩選前，下：AI篩選後上傳的照片）
如果說Yelp是直接面向消費者的話，那麼，面向企業的商業也適用。Abbeel 教授的另一個例子就是全球著名客戶關係管理（CRM）軟體服務提供商 Salesforce。
每個來到舊金山的人對城裡那座最高的大樓估計都印象深刻：沒錯，那就是如今美西最高的大樓、Salesforce 的新辦公大樓Salesforce Tower，樓高 326 米，共61層，幾乎和北京的國貿三期一樣高。每年 Salesforce 搞公司慶典時，舊金山半個城市的交通就會大堵塞。
（圖片來自網路，版權屬於原作者）
這家為客戶按需定製客戶管理服務系統的 SaaS 企業，把人工智慧運用到了 最需要的一個地方：市場營銷。
試想一下，每天是不是會收到商家給你發大量的訂閱郵件？但是你開啟還是退訂，開啟後是購買還是瀏覽 一下而已，對於商家而言，掌握這樣的客戶動態對最終銷售成功很重要。因為這取決了商家要跟蹤那些更有購買可能性的客戶，從而讓銷售團隊進行工作的優先排序。
如今，人工智慧就透過在客戶關係管理系統中跟蹤每一個客戶的互動，從而對某些客戶進行針對性營銷，或者挽留那些可能會流失的使用者們。
放到醫學上，監督式學習發揮的功能也同樣巨大。
如今，透過胸部X光檢測肺炎，人工智慧檢測的水平已經超過專業職業放射科醫生。去年，吳恩達團隊發表的一個基於深度神經網路 CheXNeXt 模型，可以診斷包括肺炎、胸腔積液、肺腫塊等在內的14種疾病。其中10種疾病的診斷，AI與人類放射科醫生的表現相當，還有一種超過了人類。但 值得一提的是，AI的診斷速度是人類的160倍。
Abbeel 教授表示，美國食品藥品監督管理局（FDA）去年也批准了第一款人工智慧裝置用於檢測與糖尿病相關的特定眼部問題。這款裝置是透過掃描人的眼睛視網膜，從而判斷糖尿病是否已經進展到某一程度從而影響人的視力，這樣就能及時提醒病人見眼科醫生了。
（Pieter Abbeel 教授上課中，版權屬於營創學院）
那麼，人工智慧是否會超越人類智慧，實現超人工智慧呢? 在 Abbeel 教授看來， 如今硬體部分確實已經跟人開始逐步靠近，但軟體部分還是暫時缺失的。 不過有一點可以確認的：如果有一天實現了超級智慧，那麼它肯定不願意讓人類把電源拔掉。這就需要確保對“超級智慧”的第一次嘗試就是正確的嘗試，否則就可能出現跟人類價值不一致的問題。即使是他本人，也讓難以想象真正的場景會如何發生。
小公司在AI時代的競爭
或許很多人會認為，當前AI時代已經被大公司佔了優勢，無論是AI頂尖人才，還是資料。但在Abbeel 教授看來，並非如此。任何公司，面臨 AI 時代的競爭想要勝出，關鍵在於把握以下幾點：
第一，資料是關鍵 。儘管小公司的資料比大公司少很多，但作為在某一精專領域的小企業而已，無論做什麼，都需要儲存更多的資料。舉個例子，比如客服打電話，是否可以把電話進行錄音？網上客服的話是不是可以把文字記錄下來？無論是語音識別，還是文字識別，這都是人工智慧可以充分訓練的領域了。
第二，瞭解人類在將來到底能扮演什麼作用 。如果企業一旦擁有資料的話，那麼只要是跟那些人在半秒鐘內就能完成的事情，就應該訓練用神經網路去做。又或者是人跟AI結合起來，一起做。所以，無論把資料做何用，這都需要企業管理層思考清楚，人在當中的作用。
對於小企業來說，那些 企業日常重複做的事情更是要留意 ，“只要可以訓練一個神經網路來做的活，你都需要留意了。”
各位企業家或者創業者，是不是看完有種感覺，AI並非離商業如此遙遠，而是可以落地的呢？上述內容僅是 Pieter Abbeel 教授在為營創學院EMBA矽谷訪學團學員們講授的《人工智慧將如何改變商業》課程部分精彩節選。