华为轮值董事长徐直军：AI发展十大改变

最新推荐文章于 2022-04-02 14:00:00 发布

湾区人工智能

最新推荐文章于 2022-04-02 14:00:00 发布

阅读量299

点赞数

华为轮值董事长徐直军曾用辉煌和冷静来概括目前人工智能存在理论和现实之间的鸿沟：一方面人工智能产业发展“辉煌”——2017年发表的机器学习论文数是2万篇 / 全球有超过22个国家发布了AI计划 / 2017年新诞生了1100多家AI startup公司 / 2017年与AI相关的兼并收购金额达到240亿美元 / 2017年与AI相关的VC投资达140亿美元。

另一方面，人工智能初级阶段的“冷静”同样引人关注——只有4%的企业已经投资或部署了AI / 只有约2%零售商已经投资或部署了AI / 只有约5%部署的智慧城市中正在使用AI / 2017年只有约10%的智能手机内置了AI / 全球AI人才的供需比仅有1%。

徐直军认为，要解决人工智能“辉煌”与“冷静”之间的巨大落差，要从技术、人才、产业这三个方面进行主动的变革。

640?wx_fmt=jpeg

改变之一：缩短训练模型的时间——按照目前的技术水平，训练某些复杂模型时往往需要数天甚至数月，而成功的创新发现往往需要多次迭代，这种训练速度严重制约了应用创新。我们认为，未来模型的训练要能在几分钟、甚至几秒钟内完成。改变之二：充裕经济的算力——算力是AI的基础，但目前的算力非常昂贵，是一种稀缺资源。如果说算力的进步是当下AI大发展的主要驱动因素，那么，算力的稀缺和昂贵正在成为制约AI全面发展的核心因素。算力应该是充裕且经济的，并且这种需求应该尽快实现。改变之三：人工智能要适应任何部署场景——混合云已经成为企业采用云服务的主要模式，当前的AI主要在云，少量在边缘，与企业的业务环境的结合有待进一步深入。未来AI将无处不在，要能够部署在任何场景，并确保用户隐私得到尊准和保护。改变之四：更高效更安全的算法——算法是推动AI发展的另一个主要动力，但目前运用的主要算法多诞生于1980年代。随着AI的广泛普及，这些算法的不足愈发明显。未来的算法，要能够基于更少的数据需求，即数据高效。也要能够基于更低的算力和能耗，即能耗高效。同时要解决自身的安全问题，并实现可解释等等，这都是AI全面发展的重要技术基础。改变之五：更高的自动化水平——今天的人工智能，自身还需要大量的人工，特别是在数据标注环节，今天甚至还诞生了一个新的职业叫“数据标注师”。有人调侃说，今天的人工智能，是没有“人工”就没有“智能”。华为认为，应该大大提升AI自身的自动化水平，比如在数据标注、数据获取，特征提取，模型设计和训练等环节，要实现自动化或半自动化。改变之六：模型要面向实际应用——2018年6月，伯克利大学的助理教授 Benjamin 等发表了一篇题目奇怪的论文《CIFAR-10分类器能否泛化到CIFAR-10》。该论文指出，在CIFAR-10分类器上测试准确度出色的模型算法，却在作者创建的与CIFAR-10非常接近的另一测试集上出现了偏差，分类识别准确率下降了5-15个百分点不等。这也就意味着，这个模型算法的可用度大幅度下降。由此，可见当前很多优秀的模型算法，更多的是“考试”优秀，还未达到“工作”优秀。未来的模型必须实现工业级的优秀，即满足工业生产的需要，而不仅仅满足于测试集上“考试”优秀。改变之七：模型更新——模型的准确率并非是一成不变的，而是会随着数据分布、应用环境和硬件环境的变化而变化，始终保持准确率在期望的范围内对于企业应用是必须的。但目前的模型更新是非实时的，依赖人工周期性的更新，因此是一个半开环的系统。未来的模型要能及时适应各种变化，实时更新，实现闭环系统，保证企业AI应用始终处于最佳状态。改变之八：人工智能要多技术协同——每一个通用目的技术，只有与其它技术充分协同配合，才能发挥到极致，创造巨大的经济价值。AI也不例外，但在目前我们探讨AI时，更多的是仅仅聚焦AI本身。AI需要与云、物联网、边缘计算、区块链、大数据、数据库…等技术充分协同，如此才能发挥更大价值。改变之九：人工智能要成为由一站式平台支持的基本技能——今天，AI还是一项只有具备高级技能的专家才能完成的工作，成熟、稳定、完善的自动化工具还比较缺乏，获得一个AI模型还是一个非常复杂，耗时耗力的事情。华为认为，应该有一站式平台，提供必需的自动化工具，让AI应用开发更容易，更快捷。从而，使AI成为所有应用开发者甚至所有ICT技术从业人员的一项基本技能。改变之十：以AI的思维解决AI的人才短缺——AI人才的短缺，特别是数据科学家的缺乏，一直是业界顾虑较多的一个制约因素。而且我们认为，数据科学家将永远是稀缺的。解决之道应该是，以AI的思维解决AI的人才短缺。通过着力发展智能化、自动化、简单易用的AI平台和工具服务，以及提供培训教育，培养大量的数据科学工程师，使他们能完成大量基本的数据科学相关工作。通过这些大量的数据科学工程师与数据科学家和各领域专家相互配合的梯形结构，来解决AI人才稀缺问题。