大数据文摘出品
作者:薛娅菲、于乐源
李开复曾在题为《人工智能时代的科学家创业》演讲中表示,他对人工智能领域的创业充满信心,特别是从科研端口走出来的创业人才:“引领AI整个产业发展的一定是AI科学家。”同时,在AI创业大潮,甚至是大公司组建AI部门的内部创业过程中,科学家们正在面临着各种各样的“不适合”与“不适应”。
身处AI科研一线的教授们是否应该关注技术产业化?是否在研究初期就把“对社会有用”作为评价标准?希望想在AI创业大潮中分一杯羹的专家们来说,什么样的协助是必要的?
带着这些问题,我们拜访了阿尔伯塔大学机器学习实验室AMII。这里不仅有多位世界知名的人工智能研究学者,更为全球熟知的是培养出AlphaGo的核心算法研发团队。
大数据文摘特约记者采访现场
没有谁比AMII更懂得如何对付“技术已经被证明了,现在需要把它应用在场景里” 这个议题。AlphaGo和Alpha Zero的成功,正是成功将蒙特卡洛树搜索与深度神经网络(Monte Carlo tree search、value network、policy network)技术成功应用到围棋场景下,并成功击败人类职业围棋九段棋手。
今年6月,阿尔伯塔大学的TEC Edmonton孵化器正式与启迪之星深度合作,建立了启迪之星(阿尔伯塔)孵化基地并开展针对AI领域的跨境产业孵化项目。借此机会,我们采访了AMII的创始人之一,自然语言处理领域先驱Randy Goebel教授。
Randy Goebel是AMII最初的创始人之一,世界知名的NLP领域学术先驱,一生投身在在机器学习和自然语言处理的科研工作上,近些年也开始关注AI技术产业化落地问题,他也是阿尔伯塔大学的科研助理副校长。
大数据文摘特约记者采访现场
创新固然重要,但是更重要的是“有用”的创新
科研人员经常会对“有用”这个词理解不深。Randy Goebel教授也非常直白地表示了自己的担忧:在他看来,AMII可能只有五分之一的研究员清晰地知道市场营销与市场调查的含义。“其他人对市场并不关心(The rest simply don’t care)。”
大约只有三分之一的科研人员可以判断一份商业计划书的好坏,这个比例在Goebel教授看来已经在科研机构里算多的了。在他看来,AI是可以创造出很大价值,因此应用也有太多的方向。
20年来,AI技术已经在很多应用场景下得以实现。他认为技术应用中间的矛盾在于,技术发展总是快于应用速度的。科研人员的思路是不断追求最先进、最领先的技术突破,而普遍对技术的应用场景,也就是放到社会上,这个技术是否“有用”回避或是忽视。
李开复曾经分享过自己从科研思维向创业思维转变时最大的思维转变:科研人员需要在推出产品时真诚地问自己;这个技术对社会来说有价值嘛?
科研端和市场端应该更关注与如何创造共同利益价值, AMII对此深有共鸣。Goebel教授正在推动在AMII内部成立基础科学和应用结合的新部门,以培育科研人员的对“有用的科技”的“市场意识”。
中国在AI初创企业孵化方面更有经验
“在AMII,10%的科研人员可能对应用端感兴趣,也许只有5%的科研人员最终会去实现。”如何能让AI对社会有用,这需要科研人员了解来自市场的需求和痛点。这一点,恰恰是目前很多科研工作者的挑战。“也许我们需要其他部门的协助,比如学校内部的技术转移机构和社会上专业的孵化器。”
Geobel教授分享说,阿尔伯塔大学与埃德蒙顿市政府成立了TEC Edmonton的技术转移和孵化器组织,帮助阿尔伯塔大学的研究成果进行产业化。2018年6月,TEC Edmonton又与启迪之星正式合作,在TEC Edmonton建立了针对人工智能领域的垂直孵化器并启动中加两国双边孵化项目。
在他看来,中国在本次AI发展浪潮中,对AI初创企业孵化方面更有经验。Goebel教授:“对AMII来说,我十分看重孵化器Matching market demand and research这一块的工作。这恰恰是科研人员普遍缺乏的。如果孵化器能帮我们持续地做市场和科研的对接和交流,我认为这对整个产业发展大有好处。”
AI产业化需要仰望星空、脚踏实地
“AI离代替人类还很远呢!”在谈到人工智能领域何时会实现奇点爆发时,Goebel教授并不持乐观态度。“我们目前做的工作与二十年前相比,并没有本质上的算法提升。这些思路在上个世纪90年代就有了。只不过最近几年,数据量的积累、计算能力和存储能力的提升,给了AI爆发的土壤。但他还没有看到真正可以影响AI突破性发展的算法。”在他看来,目前做好辅助人类的工作是AI产业化的愿景。Goebel教授给我们具体介绍了阿尔伯塔省20年来在AI辅助诊疗方面做的工作。
阿尔伯塔省的医疗体系相对简单,整个省在使用同一的医疗平台,在医疗数据开放和使用涉及利益相关方较少。即使这样,“为了实现医疗数据从应用端到科研端,再把科研结果反哺到应用端这件看上去很简单的事,阿尔伯塔省和阿尔伯塔大学,整整努力了20年”Goebel教授感慨到。
为了医疗数据得以顺利地从各个诊所、医院汇总到科研机构中,阿尔伯塔省出面作为背书,邀请所有面向公众的诊所、医院开放病人数据和诊断数据到政府背书的平台上。平台再将数据交由科研院所研究使用,所得成果反哺给诊所和医院。这样就形成了数据采集、统一管理、脱敏、研究、反哺应用的闭环。
Goebel教授认为,医疗数据从产业到科研再反哺产业的闭环形成,得益于两个重要因素:一、明确数据归属权。因为根据先前的有关医疗数据法令,个人医疗数据归个人所有。阿尔伯塔省独具一格的优势是,全省有统一的一个医疗体系。所以,对于数据归属权的问题,由这个机构出面协调沟通,会相对来说容易达成目标。
二、建立具有公信力的第三方数据平台。要说服全省人民把个人医疗数据拿出来,需要有公信力的数据平台确保实施过程中的数据保护和数据隐私安全问题。在阿尔伯塔省,做这件事的机构正式医疗机构自身,Alberta Health Services。换句话说,是来自应用端,而不是纯技术端。
这样做的好处是,应用端最懂数据应该怎么被使用,也更有动力认真收集、上传数据,从而确保了数据质量。相比较纯技术类机构,人们也对医疗机构对数据的保护更有信心。
这个闭环的形成,是因为最后利用这些医疗数据取得的研究成果,会反馈到Alberta Health Services,从而真正帮助医疗从业者帮助患者。
Goebel教授认为还提到了高校科研成果在产业化中的挑战:“有些算法在测试环境下会表现很好,但是优质数据集太少了;一旦在应用场景下经受检验,就会出现各种各样的问题。”
一位AI科研者的反思:“人类智能”还是“人工智能”?
另我们吃惊的是,与其他狂热的“AI大咖”不同,Goebel教授似乎在哲学上对AI存在的意义提出了不同的看法:“你们觉得世界是否真的需要AI技术呢?” Goebel教授分享说,在欧洲的一个小镇,完全没有装交通红绿灯,更没有用智能的手段管理道路。从效果上来看,反而交通变好了。
Goebel教授接着说,“对于这个小镇的管理者来说,为了更好地改善小镇的交通,意味着需要在基础设施投资和智能汽车投资商二选一。铺设智能的基础设施和直接提升车辆的智能程度,可能效果是一样的。一辆自动驾驶汽车,如何学习交通规则?比如不同国家对车辆在环岛的行驶有着不同的规则。这些是整车厂非常注重而目前的自动驾驶创业企业不太重视的。”
“这个小镇最后把所有的交通红路灯都拆除了,结果交通事故率大幅下降。这件事也让我反思,这个应用场景是否真的需要AI来解决?”
AI不可能是永恒潮流,要有热爱
Goebel教授最后分享了对AI领域的同学,特别是NLP学生的科研建议:年轻就要多读paper!特别是2015年前的经典paper。AI不会是永恒的潮流,要有热爱才能在这个行业里持续做下去。“我也是在这个领域工作了40多年才有了这些微笑的成就。”老爷子傲娇地表示。
来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31562039/viewspace-2284104/,如需转载,请注明出处,否则将追究法律责任。
转载于:http://blog.itpub.net/31562039/viewspace-2284104/