人工智能项目失败的核心原因——十大分析

世界上最好的语义网实验室，也是最专业的一群人，不用这个技术来武装自己好像说不过去，所以我就做了一个语义检索系统，但是后来没有人用。
我就在反思到底问题在哪，为什么这行真正最好的专家，做出这样一个系统，连自己都不用？

文因互联 CEO 鲍捷：确保搞砸人工智能项目的十种方法
原创：鲍捷

做成一件事儿不容易，而坑恒在。

鲍捷博士于 5 月 10 日在将门创投的线上 talk 中盘点了人工智能项目的大坑小坑，选出了看上去非常反常识的十个经典坑。

这是一篇大实话合集，但别绝望，最后将会放出从二十年踩坑经验中总结出的彩蛋，共勉。

作者介绍

鲍捷博士，文因互联 CEO。拥有 20 年学术界和工业界的相关经验。美国 Iowa State University 人工智能博士，RPI 博士后，MIT 访问研究员，W3C OWL(Web 本体语言)工作组成员，前三星美国研发中心研究员，三星问答系统 SVoice 第二代系统核心设计师。主要研究领域涵盖人工智能的诸多分支，包括机器学习、神经网络、数据挖掘、自然语言处理、形式推理、语义网和本体工程等，发表了 70 多篇领域内相关论文。是中文信息学会语言与知识计算专委会委员，中国计算机协会会刊编委，W3C 顾问会员会代表。2010 年以来关注金融智能化的研究和应用，成果有 XBRL 语义模型，基于知识图谱的基本面分析、金融问答引擎、财务报告自动化提取、自动化监管等。

NO.1 一下子砸很多的钱

第一种确保你的项目失败的方法：一下子砸很多的钱。 我目前也在创业，有 VC 问我：“你们做的这个事，如果 BAT 砸很多的钱，是不是就一下子能赶上你们？” 我说不会，通常举的例子，就是日本的五代机。当初日本举全国之力，砸了几百亿日元，最终没有做成。
五代机是什么？1970 年代末是人工智能的第一次冬天开始回升的时候。80 年代开始进入人工智能第二个高峰。这时候，日本启动了一个新的项目，叫第五代计算机。 什么叫第五代计算机？前四代计算机，分别是电子管的、晶体管的、集成电路的，和大规模集成电路的。日本到第五代计算机的时候，他们认为要想做人工智能，就必须用人工智能的专有硬件。

《知识信息处理系统的挑战：第五代计算机系统初步报告》中第五代计算机系统概念图）

这个话是不是听起来很耳熟？最近在做深度学习的时候，看到了很多关于深度学习芯片的想法。这个想法并不新，因为在 30 年前，日本人在五代机的计算里，就已经有这样的想法了，只是当时的人工智能芯片，不是现在深度学习的芯片，而是Prolog 的芯片。 Prolog 是人工智能的一种语言，主要是一种逻辑建模语言。如果能够用 Prolog 来建计算机，计算机就可以进行思维，可以处理各种各样认知的任务。这是一个非常大型的国家项目，最终花了几百亿日元，耗掉 10 年时间以后，在 1992 年，终于胜利地失败了。 这不是个例，很多大型的项目，最后都失败了。

一开始砸很多钱，为什么还会失败？你要想，做一个项目，通常是有目标的。

当你有一个大预算的时候，你的目标通常也定得很高。像五代机的目标，不单当时是做不到的，三十年后的今天，也是做不到的。 虽然五代机失败了，但是日本的人工智能技术，在五代机的研发当中得到了很大的提升，所以到了 20 年后，语义网兴起的时候，日本的语义网研究水平还是相当好的，那些钱没有白花，它培养了很多的人才。

罗马不是一天建成的，所以一下子砸很多钱，就会导致项目的目标过高，从而导致这个项目有极大的失败概率。

也有一些大公司投比这还多得多的钱来做 AI 项目。这些都不一定让事情更容易成功。

NO.2 根据最新论文来决定技术路线

第二种方法：根据最新的论文来决定技术路线，这可能也是一个反常识的事情。 因为最新的技术不是最好的技术，要注意，在工程领域里面，通常面临着实际的约束来解决问题的。而论文是一种实验室的环境，是不一样的。

比如说实验室里，可以假设有一些数据，可以假设这些数据已经被集成了，被清洗了，是没有噪声的。可以假设目标是清晰的，但所有的这些假设在现实中都不一定成立的。

举例，数据说明：
从 2003 年到 2012 年整整 10 年，学术界所发表的自然语言处理论文的实体抽取子领域里，完全用机器学习的方法论文占到了 75%，混合机器学习和基于规则的方法论文占到了 21%