吴恩达｜AI是新的电力｜演讲稿全文整理（附视频中字）

在主题为“AI是新的电力”的演讲中，吴恩达紧张磋商了以下四个主题。

AI能做什么？

AI和产品

互联网公司和AI公司

给AI领导者的建议

CDA字幕组对演讲进行了汉化，附有中笔墨幕的视频如下：

吴恩达-AI是新的电力_腾讯视频

针对不方面看视频的小伙伴，CDA字幕组是知心的整理了笔墨版本如下：

吴恩达《AI是新的电力》：

感激，很期待跟大家进行互换。
周末的时候我在想，什么内容对大家才是最有用的。
在本次讲座中，我将涉及我所理解的AI领域的趋势。
并考试测验给工程师、不雅观众，以及在座的商业领导者和管理者供应一些建媾和见地。

本次演讲的标题是“AI是新的电力”。
我想和大家谈谈 AI可以做些什么。
首先让我们看到AI和产品。
除了飞速发展的技能进步，我们要将令人愉快的研究转换为能够帮助人类的产品，这还有很多路要走。

我一贯在说的一个观点是，AI时期在若何改变公司间竞争的根本。
正如互联网公司的兴起，我认为会涌现AI公司的兴起。
让我们谈谈这个问题，以及这对你的事情，业务带来的影响。
末了我将给AI领导者提出建议。

我多次重申\"大众AI是新的电力\"大众，这指的是，大约一百年前电力开始彻底变革每个行业。
运输、农业、制造、通信都被电力所改变。
如今很难想象这些行业离开电力会是什么样子。
我认为本日的AI已经足够成熟，我们可以清晰的看到AI也在改变险些每个紧张行业。

我下面要说的可能有些天真，我十分期待能够培植一个由AI驱动的社会。
在未来的某一天，我们每个人都会有自动驾驶汽车；给每个孩子供应个性化的辅导老师。
建立一个由AI驱动的社会，我们周围的统统都具有AI智能，并改变人类的生活。

这须要的不仅仅是一个公司的努力，而是我们所有人一起努力，试图弄清楚社会能够若何利用这些新的AI技能。

AI能做什么

首先确保我们想法是同等的。
除开关于AI的热度 AI能够做什么？

你可能听过，如今AI的紧张代价和经济代价，或者很大部分的代价都是来自于监督学习。
也便是从A到B，输入到输出的映射。
术语是监督学习。

例如给出一个图像作为输入A。
AI或学习算法会输出，判断这是你的图像，得出输出0或1。

我认为如今最赢利的机器学习运用是在线广告。
给出广告和用户信息，输出用户是否会点击广告。
对付推出广告的公司来说 每次点击都是金钱。
因此评估你最有可能点击哪个广告，从而向你展示最干系的广告，这是利润颇丰的业务。

还有消费贷款，贷款申请。
以及用户是否会还贷，这是消费金融方面。
在过去的几年中，学习算法变得更好更准确。
在这些A到B的映射，当中存在巨大的经济代价。

我认为AI其他令人愉快的进展之一在于，不仅仅能够输出像0 或1的整数。
同时随着算法的迅速创新，输出B是不再仅仅是数字。

例如，当我卖力百度的AI团队、谷歌大脑团队时，我们对语音识进行了很多研究。
我们创造能够输入音频，输出文本，而且得到很好的效果。
我们有足够的数据。
这类算法为亚马逊的Alexa、苹果的Siri、百度DuerOS供应了根本。

我们还有更好的机器翻译系统，TTS是输入文本、输出语音的系统。
有很多团队在对这方面进行研究。
个中包括谷歌和百度。
如今输出不仅仅为数字，已经扩展到许多方面，学习算法也是如此。

但所有算法的缺陷在于对数据的需求。
事实上你须要A和B的大量标注数据。
监督学习限定了它们的遍及。

听过我之前讲座的人可能看过我画这个图。
人们常常问我神经网络已经存在很多年了，为什么AI研究最近才开始迅速发展？那么我常日就会画这幅图。
x轴表示数据量，y轴表示算法的性能或精确率。

如果你利用传统的学习算法，传统机器学习。
传统的机器学习每每看起来是这样。
在过去的二十年间，随着社会的数字化，越来越多的活动转移到数字领域。
加上IT、家当物联网，许多的行业和事情中开始累积越来越多的数据。

但直到最近，我们还没有算法能够利用这些数据。
从而导致性能发展的结束，纵然我们给传统算法中输入越来越多的数据，比如逻辑回归。

真正的打破是从五年前开始的。
如果你对小型的神经网络 深度学习算法进行演习，性能会轻微好一些。
如果对中型的神经网络进行演习...NN是我对神经网络的简写，大致与深度学习意思相同。
如果对大型神经网络进行演习，性能不断提升。
可能一贯达到上限即人类级别的表现。

但是性能会持续提升，这意味着为了达到最佳的性能，每每须要两样东西：一个是你须要大量的数据。
大概大数据是当中的一个选择。

另一个是你须要大型的神经网络。
这便是为什么我认为GPU和高性能打算的发展，促进了可拓展性的发展，从而让我们构建神经网络。

很多年前当我读高中的时候，我找了一个在神经网络中编程的演习。
我认为把高中所写的代码拿到本日来运行，把隐单元的数字设大一些，如今也是能很好运行的。
公正地说，同样还有算法的巨大进步，而并不但是规模上的。

常常有人问我“Andrew,机器学习中最大的发展趋势是什么？有代价的创新是什么？”

如今环顾浩瀚行业，我认为绝大多数的经济效益是由监督学习创造的。

我稽核了许多公司，人们常常问我“监督学习之后会是什么？”我认为迁移学习如今也在创造很多代价、由于一些缘故原由，这个观点不足\公众性感”，以是人们评论辩论的很少。

这个观点你可能从物体识别入耳过，还有大型的数据集，比如ImageNet。
将当中的知识利用到医学X射线图像诊断上。
现在这实际上在创造经济代价，这很实用。

我认为无监督学习是一个非常好的长期研究项目，我对此非常期待。
这创造了少量经济代价，特殊是在自然措辞处理的词语嵌入中。
仅是我的个人意见。

强化学习是很故意思的，我研究了多年，并做出了些成果。
我认为舆论热度与其实际的经济代价不太成比例。
属于机器学习个中一种类型的强化学习，实际比监督学习对数据的需求更大。
为强化学习算法供应足够的数据是很难的。

事实证明强化学习很善于玩游戏，由于在玩游戏中，算法通过自己打算可以无限次的玩。
除了游戏之外，在机器人方面的运用。
比如构建仿照器，无限次的玩电子游戏、驾驶汽车或者让机器人行走等等。
把这些转换到商业运用中还有很长的路要走。

如今这几个领域所创造的经济代价是递减的，当然这只是现在的情形。
如今打算机科学在持续的发展，每时每刻都有打破。
每几年就会有天翻复地的变革，因此在几年内就可能涌现打破，从而这几个领域会很快的重新排序。

我把稳另一个有趣的事情是，如今越来越多的经济代价是机器学习或深度学习，通过构造化数据以及非构造化数据所创造的。

构造化数据意味着，比如你的数据框中记录了消费记录。
谁在何时购买了什么，谁在何时给谁发了。
信息的数据框构造。

非构造化数据，类似图像、音频、自然措辞等内容。
我认为非构造化数据很有人性化，我们很多人都理解非构造化数据。

很多的舆论热点热度都在深度学习的非构造数据方面，然而构造化数据对付公司更加详细。
比如你是拼车公司具有这样的数据库，用户何时叫了车，等待了多久等等。

因此构造化数据每每更垂直化，但是不要低估深度学习在构造化数据方面所能创造的经济代价。
纵然构造化数据舆论的热度更小。

监督学习方面，这已经为商业、产品、初创公司 、成熟企业创造了巨大的机会，让他们生产出新的有趣的产品。

AI和产品

故意思的趋势是 ，AI的崛起正改变着公司间竞争的根本。
如果要开展新业务的话，壁垒不是算法而是数据。

当我推出新的业务时，我们会特意设计良性循环。

这里有一个详细的例子，大约两三个月前，我的斯坦福大学的学生构建了一个诊断心电图(EKG)的系统。
利用深度学习RNN构造，这个不是业务只是一个研究项目。

但如果是业务的话，我们须要通过互助利用算法搜集足够的数据，这能够推出产品。
但这只是一个研究项目，我们并不用推出产品。

常日推出产品能够让你得到用户，用户能够给你更多的数据，从而得到数据网络的循环。
一段韶光之后 你将拥有弘大的数据资产，这是竞争对手所难以复制的。

有一个例子，比如搜索公司。
如今网络搜索公司拥有很有代价的数据。
这会见告他们，如果你搜索某个词，你更有可能点击这个链接，而不是另一个链接。

我曾带领过一些顶级网络搜索公司中精良的AI团队。
那些数据让我能够对搜索技能的算法有很好的理解。
我很难想象小团队如何构建有竞争力的网络搜索引擎。
因此数据资产成为企业最有利的保护壁垒。

但是很多小公司开始也是通过不断网络，网络足够的数据从而推出产品。
幸运的话能够得到一些用户，这个数据网络循环在过了一段期间后，一年或两年后能够让你建立可靠的业务。

实际上当推出产品时，我们会有计策性的制订每几年的方案，在市场中争夺数据。

AI不仅仅是监督学习，AI有很多热点。
我认为AI包含了很多的工具。
包括机器学习，图模型也被认为是一种AI工具。
方案也被认为是AI的一部分，还有知识表示。
可能知识表示这个表达有点老，大概你们更熟习知识图谱这个说法。

知识图谱对很多产品是很有用的。
我认为人们的关注点集中在机器学习，深度学习。
缘故原由在于比拟其他的领域...

有时我有参加一些会议，比如UAI，图模型会议等。
这些均已取得了稳步发展。
比如图模型就比之前几年表现更好。
知识图谱，算法技能的能力也在不断发展。
方案算法也在逐年提高。
如果看到这些领域，你会创造机器学习。
特殊是深度学习都在飞速发展。

如今当我建立AI团队处理AI项目时，我实际上会用到图模型。
有时用到知识图谱，有时用到方案算法。
但我认为还未开拓的最大机遇在机器学习和深度学习中。
由于最快的进步和重大的打破便是源于这里。

下面给大家分享一个图，我有时把它作为生理框架。

当看到问题的时候。
一些人会认为算法、打算机有两个不同来源的知识。
打算机如何能够明白该怎么做？这里分为数据，以及人类工程。

根据不同的问题你要利用的工具也不同。
例如在线广告，有很多的数据。
关于你会点击什么广告，不会点击什么广告。
有很多的数据，人类工程要参加的相对较小。

上周我与一个互助伙伴，我们在进行医疗保健方面的项目。
当中我们的数据量很少，只有一百多个样例，从而须要大量人工的参与。
因此针对这个问题，我们决定设计贝叶斯模型 图形模型，来获取人类方面的知识。

还有介于两种情形之间的问题，没有大量的数据，须要更多的人工参与。

这便是为什么一系列不同的AI算法是很实用的。
但我认为最大的机遇来源于当你有大量的数据，从而深度学习算法能够让你做有代价的事情。

末了我想说说对工程师和管理者的建议。

有很多工程师想进入AI领域，那么该当怎么做呢？

如今有很多人通过在线课程进入机器学习领域，比如我在Coursera上的机器学习课程，DeepLearning.AI在Coursera推出了一系列深度学习的课程。

但有一个不被工程师所重视的便是，阅读研究研究论文的主要性。
不仅是阅读论文，还要重现当中的研究成果。

我在斯坦福大学看到的是这个重复的过程，读研究论文，重现他人的研究成果。
这样多次进行之后 能够内化本钱身的东西，从而得出自己的不雅观点。

对付工程师，我建议你的学习过程是：学习机器学习的网络课程，在Deeplearning.AI 或Coursera上。
打下知识根本，然后阅读论文，参加各种活动比如这种会议，不断构建自己的知识根本。

上周我进行了Quora的问答讲座，当中我谈到了这些问题，你也可以看看。

互联网公司和AI公司

韶光有点不足了，好的。
下面想跟大家分享一个不雅观点 ，不愿定我能讲好。
可能是我本日跟大家分享的最主要的观点。

大约在二十、二十五年前我们开始看到互联网的兴起。
互联网成为一个主要的事情。

我从中学到的是：建一个购物阛阓，并建一个网站，这不等同于一家互联网公司。

阛阓 + 网站 ≠ 互联网公司

玩具连锁店Toys \"大众R\公众 Us昨天刚宣告了破产，这很令人伤心。

那么互联网公司的定义是什么？

我认识一个大型零售商的CIO，有天他对他们的CEO说：“我们在网站上卖东西，亚马逊也在网站上卖东西，我们是一样的。
”

并不是的，他们可能也会在某刻破产吧。

能够定义互联网公司的，并不是你是否有网站。
而是你们是否进行A/B测试，是否有很短的周期迭代，是否把决策由CEO交给工程师和产品经理。

这些才定义了真正的互联网公司，这些是亚马逊所善于的。
如果你希望公司能够利用互联网的功能，这些是你须要构建的。

由于如果你不做A/B测试，而你的竞争者做的话，他们将学的比你们要快得多。
这才真正定义了互联网公司。

我们已经听到了很多关于AI公司的，那么AI时期是怎么样的呢？

我非常有幸，能够带领AI团队帮助谷歌转型成AI公司。
谷歌当中很多都进展的很顺利，不止是我的AI团队。
同时我有幸带领AI团队，帮助百度转型。
很多人认为百度是中国领先的AI公司。

那么建立AI公司须要些什么？

我学到的主要内容之一是，传统的互联网公司加上一些机器学习或神经网络，这是不等同于AI公司。
有些人利用神经网络并不虞味着你是AI公司。

传统科技公司 + 机器学习/神经网络 ≠ AI公司

二十年前我并不知道A/B测试对付互联网的主要性，花了一段韶光我才意识到。
AI公司每每更加善于计策性的数据网络。

当推出产品时，我试过在一个地区推出产品。
考试测验用这个来得到数据攻陷另一个地区，又用这里的数据拓展另一个地区，得到这些数据但并未从中获利。
这所有的数据都是为了更大的目标。

关于领先的AI组织，当中当然要包括谷歌和百度。
他们都有繁芜的AI策略，领先的AI公司会制订多年的策略，以及计策性的数据网络。

下面这点更具战术性，但也是你本日可以用到的。
AI公司每每具有集中式的数据仓库。

很多公司有分散的数据仓库，如果你在各个地方有五十个数据仓库。
如果工程师想把这些数据整合在一起做点什么，那么工程师须要与五十位卖力人沟通，得到数据的权限。
这险些是不可能的。
拥有集中式的数据仓库是很好的决策。

还有普遍的自动化，以及新的职位描述。

例如在互联网时期，我们设计运用程度的流程。
由产品经理绘制线框图。
比如Facebook，当中有Logo、朋友的头像、一些按钮。
产品经理绘制线框图，工程师去实现它，弄清当中的流程。

但在AI时期，比如你要做谈天机器人。
产品经理跟工程师说“请把聊景象泡做成这样。
” 这便是线框图。

然后工程师就会说：“这是什么？我不关心聊景象泡是什么样，我须要知道谈天机器人要说什么。
” 线框图对付谈天机器人并没有用。

还有更极度的例子，如果你的产品经理画了自动驾驶汽车的线框图。
他们说“我们想做这个。
” 这完备没有用(全场笑)。

因此AI公司中，产品经理与工程师互换时，须要学习利用数据、精确度以及精确率反馈。

给AI领导者的建议

对付CEO的建议，我可以说很多。
但是韶光不足了。

详细的可以看看我给《哈佛商业评论》写的文章，当中我写了很多给高管的建议。

我的发言到此结束，感激大家。