從人訓練AI，到AI訓練AI，路還有多遠？_風聞

前一段時間，老黃帶火了“元宇宙”。

“元宇宙”這個概念影響了真實的世界，從“機械飛昇”到“股價飆漲”。

但在老哥看來，“元宇宙”帶來了一種可能性。

就是，從人來訓練AI，進化到AI訓練AI。

舉個例子，自動駕駛，廠家需要路測，不是每個國家的法律都允許路測，不是每一條道路系統允許路測。

真實世界不行，但是元宇宙可以。

例如通過元宇宙構建一個真實的城市道路系統，從而做自動駕駛的AI訓練，而不用實際去道路測試。

隨便測，大不了從頭再來。

用一個AI構建一個世界，去訓練另一個AI認識這個世界。

這真是一個魔幻的世界。

1：生產力

知乎前兩天有一個熱搜問題，如何看待某二本同學本科發了十篇 SCI 並全獎直博某知名大學？

通常，在生化環材領域發表論文，需要大量昂貴的實驗儀器和耗材，二本院校缺乏相應實驗條件下，怎麼發表這麼多論文？

這個同學用的是Machine learning+專業的做法。

這種做法在物理、化學、材料、生物學甚至於力學方面都非常常見。

通俗來説：準備好數據，調用使用機器學習模型和神經網絡，

分析這些機器學習模型輸入和輸出的關係，最終能夠成功產出十篇SCI論文。

這就是AI在科研領域帶來的生產力提升。

回到20年前那個時候，口號是：21世紀是計算機的世紀。

現在我們這個世界運行整個生產力，全部構建在計算機體系上。

各種工作形態都是在計算機上完成的。

計算機輔助1.0階段，各種計算機軟件工具輔助我們生產。

我們這個時代，遊戲設計師設計遊戲，作家寫作，工程師製圖，軟件工程師編程，芯片工程師設計驗證芯片，都是通過不同的工具軟件在計算機上開展工作。

這些構建在計算機體系上的工具軟件在不同程度，提升了工程師生產力；

在芯片設計方面，在最初的時候，芯片設計都是手動設計的。

有經驗的工程師可以設計幾十個門以及幾百個門的集成電路。

而現代計算機體系帶來的EDA工具可以協助人類設計出上億門的集成電路。

這是計算機帶來的第一次生產力提升。

去年，google發佈了一篇文章

《Chip Placement with Deep Reinforcement Learning》。

用AI人工智能的方式，來做芯片後端設計。

總體來看，谷歌這項新研究提出了一種基於深度強化學習的芯片佈局方法，並且能在6小時內完成人類專家需要幾周才能完成的設計。

這項工作只是優化領域自適應策略的一個例子，可以擴展到芯片設計過程的其他階段，如體系結構和邏輯設計、綜合和設計驗證等等。

google的這篇文章，毫無疑問，只是完成的芯片設計漫長流程的一小步，

這卻是AI自我進化的一大步。

這個例子證明了AI在某個方面做的比人類專家做的更好。

很快我們可能將迎來第二個階段。

計算機輔助2.0的階段。

這個階段核心的特徵就是AI。

AI引入帶來的生產力的第二次躍升。

2：工具

一方面是AI帶來的生產力躍升。

另一方面則是AI的落地之難。

理想和現實，豐滿和骨感。

如何促進AI落地，

俗話説，手裏有一把錘子，看什麼都是釘子。

用AI這把錘子，不論看到什麼方向都打算去砸兩下。

這個過程，叫做AI給傳統行業賦能。

敲的很多方向，不盡如人意。

所有人都在説，AI要落地。

而不僅僅是飆算力，要算到XXXTops。

AI不能看成僅僅是計算的遊戲，

把運算先拋在腦後，AI是什麼？

AI是一種工具。

原始人遇到火，跨世紀一代遇到計算機技術，當代人遇到AI。

都是工具。

這個工具要趁手，要解決問題。

AI已經在視頻監控（安防），自動駕駛這些方面，站穩了腳步。

智能眼鏡，智能家電，智慧零售，能源勘探，智能硬件，智慧城市，也逐漸被滲透。

AI應用則要通過數據來進行功能迭代，形成數據閉環迭代。

還有哪些地方可以找到目標客户，儘快產生價值，實現方案落地，實現數據和模型的快速迭代。

這是是AI產業要回答的一個關鍵問題。

這不是一蹴而就，這是一個過程。

有棗沒棗先打三杆子，

AI賦能萬物。

打什麼棗用什麼杆子，

萬物需要更趁手的AI工具。

3：代價

中國有句俗語，“熟讀唐詩三百首，不會作詩也會吟”。

這句詩深得AI精髓。

前一句説明了AI首先要訓練，訓練就需要很大的標註數據“三百首”。

後一句就是AI的推理，效果如何？能夠達到“作詩”或者“吟誦”的效果。

如果家裏有個三五歲小朋友，家長能就立馬領會AI，這兩個是一樣的教育思路。

AI也是一個小朋友，需要不斷的訓練，才能不斷的成長和進化。

AlphaGo沒有前面無數次棋譜的訓練，也不能打敗柯潔。

而AI處理的對象是現實世界，只有不斷訓練，迭代，優化，最終才能達到一個比較滿意的結果。

人成長需要代價，AI亦然。

前幾天接觸了一個AI創業團隊，他們切入的就是就是AI+醫療，傳統的CT讀片需要影像學的醫生來判斷陰性和陽性，他們就從AI讀片開始，最終AI可以識別到某個病症，例如（影像學上乳腺癌的識別）達到98%的正確率。如果這些技術能夠最終實現，可以很好的造福人類，協助醫生來工作。

剛才這個結論看起來很簡單，實際上要艱難的多，其中工作量最大的就是AI訓練，例如給AI要送入標註好的影像的各種CT圖片，然後需要告訴AI的模型，陽性還是陰性（圖片顯示是否）。

這個過程需要專業的醫生的參與，否則工程師自身是沒有辦法確定這麼專業的知識。

這個就是AI訓練的代價，不可或缺。

一個曾經出國留學的朋友，在某AI公司，做語音的標定，得到這份工作，原因就是他外語比較好，正好給語音識別AI做數據標定。

“每天要將成百上千幅照片裏的物體分門別類地圈出，再標註出來，比如花盆、地毯、茶几、沙發……這些標好的圖片會被送進數據庫，成為人工智能的學習素材。比如，當電腦看了幾萬個標註沙發的物體之後，它才能認識什麼是沙發。”

這個就是人工智能訓練工程師的日常。

隨着人工智能的強化學習等具有無監督自我學習算法的興起，對於數據的依賴性將減輕。

但是如果用AI來訓練AI，逐漸替換人來訓練AI。

用一個AI構建一個世界，去訓練另一個AI認識這個世界。

例如開頭的例子中，用元宇宙來訓練自動駕駛AI。

形成正反饋。

這才是一種正確打開方式。

4：後記：華山論劍—GTC大會

今年的11月8日-11日，GTC大會將在線上舉行。

老黃前兩年提出的“DPU”和“元宇宙”都成為科技領域的熱詞，掀起了一股科技企業追逐熱點的狂潮。所以，老黃在GTC大會上又會提出什麼樣的技術，讓業界非常的關注。

此外，斯坦福大學的李飛飛會做主題報告。

李飛飛成名很早。

早在2012年，大規模視覺識別挑戰賽上（LSVRC），Alex Krizhevsky、Ilya Sutskever和Geoff Hinton提交一篇論文，其結果以驚人的優勢獲得第一名，把圖片分類錯誤率減少到16%，比前一年提高了10%，讓整個學術界看到了AI的巨大潛力，要知道過去兩年的進步只有2%；10%足以是一個跨時代的成果；這篇劃時代的文章叫做，《ImageNet Classification with Deep Convolutional Neural Networks》用卷積神經網絡對ImageNet進行分類。

這是一個劃時代的進步！

ImageNet就是是斯坦福大學的李飛飛團隊創建的一個圖片數據庫，所有挑戰者都用自己的算法來對數據庫裏的圖片進行分類，沒有這個數據庫就難以衡量AI的能力。

如果説Hinton被稱作AI“教父”，那麼李飛飛的貢獻，我更願意稱之為 AI“教母”。

除了老黃和李飛飛之外，還有很多的學術界和工業界的大咖，齊聚GTC，很多領先的創新者和科學家都來分享想法，華山論劍。

今年的GTC大會上，可以看看哪些AI+的技術，工具，方案，能夠迅速解決問題，獲得收益。

AI帶來哪些生產力的提升？

AI如何快速落地？

AI如何降低訓練成本？

這些問題，GTC大會上可能都有不同的解答？

新的方法，新的工具，新的實踐。

GTC大會，11月8日。

可待！