史上最通俗易懂的人工智能概念解释 | GASA大学
内容来源：2017年9月11日，斯坦福，吴恩达为GASA大学作主题为“探索人工智能”的分享。笔记侠作为独家课程笔记合作伙伴，经主办方审阅授权发布。
责编 | 戈多
第1726篇深度好文：3488字 | 5分钟阅读
独家首发·精华笔记·人工智能
本文新鲜度：★★★★★+
口感：海风味（漂洋过海、从美国而来）
笔记君邀您，先思考：
1. 为什么AI会突然在这几年进步这么快？
2. 人工智能的战略逻辑是什么？
3. 企业如何面对AI的挑战？
我在百度就在讲这句话：“人工智能是新电能”。100年前，电能给每个企业带来新的改变。
当人工智能技术足够成熟之后，会给很多企业带来非常大的改变。今天我主要讲人工智能的趋势以及对大家会有什么影响。
一、supervised learning（监督学习）
AI，这个词对大多数人来说有一种魔术的感觉，但是它具体能做什么？
它的技术非常复杂，有很多部分，这两三年进步最快的一部分是 supervised learning（监督学习），也就是从a的input（输入）到b的output（输出），什么意思呢？用具体案例来说明下。
比如，你输入足够多的电影影评，然后可以大概知道一个电影是好是坏；
输入一种图片，然后可以知道图片的内容（图片识别）；
输入一段语音，会输出一个文本（语音识别）；
输入一段英文，会输出一段中文（自动翻译）；
输入一段文本，会输出一段音频（语音输出）；
输入一笔费用，会输出很好的回报（消费金融）；
输入一段传感器信息，会输出一个汽车的位置（自动驾驶）。
AI技术有很多不同的部分，进步最快的就是这个部分，今天有很多空间使用新技术，给企业带来价值，比如语音识别对百度就非常有价值。
很多要做人工智能工作的企业需要理解你自己的生意，才能决定如何放入人工智能来创造价值。
不过这种技术有一个缺点，需要大量的数据，需要a，也需要b。
经常有人问我，AI可以做什么？我跟很多团队说，如果有哪个事情想一秒钟就成功搞定，那么就可以这个部分用AI创造价值。
为什么AI会突然在这几年进步这么快？
如果你的横轴是你的数据量（amount of data），纵轴是效率或准确度，当企业产生大量的数据，传统企业按照过去的算法无法提供数据的计算效果，但如果训练一个巨大的神经网络，效果会非常巨大。
如果你要达到最好的效果，有两个必要条件：
第一，要训练一个巨大的神经网络（NN）；
第二，要有大数据。
今天很多企业有海量数据，但几年之前没有办法训练足够大的神经网络来实现计算。
今天，最好的人工智能团队都可以从算法（机器学习）和超级计算机架构入手。
supervised learning（监督学习）是人工智能的一部分，我做人工智能项目的时候，有时候也需要到Ai技术的不同部分。
为什么通常讲supervised learning（监督学习）和神经网络（NN）？
supervised learning（监督学习）和神经网络进步非常快，其他部分的进步没有这么快，只是慢慢增加，神经网络这两年有巨大的突破。
二、神经网络
中国今天对深度学习和神经网络有这么大的兴趣，我来分享下神经网络这个词具体是什么。神经网络，对于很多人也有魔术的感觉。我用具体的案例来说明。
如果你想预测一件房间的价值，横轴是大小，纵轴是价钱，那么输入房间大小，输出一个价格，这是一个最简单的神经网络。
在知道房间大小、睡房数量以及附近居住者的收入水平的前提下，如果买房子的人想知道房间可以住多少人，可以用一个神经元测算出来；也可以通过一个神经元测算是否需要驾车；还可以通过一个神经元测算附近学校的质量。
最后把这些神经元汇合到一起，再通过另外一个神经元输出房子的价钱，这就是神经网络。
最后分享一个细节来了解神经网络的重要性：
如果输入房子的特征（a）和价钱（b），而且有大量的数据(a)，它就可以自动学习这中间有什么概念，不用去考虑和担心这些神经元。
过去两年，人工智能的神经网络进步这么快，如果得到很多a，就能够计算出很多正确的b。
就像语音识别，输入语音a，输出一个文本b，要做到高质量，需要一万个小时的数据量，也就是10年左右的数据量，但要拿到这些数据的价钱也是不少的。
拥有比较准确的语音识别能力，用户也会更愿意使用。中国这几年语音识别的用户量增加得非常快，就在于现在语音识别比较准确。
今天很多人工智能的企业都是开源的，技术本身不能作为壁垒。
要理解另外一个公司的技术并不太难。我在百度和谷歌工作过，对技术比较了解，知道技术是怎么做的，但是如果我没有数据，我就没办法带一个团队做搜索。
三、人工智能公司的战略逻辑：
数据－产品－用户（Data - product - user）
如果你可以拿到一点点数据，你就可以通过神经网络来做一个产品。
通常一个产品不用做得太好，只要用户能够接受，用户慢慢会有活跃度，用户就会为你产生数据，然后形成正循环，形成壁垒。
如果你有一个用户可以接受的产品，却又被巨头用另外一个产品挖走，那么你的数据就没有办法形成正循环。
人工智能获取的战略已经越来越复杂，人工智能团队要想清楚信息获取的战略。
1.什么是互联网公司？
如果你要为一个传统的购物中心做一个网站或者app，它们还不是一个互联网公司。就像沃尔玛网站，也不是一家互联网公司。
你要做一个互联网公司，不在于是不是有网站，最重要的是整个公司的组织是否具有有效利用互联网的能力。
互联网公司会做A/B测试，每天可以做一千次A/B测试，所以互联网公司的学习速度会非常快。
互联网公司也会在比较短的时间周期里发布新产品，可以每天发布一个或者20个，传统购物中心不能理解为什么这样做或者怎样做。
互联网公司做决定的能力不是只有CEO一个人，还有很多产品经理或工程师。因为在互联网公司，技术和用户行为比较复杂，没办法都交给CEO一个人做决定。传统购物中心因为变动比较慢，由CEO做决定是没有那么大问题的。
因此，是不是互联网公司不是看你有没有网站。
2.什么是人工智能公司？
在人工智能时代，一个传统的互联网公司＋神经网络技术，也还不是人工智能公司。
一个公司要做成人工智能公司，要组织整个公司有效地使用人工智能的能力。AI现在还处于早期，人们还不能完全理解如何组织公司来使用它。
AI公司获取数据的战略非常复杂，有关战略，我们有时候会讨论好几天或好几星期。数据获取的过程要好几年，真的要一步一步来打。
最好的人工智能公司都会把数据放在一个数据库里。
如果你的数据一部分在你个人电脑上，一部分在你办公室电脑上，一部分在某一个数据库里，一部分在另外一个数据库，你的工程师要做一个新的人工智能的话，如何把这些数据放一起给人工智能使用呢？
但如果你把数据放进一个数据库，你的软件或者工程师就可以利用完整的数据来训练有效的人工智能。
很多公司有很多数据，但是没有办法放在一起，数据的使用效率就会没那么高，你的工程师的工作效率就会慢很多。
在人工智能公司工作的工程师，和传统互联网公司的工程师，工作描述的内容是不一样的。如果你是百度公司的产品经理，你要做一个产品，就会画一个图，然后把图给工程师，工程师再写代码，这样的方式对互联网公司是非常有效的。
但如果你要做一辆自动驾驶汽车，产品经理画一张汽车图，是没有用的。在人工智能时代，产品经理也需要理解怎样获取数据；也要理解怎么和工程师沟通。
20年前，我们不知道A/B测试在今天会变得如此重要。今天，我们还没有人能完全理解人工智能这么重要的概念，谷歌和百度的想法已经比较领先了，但还没有人完全把人工智能的概念讲清楚。
这给了我们什么机会？进入互联网时代，很多新公司有了很多、很大的机会。进入AI时代，有一些传统公司像谷歌、百度都做得非常不错，也给很多新公司很多很大的机会。
四、使用AI的挑战
AI技术发展这么快，但是理解的人比较少。有效地使用AI来创造价值，就要跨行业，让企业家和专家一起结合合作。
因此，从CEO角度，你怎么安排有AI技能的人的工作呢？
很多公司的架构是由CEO和不同的事业部组成，那么你怎样通过AI改变他们的工作呢？
比如其中一个事业部是做礼品卡的，那么是否可以通过AI改变售卖礼品卡的工作呢？但礼品卡的leader不懂AI，所以它内部很难建成一个AI团队。
（♥感谢劲哥哥挑T服饰赞助笔记侠服装，笔芯♥）
我经常对很多公司说，如果能够找到一个独立的AI团队，就把这些有AI能力的人放到不同的团队矩阵去。
今天懂AI的人才那么少，他们不一定愿意被不懂AI的人领导，所以可以等过几年AI比较成熟，不需要一个单独的AI部门之后，就可以把AI人才放到公司的不同事业部团队内。
5、6年前，我们都不知道移动互联网能做什么，也没有想到“定位”可以产生这么大的作用，跨行业的团队产生的作用很大。
今天，移动互联网技术和手机技术很成熟，大家都可以理解互联网能够做什么，这个时候公司就不需要跨行业团队了。同样，AI现在没有那么成熟，所以很需要跨行业人才。
不是每个人都要懂AI，也不是每个CEO都要懂AI，但如果可以找人来帮你建立AI团队，可以让你的团队利用AI拥有不错的机会。
我在谷歌带谷歌大脑团队的时候，做的第一个事情就是给几百个工程师提供人工智能课程。今天CEO的工作可以从外面选择内容课程，或者找专家和人才来教育你的团队。
AI的成熟速度比较慢，很多企业都有很多机会用AI去改变自己的企业。正如过去，大公司都没有看到Uber和Airbnb的机会；在中国，大公司也没有想到滴滴会做到这样子。
谢谢大家！
GASA大学——
GASA大学是一所以“科学复兴”为使命，以“没有受教，求知探索”为校训，致力于给创业者、企业家培养科学精神的新型大学。由世界小邮差文厨先生创办，由前金山软件CEO张宏江、创新工场创始人李开复、斯坦福大学物理系教授张首晟、清华大学教授鲁白、红杉资本中国创始合伙人沈南鹏、阿里巴巴集团技术委员会主席王坚、卡内基梅隆大学机器学习学院创始院长Tom Mitchell、加州大学伯克利分校教授杨培东等联合发起并作为校董。