獨家 | 阿裡闵萬裡：有個現象，叫深度泛濫；有種公司，叫僞AI創業現在有個現象，叫“深度泛濫”AI過熱不完全是壞事AI專家要忘了自己是個專家OMT

本文來自AI新媒體量子位（QbitAI）

△ 闵萬裡（圖檔由阿裡提供）

今天的人工智能行業是否有些發燒？

如何降溫？

人工智能專家，到底該如何創造出實際價值？

帶着上面這些問題，量子位近日專訪阿裡雲人工智能首席科學家闵萬裡博士。闵萬裡平時喜歡用花名“山景”來稱呼自己。

而這個花名，來源于他的家鄉大别山區。闵萬裡自小在山裡長大，他說，如果有一天真的徹底閑下來，自己的終極理想是回山裡隐居、支教。

是以下面的部分，我們也以“山景”來稱呼這位科學家。

“我看了。但是說實話，還是希望人工智能領域能百花齊放，多一些研究方向。”當被問起是否關注了前幾天在法國土倫召開的ICLR2017，有什麼感受時，山景如是回答量子位。

2013年LeCun和Bengio牽頭創辦ICLR，被公認為機器學習&深度學習領域的頂級學術會議。

他進一步說道：“這些人都還是在講深度學習的故事”，山景的觀點是要獨辟蹊徑，“不是說人工智能就是深度學習。我說現在有個現象，叫‘深度泛濫’，一提到人工智能，就是深度學習，我覺得這個事情是有問題的”。

“今天所有成功的深度學習，都是一些‘黑盒子’：工程調調參，樣本量大，然後進去跑。跑出來結果知其然，不知其是以然。很危險。我很不喜歡這個狀态”，學數學出身的山景說：我相信一點，我們所看到的任何現象背後都是存在第一性原理的，就像牛頓三定律一樣。

“如果我們對基礎的、本質的東西沒有了解清楚就去對它進行描述，最後很可能發現自己走上一條偏頗的道路”，這位阿裡雲人工智能首席科學家對量子位說：“不過這也更堅定了我的信心：我們現在應該往新的方向去走，不能局限于深度學習”。

談到未來趨勢，山景也承認深度學習會繼續發展，因為它的門檻已經相對較低，“隻要具備了雲計算的能力，就可以去跑資料”，是以，會有很多人繼續朝這個方向走。

随之而來的會是一個量變到質變的過程，當深度學習達到了一定層次的時候，就會有人從深層原理上來對其進行反推。山景認為，基礎理論取得突破的一天一定會到來，而這個時間取決于技術在實際應用中鋪開的速度。

當AI遍及各行各業，找不到新的應用場景時，人們就會更多地從原理上進行探索。

現在，不少創業公司的商業計劃書裡都非得提個“人工智能”，感覺沒這幾個字都不好意思見投資人，談到當下人工智能行業的過熱現象，山景說，“有的人随便整了一個資料，就叫大資料，然後号稱做的是大資料模組化、大資料風控之類的東西，其實他那些資料可能都是一些網上扒來的、過時的資料。這裡面的泡沫非常地大。”

“還有一個比較明顯的特征，你可以數一下，我們現在每周的人工智能峰會有多少？”山景笑言。

不過從另一個叫來說，他也認為這不是一件壞事。畢竟有關注才會有資源投入，促進行業發展。任何新興行業的發展，一定會有泡沫發生，大浪淘沙後才是真英雄。“産業的發展必然從開始的一窩蜂、過熱，到慢慢冷靜、聚焦，最後成熟”，山景說。

而對于如何給過熱的AI行業降溫，山景表示，AI還是應該向實際的應用場景中去落地：“其實我覺得，我們現在做的就是在解答這個問題（指阿裡工業大腦、城市大腦等）。不落地的東西說得再天花亂墜，都得不到大衆的支援，老百姓的感覺不一樣——天天聽到打雷卻見不到下雨，肯定是不行的，一定要到應用當中去。”

前幾天，量子位在公衆号上轉載了第四範式知乎專欄上的一篇文章，題目叫《年薪百萬的機器學習專家，為什麼不産生價值？》。

文章裡提到了這樣一種現象：一些公司高薪聘請機器學習專家，而這些專家到來之後，也一直将自己的全部心血傾注在計算環境和模型的搭建上。

然而到最後公司發現，這些機器學習專家并沒有給自己帶來實際價值——原因是，專家隻是專注于自己的資料準備、處理、模組化、調參等工作，并未将業務和商業問題納入自己的考慮；而專家和部門之間，又缺乏必要的聯系和溝通，是以最終雙方不歡而散。

那麼，AI專家，或者說人工智能方面的人才到底該如何創造出真正的價值？

“我這樣講吧，十年前我是這樣的狀态”，山景博士揚着頭，一邊回想着說，“十三年前，那時候我剛剛博士畢業，我以為模型能解一切的問題。後來我很快發現了一個瓶頸：在你做的研究，發表的學術論文中，有非常多的假定條件，‘如果XXX……’，對吧？”

一個理想化的産品，從實驗室走到實際生活中，這當中有非常大的不同。很多條件假設，都是不成立的，系統完全不支援。這種情況下怎麼辦？或者說，整個業務流程當中，根本沒有這樣的資料。又該怎麼辦？

“是以其實，人工智能領域，越是那些高大上的人，越難落地——他鑽得太深了，以至于不接地氣了。他不知道現實之中，該妥協、該變通的地方在哪裡。我招的一些人也有這種情況，總是沉浸在細節的改進上，但其實，隻是在一艘要沉沒的大船上做内部裝修——最後船還是沉下了水”，山景給量子位舉了一個形象的例子。

在他看來，不少人工智能專家（尤其是從大學出來的），都存在不接地氣的問題。

“去了公司壓根沒想過業務是什麼。對業務場景的提煉其實比做研究還要難，你要知道哪些地方該放棄、該妥協、可以放棄、可以妥協……但是很多人沒有意識到這一點，以為隻是寫文章發paper就好了”，山景說他後來明白發paper隻是業務中一個環節而已。

來自山景的建議是：人工智能專家先忘掉自己的專家身份，多跟業務的人學一學。這樣才可能實作接軌，才有可能創造價值。不然的話，你創造的價值永遠隻是文章，沒有人能去把它落地。

而對于AI人才的職業選擇，山景的建議是去那些“有業務的公司”。

“像有些人工智能的創業公司，說我搞圖像識别，成功率到了99.9%，這種公司其實沒前途的，因為它沒業務。我見過太多這樣的公司，一開始還關注它們的發展，後來發現它們大部分都被收購了，或者說偃旗息鼓了。這些都是僞創業。”

同時山景表示，阿裡其實沒有固定的人才培養模式，都是放到實戰中去練兵。對新人會有一定的技術教育訓練，但是很短。山景認為，戰場是人才最好的訓練場景。

山景老師接受采訪時一直笑呵呵的。他說，可能自己的觀點犀利了點，但這也确實是自己真實的看法。尤其當看到很多人人雲亦雲的時候，特别希望能給大家帶來不一樣的視角。

其實，除了阿裡雲人工智能首席科學家，他還有一個身份：阿裡天池大資料平台的總負責人。而在這一平台上，阿裡還營運着“天池大資料競賽”。

和國外Kaggle的模式類似，天池依據賽題提供一定體量的資料，參賽者以不同的方式進行挖掘，并試圖從中得出實際問題的解決方案；與Kaggle不同的是，天池會将自己的計算平台向參賽者開放。

采訪當天，此次天池電力AI大賽也進行了釋出。在采訪中山景談到，這次的AI電力大賽實際上就是人工智能在實際場景中落地的一個案例。

在實際生活場景中，電力系統的運作有多重不可控的因素。比如天氣、企業的工作時間、甚至是經濟形勢，而通過合适的算法解決方案，用電效率将有可能得到極大提升，進而帶來巨大的經濟效益。(完)

本文作者：唐旭 

原文釋出時間： 2017-05-02