戴文淵：AI落地最大難題是人才 或致估值泡沫破滅
戴文淵（來源：本站財經）
第四範式創始人、CEO戴文淵在2018夏季達沃斯論壇接受了新鮮小隻的專訪。
今年被認爲是後AI時代開啓的一年，行業迎來應用落地，戴文淵表示，如今AI落地最大的難題是人才。AI在很多場景都能實現落地，大的場景包括金融、廣告營銷等，小的場景包括製造業瓷磚最後一道工序的甄別等，但目前AI未能在絕大多數場景落地。戴文淵解釋稱：“並非是AI不能做這些場景，而是沒有人去做。現在的科學家太少了，今天我們只覆蓋了價值最大的場景。”
戴文淵表示，在中國，AI人才的缺口在百萬以上，據樂觀估計，現在真正靠譜的AI科學家可能在千人以下。
在戴文淵看來，資本對AI的預期是十萬億甚至百萬億的市場，行業現在靠得是這些AI科學家來獲取市場，所以獲取市場的速度太慢，而估值增長非常快，是照着10萬億的市場上去的，如果發展跟不上這個速度，那麼行業的泡沫有可能破滅。“如果今天整個AI行業有100萬以上的人才，沒有人會擔心泡沫問題。”戴文淵說。
AI並非無所不能
遷移學習能夠降低AI的數據門檻
記者：人工智能是近幾年來炙手可熱的風口，現在市場上面聲音很多也很雜，在您看來什麼纔是真正的AI？
戴文淵：實際上AI和人的智能會有一定的區分，現在人們可能對AI的理解有一定的誤區。
一種是說人能做什麼，AI能做什麼，比方說會有很多人討論人和AI之間能不能發生一些情感關係這是一方面；另一方面會有一種聲音是覺得人工智能是比人更強，比方說像我自己不知道怎麼做，AI能不能告訴我應該怎麼做。
其實這兩種都不對，從專業的角度來看，AI是一種新的思考的器官，它可能是人的大腦的一個外延，它可能是一個比人更好的，甚至是比大腦更好的一種思考的器官，如果你有一些問題，一是想不清楚，二是你沒有那麼多的精力去想，你可以讓計算機幫你去想，更清楚。
舉個例子，假設新聞編輯在面對1億受衆時，不可能把每個人都分析一遍，理論上是可以的，假設這個編輯精力無窮，可以把每個受衆都分析一遍，給每個人去設計，編輯出每個人愛看的稿，但現實是做不到的。他做不到不是因爲他不夠聰明，而是他精力有限，但是AI的精力是無限的，幾乎是無限的，那如果我們有能力讓AI學會這個編輯，哪怕是70%的能力，AI就能把編輯的思想去外延到每一個人，這就是今天所說的千人千面。
記者：您是遷移學習領域的專家，遷移學習可以解決哪些具體的問題？
戴文淵：遷移學習針對的是一個本領叫做舉一反三或者觸類旁通，這種能力其實對人來說非常平常，我們每個人都有遷移學習的能力，舉個例子，假設我們學過數學，再去學物理時，我們發現學的數學知識都能夠幫助到我們學物理，能讓我們的物理學的更快更好。
但是非常遺憾的是在遷移學習之前，AI沒有這個能力。AI怎麼學呢？我先學數學，數學學完了以後去學物理，會把數學之前學到的所有東西忘記，然後再從零開始學物理，是一個不會數學的人去學物理，這就是爲什麼AI的學習效率會低。
我們知道AI的深度學習需要百萬、千萬以上的數據量才能夠學會，當然人不一樣，往往給人一兩個例子，人就學會了一個方向，這就是人的觸類旁通。
我們今天其實用遷移學習在解決問題，就是說能不能把相關領域，什麼叫相關領域？就像數學，數學相關領域的知識能夠去幫助一個目標領域，比方說物理，能夠學得更好，然後能讓目標領域所需要的數據量降低，深度學習需要百萬千萬以上的數據，我們用遷移學習能夠把這個數據量能降低2-3個數量級。
實際上，今天的遷移學習仍有很長的路要走，我們知道人所需要的數據量大約是幾個就能學會，遷移學習應該需要上萬（數據量），所以，今天的遷移學習雖然比深度學習有很大的進步， 但和人比仍有很大的差距。
那麼遷移學習主要會應用在哪？其實在很多數據豐富的場景並不一定需要用遷移學習，雖然學習效率低，但是我可以更努力，比方說你學五個樣本，我學五千萬個樣本，達到比你更好的效果也可以。但是有些場景是沒有大樣本的，舉個例子，比如說醫療場景下，有些疾病全世界沒有幾個人得過，這就不可能去分析那麼多的樣本，唯一的辦法就是用遷移學習把所需要的樣本數量降低，這是今天遷移學習要解決的問題。
AI落地過程中最大的難題是人才
國內靠譜的AI科學家人數不足千人
記者：今年開始，AI企業開始與更多的行業場景深入結合進行落地，在您看來，AI在落地的過程中難題有哪些？
戴文淵：其實AI在落地過程中最大的難題是人才。
我們所能看到的，實際上現在在很多不同的、千奇百怪的場景其實都能夠落地，大的場景包括金融的風險、廣告的營銷、視覺領域的人臉識別、手寫識別，音頻領域的語音識別，有些小的場景其實都無法想象，比方說製造業瓷磚，瓷磚生產到最後一道工序時，我們要挑出正品和次品，這個事情從技術角度來說也不是那麼難做，但是它是一個非常小的場景，它和人臉識別、安防相比是小場景。類似像這樣的場景其實很多很多，例如像書店的電網，我們怎麼去監控它的電線有沒有斷掉，這些都是一些過去不太容易想到的場景。
在今天，AI爲什麼沒有在這些絕大多數場景落地？其實不是AI不能做這些場景，而是沒有人去做這些場景，因爲今天的科學家太少了，一共就是這麼幾個科學家，那我們把所有的場景拿過來，就請讓這些場景排隊，科學家太少，我們只能從價值最大的場景，往相對價值沒有那麼大的場景去做，（所以）今天我們只覆蓋了價值最大的場景。
但是，如果我們有辦法讓今天的AI科學家的數量提升到今天APP開發者的數量，那整體情況又會完全不一樣，我們知道，APP絕對不是說只有幾個大場景，絕對不是，我們想得到的、想不到的，我們都能找到APP，這是因爲有龐大的開發羣體。
所以其實今天AI落地最大的問題就是人才，也是非常需要去解決的，這個問題不解決可能真的AI泡沫就會擔心到來了。
記者：人才的供應跟不上AI技術的發展
戴文淵：對，市場對AI的預期是，AI是個至少10萬億，以前說大市場叫萬億，AI大家對它的預期是10萬億以上甚至百萬億的市場，但是我們所去獲取市場的速度現在是靠着這些科學家在獲取市場，所以獲取市場的速度是太慢的，然而估值增長是很快的，估值增長是照着10萬億市場以上去的，所以如果我們跟不上，那就有可能這個泡沫就破了。
記者：這個缺口有多大？
戴文淵：人才的缺口在百萬以上。而現在（中國）真正靠譜的AI科學家可能在千以下，這還是相對比較樂觀的估計。
記者：您剛剛提到整個行業的泡沫現象，資本對AI非常看好，導致外界人工智能產生泡沫的這種擔憂，您怎麼看這個現象？
戴文淵：擔憂其實是這樣的，資本其實並不傻，他爲什麼會提前預知這樣的價值，是因爲有這麼大的市場。那麼泡沫什麼時候會出現呢？就是把泡泡吹大了以後，如果你填不滿它就會爆掉，現在所以很關鍵的就是AI落地的速度，就是如果你的落地速度最後能跟上泡泡增長的速度，泡沫就不會破裂，所以現在爲什麼說人才很關鍵，就是人才速度跟得上，AI可能都不是說泡沫的問題，可能是今天的估值又太低了，如果今天整個的AI行業有100萬以上的人才，沒有人會擔心泡沫問題。
記者：今年被認爲是後AI時代的開啓，行業都開始迎來應用落地，甚至說不落地的企業可能就會面臨死亡，您怎麼看待現在AI發展的一個檔口？
戴文淵：我覺得需要去兌現，因爲整個資本市場把AI的水位擡的很高，所以這個階段AI企業需要去兌現之前的承諾，所以爲什麼我們現在非常重視AI人才的問題，我們現在採取的一個方式和我們過去的方式是不一樣的，過去更多的企業採取的方式是我找更多的科學家發展，但是我們的觀點是這個市場一共就不到1000個科學家，你就算把這些人都網羅到一起其實也解決不了這個問題，全世界的AI的科學家都在你的公司也解決不了。
所以另一個思路是什麼，就是我們去找一個更大的羣體把他們變成AI的開發者，我們的觀點是要把過去的APP開發者，過去的java開發者，甚至是業務人員，把他們變成AI的開發者，一旦這件事情做成了，我們就再也不用擔心有沒有100萬的AI開發者的問題了，因爲這個數量是遠遠超過100萬以上的。
（郭瑞超 guoruichao@corp.netease.com）