本題已加入知乎圓桌「2019 科技風雲」： 來圍觀 2019 年度科技數碼行業值得關注的信息吧。更多討論，歡迎點擊圓桌鏈接&>&>&>

2019 科技風雲?

www.zhihu.com圖標

談到為人工智慧潑冷水，首當其衝就是我們「著名AI批評家「馬庫斯馬老師。

近期他又開批了，感興趣的可以去了解一下，能大概瞭解目前AI面臨的問題和信息誤導。

Geoff HintonHinton、吳恩達、LeCun、馬斯克通通被點名。

他說，Hinton關於深度學習的說法可能會導致放射科醫生緊缺；

吳恩達預測AI能解決開放式問題是錯的；

LeCun說強人工智慧會出現到現在還八字沒一撇；

不止這些，他還說《經濟學人》誤導報道、IBM沃森過度承諾……

他舉這些例子，都為了印證自己的觀點：AI宣傳中存在大量的信息誤導。他認為，這怪研究者和記者，他們都喜歡強調突破性，卻不談論侷限性。

深度學習應用場景消耗殆盡，可解釋性，安全隱私越來越受大家關注，大公司和資本受經濟下行影響更加理性看待ppt人工智慧技術

數據！

主要集中在兩個方面：

1.數據多元化程度弱，且封閉性強

中國擁有龐大的人口數量、用戶量及圖像採集點，相關企業得到數據之後經過篩選、過濾、疊加、組合，會對自身演算法效果有階段性提升。

但這類提升屬於個人式的、微乎其微式的。

每個廠商所建設的AI系統類似一個又一個的「煙囪」，「煙囪式」架構也就是垂直的體系結構。

每一個IT系統都有自己的存儲和設備，以及獨立的管理工具和資料庫，不同的系統不能共享資源、不能交付和訪問，形成了資源孤島和信息孤島。

由於不同企業的資料庫模型設計和針對的目標有所不同，他們也無法直接交換、共享模型。

即便相關企業間的資料庫可以融合，但受制於隱私、安全等問題，也絕不可如此為之。

有場景缺數據、有數據難共享。這是AI公司在落地諸多行業時存在的普遍問題，這一問題估計會延續到20年...21年...

2.數據不優質，演算法不精準

由於缺乏足夠優質數據作為訓練支撐，大多企業依靠開源框架微創新，然後採用低價策略搶佔市場，導致整個行業喪失了做基礎原創技術創新動力的案例。

堅持自研是一條漫長且艱苦的路，沒人知道數年的努力能不能換得一次數量級的提升，也沒人知道高投入後是否得到與之相匹配的回報。

對此有人或許會提到，基於安防行業自身天然的高試錯率，小數點後的演算法精度數量級提升對於項目的最終歸屬沒有大的改變。

其實，現階段AI技術精準度還遠遠沒有達到天花板。

舉個例子，我們之前合作的「AI+安防」，分類檢測、分割、以及對整個圖像區域分類問題都還沒得到很好解決。

概括而言，AI技術在安防市場上的應用主要還存有幾個挑戰：

1、認知問題相較感知問題較難解決。感知問題可以用神經網路函數逼近，相比之下認知問題解決起來比較棘手，比如如何教會機器辨識一把椅子。

2、在弱線索、遮擋、模糊、對象追蹤等情況下，人類在識別的過程中通常會依據常識，並加入豐富的想像及推理。但是想要將這些能力傳授給機器則非常困難。

3、計算機視覺技術帶給機器的能力不只是用來觀察世界，而是需要與世界建立聯繫，從而一起做交互，而想要做到「交互」這一步，還有很長一段距離。

基於安防場景的不斷變化，其對演算法迭代的要求一定是非常嚴苛且上升的。

在這個市場中，誰能夠看到演算法精度提升解鎖的更多場景，並根據場景的變化做到最為快速且精準的反應，誰就能在未來競比中走得更遠。

但現實是，做好AI所必須的數據養料有限且質量較差，不同數據源之間存在難以打破的壁壘。

繼續說「AI+安防」這個例子，除了少數幾家擁有海量用戶、具備產品和服務優勢的巨無霸企業外，大多數中小型AI安防企業難以以一種合理、合法的方式跨越人工智慧落地的數據鴻溝，或者需要付出巨大的成本來解決這一問題。

此外，隨著大數據的發展，重視數據隱私和安全已經成為一種世界性的趨勢，一系列條例的出臺更是加劇了數據獲取的難度，這也給人工智慧的落地應用帶來了前所未有的挑戰。

這些都是AI企業機構當前需要去解決的，迫在眉睫的問題。我們也在深研聯邦學習，試圖通過這門技術來突破數據難題。

更多AI技術乾貨敬請關注↓↓↓

FedAI聯邦學習知乎機構號：FedAI聯邦學習- 知乎

當終極技術只掌控在一個人手上的時候！

新的東西問世，很多更新什麼的。

基於目前的深度學習技術，以及計算平臺硬體限制、數據採集無底洞等，在當前所謂的人工智慧技術其實更多是特定場景的弱人工智慧，無法做到通用場景的強人工智慧。如ADAS放到工廠自動化機器人場景去，基本就是廢物一個。

推薦閱讀：
相關文章