12月14日的谷歌開發(fā)者大會上，最激動人心的消息應該就是谷歌AI中國中心的成立了。身著紅衣的李飛飛無疑是谷歌開發(fā)者大會最大的主角，她在現(xiàn)場宣布：谷歌AI中國中心將由她和 Google Cloud 研發(fā)負責人李佳博士共同領導，激蕩起了現(xiàn)場一片掌聲。
李飛飛從洗衣工到斯坦福教授的傳奇經(jīng)歷被傳遍全國，不得不讓人感嘆，我們又回到了崇拜科學家的時代。
或許是因為人工智能本身就是一個學術話語權極強的領域，現(xiàn)在的AI企業(yè)不管體量大小，總要請來幾個教授、專家坐鎮(zhèn)，時不時還要發(fā)篇論文，刷刷CVPR等等競賽的排名。
可問題的關鍵是，我們崇拜科學家，不僅僅是因為科學家有非凡的學術能力，還因為他們是把人工智能技術從論文中帶到我們身邊的傳火者。
科學家常有，而傳火者不常有。今天就來談談，怎樣才能稱得上人工智能領域的傳火者。
論文產(chǎn)品化：象牙塔內外的海水與火焰
在很多人的概念里都存有一個誤區(qū)，論文發(fā)的多、專利申請的多、競賽排名足夠高就意味著技術有著更高的實用性和商業(yè)前景?？蓪嶋H上從論文到產(chǎn)品，再到優(yōu)秀的產(chǎn)品，之間里程往往比我們想象中要遙遠。
不管是論文還是賽事，往往都會給出一個理想的恒定實驗環(huán)境來追求某一項技術的極致可能。比如給出統(tǒng)一的硬件標準或數(shù)據(jù)庫，而得出的結果也是在某一標準下的最佳結果。
這就導致一種尷尬的結果：很多時候論文走向一種非常刁鉆的方向，很難實際應用在生活中。像是耗費大量計算資源去追求極小的模型壓縮，或是犧牲計算速度去在極小范圍內提升模型準確率。但這些研究成果往往只能在仿真環(huán)境中起作用，要想應用到現(xiàn)實中來，往往會遇到這樣那樣的問題。
現(xiàn)在很多技術模型都是開源共享的，將公開的模型進行參數(shù)調試，從一個領域移植到另一領域并不難，可想要實現(xiàn)產(chǎn)品化，就要為模型尋找到合適場景，嵌入到適用的軟件或硬件中。在這一過程中，如何面對技術開源，難以建立壁壘的問題就是一個難點。應用成本越來越低的人臉識別，就是技術無壁壘、產(chǎn)品想象力匱乏形成的結果。
即使把技術成功產(chǎn)品化，也要考量產(chǎn)品的實際應用性。人工智能技術的加入是不是真的能提升用戶體驗，體驗的提升和所耗費的成本之間是否又能找到平衡點……很多時候人工智能產(chǎn)品還未經(jīng)市場檢驗，就已經(jīng)在折戟在論文產(chǎn)品化的過程中了。
論文和排名僅僅是人工智能產(chǎn)業(yè)的一小部分，有一些企業(yè)靠這些可以拿到大筆融資，但這絕不僅僅是成功的標志。專家教授一臉意氣風發(fā)，可背后的投資人還雙目灼灼的盼著論文變現(xiàn)呢。到最后往往在學界和業(yè)界成了兩個極端，一邊歌舞升平的寫著論文開著會，另一邊則為了優(yōu)化產(chǎn)品急成了熱鍋上的螞蟻。
總之，論文和會議競賽中的技術存在于仿真世界中，代表的是人工智能無限的可能性。而如今科學家們紛紛走出象牙塔，我們希望看到的是他們把技術從仿真世界帶到物理世界，向我們展示人工智能的應用性。
把目光投向物理世界，學術力量落足在哪？
在今天的人工智能熱潮中，既然有人靠水論文拿融資，自然也會有人可以成為技術的傳火者，把學術能力化為產(chǎn)品能力甚至商業(yè)能力。下面就分別介紹一下自然語言處理、計算機視覺和強化學習三個領域中的傳火者。
幫谷歌AI連接中國的李飛飛
拋開谷歌的光環(huán)，從加州理工畢業(yè)的李飛飛自身也有著極高的學術起點，在斯坦福實驗室中的身體力行培養(yǎng)出了不少牛人，也憑著TED上強大的演講能力吸引了不少人關注計算機視覺領域。
李飛飛對人工智能產(chǎn)業(yè)最大的貢獻無疑是創(chuàng)立了世界上最大的圖片識別數(shù)據(jù)庫ImageNet。此前機器學習一直飽受過擬合和泛化的困擾，學界一直試圖在模型上尋找解決方式，直到李飛飛開始主導ImageNet的研究，從數(shù)據(jù)集入手試圖改變游戲規(guī)則。
ImageNet的影響力越來越大，甚至從中誕生了卷積神經(jīng)網(wǎng)絡這樣實用性極高的技術，計算機視覺和深度學習也越來越多的應用在物理世界中：社交網(wǎng)絡的圖像標注、自動駕駛的物體監(jiān)測……大量的落地應用也再不斷的向CV技術提供反饋，物理世界的技術應用也催化了仿真世界中技術的發(fā)展。
教機器人疊毛巾的Pieter Abbeel
提到強化學習，大多數(shù)人會認為這是一項距離現(xiàn)實非常遙遠的技術，不過一直有人在嘗試著把這一技術帶到現(xiàn)實，Pieter abbeel就是其中之一。
在博士時期，Pieter Abbeel就與吳恩達一同提出了師徒學習這一強化學習中的重要概念。在伯克利任教期間，還因讓機器人通過強化學習學會疊毛巾獲得了MIT頒發(fā)的TR35獎項。后來入職馬斯克的OpenAI，還推出了著名的機器人訓練場Gym，讓很多團隊可以在低成本的前提下快速訓練智能體。
直到今天，硅谷機器人制造商Willow Garage的很多產(chǎn)品中還有Pieter Abbeel利用強化學習訓練的成果。如今Pieter Abbeel已經(jīng)離開OpenAI，創(chuàng)立自己的團隊，專注于利用強化學習讓現(xiàn)有硬件設備自主學習完成任務。
自動化的普及度不斷增高的過程，本質上也是機器人訓練成本不斷降低的過程，強化學習的應用的落足之處也在其中。
為百度布局深度學習的王海峰
NLP和CV兩個領域，都聚集了大量華人科學家。在學界和產(chǎn)業(yè)界都有布局的，不光有李飛飛，王海峰也是其中一個典型。
王海峰在學界的成就很多，比如在16年當選了國際計算語言學會（The Association for Computational Linguistics）的會士。在這個于影響力、權威性和活躍度兼?zhèn)涞膶W術組織中，王海峰成了是大陸首位、也是最年輕的一位ACL院士。
2010年入職百度后，王海峰也在百度獲得了很大的發(fā)揮空間，接連布局了自然語言處理、互聯(lián)網(wǎng)數(shù)據(jù)研發(fā)、圖片搜索和語音技術等等多個部門。在2013年協(xié)助創(chuàng)立百度深度學習研究院后，很快我們就看到了百度翻譯、語音搜索等等產(chǎn)品上的變化。
在這些用戶體驗的感受差異中，體現(xiàn)的是神經(jīng)網(wǎng)絡、語音識別和知識圖譜等等技術的理性呈現(xiàn)。
革命來臨前夜，天秤兩端的學與業(yè)
以上三位科學家僅僅是人工智能領域眾多傳火者的代表人物，卻也能管中窺豹，領悟到一點人工智能產(chǎn)業(yè)發(fā)展的勢頭。
有一些生物學界的人士曾經(jīng)對這次人工智能浪潮做出過忠告，說今天的人工智能特別像十幾年前的生物學，論文滿天飛、大學猛開專業(yè)、專家教授紛紛“下海”創(chuàng)業(yè)。最后生物學卻因為產(chǎn)業(yè)化能力不足，湮滅了學術界的星星火光。而人工智能被稱為下一次工業(yè)革命，自然要把“學”和“業(yè)”放在天秤的兩端。
“學”的能力，既包括了論文數(shù)量、競賽排名，也需要考量技術的創(chuàng)新型和實用性。
像現(xiàn)如今大火的DeepMind，他們發(fā)表的很多關于深度學習的論文中并沒有利用太多超前的方法論，而是引源上個世紀的認知科學方法，用來解決今天的現(xiàn)實問題。
至于“業(yè)”的方面，往往要看技術的根扎在哪里。以上三個案例中，科學家們雖然都出身象牙塔和實驗室，但也都是典型的工程派，把技術的根基深深的扎在了大企業(yè)和應用產(chǎn)業(yè)中。廣泛的業(yè)務和廣泛的應用場景意味著源源不斷的現(xiàn)實數(shù)據(jù)，以此吸取的養(yǎng)分，才能讓科學家們在仿真世界研發(fā)出的模型無限適用于物理世界，讓技術切實影響到人們的生活。把工業(yè)革命的火種帶到現(xiàn)實中來。
不過我相信人工智能產(chǎn)業(yè)很難重蹈生物產(chǎn)業(yè)的覆轍，一個顯著的苗頭就是，人們正在對天秤嚴重失衡的企業(yè)失去信心。比如此前的智能音箱風潮，市場上已經(jīng)看不到前兩年對智能手環(huán)一類產(chǎn)品的熱情，反而換來了不少對智障音箱的嘲諷。又比如一直強調自己學術背景的科大訊飛，也因為落地場景匱乏而飽受爭議。
歷經(jīng)了從。com時代的幾次泡沫，我們已經(jīng)越來越清楚自己想要的是什么，對于空中神殿的勾勒的確迷人，可想要真正改變現(xiàn)狀，還需一次火種的傳遞。
