由机器之心与上海市北高新联合主办的市北·GMIS邀请到AI界“网红级”人物——吴恩达（Andrew Ng）。吴恩达是斯坦福大学教授、Landing.ai创始人&CEO、在线教育平台Coursera的联合创始人，也是人工智能和机器学习领域国际上最权威的学者之一。接下来便是Andrew为我们带来的主题演讲——《企业的人工智能转型》，让我们一睹为快吧！
AI是新的电力
Andrew表示，从AI在过去几年的表现来看可以被称得上为“新的电力”，且AI的发展势头依旧十分迅猛。
从AI相关职位的空缺及AI相关论文的逐渐增加，到各类财报显示的AI营收数据，我们可以清楚地看到软件和互联网行业已经发生了非常重要的转型，越来越多的软件行业正在拥抱AI，越来越多软件行业之外的行业也在更多的拥抱AI。
麦肯锡预计，到2030年GDP的增长中将会有13万亿美元是来自AI，AI会影响到零售、旅游、交通、物流、医疗、制造业等各个方面。
此外，AI的门槛正在显著降低，几乎任何人都可以使用到云服务。譬如通过AWS（亚马逊云服务），人们只需要输入自己的密码并支付2000美元就可以完成当年谷歌团队才能完成的一个实验。
如今网络上也有很多的线上课程，近250万的线上学习者主动花时间或花钱去学习机器学习，而且学习者不仅来自软件行业，很多软件行业以外的人才也开始学习编程，学习一些基础的机器学习。
印象最深刻的是一次创客的会议，会议上有很多来自世界各地的人一起展现他们的项目。其中有一个从印度来到加州的孩子正在展现他造的这个机器人，这个机器人不仅可以拍农场照片，还可以通过机器学习算法来看农作物是否已经成熟——然而这个孩子只有12岁。同样的一个机器学习的项目，在五年前需要斯坦福的博士生完成，那么现在只需要一个12岁的学生借用开源平台提供的工具就可以做到。所以，现阶段的AI不仅依靠数据与计算能力，还需要借力于人才、想法以及工具。
如何选择AI项目？
首先要从小的项目开始。Andrew以自己在谷歌时的经历为例讲道，在自己开始AI项目时其实有有很多怀疑的声音，很多人（包括一些管理者）其实并不相信深度学习，即使到现在仍然有许多并不相信说AI真正会影响到他们的业务。
Andrew第一个内部的项目就是语音识别，那时候语音识别在谷歌并不是最重要的项目，也并没有涉及到广告业务，所以团队在提高这个语音识别的准确度后开始帮助谷歌的其他的团队的工作，帮助他们使用AI及深度学习来提升他们的绩效和表现。随后，语音识别功能上线，我们开始了谷歌地图的下一项目，将深度学习应用于视觉识别，以看到这个地图上面的门牌号，提升了地图的质量。在获得了这个地图的项目成功之后，我们又获得了谷歌广告团队认可…… 所以，很多公司启动AI项目识别其实是因为他们一开始的项目太大了，反之，如果先从小的项目开始，逐渐帮助大家建立一个好的基础，那么项目落地成功的概率将大大提高。
第二点是要明确AI项目是通过自动化帮助人们的某些任务开始而不是取代人们的工作。在新闻中有很多的关于AI将取代人类工作的报道，但实际上我们应该要想怎么样用AI进行一些任务的自动化，而不是替代工作。
大多数的工作其实是有很多任务所组成的，人们通常做的一些工作，其实是有很多小的任务组成的，而且其中有一些任务是可以自动化的，比如说在影像医学领域，医生的工作任务包括包括读片、与其他的医生来沟通咨询、给年轻医生提供指导等等，换句话说这个影像医生有很多的工作要做，只是其中的一个任务是读扫描的这些片子，而这个阅片的工作就可以交给AI完成，提升影像医生的阅片效率。
第三点就是把人工智能和专业领域的知识进行结合。比如一些公司想要对水下设备进行检测，识别设备是否泄漏，在过去我们需要人类下水去看，但是现在可以用AI识别是否有泄露的情况。如下图所示，左边是AI可以做的，右边这个是对于现有业务而言非常重要的东西，而这两个圈重叠的部分便是合适的AI项目。
现在AI专家们更多的了解就是左边，但是对于业务专家更了解右边这个部分，所以通常建议人们建立一个跨功能的团队进行头脑风暴，已找到现有业务与AI的交叉项目。通常来说第一个项目并不是最有潜力的项目，所以建议在头脑风暴提出至少六个不同的项目，然后用几周或者几个星期的时间来做一些调研的工作，来确保这个项目是可行的，有价值的，对于业务有用的。
自主研发还是技术外包？
基于经验，很多机器学习的项目要么由公司内部团队来完成，要么便外包给专业的公司。比如，一个需要24h×7工作的AI软件项目（如一个线上广告的系统），期间需要大量的调试和维护，那么这样的一些项目有时候是可以通过外包减轻公司负担，以帮助公司来获得更快的进展；而对于数据科学项目（如数据科学家对广告数据的分析），它更多的是对业务的洞见并以PPT形式呈现，那么这些更多是企业内部来完成的。
对大多数公司来讲，如果目前要进行的项目属于行业标准级别的，那么就尽量避免自己来做这些，比如在制造业方面的视觉检测等，这将会是一个行业的标准，所以这种东西不要内部来做的，直接使用行业标准的东西，不然是一个非常大的浪费。
避免陷入AI误区
不要指望AI解决所有的问题，AI并不是魔法，尽管在一些特定领域获得了接触的成绩，但仍有许多AI无法完成的事情；不要指望AI项目一次就能成功，AI应该是一步步来规划的，是一个逐步迭代的过程；不要指望招聘两到三名机器学习的工程师就可以解决所有的问题，你应该要建立一个跨学科、跨职能的团队，以更好的找到可行的有意义的项目，可以解决技术方面的问题；不要期望不改变传统的规划流程就可以更好发展，要与和AI团队共同建立时间节点以及KPI；不是所有的公司都需要‘巨星级’的AI工程师的，其实很多是自学成才的AI工程师都可以帮助你们进行AI的工作，关键要看自己内部的团队需要做到什么样的工作。
人工智能的未来趋势
首先，我们已经看到第一个趋势就是AI的崛起，但它仍需要逐渐发展成为一种系统性的工程学科。就好比于造桥，古代在造桥时候由于没有足够的经验和理论支持，造桥需要许多技术顾问边造边摸索，但现在我们只需要大量土木工程师就可以在各地造出安全可靠的桥梁。反观人工智能，AI目前仍然处于早期研发阶段，期间可能会有许多问题和风险。AI逐步发展成为一种更系统性的工程学科是非常重要的，我们仍需要成千上万的团队共同努力，实现更可靠的AI。
第二是小数据的崛起。我们之前经常提到大数据，但现在其实我们并不需要那么多的数据。比如工厂的视觉检查，现在很多都是通过人眼来看智能手机是否一些划痕。如果你有一百万个这样的图片，很多的AI团队可以非常高效的识别好的和有划痕的智能手机，但是并不是所以工厂每次都会生产数百万个有划痕的手机。
还有一个非常有意思的趋势在于强化学习的应用。举例来讲，我们可以建一个直升机的仿真器，在模拟环境中飞机可以通过强化学习在仿真里面坠毁几十数百次，以通过模拟来更好的来控制实体的直升飞机。强化学习可以应用到很多其他的问题的解决，可以帮助机器人更好地完成一些工作。
另外就是AI运用到边缘计算。现在很多AI都是在云端进行的，我们可以看到边缘服务器，比如智能手机，智能音响等等；我们可以看到物服务器，本地的数据中心基站等可以做更多边缘设备的计算，使得计算在不同层级进行。
还有最后一个非常重要的趋势就是5G的到来。5G不仅仅可以用于游戏，它也可以用到各个方面，让我们更好的在云端进行沟通，从而使这些数据量可以更好的帮助AI发展。
