展会信息港展会大全

谷歌DeepMind刚做的两件事所带来的AI创业启示
来源:互联网   发布日期:2016-10-24 09:43:15   浏览:19377次  

导读:看起来DeepMind用AlphaGo战败李世石后似乎就没啥动静了,但其实不是的,这家公司正推动着AI往纵深发展,而不是单纯的停留在围棋这样的领域。只不过这些事情没有那么抓眼球,所以很多人并没注意到。很有意思的是从当前DeepMind所做的事情里我们其实可以抽取出...

看起来DeepMind用AlphaGo战败李世石后似乎就没啥动静了,但其实不是的,这家公司正推动着AI往纵深发展,而不是单纯的停留在围棋这样的领域。只不过这些事情没有那么抓眼球,所以很多人并没注意到。很有意思的是从当前DeepMind所做的事情里我们其实可以抽取出一些更有价值的模式,比如什么是人工智能+,到底应该怎么加。

案例1:降低能源消耗

DeepMind第一件在做的事情是用机器学习来管理数据中心,期望达到比人管理更省电的效果。最终结果非常不错,实际成绩是:比人管理的时候节电40%。

为把事情说清楚需要简单介绍一下背景:

Google这类大互联网公司的应用比如搜索、Gmail、公有云服务等是完全跑在自己的服务器集群上的,这些集群无比庞大通常有数百万台服务器。

由于服务器太多因此并不会只放在一个地方,而是分布在多个数据中心里。管理各个数据中心时,一个核心问题就是冷却。我们手机用时间长了还发热,那么多总是在跑的服务器如果没有有效的冷却措施,那数据中心会变的火炉一样。

数据中心的冷却系统和中央空调差不多,这样一来就需要来根据环境来控制什么时候开冷却系统,开多少度等。但每个数据中心所处的地点、架构并不完全一致,这就给管理带来了一些麻烦。

DeepMind把这种麻烦总结为三点:

1. 冷却设备、操作设备的方法、环境之间不是简单的线性关系。也就是说不是环境温度是30度时,那冷却系统调成20度就完了。

2. 冷却系统并不能迅速响应内部或外部的变化。也就是说外部气温上升,你据此进行调整,但实际起效果的时候,外部气温可能又下降了。

3. 每个数据中心都有自己独特的架构和地理位置。

DeepMind解决这问题时显然又会用神经网络,这次他们训练了三个神经网络:

一个神经网络用各种传感器收集来的数据进行训练,比如:温度、功率、泵速等;

一个神经网络被训练用于预测下一小时的温度;

一个神经网络被训练用于预测下一小时的工作负荷。

都训练完之后DeepMind把这三个神经网络在某一个数据中心进行了应用,评测的指标是PUE(Power Usage Effectiveness),这个值表示数据中心能源消耗在整个IT能源消耗中的占比(显然越低越好)。为了说明结果,DeepMind贴了一张图出来:

取得效果后DeepMind认为,它的这个神经网络不只可以用于数据中心,而还有一定的通用性,所以准备把它展开到发电厂、半导体制造等。

案例原文:https://deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/

案例2:看病去

DeepMind的另一个尝试是用神经网络看病,并且专门给项目起了个名叫DeepMind Health。

医疗现实是这样:每11个成年人里就有1个会得糖尿病,而糖尿病会让患者失明的概率提高25倍,如果失明的症状能在早期发现,那么有98%的可能性来治愈这疾玻

但很可惜的是传统的分析方法非常复杂,非常有经验的眼科专家也要花很多时间才能做出诊断,所以很难及时的对所有病人进行精确诊断。

DeepMind解决问题的思路还是通过导入神经网络。他们同一家叫Moorfields的机构合作,拿到了近百万的原始数据。

我们可以想象这些数据有两个显然的好处:一个是这些数据是原始的医疗数据,清晰度足够;一个是这些数据实际上是标记过的。

DeepMind会用这些数据训练它们的神经网络,然后诊断的问题就变成了从图片中提取特征的问题,而如我们所知深度学习在图像识别上其错误率是比人低的,并且会越来越准。

这个项目还没有取得实际效果,但从Imagenet上不断提高识别率上来推断,这会导致诊断的精度和速度有根本性提升。

案例原文:https://deepmind.com/blog/announcing-deepmind-health-research-partnership-moorfields-eye-hospital/

A.I.创业上的启示

跳出来看的话,我们可以发现DeepMind的两个尝试具有这样的特征:

1.垂直的领域,但机器学习可以促成质的飞跃;

2.垂直领域牵涉的商业价值足够大;

3.能够比较容易的获取有效数据。

我们有理由相信这会是未来人工智能落地的普遍模式。现在的人工智能具有通用性,但远不是通用智能,并不能够什么都干。

这样一来从投入产出比的角度看,它就只有落地在那些显然能产出较大回报点上,这样才能真的获得应用。一个点获得应用后,那再展开到类似的领域,比如DeepMind从数据中心展开到发电厂,这样就可以形成“技术进步-投资-回报”上的正反溃这很像新一代的单点突破,横向展开,所不同的是同一时间可以做的点实际上也还受制于是否能获得数据。

反过来讲这也意味着号称能做通用智能的基本上是骗子和疯子。声智科技(一家提供声学、语音方案的创业公司)的CEO陈孝良对此有非常清醒的认识,他的一个核心观点正是:智能不是越通用越好,数据也不是越多越好,认知技术能力边界非常关键。

上面所提到的基本模式未来很可能成为人工智能+的基本模式。有意思的事情是,这种落地并不只是DeepMind公司才能做,而是普遍存在于各个行业之中。

我们可以把能够做神经网络的团队分成两类:一类是真的能对模型本身有所改进,对社区做出根本性贡献的团队;一类是能够用好模型,把它落地的很好的团队。前者无疑是非常稀缺的,并且也只有极大的、有野心的公司才养得起,后者则门槛相对较低,与此同时应用范围则极广,极端点可以认为可以应用到所有匹配上述模式的地方,也正因此这里才蕴含了比较多的创业机会。

这里必须一提的是,真创业的话,DeepMind这个公司本身并不是一个很好的模仿对象,这公司实际成功的方法是:先屯一批很牛的人,不管落地方向,做些很牛的事情。等到抱上Google的大腿,再考虑怎么落地。这方法正常创业公司完全学不来,上面主要想强调的是它落地的方法值得学习,而非公司自身的创业思路。

小结

很多点获得突破和应用后,事实上就为真的通用智能做了充足的准备。想象下,我们的电力、医疗、教育都非常依赖于数据和垂直的智能,那只要AI的技术真的有突破,那么,一种超级智能来接管这一切就会变得非常容易。到那个点上,社会结构、经济形态就会产生根本性变化。当然这是另一个非常宏大的话题,真感兴趣的话,可以看我的新书《终极复制:人工智能将如何推动社会巨变》(硬广,汗...)。

赞助本站

人工智能实验室

相关热词: AI启示

相关内容
AiLab云推荐
展开

热门栏目HotCates

Copyright © 2010-2024 AiLab Team. 人工智能实验室 版权所有    关于我们 | 联系我们 | 广告服务 | 公司动态 | 免责声明 | 隐私条款 | 工作机会 | 展会港