IEEE详解深度学习“常春藤联盟”，AI云将席卷企业级服务

【新智元导读】开源以及云服务让深度学习这种高端的AI技术几乎能供所有人使用，初创企业虽然能在细分领域抢占市场，或让自己被巨头收购，但在人才竞争以及用户方面，还是远远敌不过巨头。再加上巨头利用开源收集到的数据，不断完善自己的深度学习模型，而且凭借资源开发其专属的深度学习硬件，进一步加高技术壁垒。然而，目前市场上还没有出现一个深度学习“杀手级应用”，这仍是一片有待抢占的空白。

Facebook 的深度学习人工智能系统已经可以从照片中认出谁是谁，谷歌的AI 已经学会预测你想要的搜索结果——但是，即便你所在的公司的计算机还不具备这些功能，也没必要担心落后了。

云服务将深度学习带向所有人，只要你能买得起

越来越多的科技巨头和初创企业已经开始把机器学习当成云服务的一种进行销售。这也就意味着，其他的公司和初创企业不需要再去开发自己的专门用于深度学习的硬件和软件，也可以在产品中应用这一高端的技术。

“当数据库变得很大的时候，深度学习算法会成为所有机器学习方法的主导，”加利福尼亚大学人工智能小组的深度学习研究员Zachary Chase Lipton说。

Zachary 对亚马逊和IBM这些公司的云AI服务进行了研究。他说：“任何预测需求或者不同语言间进行翻译这些问题上有需求的公司或者应用，就会从深度学习中获益”。

有了基于云的深度学习：公司只需要选择一种云服务，然后就可以把软件的任务，比如识别图片中的柯基狗或者自动翻译餐馆菜单通过在线应用程序交互界面来完成。一些服务甚至可以根据不同公司的数据和需求来量身定做机器学习工具。

但是企业将不再需要花费庞大的研发预算使用机器学习技术。当前的问题是，如何让还不够完美的机器学习模型整合融入现有的工作流程。

根据Lipton的总结，机器学习云服务的崛起得益于至少两个要素：一个是，随着技术变得成熟，并且能够解决大量具有经济价值的难题，对于机器学习的需求在不断增加；第二，由于机器学习人才的相对缺乏，不是每家公司都能建立起自己的机器学习团队。

对于初创企业来说，与科技巨头（比如微软和IBM）抢夺人才更是难上加难，因为巨头们可以提供最好的待遇和最光明的发展前途。

深度学习“常春藤联盟”

通过云服务，初创公司也能使用科技巨头使用的深度学习技术；另一方面，巨头也通过开源，收集数据、完善自己的深度学习模型

未来10年，企业软件部署将会发生重大转变

LinkedIn上发表的文章《机器学习将会大力推动下一代企业软件》，描述了一副有趣的图景，未来在ML技术辅助下的软件应用将会：

1. 开发人员和第三方供应商终于开始接受并使用ML堆栈，有助于数据科学加速创新
2. 用机器学习技术处理更大的数据集时，效率会更高更好。像Hadoop这样能够使用大规模数据的新技术使ML应用变成现实。
3. 移动端数据和社交数据的暴增，让市场对能够处理大规模数据集的ML提出了需求
4. 渐渐地，像clustering和regression这样的ML技术将变得十分重要，在让数据转变为企业切实可用信息的过程中，扮演关键角色

大多数机器学习的商业应用都依赖于监督式学习，其中包含的算法可以正确地观察标签样本，并通过模仿完成特定任务。在大型数据库上，智能神经网络是目前最流行、也最成功的算法，通过在把一个相互连接的网络中传递信息进行学习，这个网络包含了多个突触（也被称为神经元）。这些突触之间的连接，每一个都有可调整的权重，并对图表中信息的流动产生影响。突触通常被排列在分层中。从历史上看，训练除了输入和输出层外，只包含一层神经元的隐藏神经网络是切实可行的。

通过把数据填充到多层神经元中，深度学习把这种方法推到了下一个阶段，Lipton解释说。在每一层中，神经网络都能连续地学习更多数据点之间关系的抽象表征。有了足够的层和足够多的神经元，深度神经网络能完成大量的任务。

建立神经网络的的一个难题是，为专门的任务进行训练。从一个随机的权重设置开始，数据库中的样本会被逐个提供给神经网络。每一次，神经网络的权重都会进行微调，让整个网络的输出更加接近正确的结果。

都在等待“杀手级”深度学习应用

许多初创公司似乎都非常乐于展示自己在深度学习上的研究成果，以吸引有兴趣收购他们的大公司的注意力，Lipton说。Salesforce.com 和 Twitter 分别收购了MetaMind 和 Whetlab这两家初创公司，这些收购很好地填补了科技巨头的深度学习团队。

但是，一些初创企业却聚焦于使用深度学习来解决非常细分的行业需求。例如，位于旧金山的Enlitic正在使用深度学习，通过分析X光和核磁共振（MRI）帮助内科医生发现一些疾病或健康问题的信号。加利福尼亚山景城的Atomwise，则使用深度学习来发现新的药物。

其他的一些初创企业则希望建立更加广阔的平台，在行业中使用深度学习。西雅图的Dato开发了一个深度学习工具包，专门面向Cisco 和 Paypal 这些公司的开发者。位于纽约的Clarifai 最近发布了一些工具，用于自动过滤和标示图像以及视频，这一深度学习技术让终端用户在各方面都能大为获益，比如，旅行照片的地点的标示、房地产中介以及网上言论的监管。

“从你的收件箱，到你搜索时出现的广告，再到图像标签，这些产品的任何一个方面可能都已经从深度学习中获益，或者很快获益，”Clarifa的创始人兼CEO Matthew Zeiler说。

对于深度学习初创企业来说，问题在于如何在一个竞争激烈的市场上找到自己的位置。NervanaSystems的创始人兼CEO Navenn Rao说，初创企业在提供机器学习服务上，避免与科技巨头的直接交锋会是一个明智的决定。

Nervanna 把赌注下在建立一个优化的深度学习平台，可以为在标准的GPU硬件中运行的神经网络评分。Nervana也在开发自己的专用芯片，希望能为深度学习提供一个额外的性能提升。

位于加利福尼亚 Pacifica的初创企业 Ersatz Labs 就发现了跟行业巨头竞争的危险。去年，在融资失败后，Ersatz中止了其在云机器学习上的开发。公司的CEO Dave Sullivan强调，向使用深度学习的人出售自己的服务和产品非常困难，因为这些人中，大部分都供职于科技巨头，而这些巨头公司更倾向于在内部研发自己的工具。

2016年的I/O大会也证明了这一点，在大会上，谷歌宣布，一年多以来，他们都在使用自己研发的定制芯片——TPU，来支持机器学习应用。谷歌云机器学习平台就使用了TPU。

“每一个人都在等待深度学习杀手级的应用，但是还没有找到，”Sullivan说，“不过可以肯定的是，（杀手级应用）不会是平台”。