不知道 AI 这三点优势，你可能真的要被淘汰；人工智能将如何影响你的生活

作者 Robbie Allen

编译 Mika

我们正处于飞速发展的数字化转型时期，这是由巨大的市场转变驱动的——即人工智能和机器学习。

同时，随着AI 和机器学习技术的普及，从中获益的不仅仅是大型企业。如今每个人都能利用AI和机器学习更高效地完成工作。

将 AI 用于工作场所

AI 给商业领域带来了深刻的改变，而且没有放缓的迹象。根据Adobe的研究“ 未来工作：不仅仅是机器 ”，美国超过四分之一的上班族认为，科技能让他们从无聊的任务中解放出来。

对人工智能的需求是显著的。有72%的上班族表示，他们对基于软件的智能个人助理感兴趣。同时就目前来说，他们更喜欢让AI帮助完成待办事项和预约提醒等简单任务，而不是复杂的任务。

在我看来，人工智能和机器学习的影响远不止如此。越来越多的组织机构用AI来处理尖端应用，当中AI至少有三个好处：降低成本；提高效率；推动重大突破。对于机构企业来说，这几点十分关键。同时这也在推动人工智能和机器学习的飞速发展。

1. 降低成本

我们可以把自动化视为完成重复性任务的利器。在商业初期，完成工作的唯一途径是通过人力。之后，机器开始将一些工作自动化。如今，机器学习能够将越来越多的脑力劳动自动化，让人们把宝贵的时间和才能应用于商业的其他领域。

如果任务能够分解为若干个子任务，并且这些子任务能够用更短的时间完成，那么在不久的将来这些任务就能用自动化完成。查看监控录像，检查医疗图像，识别图像中的特定内容，通过自动化！阅读文档，并在文档中查找相同的信息，通过自动化！

更多的让人从繁琐的任务中解放出来，我们就可以更多地激发人们的潜力，同时降低总体支出。如果自动化是现实的选择，那么企业领导者绝对应该接受它。

2. 提高效率

对于员工来说，高效率是十分重要的。有了效率的提高，你能够轻易做到事半功倍。

比如最普遍的AI用例：语音识别。如Siri和Alexa。近一半的美国人称，他们都有使用某种形式的语音识别，并且这些技术正在运用到工作中。Brooks Brothers、Mitsui USA、WeWork、Vonage和Capital One这几家公司已经开始在商业中使用Alexa。DXC.technology表示，一位专家设想，“将来办公室语音助手将在会议中使用语音生物认证，识别发言人身份，并进行会议录音和翻译。”

在许多商业用例中，这种语音助手并不会取代任何人的工作，只是为现有的工作增加价值并提高效率。

3. 推动重大突破

人工智能和机器学习能够帮助人们克服发展中盲点，从而推动重大突破。

在医学领域，这意味着能够分析患者风险，或将新的诊断产品推入市场。在制造业，这意味着能够在发生前对风险进行预测。

在商业领域，这意味着通过AI和机器学习，能够更深入的解读公司文件，并从中发现模式和趋势。

事实上，类似Adobe Document Cloud(包括Adobe Acrobat DC、Adobe Sign、Adobe Scan)的一些解决方案已经能使用语义分析技术，对单词、段落和列表进行分类，从而让人们更轻松、更快速地搜索相关内容。

突破意味着看到人们之前无法做到的事情，AI无疑能极大地推动突破创新。

下一步是什么

对于员工和企业而言，未来机器预计能够解放大量的劳动力。从而，我们能够把精力集中到只有人类才能执行的任务，以及企业想要执行的任务，从而推动行业的发展。

下一个问题是：你应该如何利用AI和机器学习的力量为企业助力？

很简单，先从数据开始。成功的AI和机器学习需要依赖于数据驱动的策略，如果没有足够的可操作数据就没有机器学习。许多领导者希望着手开展机器学习项目，却发现数据并不像预期中那样易于获取、易于理解和可用。

最终只有能获取数据的企业才能成为赢家。这些企业能够捕获实时数据并采取行动。凭借得到的分析见解和智慧，企业能够使用AI和机器学习扩大业务影响力。

https://venturebeat.com/2018/05/21/3-key-ai-benefits-for-the-future-of-work/

TED演讲-人工智能将如何影响你的生活

CDA字幕组

翻译/校对: Mika

谷歌高级研究员Jeff Dean就AI对生活的影响提出了一些有趣的看法。

中英双字视频如下：

针对不方便打开视频的小伙伴，CDA字幕组也贴心的整理了文字版本，如下：

在过去几年，人工智能领域在飞速发展。

你知道未来AI将如何影响你的生活吗? 我有一些想法。

我叫Jeff Dean，我是谷歌的一名高级研究员。这有一定的含义。首先，说明我有点老；其次，我需要花时间攻克我认为对公司很重要的问题。

我在研究人工智能问题，我负责位于加州山景城的谷歌大脑团队，也就是我们的人工智能研究团队。

我们的团队长期以来研究如何让机器智能化，我们还会与谷歌的产品团队合作，从而生产出智能的机器产品。我们希望用智能提升人类的能力，让我们做得更多，消除繁琐重复性任务，并让我们有更多的时间进行创新。

AI的潜力

比起个人计算机的发明、智能手机的普及，AI将更具影响力。AI的概念并不新，在最早的计算机时代就存在，这是开发智能化机器的宏大项目。当中有很多实现的方法，从那时起该领域就深深吸引住了计算机科学家们。

当中最有潜力的方式是机器学习领域。比起让机器掌握一切需要预先知道的内容，我们更希望让机器学会如何学习，从而它们能够通过对世界的观察而学习，并根据观察做出推断。

深度学习是机器学习的一个特殊的领域。在过去四、五年间，深度学习在解决各种问题时优势明显。

人脑如何学习

在深入该问题之前，让我们探讨我们是如何学习的。

我们通过例子和重复练习进行学习。同样，重复练习和例子对机器学习也至关重要。

在机器学习中，我们会让系统接触到我们想让其掌握的行为样本，系统将从那些样本中学习。

看到这张简单的图，我们想教会计算机识别图像中包含的是猫还是狗。我们会给出相应样本，标明图像是猫还是狗。然后把这些样本图像提供给计算机，让计算机回答图中是什么。

如果得到正确的答案就成功了。但如果错了，则需要进行一些调整。从而在下次更有可能得到正确的答案，而不是错误的。

神经网络

深度学习完成这点的方式很特殊，这很重要。即在学习过程中自动构建抽象层。

最低层包括，图像的某个部分是否包含棕色的斑点等。接着上面层次的内容更复杂，比如图像的某部分包含了耳朵、眼睛或胡须。这些特征是学习过程的组成部分，也是深度学习的关键因素。

我们不需要告诉计算机如何区分猫和狗，计算机能学会识别哪些是胡须，而且在猫的图像中出现得更多。在学习过程中这些特征是自动构建的。

神经网络能学习的不仅是分辨猫狗。还能学会分辨成千上万种不同类别的物体，比如消防车、消防船等。神经网络还能从音频中学习，从音频中识别出单词。

比如"外面有多冷”；输入英语的"hello, how are you”，输出相应法语"Bonjour, comment allez-vous”。

它们能输入图像，进行分析。不仅识别类别，它们还能得出句子对图像进行描述，比如"一列蓝黄相间的火车在铁轨上行驶”。这就展现了对图像内容的高度理解。

TensorFlow的应用

深度学习中很棒的一点是，这些内容都能用相对简单的算法和常用的软件框架实现。因此我们构建软件框架，解决不同的问题，并在我们的研究和产品中反复使用。

我们开发的这个系统叫做TensorFlow。我们用它进行该领域的研究开发。去年我们决定将它开源化，我们希望人们能够免费下载这个软件，用于解决他们的问题。我很欣喜的看到人们将其用于不同事物。

比如日本有一位种黄瓜的农民。对黄瓜种植者而言，你需要对黄瓜分成不同的类别进行销售。比如个头小的、中等的、大的、带刺的、不带刺的、直的、弯曲的。在收获时，这个过程很复杂且耗时。

因此这位农民用相机拍照，加上他用TensorFlow训练的计算机视觉模型，从而让视觉模型判定黄瓜的类别。接着装配到传输带上，让转换器把黄瓜放到合适的箱子里。这样在收获季时，大量减轻了人力劳动。

计算力的显著提升

正如我说过的，神经网络并不新的概念，在1980年代到1990年代就已经出现了。当时在解决小型问题时，它们的成果显著。但当时在面对现实的大型问题上，它们效果欠佳。

原因在于我们的计算力不够。对每个样本的模型进行调整，多次处理每个样本，从而构建模型需要大量的计算力。因此我们需要更快的计算机。

幸运的是，如今我们有了更快的计算机。在过去的三十到四十年间，计算机每年都在飞速发展。如今神经网络已能够应用于实际问题。现在你手机中的计算机，比二十年到三十年前的台式机要强一百到一千倍。这是至关重要的，现在我们有足够的计算力。

计算机视觉识别

计算机视觉领域每年有举办比赛，看哪个团队能对给出的图像进行正确分类，图像包括数千个不同类别。

2011年，在人们使用神经网络之前，获胜团队的错误率是26%。比起人类5%的错误率，这个结果不太理想。但在五年后，如今有了深度学习和更多的计算力，错误率降低为3%。在这个任务上，超过了人类的水平，这是具有变革意义的。

如今计算机能够看，这在之前是不行的，这是巨大变革的开端。对于开发机器人来说，这是非常有用的。

看到机器人的例子。这里使用了深度学习教它们做到手眼协调。每个机器人都有摄像头能，模型将从摄像头中获得输入像素，然后直接输出到六个转矩马达的指令，用来控制机器人的不同接口。

它们将通过反复试错练习拾取物品，通过抓爪是否关闭或完成拾取判断是否成功。它们还根据得到的视觉数据，学习对于不同的物品哪种抓取更有效。我们在Amazon买了大量不同的玩具和工具，最终的效果很不错。

医疗领域的运用

我认为机器学习有巨大机遇的另一个领域是医疗领域。

糖尿病性视网膜病变是世界上增长最快的致盲原因。每年有4亿人面临失明的风险，他们需要每年接受筛查，但很多人都没有进行必要的筛查。我们希望通过计算机视觉攻克这个难题。

通常，眼科医生通过筛查眼部图像对症状进行评估，看有没有相关症状。因此我们获取大量这类眼部图像，并让眼科医生进行标注。

如果让两个眼科医生进行评分，他们有60%的几率会得出相同的评估。更担忧的是，若让同一位眼科医生在几小时后评估同一幅图，只有65%的几率他们会得出相同结论，显然这是个难题。

本周早些时候，我们团队在《美国医学会期刊》上发布相关论文。对于这个任务，我们的机器学习模型能够媲美，甚至优于人类眼科医生。

这是很重要的，因为这能让眼科医生更高效。他们能够把时间交给那些真正需要关注的人群，而不是花时间筛查没有这方面问题的人。

艺术领域的运用

再看到一个例子。图宾根大学的Leon Gaty和他来自德国马普研究所的同事，在去年发布了一篇出色的论文。他们的算法能够输入照片和画，将照片输出为画的风格。

这里你看到的是同一个照片，呈现为三种不同艺术家的风格，这是非常惊人的。我认为这是一个好机遇，为艺术家们创造相应工具。让他们与这类系统交互，从中获得灵感并得出更有创意的艺术产物。

从1980年到如今，许多发展都源于计算力的增加。在未来也是如此，我们需要更多的计算力来训练更大型的模型，从而学的更多。同时深度学习也在变革我们设计、开发计算机的方式。

两大特征

神经网络和机器学习算法中有两个有趣的特征。

首先，精确度下降是可以接受的。当你乘以1.2或0.6时，这是没问题的。我们不需要将计算成本用于追求数字上的精确度，那是传统CPU设计的初衷。这将很有帮助，如果你需要进行大量计算，你能更加接近从而进行更多操作。神经网络也是如此。

另一点是，之前我展现的所有机器学习系统和算法只需要依赖少量具体操作，并不需要通常计算机需要的全部指令。它们需要完成矩阵乘法、向量运算、线性代数等，仅此而已。

这让我们能够开发专门的计算机，能够非常好的完成这些任务。在过去三年，我们在谷歌开发了TPU系统，用于加速计算。

这类深度学习算法能够适用于许多问题。我们能够提高计算力，与传统CPU相比达到数量级的提高，这是很强大的。这能让我们在产品中用到更强大的模型，从而得出更好的系统。

未来的需求

让我们看到将来的一些需求。随着用户对系统的要求更高，人们希望系统变得更智能。

"哪些图显示了糖尿病视网膜病变的症状”。

我之前已经说过了，如今这点已能够实现。

"用西班牙语描述这个视频”。

这方面还做得不够好。我们能够很好的描述图像，但对于动态的视频还欠佳，今后这是可能实现的。

"帮我找到与机器人技术强化学习的相关文件，并用德语进行总结”。

这很复杂，但如果我们有相关工具可以做到的话，这将多么高效。

"请从厨房帮我拿一杯茶”。

让机器人在类似厨房的复杂环境中工作是很难的，但之前手眼协调的例子就是不错的开端。

总结一下，AI 能够帮助我们变得更健康、更开心、更高效、更有创造力。

你对AI的未来感到激动吗? 显然我很激动，谢谢大家。

工业互联网操作系统

产业智能官 AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业工业互联网操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

长按上方二维码关注微信公众号：AI-CPS

本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！