人工智能，What to do now?

人工智能，一个我们已经极其熟悉的名词，但直到今天，也许不是每个人在日常生活中都能真切的感受到人工智能所带来的改变。当言论都在担忧人工智能将有一天代替人类，我们换个角度看看人工智能已经为我们做了什么？在未来的发展，它将怎么为人类创造更大的价值？

      

两年前，中科院计算所研究员、AI医疗图像分析专家周少华教授在朋友圈里分享了“人工智能，what to do now ?”的文章，揭秘了人工智能技术，谈论人工智能的现状。当时，周少华老师主张“只有将人工智能技术进行踏实的产品化，才是公司的正道正解，是将人工智能进行到底的不二途径。” 如今，周老师的观点依然奏效。人工智能技术已步入产品化的轨迹，AI专家纷纷走入商业场景专注于落地应用，他们渗透在医疗、金融和交通等多个领域，实现AI与传统行业结合。

周少华
中科院计算所研究员，未来论坛青创联盟成员

中国科学技术大学学士、美国马里兰大学博士, 专业为电子工程。他曾在西门子任首席影像分析科学家负责研发与医学图像相关的创新，现任中科院计算所研究员。他撰写编辑了五本学术专著，发表了180+ 篇学术期刊及会议论文和著作章节，拥有80+ 项批准专利，并多次获奖，包括发明奥斯卡奖、西门子年度发明家、爱迪生专利奖、马里兰大学ECE 杰出校友奖。同时，他是IEEE TMI 和Medical Image Analysis 编委会成员、MICCAI协会理事会成员、CVPR 和MICCAI 的领域主席、《视觉求索》联席主编以及美国医学与生物工程院Fellow。

随着人工智能在商业场景的深化，也代表着我们也将更快的感受到人工智能在日常生活和工作上所带来的变化。而更值得期待的是人工智能与科研的深度结合，将为拓展人类知识边界所带来的变革。

实际上，早在上世纪80年代末，粒子物理学家就开始运用人工智能。在他们的领域，几乎每项实验都需要在粒子探测器获取的海量类似数据中找出微小的空间模式，而这正是人工智能的强项。在无数科学家的努力推动下，人工智能已“跻身”物理学研究的必备工具之列。

德国明斯特大学的马金·泽格勒和合作者将人工智能引入他们的“分子厨房”。他们希望，人工智能可以帮助他们应对分子制造过程中的一个关键挑战——从数百个潜在的基本模块和数千种组合方法中找出最合适的方法。

相信未来将会有更多人工智能技术应用于科学研究的案例，实现为基础科学赋能，作为拓展人类知识边缘的强大推动力。🤩

未来论坛青创联盟线上沙龙
          YOSIA Webinar

再生医学的前沿发展
本周日 5月12日 上午10:00-11:35

*扫码文末二维码加入YOSIA Webinar微信群参与！

中科院计算所周少华教授将与中科院动物所黄仕强教授，一同探讨AI如何为再生医学、代谢组学研究赋能，推动干细胞生物学研究的进步。点击了解更多

以下转载周少华教授的美篇原文

-----

“人工智能，What to do now ? ”

2017/04/29

引言

马云的语出惊人是出名的。他最近的金句是＂So 他妈 What (STMW)？＂这是他在深圳举行的IT领袖峰会议上的发言。参加者还有马化腾、李彦宏、沈向洋等行业翘楚。

"我有不同的看法，阿法狗打败了人类，我个人觉得，so他妈what？ 机器打败人不值得夸奖，机器要做人类做不了的事情，机器要做人类创造不了的事情。让机器成为人类的合伙人、成为合作伙伴，而不是成为人的对手。"Jack Ma如是说。

当然，马云永远是站在一个我等想不到、触不及的高度，他甚至提出了机器智能的未来概念。机器智能俺肯定不懂，人工智能咱也只能算是半路出家的半个专家。所以，在这里笔者将"未来照进现实"，揭秘人工智能之技术，谈论人工智能的现状，并阐述人工智能技术如何产品化。笔者深深认为，只有将人工智能技术进行踏实的产品化，才是公司的正道正解，是将人工智能进行到底的不二途径。

人工智能之技术

现在的人工智能核心技术是深度学习，目前的深度学习是基于监督学习的。大量的数据样本用来描述数据间的匹配关系，深度学习以此训练神经网络的海量参数。以最通俗的语言来说，神经网络其实是以无与伦比的暴力记忆能力、以海量参数生硬地记住了数据间的匹配关系，再以无可匹敌的计算能力重现了此关系。

打一比方。现在的人工智能就像是打球熟练的球手，千万次的挥拍之后，身体有了自然的肌肉反应。所谓，兵来将挡水来土掩是也。当然不同的球手会有不同的反应，正如神经网络会收敛到不同的local minima， 于是网络性能有高下之分，球手有强弱之别。

特别是，在所谓的完整信息complete information系统中，也就是说系统的输入与输出有完整的定义，人工智能的确可能完胜人类。究其原因，人毕竟在记忆能力和计算能力和电脑相比有所不足。论记忆样本，电脑见到可以是完整信息体系下的全部样本（如果可以有限穷举），或极大数样本；而单个人脑所涉及的样本终究有限。同样地，电脑，既使简单如计算器，计算也比人脑快好几个数量级。

完整定义的输入输出具有很强的局限性，因而此类人工智能被称为弱人工智能。与此相对的是强人工智能，如何在信息不完整的条件下做出判断。此时，电脑不知道要算什么，或者既使知道，计算量超出现在的计算能力，从而算不出来。人类却可以利用已有的知识体系来＂填补＂不完整的信息，从而进行有效的推测。当然，这方面的研究也是日新月益，最近的一个成功例子是CMU研究者开发的Libratus系统赢得了No-Limit Texas Hold’em Poker Game，但她不是基于深度学习的。

人的认知有三大区域：舒适区、学习区、恐慌区。在舒适区呆着，学不到任何新知识。出了舒适区，就进入学习区，这是人学习的主要渠道。当然离舒适区太远，进入恐慌区，人其实啥都学不到，只知道恐慌。弱人工智能其实是在舒适区学习，只有知识都定义好，数据足够多，那的确可能学得很好，甚至超过人。但一旦测试数据不在舒适区，尤其当计算机遇到突发情况、以前未曾谋面的Outliers时，效果马上突降，人工智能变成人工稚嫩，神经网络出＂神经刀＂之举，而人是保持一定的认知水准之上。

试举几例。AlphaGo在和李世石下第四盘时，突然＂发癫＂，从而断送大好形势，自毁锦绣前程。Telsa Autopilot会把横穿马路的白色大平板车当作白云，速度依旧，导致对无人车充满激情的Joshua Brown先生命丧黄泉。大获成功的ImageNet的winner algorithm， 居然会把熊猫认作猩猩，哪怕只是在熊猫的原图中加入一点点微小的有结构性的干扰信号。

上述现象其实本质上不难理解的，原因来自于数据收集的局限性的：一是数据收集的不可靠性；二是数据收集的不可穷举性。更深层的原因来自于神经网络的不可解释性，黑箱性质导致只知其然，而不知其所以然。当然即使出了错误也不知道，只能是事后弥补，也就是把outliers收集下来，重新训练神经网络，希望迭代后的网络可以训练得更好更强。

不得不说，这距离通用的人工智能(即强人工智能)差得十万八千里。 强人工智能是指机器完全复制人类智慧，包括人类的独立学习和决策能力。还是谭铁牛院士总结得非常好：＂人工智能是有智能没智慧，有智商没情商，会计算不会算计，有专才无通才＂。

人工智能之现状

随着人工智能第二春的来临，人工智能呈现缤纷繁杂、甚至互为矛盾的诸多现状。她时而显得神秘，甚至神圣，但却又被逐渐被普罗大众接受，甚至有娱乐化的倾向。虽然大小公司皆AI＋，泡沫仍在不断被放大。

人工智能的神秘化。人工智能击败了人类，计算机深度神经网络完胜大脑，这样的标题不时出现在媒体报道中。横空出世的AlphaGo与李世石的人机对决让媒体报道达到了一个小高潮。曾经以为念念不忘的机器故事是永远不变的传说，却在AlphaGo的黑白棋子间成了永不褪色的背景。尤其是神经网络的黑箱性质和不可解释性，更是给人工智能披上了一层神秘面纱，抹上了一丝神秘色彩。

人工智能的神圣化。在人工智能屡屡战胜人类的背景下，似乎只要是人工智能出马，一切OK，万事搞定。甚至有人认为，只要数据足够多，网络足够深，内存足够大，可以记住全世界。什么牛顿的三大定律，爱因斯坦的相对论，全部靠边站。人工智能会很快替代低端重复性劳动（这确实很有可能），甚至连医生、律师、科学家等高端职业亦会很快消失（这其实不太可能）。

人工智能的大众化。李飞飞在最近一次的谷歌云产品发布会提出来了一个口号：＂Democratizing AI＂。意思是指要让普通大众通过谷歌云提供的接口直接获取AI的最新技术，占据AI带来的用户入口。亚马逊的Alexa Echo目前在语音入口之争中占得上风，百度开源无人车操作系统恐怕也是要攫取车联网的入口。

人工智能的娱乐化。现在不仅VC加大加紧投入，企图赶上＂风口＂，生怕错过了下一个独角兽；媒体杂志甚至娱乐节目也争相报道采访。于是，AI专家满天飞，言必称大数据深度学习，ImageNet、AlphaGo满嘴跑。明明是IT会议，活生生变成AI会议。于是乎，AI专家快和娱乐明星接近等同。人工智能也一夜暴红，进入了大众视野，逐渐＂深入人心＂。

人工智能的泛滥化。与娱乐化对应的是人工智能的泛滥化。正所谓＂忽如一夜春风来，千公万司被AI。＂任何公司，不论是巨头、老牌公司，还是新贵、startup，不管是生产电器的，亦或是提供服务的，都在往人工智能上靠，都要沾AI的光。＂人工智能＋＂的口号也算是一个侧证；但是，＂＋＂的重点不是为了加而加，而是为何加，如何加。

人工智能的泡沫化。不可否认的是，人工智能的兴起的确给笔者的同行们带来了切实的好处。最大的好处就是工作好找，工资高企。以前，如联想CTO芮勇博士所语，做AI的被认为是骗子，学术教授们的＂投资回报＂不成正比。现在，学术教授则成了香饽饽，各大公司争相挖人，八位数的工资亦不少见；或者，干脆直接VC投资创业，争取尽早实现财富自由。那怕刚毕业的fresh PhD, 也有报道收入达百万美金！这么高回报率肯定也是不合理的。随着泡沫越吹越大，最终的结果恐怕只会是破灭。

更有甚者，有人说，中国当前最火的行业有二个，一是房地产，另一是人工智能。难道人工智能已经达到了与房地产相提并论的泡沫高度？

人工智能之产品化

人工智能纵有＂千变万化＂，她真正需要的是产品化，踏踏实实的产品化，化人工智能为实实在在的生产力。

产品与技术是相辅相成的。在商业公司里，通常产品为主导，技术为驱动。也有以技术为核心，最后找到产品出口，从而实现转化。

产品是商业公司的立足之本。只有产品为客户提供了真正的价值，产品才能为客户接受，客户才会真心愿意买单，公司从而可以完成赢利。公司由此获得养分，有了进一步发展的空间，开发更新更好的产品，完成一个正向循环。正如Steve Jobs说的，＂You got to start with the customer experience, and work backward to the technology.＂

产品价值的体现是多方面的，主要是解决客户的痛点问题：省时省力，提高效率。人工智能的产业化就是要针对痛点痛下杀手；若只是隔靴搔痒，后面的想象空间就不大了。

当找到了产品的痛点场景之后，与场景匹配的数据流随之定义了数据的输入与输出，数据釆集的大戏开场了。同时，这也需要产品设计时要有数据釆集的意识，不然会造成核心数据的缺失，无法产生直接可用的监督信号。

在产品化时，必须要充分认识到现有人工智能技术的局限性，尤其是当场景的复杂度很高时，数据收集达不到完整程度。试以无人车为例，道路桥梁千种万种，自然条件变化多端，驾驶人员粗心大意随心所欲，导致corner cases层出不穷，这就造成了无人车从L2到L3的鸿沟迟迟无法被飞越。

很多情况下，人工智能系统更适合做个安静的贴心助手，不知疲倦地观测一些特定场景，并及时给出提示。这要求人机有很好的交互设计，以免人类的自尊心受损。

就创业而言，正如李开复博士说的，技术大牛＋产品经理是最佳拍档。产品经理负责场景定义，技术大牛负责技术实现。运营也是不可或缺的一部分；没有运营，产品滞销。虽说是＂酒香不怕巷子深＂、＂金子迟早会发光＂，只怕巷子太深闻不到酒香，发光太迟湮没在土中，熬不到雨过天晴阳光灿烂之时。

沙龙讨论

巧合的是，蚂蚁金服的首席科学家漆远也持同样的观点。他最近在北大的一次演讲中强调了人工智能应该落地的观点，并发朋友圈。我们在CVPR学术精英沙龙里也进行了相关讨论。

周少华：＂@漆远 深有同感。借用你家马总的话，AI技术再牛，So TM What? 没有场景，落不了地，只能吊在空中。＂

漆远：＂落地，也就是真的解决问题很重要。作为以前的美国老师，我们是职业吹牛的，要不怎么从nsf和nih拿funding？[偷笑]但回国一看，吹牛的更多，到处是AI专家[呲牙]真正技术有深度或者解决问题的很少。用NSF的标准说，这些工作的intellectual merits 和/或者broad impacts是什么？＂

虞晶怡－上海科技大学教授、叠境公司CEO：＂一语中的＂

王刚－新加坡南洋理工大学教授：＂是不是因为VC的标准是吹牛吹得好不好？[呲牙]＂

漆远：＂国内VC的proposal review panel可能还不如美国的nsf panel[偷笑]＂

漆远：＂@周少华 现在言必称open ai 或deep mind 等buzz words很时髦。相信deep mind应该比hinton更出名了。在北大我说AI圈现在娱乐圈化了[呲牙]＂

周少华：＂当然反过来，技术也很重要。有产品需求，技术达不到也是大问题。overpromise. 所以产品＋技术的完美结合才是正道。＂

漆远：＂我们是运营加产品加技术[愉快]＂

结束语

套用Jack的话，＂我有不同的看法。机器战胜了人类，STMWhat to do now？机器打败人不值得夸奖，机器要做人类的好助手。做好产品化，让机器更好地为人类服务，而不是成为人类的对手。＂

小伙伴们，让我们摞起䄂子加油干吧！💪🏼

－－－－

版权申明：版权属于作者本人（周少华）。欢迎大家朋友圈转发。公众号或媒体有兴趣转载，请与我联系。

－－－－

第8期未来论坛青创联盟线上沙龙
交叉学科讨论议题

“肌肉再生与AI图像分析交叉的可能”

本次报告会上，黄仕强教授将对再生医学，以及有关再生医学与仿生学的交叉领域和发展趋势进行介绍。周少华教授将介绍机器学习与领域知识相结合的“机器学习+知识建模”方法，能够在医学图像识别、分割和解析等许多任务上实现最先进的性能。

活动议程

10:00-10:05  主持开场 

10:05-10:35  肌肉的再生医学与仿生学——黄仕强

10:35-10:55  Machine learning + Knowledge Modeling for Medical Image Analysis——周少华

10:55-11:35   跨学科讨论+Q&A——张璐（主持）黄仕强、周少华、曹楠、周华

参与嘉宾

黄仕强：中科院动物所研究员、未来论坛青创联盟成员

周少华：中科院计算所研究员、未来论坛青创联盟成员
曹楠：中山大学中山医学院教授、青年千人、未来论坛青创联盟成员
张璐：Fusion Fund 创始合伙人、未来论坛青年理事

 

跨学科议题

1. 如何结合器官组织模型与代谢组学、基因组学和AI技术，来模拟和理解疾病

2. 如何结合器官组织模型与新型成像技术，来剖析发病机制和筛选新药物

3. 如何结合器官组织模型与材料工程、电子工程和3D打印，来构建“人造肉”和“生物机械”

报名方式

1. 加入微信群，扫以下二维码，添加未来论坛小助手，请标注姓名和单位，申请加入YOSIA Webinar微信群。

2. 加入QQ群，搜索群号：206523081，申请加入“未来论坛青年科学家”QQ群，请备注姓名-单位（没有备注无法通过）。每期 Webinar 预告和直播间地址将在群里发布。

参会规则

1. 依托直播平台进行，听众可以同步看到演讲幻灯片，听到语音并通过相应功能聊天互动；支持Windows、Mac系统和手机观看。

2. 活动前5分钟进入直播间，确保网络环境稳定。

3. 演讲者讲话期间请不要提及无关内容，以免影响活动的正常进行。

4. 活动中若出现语音或视频断联的情况，建议尝试推出重新进入。

感谢本期Webinar支持合作：

---

YOSIA Webinar 旨在促进交叉学科的深度学术交流，探讨科研尖端问题，期望通过启发跨学科、跨领域合作，为学术研究带来新思维角度。本期邀请学术造诣深厚的联盟成员分享其研究领域专业知识，提出对跨学科的需求和思考，在讨论环节带动交叉学科科研人员深度思考、碰撞激发，推动跨学科合作。

未来论坛青年科学家创新联盟 简称“青创联盟”，为全球优秀的华人青年科学家提供学术探讨与思想交流的平台，在跨界碰撞中畅想未来，在交叉合作中孕育新思想，以共同推动跨界前沿科学的进步，从而发掘科研界的未来世界级领袖。青创联盟成员可以在未来论坛平台上开展学术分享、科普宣传和科技成果转化。