直播连麦贾扬清，谈谈他所理解的四大 AI 落地问题

直播连麦贾扬清，谈谈他所理解的四大 AI 落地问题 | 攻“疫”技术公开课

2020 年 2 月 19 日 CSDN

从机器学习模型的层次来看，大致经历了两次发展浪潮：浅层学习（Shallow Learning）和深度学习（Deep Learning）。

1980年代，人工神经网络的反向传播算法（也叫Back Propagation算法或者BP算法）的出现让一个人工神经网络模型从大量训练样本中学习出统计规律，从而对未知事件做预测，这掀起了一轮基于统计模型的机器学习热潮。

彼时的人工神经网络，虽然被称作多层感知机（Multi-layer Perceptron），但实际上只含有一层隐层节点的浅层模型。

进入到1990年代，支持向量机、Boosting等各种各样的浅层机器学习模型相继提出。但这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。但这些模型在无论是理论分析还是应用都获得了巨大成功。

与此同时，深度学习作为机器学习的一个分支，经历了短暂的辉煌，而后由于过拟合、训练速度慢等问题很快陷入沉寂。

当时，坐冷板凳的研究者有后来被称为深度学习之父的Geoffrey Hinton。功夫不负有心人，Hinton最终提出了一个实际可行的Deep Learning框架，在其研究中提出具有优异的特征学习能力多隐层的人工神经网络，并通过“逐层初始化”（Layer-wise Pre-training）克服了深度神经网络的训练难度。于是，深度学习重启了机器学习发展的浪潮。

区别于传统的浅层学习，深度学习的不同在于其强调了模型结构的深度，以及明确突出了特征学习的重要性。不过，深度学习的出现并没有替代浅层学习所发挥的作用。如今，多数分类、回归等学习方法为浅层结构算法，而深度学习一度成为了AI的一大代名词。

但是，无论是浅层学习还是深度学习，在实际应用时在算法和工程层面存在诸多局限，这也为AI的落地带来了挑战。

挑战总是与机遇并存。跳脱出深度学习面临的桎梏，AI未来怎么发展？

去年4月，刚刚成为“阿里新人”的Caffe 之父贾扬清在内部分享了他对AI发展的思考与洞察。其中，他重点指出了传统的系统、体系结构等知识，以及计算机软件工程的实践会给 AI 带来的新机会：

软件效率的提升。传统的 AI 框架都是手写高性能代码，但是模型如此多变，新的硬件平台层出不穷，已经看到可以通过编译器技术和传统的人工智能搜索方法反过来优化AI框架的潜力。

平台整合能力的提升。在大规模应用中，数据量非常大，模型非常复杂，集群还会出现各种调度的挑战，这些对于我机器学习平台，以及云上向客户提供的服务提出了挑战。

软硬件协同设计能力的提升。在深度学习的计算模式开始逐渐固化的时候（比如说 CNN ），新硬件和特殊硬件（比如 ASIC ）的优势就开始体现出来了。如何实现软硬件的协同设计，防止“硬件出来了，不知道怎么写程序”或者“模型已经变了，硬件一出来就过时了”这样的问题，会是将来几年中很大的方向。

在他看来，快速迭代带来的大量机遇和挑战非常令人兴奋，无论是有经验的研究者还是新学 AI 的工程师，在当今云化，智能化的年代，如果能快速学习并刷新算法和工程的各种挑战，就可以通过算法创新引领并且赋能社会各个领域。

那么，在当下AI规模化落地需求面前，AI工程师如何应对挑战并抓住机遇？

2月20日（本周四）晚19:00，阿里CIO学院联合CSDN联合发起的攻“疫”技术公益培训第二场，邀请阿里巴巴集团副总裁贾扬清向你发来对话邀请，探讨近年来人工智能算法和系统的进化过程。他将从会从人工智能的定义讲到当代发展，并对当前业内流行的深度学习、浅层学习、增强学习做深层次的解读，同时从技术角度阐述产品形态和用户场景。

通过本次直播，贾扬清将在直播中重点阐述以下AI四大问题：