2016年12月29日，大概又是一個(gè)會(huì)被載入史冊的日子。名叫SkyNet，哦不，是”Master”的圍棋AI，開始了第一次對(duì)人類的血洗。

在奕城的第一晚，Master十戰(zhàn)全勝；第二日，橫掃韓國第一人樸廷桓九段、世界第一人柯潔，比分都是2比0；第三日，陳耀燁九段、金庭賢五段、范廷鈺九段、羋昱廷九段和唐韋星九段依次落馬；再之后是古力、時(shí)越、金志錫、井山裕太；到了1月4日，聶衛(wèi)平老先生以7目半落敗。最終戰(zhàn)績，Master 60勝0負(fù)1平（平的那局是因?yàn)榈艟€）

自此，Artificial Intelligence（AI），這個(gè)在2016年已經(jīng)如日中天的buzzword，再一次傳遍大街小巷。人們沉浸在對(duì)AI的崇拜、慌亂與恐懼之中，然而作為吃瓜群眾的筆者卻在想一個(gè)問題：如果DeepMind沒有事先與各國棋院通氣，整個(gè)事件如何能進(jìn)行得如此順利，在時(shí)間上如此緊湊？所有重要的世界高手，都在短短幾天的時(shí)間窗口內(nèi)騰出了時(shí)間，如果說沒有提前策劃和組織，實(shí)在有點(diǎn)難以置信。掐指一算自從3月份AlphaGo的橫空出世，DeepMind已有9個(gè)月時(shí)間沒有在圈外露臉，大概它也感受到了營銷的壓力吧。

其實(shí)縱觀2016年，在阿爾法狗狗的帶領(lǐng)之下，AI界隔三差五地在圈內(nèi)外制造著騷動(dòng)：3月，除了人盡皆知的AlphaGo事件，李開復(fù)關(guān)于人工智能博士200w＋美金年薪的文章刷屏；4月，Google著名的深度學(xué)習(xí)框架TensorFlow發(fā)布分布式版本；6月，Prisma上線，紅極一時(shí)；8月，Google發(fā)布基于深度學(xué)習(xí)的NLU框架SyntaxNet； 9月，Google上線基于深度學(xué)習(xí)的機(jī)器翻譯，索尼用人工智能寫了兩首歌；10月，微軟宣布語音識(shí)別達(dá)到人類水平；11月，計(jì)算機(jī)視覺學(xué)術(shù)大牛李飛飛老師下海進(jìn)入工業(yè)界；12月，DeepMind在NIPS16會(huì)議上宣布DeepMind Lab開源。一切的一切，都在各大媒體冠以【重磅】開頭的新聞標(biāo)題之下，一次次地牽動(dòng)著廣大吃瓜群眾的神經(jīng)——然而這些成就實(shí)際上離我們的生活又是那么的遙遠(yuǎn)。

在科技的歷史上，從未有任何一項(xiàng)科技，在它的大規(guī)模真實(shí)應(yīng)用之前，有持續(xù)一年甚至幾年的營銷運(yùn)動(dòng)。在這個(gè)風(fēng)口之上，在這個(gè)AI幾年的造勢運(yùn)動(dòng)把人們的期望與恐懼推上一個(gè)歷史頂點(diǎn)，而其真正落地應(yīng)用又遙遙無期的一個(gè)尷尬節(jié)點(diǎn)，是時(shí)候冷靜下來回顧一下AI的營銷史了。

一、一些概念和歷史

有幾個(gè)概念需要先明確一下，因?yàn)槲野l(fā)現(xiàn)在今日媒體的狂轟濫炸之下，有大批AI民科是分不清像“人工智能”、“機(jī)器學(xué)習(xí)”、“深度學(xué)習(xí)”這些概念的關(guān)系的（例如我認(rèn)識(shí)的非科班出身的人有90％認(rèn)為機(jī)器學(xué)習(xí)＝深度學(xué)習(xí)）。當(dāng)然這些概念的含義也一直在“與時(shí)俱進(jìn)”，不過學(xué)界還是有一個(gè)相對(duì)統(tǒng)一且合理的認(rèn)知，可以幫助我們闡述問題。下面這張圖描述了其中最重要的幾個(gè)概念之間的關(guān)系

“人工智能”這個(gè)buzzword，常常會(huì)因?yàn)闋I銷或者新聞報(bào)道的需求而被賦予不同的含義，其外延有時(shí)等同于“機(jī)器學(xué)習(xí)”，有時(shí)不等同，所以最外圈的這個(gè)等號(hào)并不完全準(zhǔn)確。不過在2016年被大家普遍討論的這些“AI”，可以認(rèn)為基本上就是機(jī)器學(xué)習(xí)。內(nèi)部的四個(gè)小圈則是學(xué)術(shù)上有確定外延的四個(gè)概念，代表了當(dāng)前最重要的四個(gè)問題領(lǐng)域，是需要明確的重點(diǎn)概念。

有監(jiān)督學(xué)習(xí)（supervised learning）——讓機(jī)器觀測到一些輸入，并告訴機(jī)器在這些輸入下應(yīng)該產(chǎn)生什么樣的輸出。機(jī)器通過這些數(shù)據(jù)學(xué)習(xí)出一個(gè)模型，之后給它新輸入的時(shí)候，它能夠根據(jù)模型預(yù)測應(yīng)該產(chǎn)生什么樣的輸出。比如機(jī)器看到一個(gè)圖片，可以判斷圖片中的物體屬于哪一個(gè)分類。

無監(jiān)督學(xué)習(xí)（unsupervised learning）——讓機(jī)器觀測到一些輸入，而沒有標(biāo)準(zhǔn)輸出，讓機(jī)器自行去總結(jié)這些輸入數(shù)據(jù)有什么統(tǒng)計(jì)特征，并生成有意義的產(chǎn)出。例如自動(dòng)把大批文章聚成相似的幾類，又例如給計(jì)算機(jī)看一些小狗小貓的照片，讓計(jì)算機(jī)自動(dòng)生成一些新的（與看過的相似但又不同的）小狗小貓的照片。

增強(qiáng)學(xué)習(xí)（reinforcement learning）——讓機(jī)器觀測到一些輸入，并讓機(jī)器根據(jù)輸入做特定動(dòng)作（action）。這些動(dòng)作導(dǎo)致機(jī)器獲得收益或者懲罰（reward）。機(jī)器通過增強(qiáng)學(xué)習(xí)優(yōu)化它的動(dòng)作策略（strategy），使得它的長期收益最大化。下棋就是這一類典型的問題，strategy就是行棋策略，reward就是贏棋。

深度學(xué)習(xí)（deep learning）——事實(shí)上不是一類問題，而只是一種方法，一種通過多層神經(jīng)網(wǎng)絡(luò)來構(gòu)建上述三種問題所需要的模型的方法。

回到歷史。這一波的AI熱，最早應(yīng)歸功于Hinton老頭子的文章《A fast learning algorithm for deep belief nets》這篇文章是2005年寫的，截至2017年1月14日已有5000＋的引用，足見其影響力）這篇文章實(shí)際上是用一種無監(jiān)督學(xué)習(xí)的方法實(shí)現(xiàn)了對(duì)原始數(shù)據(jù)逐層抽取深度特征，而這些深度特征可以被用為有監(jiān)督學(xué)習(xí)的特征來提高有監(jiān)督學(xué)習(xí)的準(zhǔn)確率。這解決了長久以來神經(jīng)網(wǎng)絡(luò)“無法做深”的痛點(diǎn)（原因是訓(xùn)練信號(hào)會(huì)隨著深度增加而被稀釋，有興趣的讀者可查閱相關(guān)資料），算是一個(gè)比較大的貢獻(xiàn)。不過當(dāng)時(shí)這個(gè)文章傳達(dá)的大方向是用無監(jiān)督學(xué)習(xí)的方法抽取特征（這個(gè)過程叫做pre－training），并沒有把重點(diǎn)放在有監(jiān)督學(xué)習(xí)本身的模型上，所以當(dāng)時(shí)的同學(xué)們對(duì)于有監(jiān)督／無監(jiān)督在方向選擇上是有點(diǎn)迷茫的。

這種迷茫直到2012年還存在。這一年的一件大事是Andrew NG等人的Google Brain團(tuán)隊(duì)，搞了一個(gè)龐大的分布式深度學(xué)習(xí)，在ImageNet圖片物體分類競賽中把對(duì)手遠(yuǎn)遠(yuǎn)甩在了身后（《Building High－level Features Using Large Scale Unsupervised Learning》）前面已經(jīng)說過，物體分類是一個(gè)有監(jiān)督學(xué)習(xí)任務(wù)，但是由于Hinton老爺子定下的無監(jiān)督學(xué)習(xí)基調(diào)，Andrew NG等人還是把重心放在了無監(jiān)督學(xué)習(xí)生成特征上面，并且做出了那幅著名的“機(jī)器學(xué)習(xí)出來的貓”。有趣的是，在2012年的NIPS上，Hinton和NG的團(tuán)隊(duì)同時(shí)放棄了pre－training。失去了pre－training的幫助，就需要其他方法解決訓(xùn)練信號(hào)被稀釋的問題，Hinton團(tuán)隊(duì)的方法是換了一種叫做ReLU的激活函數(shù)（ 《ImageNet Classification with Deep Convolutional Neural Networks》），NG團(tuán)隊(duì)的方法則是懟機(jī)器，大量的機(jī)器（《Large Scale Distributed Deep Networks》）。Hinton團(tuán)隊(duì)同時(shí)還拋出了CNN應(yīng)用到ImageNet上的表現(xiàn)，CNN和ReLU這兩個(gè)東西非常重要，成為此后深度學(xué)習(xí)研究的標(biāo)配。結(jié)果Hinton團(tuán)隊(duì)這篇文章的引用數(shù)有8000多，而NG團(tuán)隊(duì)的兩篇分別是700多和1000多。NG的營銷能力強(qiáng)，學(xué)術(shù)創(chuàng)新上卻總是比Hinton老爺子慢半拍。Anyway，自從12年NIPS這兩篇文章之后的一段時(shí)間，大家對(duì)無監(jiān)督學(xué)習(xí)就不怎么感冒了。

2012年Andrew NG團(tuán)隊(duì)無監(jiān)督學(xué)習(xí)生成的貓臉圖片。圖片來源：New York Times

也是從2012年的ImageNet競賽開始，AI進(jìn)入第一個(gè)營銷高潮。當(dāng)時(shí)的人們對(duì)于計(jì)算機(jī)識(shí)別小貓小狗這種事情還覺得很新鮮，于是接下來科研圈的開始對(duì)此類事情趨之若鶩。幾乎每個(gè)做機(jī)器學(xué)習(xí)的實(shí)驗(yàn)室都會(huì)嘗試一把在State－of－the－art的模型上做一點(diǎn)哪怕是很小的微創(chuàng)新，希望能產(chǎn)生ImageNet準(zhǔn)確率上一點(diǎn)哪怕是很小的提升，一旦成功了，就可以說自己是新的State－of－the－art。從那以后，大家開始只關(guān)心實(shí)驗(yàn)的準(zhǔn)確率，越來越少的人關(guān)心模型本身的理論價(jià)值。AI研究的方法論，從傳統(tǒng)科學(xué)的重視推理論證，變成了快速嘗試＋總結(jié)相關(guān)性（也就是所謂的“大數(shù)據(jù)思維”）。畢竟準(zhǔn)確率數(shù)字是很好拿出去說的，理論價(jià)值卻很難講清楚。 AI自此進(jìn)入營銷時(shí)代。

在AI學(xué)術(shù)界這一翻天覆地的變化背后，Andrew NG功不可沒。深度學(xué)習(xí)理論上的重要突破大多都不是歸屬于他的，然而他做了幾件重要的事情：2008年發(fā)起“Stanford Engineering Everywhere”（SEE）項(xiàng)目，把自己的機(jī)器學(xué)習(xí)課程曝光給全世界人民；2011年組建了Google Brain項(xiàng)目，這個(gè)項(xiàng)目初期的最主要產(chǎn)出之一就是后來被媒體大書特書的那張無監(jiān)督學(xué)習(xí)出來的貓臉，并且這個(gè)結(jié)果在報(bào)道的時(shí)候給人一種“機(jī)器有了自主學(xué)習(xí)能力”的認(rèn)知；2012年創(chuàng)立Coursera，在MOOC社區(qū)中進(jìn)一步營造出一種AI大繁榮的景象。NG大概是這幾年媒體出鏡率最高的AI學(xué)術(shù)圈人士。與其說是一位科學(xué)家，Andrew NG的角色更像是一位優(yōu)秀的AI產(chǎn)品經(jīng)理及營銷人員，他的營銷能力在圈內(nèi)早已得到公認(rèn)。關(guān)于NG的營銷能力，在NIPS 2016會(huì)議上還有一個(gè)有趣的小細(xì)節(jié)，將會(huì)在后面提到。

回到我們的時(shí)間線，鑒于2012年底深度學(xué)習(xí)在有監(jiān)督學(xué)習(xí)上的巨大成功，一段時(shí)間內(nèi)大家忙于把這項(xiàng)技術(shù)推廣到各個(gè)應(yīng)用領(lǐng)域跑馬圈地（其實(shí)主要還是圖像和語音），暫時(shí)忘掉了無監(jiān)督學(xué)習(xí)和生成貓臉的事情。到了2014年，當(dāng)各個(gè)領(lǐng)域都被圈的差不多了，學(xué)術(shù)界在苦苦尋找下一個(gè)噱頭的時(shí)候，大神Ian Goodfellow通過一個(gè)叫做“干”的東西（GAN，Generative Adversarial Network）把無監(jiān)督學(xué)習(xí)重新帶回了人們的視線?！案伞备傻木褪恰敖o計(jì)算機(jī)看一些小狗小貓的照片，讓計(jì)算機(jī)自動(dòng)生成一些新的（與看過的相似但又不同的）小狗小貓的照片”這樣一件事情，不同點(diǎn)在于，它干的非常不錯(cuò)。一時(shí)間，AI學(xué)術(shù)界迅速高潮了，紛紛競爭起生成圖片（以及語音、音樂等各種其他東西）的生意來。大家也并不關(guān)心我們?yōu)槭裁葱枰蛇@些圖片（相比之下語音合成和自動(dòng)生成音樂反而更容易理解一些），大概只是覺得“能干這件事情看起來就很牛逼”，于是就做了，而且做的越來越好。下圖是Ian Goodfellow在NIPS 2016上講GAN的Tutorial里展示的一個(gè)生成小動(dòng)物的demo（《NIPS 2016 Tutorial： Generative Adversarial Networks》）。

GAN生成的小動(dòng)物圖片。圖片來源：Ian Goodfellow， NIPS 2016 Tutorial： Generative Adversarial

與此同時(shí)，DeepMind在增強(qiáng)學(xué)習(xí)上的努力，則一直在相對(duì)低調(diào)地進(jìn)行。增強(qiáng)學(xué)習(xí)在很長一段時(shí)間內(nèi)被認(rèn)為是“僅停留在學(xué)術(shù)研究”的存在，因其難以降下來的巨大狀態(tài)空間和動(dòng)作空間，很難做出一個(gè)可展示又足夠吸引吃瓜群眾的demo。因而在AlphaGo誕生之前，增強(qiáng)學(xué)習(xí)的研究一直處于一個(gè)不溫不火的狀態(tài)。一個(gè)叫做“DQN”的東西的出現(xiàn)打破了這個(gè)局面。通過把深度學(xué)習(xí)應(yīng)用在strategy的學(xué)習(xí)更新上，巧妙避開大狀態(tài)空間和動(dòng)作空間，DQN使得在一個(gè)相對(duì)小的多的參數(shù)空間內(nèi)訓(xùn)練成為可能（《Playing Atari with Deep Reinforcement Learning》）。這是一個(gè)了不起的成就，為后來的AlphaGo奠定了基礎(chǔ)。這個(gè)偉大想法產(chǎn)生的時(shí)間在2013年以前（前述文章在2013年發(fā)表），而直到2015年AlphaGo問世之后才被廣為傳頌。可見一個(gè)漂亮的demo是多么重要。

再然后，就是大家都知道的事情了。

二、一些奇怪的現(xiàn)象

AI圍棋戰(zhàn)勝人類，本身是一個(gè)偉大的成就。然而在這個(gè)偉大浪潮推動(dòng)下的AI學(xué)術(shù)大躍進(jìn)與創(chuàng)業(yè)熱中，卻出現(xiàn)了很多奇怪的現(xiàn)象。

理性地分析AI這個(gè)事情，至少應(yīng)該提三個(gè)問題：1． 這玩意到底做不做的出來；2． 假如這玩意能做出來，那么它做出來以后到底有沒有應(yīng)用前景；3． 假如這玩意能做出來且有應(yīng)用前景，它會(huì)不會(huì)毀滅人類。這三個(gè)問題是層層遞進(jìn)的關(guān)系，對(duì)1的答案是肯定的討論2才有意義，對(duì)2的答案是肯定的討論3才有意義。于是有了第一個(gè)奇怪的現(xiàn)象：大部分的吃瓜群眾，直接跳過了1、2而去關(guān)注3。甚至他們中的樂觀主義者，直接跳過123，開始充滿自信地迎接這個(gè)“未來趨勢”了。是Alpha狗狗給我們的信心過于足了嗎？

要知道，真正的AI工作者甚至對(duì)問題1都沒有足夠的自信。不錯(cuò)，AlphaGo毫無疑問“已經(jīng)做出來了”，但不要忘了，圍棋再復(fù)雜，它仍然是一個(gè)游戲；從一個(gè)兩頁紙即可將規(guī)則全部講明的游戲到一個(gè)充斥著復(fù)雜場景的現(xiàn)實(shí)世界，有著巨大的鴻溝需要跨越。在NIPS 2016上，可以明確地感受到，DeepMind已經(jīng)處在一個(gè)深陷游戲之中無法自拔的尷尬狀態(tài)——不僅幾乎所有的paper都是以游戲?yàn)閐emo的，甚至有些研究的目標(biāo)都是奔著游戲而去的（例如有的工作研究人類玩游戲時(shí)是否用到了先驗(yàn)知識(shí)，有的工作研究人類玩游戲時(shí)的學(xué)習(xí)曲線，分的很細(xì)）。游戲在這些的研究中并不只是一個(gè)用來展示的demo，而就是研究的核心。DeepMind在AlphaGo之后一直宣稱的進(jìn)軍醫(yī)療這件事，卻在NIPS 2016上幾乎不被人提起。

有意思的是，擅長營銷的Andrew NG在NIPS 2016的演講還趁機(jī)輕踩了一下他不太涉足的無監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)。他在白板上畫了這樣三條曲線。

意思是說，有監(jiān)督學(xué)習(xí)的應(yīng)用在2011年起步，到現(xiàn)在已經(jīng)比較成熟了；無監(jiān)督學(xué)習(xí)剛剛起步；增強(qiáng)學(xué)習(xí)的真實(shí)應(yīng)用則還是遙遠(yuǎn)的未來。雖然脫不開為自己營銷之嫌，這個(gè)說法本身還是比較靠譜的。連李開復(fù)也在幾天前發(fā)的一篇長文《AI創(chuàng)業(yè)的十個(gè)真想》中，白紙黑字地說到“AlphaGo本身沒有商業(yè)價(jià)值”。像下圍棋這樣的增強(qiáng)學(xué)習(xí)技術(shù)應(yīng)用到真實(shí)的生活生產(chǎn)，產(chǎn)生游戲之外的價(jià)值，不說是一個(gè)遙遠(yuǎn)的未來，至少還是一個(gè)技術(shù)上比較不確定的事情。

第二個(gè)奇怪是沒有人問問題2。普通人并不奇怪，奇怪的是產(chǎn)品經(jīng)理這樣一群人，他們在平日工作中對(duì)一個(gè)產(chǎn)品的應(yīng)用前景的拷問，可以苛責(zé)到極致；而到了AI這件事上，卻看不到一篇在產(chǎn)品技術(shù)層面客觀剖析應(yīng)用前景的文章。一個(gè)最明顯的例子是最近大熱的聊天機(jī)器人。不知道“聊天機(jī)器人將是下一代的操作系統(tǒng)”這樣一個(gè)牛皮是如何在業(yè)界傳播開來的？再重復(fù)一遍，“聊天機(jī)器人將是下一代的操作系統(tǒng)”，這話聽上去就需要很多解釋和論證吧？反正每當(dāng)我在一個(gè)網(wǎng)站正常服務(wù)點(diǎn)不進(jìn)去，不得不求助在線客服或者是電話客服（指人工客服）的時(shí)候，就已經(jīng)很不爽了。當(dāng)然不是說別人想法都和我一樣，但是對(duì)于一個(gè)與用戶直接交互的界面，是不是至少應(yīng)該做個(gè)用戶調(diào)研，再說“聊天機(jī)器人將是下一代的操作系統(tǒng)”這樣的話？

第三個(gè)奇怪有關(guān)成本。Facebook圍棋項(xiàng)目負(fù)責(zé)人田淵棟前日在自乎專欄上寫過這樣一段文字：

“在八月份美國圍棋大會(huì)上，我有幸見到了AlphaGo的主要貢獻(xiàn)者黃士杰（AjaHuang）和樊麾。我問他們，我們用了大概80到90塊GPU來訓(xùn)練模型，我是否可以在演講時(shí)說我們用了AlphaGo百分之一的GPU？那時(shí)Aja神秘地笑了笑說：具體數(shù)字不能講。不過，也許小于百分之一吧。”

一塊GPU大約兩萬人民幣，算算總共要花多少錢吧。這還遠(yuǎn)不是全部，還有以月記的計(jì)算時(shí)間、電力／帶寬消耗，以及那么多份200w美金的工資。

當(dāng)然這樣估算成本未必科學(xué)。我想表達(dá)的是，唯獨(dú)在AI這件事上，人們似乎表達(dá)出了對(duì)于成本問題前所未有的寬容。這寬容體現(xiàn)在除了真正在一線做AI的工程師，極少有人關(guān)注成本問題。另外需要澄清的是這里疑問的點(diǎn)是“人們不關(guān)注”，并不是想表達(dá)“AlphaGo勞民傷財(cái)了”這個(gè)意思。個(gè)人內(nèi)心里其實(shí)是把AlphaGo當(dāng)做一件偉大的藝術(shù)品來看待的，而藝術(shù)品是無價(jià)的——只有在討論藝術(shù)品的時(shí)候可以用“無價(jià)”這個(gè)度量，對(duì)于商業(yè)產(chǎn)品不行。

三、該怎么看待這件事情

不要預(yù)期過高，不要預(yù)期過高，不要預(yù)期過高。泡沫時(shí)代的我們已經(jīng)習(xí)慣了對(duì)未來事物預(yù)期過高。被透支的預(yù)期甚至成了維持經(jīng)濟(jì)的重要支柱。只是每一次泡沫破滅都會(huì)很疼。很懷念曾經(jīng)那個(gè)時(shí)代，在那個(gè)時(shí)代里，科學(xué)技術(shù)的進(jìn)步源于對(duì)真理的信仰與熱愛，而不是為了填補(bǔ)預(yù)期與現(xiàn)實(shí)的反差。然而那個(gè)時(shí)代已經(jīng)回不去了。

勤奮一些，學(xué)習(xí)真相。巴菲特從來不投資自己不熟悉的業(yè)務(wù)。如果不能判斷一件事情，那么就應(yīng)該真正學(xué)習(xí)它，知道它是什么東西，在積累了足夠知識(shí)之后做出判斷。如果少一些分不清“深度學(xué)習(xí)”和“機(jī)器學(xué)習(xí)”的關(guān)系的人，或許這個(gè)世界也會(huì)少一些錯(cuò)誤的風(fēng)向。接受無知而被營銷者和媒體的觀點(diǎn)擺布，是一件非?？膳碌氖虑?。就像我們有時(shí)不能從政府那里得到真相，在AI這個(gè)學(xué)界和工業(yè)界各種勢力利益關(guān)系已經(jīng)非常龐大復(fù)雜的領(lǐng)域內(nèi)，僅憑我們聽到的，恐怕很難得到真相。

如果AlphaGo僅僅是AlphaGo，那該多好啊。