第四范式创始人、CEO戴文渊在2018夏季达沃斯论坛接受了新鲜小只的专访。
今年被认为是后AI时代开启的一年，行业迎来应用落地，戴文渊表示，如今AI落地最大的难题是人才。AI在很多场景都能实现落地，大的场景包括金融、广告营销等，小的场景包括制造业瓷砖最后一道工序的甄别等，但目前AI未能在绝大多数场景落地。戴文渊解释称：“并非是AI不能做这些场景，而是没有人去做。现在的科学家太少了，今天我们只覆盖了价值最大的场景。”
戴文渊表示，在中国，AI人才的缺口在百万以上，据乐观估计，现在真正靠谱的AI科学家可能在千人以下。
在戴文渊看来，资本对AI的预期是十万亿甚至百万亿的市场，行业现在靠得是这些AI科学家来获取市场，所以获取市场的速度太慢，而估值增长非常快，是照着10万亿的市场上去的，如果发展跟不上这个速度，那么行业的泡沫有可能破灭。“如果今天整个AI行业有100万以上的人才，没有人会担心泡沫问题。”戴文渊说。
AI并非无所不能
迁移学习能够降低AI的数据门槛
记者：人工智能是近几年来炙手可热的风口，现在市场上面声音很多也很杂，在您看来什么才是真正的AI？
戴文渊：实际上AI和人的智能会有一定的区分，现在人们可能对AI的理解有一定的误区。
一种是说人能做什么，AI能做什么，比方说会有很多人讨论人和AI之间能不能发生一些情感关系这是一方面；另一方面会有一种声音是觉得人工智能是比人更强，比方说像我自己不知道怎么做，AI能不能告诉我应该怎么做。
其实这两种都不对，从专业的角度来看，AI是一种新的思考的器官，它可能是人的大脑的一个外延，它可能是一个比人更好的，甚至是比大脑更好的一种思考的器官，如果你有一些问题，一是想不清楚，二是你没有那么多的精力去想，你可以让计算机帮你去想，更清楚。
举个例子，假设新闻编辑在面对1亿受众时，不可能把每个人都分析一遍，理论上是可以的，假设这个编辑精力无穷，可以把每个受众都分析一遍，给每个人去设计，编辑出每个人爱看的稿，但现实是做不到的。他做不到不是因为他不够聪明，而是他精力有限，但是AI的精力是无限的，几乎是无限的，那如果我们有能力让AI学会这个编辑，哪怕是70%的能力，AI就能把编辑的思想去外延到每一个人，这就是今天所说的千人千面。
记者：您是迁移学习领域的专家，迁移学习可以解决哪些具体的问题？
戴文渊：迁移学习针对的是一个本领叫做举一反三或者触类旁通，这种能力其实对人来说非常平常，我们每个人都有迁移学习的能力，举个例子，假设我们学过数学，再去学物理时，我们发现学的数学知识都能够帮助到我们学物理，能让我们的物理学的更快更好。
但是非常遗憾的是在迁移学习之前，AI没有这个能力。AI怎么学呢？我先学数学，数学学完了以后去学物理，会把数学之前学到的所有东西忘记，然后再从零开始学物理，是一个不会数学的人去学物理，这就是为什么AI的学习效率会低。
我们知道AI的深度学习需要百万、千万以上的数据量才能够学会，当然人不一样，往往给人一两个例子，人就学会了一个方向，这就是人的触类旁通。
我们今天其实用迁移学习在解决问题，就是说能不能把相关领域，什么叫相关领域？就像数学，数学相关领域的知识能够去帮助一个目标领域，比方说物理，能够学得更好，然后能让目标领域所需要的数据量降低，深度学习需要百万千万以上的数据，我们用迁移学习能够把这个数据量能降低2-3个数量级。
实际上，今天的迁移学习仍有很长的路要走，我们知道人所需要的数据量大约是几个就能学会，迁移学习应该需要上万（数据量），所以，今天的迁移学习虽然比深度学习有很大的进步， 但和人比仍有很大的差距。
那么迁移学习主要会应用在哪？其实在很多数据丰富的场景并不一定需要用迁移学习，虽然学习效率低，但是我可以更努力，比方说你学五个样本，我学五千万个样本，达到比你更好的效果也可以。但是有些场景是没有大样本的，举个例子，比如说医疗场景下，有些疾病全世界没有几个人得过，这就不可能去分析那么多的样本，唯一的办法就是用迁移学习把所需要的样本数量降低，这是今天迁移学习要解决的问题。
AI落地过程中最大的难题是人才
国内靠谱的AI科学家人数不足千人
记者：今年开始，AI企业开始与更多的行业场景深入结合进行落地，在您看来，AI在落地的过程中难题有哪些？
戴文渊：其实AI在落地过程中最大的难题是人才。
我们所能看到的，实际上现在在很多不同的、千奇百怪的场景其实都能够落地，大的场景包括金融的风险、广告的营销、视觉领域的人脸识别、手写识别，音频领域的语音识别，有些小的场景其实都无法想象，比方说制造业瓷砖，瓷砖生产到最后一道工序时，我们要挑出正品和次品，这个事情从技术角度来说也不是那么难做，但是它是一个非常小的场景，它和人脸识别、安防相比是小场景。类似像这样的场景其实很多很多，例如像书店的电网，我们怎么去监控它的电线有没有断掉，这些都是一些过去不太容易想到的场景。
在今天，AI为什么没有在这些绝大多数场景落地？其实不是AI不能做这些场景，而是没有人去做这些场景，因为今天的科学家太少了，一共就是这么几个科学家，那我们把所有的场景拿过来，就请让这些场景排队，科学家太少，我们只能从价值最大的场景，往相对价值没有那么大的场景去做，（所以）今天我们只覆盖了价值最大的场景。
但是，如果我们有办法让今天的AI科学家的数量提升到今天APP开发者的数量，那整体情况又会完全不一样，我们知道，APP绝对不是说只有几个大场景，绝对不是，我们想得到的、想不到的，我们都能找到APP，这是因为有庞大的开发群体。
所以其实今天AI落地最大的问题就是人才，也是非常需要去解决的，这个问题不解决可能真的AI泡沫就会担心到来了。
记者：人才的供应跟不上AI技术的发展
戴文渊：对，市场对AI的预期是，AI是个至少10万亿，以前说大市场叫万亿，AI大家对它的预期是10万亿以上甚至百万亿的市场，但是我们所去获取市场的速度现在是靠着这些科学家在获取市场，所以获取市场的速度是太慢的，然而估值增长是很快的，估值增长是照着10万亿市场以上去的，所以如果我们跟不上，那就有可能这个泡沫就破了。
记者：这个缺口有多大？
戴文渊：人才的缺口在百万以上。而现在（中国）真正靠谱的AI科学家可能在千以下，这还是相对比较乐观的估计。
记者：您刚刚提到整个行业的泡沫现象，资本对AI非常看好，导致外界人工智能产生泡沫的这种担忧，您怎么看这个现象？
戴文渊：担忧其实是这样的，资本其实并不傻，他为什么会提前预知这样的价值，是因为有这么大的市场。那么泡沫什么时候会出现呢？就是把泡泡吹大了以后，如果你填不满它就会爆掉，现在所以很关键的就是AI落地的速度，就是如果你的落地速度最后能跟上泡泡增长的速度，泡沫就不会破裂，所以现在为什么说人才很关键，就是人才速度跟得上，AI可能都不是说泡沫的问题，可能是今天的估值又太低了，如果今天整个的AI行业有100万以上的人才，没有人会担心泡沫问题。
记者：今年被认为是后AI时代的开启，行业都开始迎来应用落地，甚至说不落地的企业可能就会面临死亡，您怎么看待现在AI发展的一个档口？
戴文渊：我觉得需要去兑现，因为整个资本市场把AI的水位抬的很高，所以这个阶段AI企业需要去兑现之前的承诺，所以为什么我们现在非常重视AI人才的问题，我们现在采取的一个方式和我们过去的方式是不一样的，过去更多的企业采取的方式是我找更多的科学家发展，但是我们的观点是这个市场一共就不到1000个科学家，你就算把这些人都网罗到一起其实也解决不了这个问题，全世界的AI的科学家都在你的公司也解决不了。
所以另一个思路是什么，就是我们去找一个更大的群体把他们变成AI的开发者，我们的观点是要把过去的APP开发者，过去的java开发者，甚至是业务人员，把他们变成AI的开发者，一旦这件事情做成了，我们就再也不用担心有没有100万的AI开发者的问题了，因为这个数量是远远超过100万以上的。
（郭瑞超 guoruichao@corp.netease.com）
本文来源：新鲜小只
责任编辑：
杨倩_NF4425
