我們正處于AI創(chuàng)業(yè)熱潮之中，機器學(xué)習(xí)專家的薪資水平水漲船高，投資者也樂于對AI初創(chuàng)公司慷慨解囊。AI的普及成為推動社會生產(chǎn)力標(biāo)志，必將改變我們的生活。

但是，本文作者前谷歌工程師、Inovo.vc的CTORic Szopa認為，AI從業(yè)者的技能正在貶值。他從一個選擇題入手告訴我們，AI工具、數(shù)據(jù)集、資金投入以及行業(yè)+AI的優(yōu)勢正在一步步弱化單一的AI基礎(chǔ)技術(shù)優(yōu)勢。

先來做一道選擇題。

Alice和Bob是兩位AI創(chuàng)業(yè)者， 他們的公司籌集了大致相同的資金，并在同一個市場上展開了激烈的競爭。

Alice把大部分錢花來雇傭最好的工程師，請來了一批在人工智能研究方面經(jīng)驗豐富的博士。

而Bob選擇雇用資質(zhì)一般但還算能干的工程師，并將省下來的錢用于獲得更好的數(shù)據(jù)。

如果是你，你會給誰投資？

當(dāng)然是Bob。

為什么呢？

從本質(zhì)上講，機器學(xué)習(xí)的原理是從數(shù)據(jù)中獲取信息，并將其轉(zhuǎn)化為模型權(quán)重。更好的模型使得這個過程更有效（時間或者整體質(zhì)量方面），但如果假設(shè)模型訓(xùn)練相對都比較充分，更好的數(shù)據(jù)肯定會產(chǎn)生更好的結(jié)果。

為了說明這一點，讓我們再進行一個快速而簡單的測試。

假設(shè)我創(chuàng)建了兩個性能不太一樣的卷積網(wǎng)絡(luò)。“更好”的模型的最后一個全連接層有128個神經(jīng)元，而“稍微差一點”的只有64個。我在不同大小的MNIST數(shù)據(jù)集的子集上訓(xùn)練它們，并繪制模型在測試集上的準確率與訓(xùn)練樣本數(shù)的折線圖。

藍色是“更好”的模型，綠色是“稍微差一點”的模型

很顯然，訓(xùn)練數(shù)據(jù)集大小具有積極影響（至少在模型開始過擬合和準確率達到穩(wěn)定之前）。值得一提的是，在40000個樣本上訓(xùn)練的“稍微差一點”模型的準確率比在30000個樣本上訓(xùn)練的“更好”模型的準確率要高！

在我的小例子中，我們處理的是一個相對簡單的問題，而且有一個比較全面的數(shù)據(jù)集。而在現(xiàn)實生活中，我們的條件并不是如此完美。在許多情況下，增加數(shù)據(jù)集經(jīng)常會具有非常顯著的效果。

事實上，Alice的工程師不僅僅是和Bob的工程師競爭。由于AI社區(qū)的開放文化及其對知識共享的重視，他們的競爭對手其實來自谷歌、Facebook、微軟以及世界各地數(shù)千所大學(xué)的研究人員。

因此， 好的工程師雖然很重要的，但如果你是AI領(lǐng)域的話，數(shù)據(jù)的競爭優(yōu)勢會顯得更為關(guān)鍵。

然而，更加重要的問題是，你如何才能保持自己的優(yōu)勢。

AI工具正越來越簡單好用

2015年，當(dāng)我還在谷歌工作，剛開始玩DistBelief，也就是后來我們所熟知的Tensorflow。當(dāng)時這個工具太難用了，所以當(dāng)時想讓它在谷歌構(gòu)建的系統(tǒng)之外運行完全是一個白日夢。

2016年末，我進行了一個概念驗證的研究，在組織病理學(xué)圖像中檢測乳腺癌。當(dāng)時我想使用遷移學(xué)習(xí)：采用谷歌當(dāng)時最好的圖像分類架構(gòu)Inception，并在我的癌癥數(shù)據(jù)上重新訓(xùn)練。我可以使用谷歌提供的一個經(jīng)過預(yù)訓(xùn)練的初始權(quán)重，改變頂層結(jié)構(gòu)來匹配我正在做的工作。

在TensorFlow上經(jīng)過長時間的反復(fù)嘗試，我終于找到了操作不同層的方法，讓它基本上運作起來。這需要很大的毅力去閱讀TensorFlow的資料。不過至少我不必太擔(dān)心依賴關(guān)系，因為TensorFlow貼心地準備了Docker鏡像。

在2018年初，多虧了Keras（基于TensorFlow的一個框架），只需幾行Python代碼就能完成這個項目，而且使用它不需要你對自己正在做的事情有深入理解。但它仍然有個痛點：超參數(shù)調(diào)優(yōu)。

如果你有一個深度學(xué)習(xí)模型，可以調(diào)節(jié)多個參數(shù)，如層數(shù)和大小等。在我寫這些文字的時候（2019年初），谷歌和亞馬遜提供了自動模型調(diào)優(yōu)服務(wù)（Cloud AutoML，SageMaker）。

我預(yù)測手動調(diào)優(yōu)遲早會滅絕，工程師們也會從這項繁瑣的工作中解脫了。

總的趨勢是，將困難的事變得容易，你無需深入理解就能實現(xiàn)更多的東西。過去的那些偉大工程現(xiàn)在聽起來相當(dāng)一般，所以我們不應(yīng)該期望我們現(xiàn)在的成就在將來有多好。

聽起來很歡欣鼓舞是不是，但是，對于那些在AI技術(shù)上投入巨資的公司和個人來說，這可以是個壞消息。目前來說，掌握某些AI技術(shù)還算是企業(yè)的競爭優(yōu)勢，因為一個稱職的機器學(xué)習(xí)工程師需要花費大量的時間閱讀論文，并需要扎實的數(shù)學(xué)背景。

但是，隨著工具的改進，情況將不再如此。讀論文更多會轉(zhuǎn)向讀工具教程。如果你沒有很快意識到你該關(guān)注的重點，一個帶了數(shù)據(jù)更完備的實習(xí)生團隊就可能會搶走你的飯碗。

想長期保持競爭優(yōu)勢？難上加難！

讓我們再回到文章開頭的例子。憑借出色的數(shù)據(jù)集，Bob成功地與Alice展開競爭，推出了自己的產(chǎn)品，并穩(wěn)步增加了市場份額。他也慢慢可以開始雇傭更好的工程師，因為坊間傳言他的公司是一個好去處。

但這時候，又出現(xiàn)了一個Chuck，雖然入局晚，但他比Bob更有錢。

在構(gòu)建數(shù)據(jù)集時，錢至關(guān)重要。但通過砸錢來加快工程項目進度非常困難。事實上，使用太多新人可能會減緩進度，但構(gòu)建數(shù)據(jù)集就不同了。數(shù)據(jù)集需要大量人工操作，而你可以通過雇用更多人手來搞定它。另一種可能是有人擁有數(shù)據(jù)，那么你所要做的就是支付數(shù)據(jù)使用費。

無論如何，錢能讓數(shù)據(jù)集來得更快。

但是問題來了，為什么Chuck可以籌到比Bob更多的錢？

當(dāng)創(chuàng)始人提出一輪融資時，他們會努力平衡兩個可能相互矛盾的目標(biāo)。他們需要籌集足夠的資金在市場上競爭，但也不能太多，因為這會導(dǎo)致股權(quán)過度稀釋。創(chuàng)始團隊必須在創(chuàng)業(yè)公司中保持足夠的股份，以免失去創(chuàng)業(yè)的動力。

另一方面，投資者希望投資具有巨大上升潛力的創(chuàng)意，但他們必須控制風(fēng)險。隨著預(yù)期風(fēng)險的增加，他們會為支付的每一美元要求更大比例的股份。

當(dāng)Bob籌集資金時，“人工智能確實對產(chǎn)品有所幫助”不過只是一個信念。無論他作為創(chuàng)始人多優(yōu)秀，她的團隊有多好，但有可能他試圖解決的問題根本就難如登天。Chuck的情況非常不同。他知道他面臨的問題完全可以解決！

在這種情況下，Bob的應(yīng)對方法很可能是提出另一輪融資，以便處于有利位置，因為他（暫時）仍然在競爭中領(lǐng)先。但是，如果Chuck可以通過戰(zhàn)略合作關(guān)系穩(wěn)固獲取數(shù)據(jù)呢？比如舉個癌癥診斷初創(chuàng)公司的例子，Chuck可能利用他在一家重要醫(yī)療機構(gòu)的內(nèi)部職位，與該機構(gòu)達成一份內(nèi)部協(xié)議。這時候， Bob很可能無法抗衡。

你的產(chǎn)品需具備防御性，最好是一條“護城河”

AI的杠桿效應(yīng)

對業(yè)務(wù)進行分類的一種方法是，它是直接增加價值，還是為某些其他價值來源提供杠桿效應(yīng)。以一家電子商務(wù)公司為例，增加價值就像創(chuàng)造了新的產(chǎn)品線，建立新的分銷渠道則是一個杠桿，削減成本也是杠桿。

杠桿可能比直接施力更有效。但是，杠桿僅在與直接價值來源耦合時才起作用。一個微小的數(shù)字，翻了兩倍，三倍，還是很小。如果你沒有可出售的部件，開辟新的分銷渠道也只是浪費時間。

在這種情況下我們應(yīng)該如何看待AI？有很多公司試圖將AI作為他們的直接產(chǎn)品（用于圖像識別的API等），對一個AI專家，這可能很有吸引力。

然而，這常并不是一個好的選擇。首先，你是在Google和亞馬遜等這些大公司競爭。其次，開發(fā)真正有用的通用AI產(chǎn)品非常困難。例如，我一直想使用Google的Vision API。不幸的是，我們從未遇到過客戶需求與產(chǎn)品充分匹配的情況。總是有各種各樣要么開發(fā)不夠要么開發(fā)過度的情況。

更好的選擇是將AI視為杠桿。

你可以采用現(xiàn)有的，有效的商業(yè)模式，通過AI增強它。例如，如果生產(chǎn)流程依靠人類的認知勞動，那么將其自動化可能會為毛利率帶來顯著提升。這里我能想到的例子有：心電圖分析，工業(yè)檢查，衛(wèi)星圖像分析。同樣令人興奮的是，因為AI屬于輔助后端，仍然可以利用非AI業(yè)務(wù)來保持公司的競爭優(yōu)勢。

結(jié)論

AI是一項真正的變革性技術(shù)。但是，以此為基礎(chǔ)創(chuàng)業(yè)是一件棘手的事情。你不應(yīng)該完全依賴于AI技能，因為市場趨勢就是技術(shù)會貶值。

構(gòu)建AI模型可能非常有趣，但真正重要的是擁有比競爭對手更好的數(shù)據(jù)。

保持競爭優(yōu)勢很難，特別是遇到比你資金更充足的競爭對手，這種情況在你的AI創(chuàng)業(yè)進行時很可能發(fā)生。你的目標(biāo)應(yīng)該是創(chuàng)建一個可擴展的數(shù)據(jù)收集過程，而這個過程很難被競爭對手復(fù)現(xiàn)。

AI非常適合顛覆依賴低附加值、勞動重復(fù)性的行業(yè)，因為它使該工作自動化成為可能。