--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 2540 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=2540&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=2540&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=2530&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=2550&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=2540 | PRINTED_PAGE=NOT_DETECTED 吴恩达认为，人工智能在当下并不十分成熟，还谈不上统一服务标准，各家都在尝试。在这个层面，各个企业的CAO都很重要，因为他们也担负着探索的责任。但是，稳定、方便、好用的工程化产品应该是正确的方向，有助于人工智能的“标准化”。比如开发者将可以在某个人工智能平台上方便地调用接口，享有稳定的智能流输出，支持企业运行和创业，就像现在人们在手机和开发平台上创造App一样。百度大脑就是这样一个平台。 这一轮的人工智能形成热潮，原因之一是门槛降低——深度学习的原理尤其是算法原理都差不多，就看谁的积累雄厚、谁的数据丰富、谁的训练充分。就好比无数程序员都会用java语言编程，但编程能力大有差别，你只能尽力选择最好的。 对于深度学习神经网络，调节神经网络参数的工作极其复杂和多变，需要根据不同业务场景做特别优化，虽然算法的基本思想差不多，但发展各异，也谈不上统一标准。因此，训练神经网络又被称作“炼丹”。吴恩达正在写作的新书《machine learning yearning》堪称一部“炼丹”手册，不是在讲“丹药”怎么好，而是在讲“炼丹”当中遇到的难题和解决办法。深厚的经验和务实的方法，大约就是一种标准吧。 期望每个高管完全了解人工智能是不合乎情理的。但如果所在的产业能产生大量数据，那就有很大的机会使用人工智能将这些数据转换成价值。对于大部分有数据但缺乏深度人工智能知识的公司来说，聘请一位CAO或人工智能副总裁（VP of AI）已经箭在弦上，一些CDO和有超前思维的CIO实际上已经在扮演这一角色。 ## PDF_PHYSICAL_PAGE_INDEX=2541 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=2542 | PRINTED_PAGE=NOT_DETECTED Draft-Version 0.5 图8-5 吴恩达新书封面 没有智能官的企业将被看作旧企业 著名数据分析公司MixPanel的CEO苏海勒（Suhail）认为，“机器学习不是为了证明某些原因，它的存在是为了针对一些特定的数据、行为或者是模式做出一些高质量的预测。算法唯一的工作就是让你能够更加有效、更加精确地达成目标，而不是告诉你为什么。” 不过我们认为问问“为什么”也是重要的。我们在大量的企业应用中发现，有些企业家急切地希望深度学习网络和数据挖掘能够马上带来利润的大幅度增加，而忽视了机器学习的规律以及企业自身的学习规律。 当企业大到一定规模，业务和数据复杂到一定程度之后，自身的运作逻辑往往是模糊的，不同于企业明文手册上的描述，即便是企业管理者对此也会感到陌生。机器学习具有根据数据反向求得函数逻辑的能力，这种反向推演能力可以给企业运作者提供一种观察企业非显性逻辑的视角。比如对企业邮件往来的关系分析，对电商用户下单时间的分析，对新闻网站发布资讯的时间段分析等，都可以帮助企业了解自身可以在哪些方面进行优化。 企业渴望从互联网时代迈进人工智能时代，这时CAO尤其需要分清轻重缓急，是先优化财务信息还是先优化产能？是固本强体还是拓展销售？ ## PDF_PHYSICAL_PAGE_INDEX=2543 | PRINTED_PAGE=NOT_DETECTED 在对外业务上CAO可以带来显著的锦上添花的作用。比如建立自动化的客户需求分析系统，能够即时提交订单信息和生产信息给客户参考。但对内管理也十分重要。以制造型企业为例，生产管理、物料管理、质量管理、设计变更的信息化和数据化都需要整合，数据化达到一定程度后，辅以算法和开发，人工智能就水到渠成了。 电算化→信息化→智能化，神形合一，如果内部机制不顺，就会发现外部智能化缺少基础，难以为继。企业的内部修炼和外部拓展在智能时代将高度统一。 和电流从外部输入不同，在企业内部，智能的素材已经以“流”的形式出现，产生于每个员工、每个机器的每一个工作环节。这些数据流、信息流每天都在产生和流逝，但很多企业却没有意识到，更谈不上利用，而是任其挥发。 企业内功是和每个员工都相关的问题，比如个人的信息共享、知识管理、工作操作习惯的记录和优化等。 举个例子，网络新闻媒体的编辑每天都在录入文章，一些网络媒体拥有上千个编辑，每个人做着自己的工作。智能系统会侦测统计他们的录入操作，发现哪些环节的鼠标点击工作过多，这其中可能预示着录入系统的设计不合理，据此提出录入系统的优化建议。 吴恩达认为，传统企业尤其需要依靠CAO来了解前沿应用，升级自身业务。当然，面对很多可能的方向，CAO还是应该先抓住一个部门或者一块业务重点突破，形成典范，吸引其他部门燃起热情。毕竟，企业智能化是一个非常需要创新精神的事业，需要广泛参与。 而CEO一定要放权让CAO去施展，甚至亲自推进企业第一个智能化业务。没有CEO发自内心的支持，企业人工智能化工作将会很困难。有些举措可能旁人一开始不理解其价值，之后才会明白。如果错过就会非常可惜。 ## PDF_PHYSICAL_PAGE_INDEX=2544 | PRINTED_PAGE=NOT_DETECTED 首席人工智能官的修养 作为与最具挑战性的深度学习技术打交道的CAO，他是一个特别理性的人，还是一个不失感性的人呢？ 与一般工程科技不同，人工智能在模仿人类的思考习惯。科学家普遍强调人机结合是未来的发展方向。类似地，智能科学家和CAO都不会是机械论的化身，而是对各种知识具有全面的兴趣。吴恩达本人就是个例子，他不仅喜欢计算机科学，也喜欢人类学和社会学，还喜欢教育学——为了让更多人受到名校教育，把课堂教育重复使用率最大化，他合伙创立了Coursea在线教育课程项目，至今仍然是董事会成员。另外，他对心理学也有极大兴趣。 CAO可能是《生活大爆炸》里有趣的理工男，善于发现别人没发现的契机。也可能是数据领域的夏洛克·福尔摩斯，善于明察秋毫。不过他终究首先是一个具有“数据感性”的人。 他懂得利用数据，最重要的是在别人看不到数据的地方看见数据。 第一层：有能力从纷繁的数据中嗅到可能有的关联 张亚勤在与很多企业打交道的过程中发现，前几年做大数据，买了一大堆服务器，收集到一大堆数据，放在那里不知道该怎么办。不收集数据觉得好像错过了什么，收集了却不知道该如何做。即便我们自己这样的人工智能企业，很多数据也一时用不了，但如果不用，以后可能就没用了。因此CAO就要在做什么上发挥才能。 沃尔玛的“购物篮分析”是典型的数据挖掘应用，数据分析师想到从顾客购物小票里发掘购买对象之间是否有相关性。经过数据统计，他们发现除了牛奶和面包会经常被一起购买这种显而易见的关系之外，还有很多以往没发现的关系，比如婴儿纸尿裤常常会和啤酒一起被购买，然后才发现年轻的爸爸在购买婴儿用品的同时，往往会有一种犒劳自己的心理，于是购买了啤酒。 ## PDF_PHYSICAL_PAGE_INDEX=2545 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=2546 | PRINTED_PAGE=NOT_DETECTED 沃尔玛超市因此把啤酒和纸尿裤放在货架上靠近的位置，显著提升了销售额。沃尔玛的数据毕竟有限，并且只有购物小票这种用户数据。倘若数据巨大，且可以自动化调整每天的货架，就具有了人工智能的雏形。亚马逊和阿里巴巴的电商大数据都大到了一定程度，因此它们都为人工智能科学家提供了舞台。 这个例子再次体现出CAO所需要的思维模式究竟是什么——正是我们一再强调的相关性思维。牛奶和面包、啤酒和纸尿裤之间的联系，显然并非是以往科学领域的确定性关系或因果关系，而是一种以概率形式展示的强相关关系。想到从这个角度去发掘价值，这就是CAO具有的素养。 第二层：在数据之上，CAO及其伙伴需要有场景感知能力，懂得场景计算 未来，“业务”的概念将会变得模糊，“场景”成为事物运作的核心，这意味着产品不再像过去那样围绕业务来分类，比如新闻App做新闻，电商App做购物等。现在你有什么样的场景，就可以导入这个场景所需要的一切服务，比如一款移动支付应用，要考虑各种支付场景，如果提供购买电影票功能就要根据用户行为数据猜测用户正处于什么使用场景，除了看电影，是否需要阅读影评，是否需要购买爆米花。企业要做的是根据场景重新规划，打通业务，而不是根据业务来划分产品架构。 从感性的层面说，对场景的敏感实际体现了CAO的生活趣味和人文情怀。老人关怀家居、助盲产品都来自这种关怀。2016年，视频创业发力，有人为此开发出了可以自动剪辑视频的智能剪辑手。只要用户输入关键词，比如“航母”，软件就会把视频中相关的段落大致剪出来，这正是对视觉识别技术的非凡应用，来源于开发者对用户场景的敏锐。 c57ba9579cb0a46f31fabc0?fr=newalbum#aid=0&pic=08f79052 9822720edc57ba9579cb0a46f31fabc0 ## PDF_PHYSICAL_PAGE_INDEX=2547 | PRINTED_PAGE=NOT_DETECTED 比起一般科学家习惯于无功利地探索与发现不同，CAO需要更“功利”一些，即需要具有经济价值观，帮助企业发掘价值。这体现在优化流程、加速反应、节约时间，把人从重复性的机械劳动中解放出来。人工智能要让人有更多时间来做更有意义的事情，给人类的高级脑力活动留出时间。 在这些敏锐性层次之上，是具体的机器学习操作能力和智能系统搭建能力。吴恩达基于自己带领、扶持过的一些成功的人工智能团队的经验，针对如何寻找CAO给出了这样一些建议： 对人工智能和数据基础设施有良好的技术理解。例如，他们曾建立过重要的机器学习系统。在人工智能时代，数据基础设施（你如何组织公司的数据库并保证所有相关数据都被安全存储并可以访问）非常重要，尽管数据基础设施技能相对普通。 跨职能的工作能力。人工智能本身不是产品或业务，而是一种用来帮助已有业务线并创造全新产品和业务线的基础技术。因此，有能力了解不同的业务单位或职能团队并与他们合作很重要。 强大的企业家技能。人工智能创造建立新产品的机会，从自动驾驶汽车到能与之交流的代理，这在几年前还不现实，甚至是科幻小说中的东西。然而企业家往往是那种具有突破精神的人，能够创造从0到1的价值更新。一个掌握企业家技能的领导者将会增加公司成功创造出这种创新的概率。 吸引并留住人工智能人才的能力。这种人才备受追捧。好的CAO需要知道如何留住人才，例如注重人才感兴趣的项目、给团队成员培养技能的机会等。利用项目去教育别人，而不是事无巨细亲自打点，这样才能形成人才的培养循环机制。 ## PDF_PHYSICAL_PAGE_INDEX=2548 | PRINTED_PAGE=NOT_DETECTED 吴恩达认为，合格的CAO应该有管理人工智能团队的经验。由于人工智能进化飞快，他们需要跟得上变化，但要求他们必须处于最前沿就没那么重要。更重要的是他们能跨职能部门进行合作。独立的技术是没有什么意思的，技术需要为人提供服务。机器与人的关系非常重要。要想做最好的人工智能，就需要既懂技术又懂人。人工智能是一场人机之间的故事。CAO既要善于理解机器智能，也要善于理解人情事理。 CAO应该成为一个布道者和指引者，让整个企业具备一种人工智能的兴趣和品格。CAO将是新时代的企业偶像，就像产品大师是互联网时代的英雄（乔布斯）。人工智能知识、产品与管理思维以及合适的人文感受力将共同造就这种英雄。 很可能在不久的未来，没有设置CAO、没有接入智能流的企业将会被看作是旧企业。从CTO到CIO、CDO，再到CAO，是一个循环上升的艰苦提升过程，某种意义上，也反映了企业自我更新、自我进化的艰难过程。 题外话 人才匮乏是当下的普遍问题，企业纷纷从学院挖人，智能科学家也不甘寂寞，纷纷跳槽到企业里去实现梦想。吴恩达的好友，全球排名前十的人工智能（深度学习）科学家Bengio（本希奥）担心，科学家都去企业了，高校里从事深度学习教育的人才就少了，会减少人才的产出。百度则把企业与学院结合起来，在内部进行教育，也向外输出了很多人才，并且准备在高校设立人工智能方面的奖学金。 ## PDF_PHYSICAL_PAGE_INDEX=2549 | PRINTED_PAGE=NOT_DETECTED 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=2550&limit=10)