您当前的位置:网站首页>神经内科,Hardware Club办理合伙人杨建铭:人工智能存在的1%问题,十世吧

神经内科,Hardware Club办理合伙人杨建铭:人工智能存在的1%问题,十世吧

2019-04-20 01:25:31 投稿作者:admin 围观人数:228 评论人数:0次

Hardware Club处理合伙人杨建铭:人工智能存在的1%问题 | 职业前沿



本文原文载自风传媒杨建铭专栏

杨建铭专栏:https://www.storm.mg/article/510764


作者简介:杨建铭,现任巴黎危险本钱公司Hardware Club处理合伙人芯片。台湾大学电机学硕士、法国HEC Paris MBA,CFA持证人,曩昔曾在亚洲、硅谷和欧洲半导体职业从业十二年,包括创业四年。

导读:人工智能真如科幻电影所演的那样阴棺迁葬奇特牢靠吗?其实并不见得今日美元对人民币汇率,在某些场景下,只需发作1%的失误,或许就会形成无法弥补的巨大损伤。

现在开展气势旺盛的人工智能技术,首要以机器学习类神经网络为干流。虽然募资中的创业者和不同出资哲学的危险本钱家满嘴都是人工智能,似乎世界上一切的问题都行将被人工智能处理,但机器学习本质上依然存在我常说的“1%问题”。

所谓的“1%问题”,是指虽然只需极低的机率会呈现极点情况,但一旦呈现极点情况神经内科,Hardware Club处理合伙人杨建铭:人工智能存在的1%问题,十世吧,成果往往十分严峻,以至于让整个报答希望值下跌钱佰倍为负值。

咱们可以假定一个抽签游戏。签筒中有99支白笔和1支黑笔,抽中白笔可得100美金,抽中黑笔则得赔9900美金,那么这个抽签游戏的净报答希望值为0。

99% $100 + 1% (−$9,900)=$0

根本血压低的原因上这是一个不赚也不赔的游戏,理性的金融考虑逻辑下,任何人都不该该玩这个游戏,由于希望报答为0。并且波动性大于0(有99%的时机张艺洲或许挣钱,有1%的时机或许赔钱)比起什么都不做(波动性为0)就可以稳稳神经内科,Hardware Club处理合伙人杨建铭:人工智能存在的1%问题,十世吧地赚到(或赔掉)1美金来说应该是一个比较不具吸引力的游戏。

假如上面这个游戏在抽到黑笔时必需求拿出9900美金的赔款,报答希望值就会变成负值,成为一个不管什么情况下,理性的金融人都不会去参加的游戏。

接下来,咱们把这个99%正确率的场景对应到印象辨识,也便是机器学习最早呈现穆打破的范畴。

类神经网络的首要演算法其真实很早之前就现已存在,但实践的运用很有限,除了上一任脸书AI大神Yann LeCun当年在贝尔实验室开发的支票手写辨识机器得到广泛的运用以外,大部分通用印象辨识依然过错率很高,并且速度奇慢无比。

21世纪前十年,关于电脑永久无法打败人脑的说法常常选用一个简略的例子来辩驳:小孩子没什么区分才干,但只需看过猫几回,不需求特别学习就可以万无一失地辨认出任何表面的猫,但这简略的问题电脑却挣扎半响仍是一再犯错。


机器学习式的人工智能是一个大圈套

不过,在研究者发现运用绘图芯片(GPU)进行类神经网络运算的速度,远比用中心处理器(CPU)快许多后,工作开端有了爆发性的发展。

2012年的ImageNet印象辨识大赛(ILSVRC,ImageNet Large Sc古畑惠ale Visual Recognition Challenge)中,一个深层卷积网络到达16%的辨识过错率,两年后的赢家则一举打破降至7%;2015年车辆违章年末,机器的辨识过错率到达3.6%,逾越人类5%的水平;神经内科,Hardware Club处理合伙人杨建铭:人工智能存在的1%问题,十世吧2017年,ILSVRC大赛的38支部队中更是有高达29支部队的机器辨识过错率都成功打破5%。看来在各种印象辨识的使命中,运用勤勤恳恳的机器替代固执的人类现已是不行逆的进程。

可是以上的事例都只讨论到过错的概率,并没有讨论到各种不同的场景,这儿咱们要引进方才界说的“1%问题”,来检视现有机器学习式的人工智能体系是一个很大的圈套。


▍图片来源于网络



场景一:传统安保

传统安保指的是人类实时监看保安拍摄体系,在电影或电视剧中也常常呈现这样的场景:两三个穿戴工作装的保安盯着十几个切割屏幕,成果一谈天分神,让反常杀人狂成功避过监督进入他的方针区域。

保安不或许做100%毫无遗漏,因而这门生意本来也便是概神经内科,Hardware Club处理合伙人杨建铭:人工智能存在的1%问题,十世吧率问题。聘任更多人监看电视就可以下降遗漏率,可是边沿作用下降,本钱上升。在用户可以承受的费用范围内,用户和安保公司签署的合约中需承受必定的全体遗漏概率,并追加同样是概率问题的保险制度,然后得到一个可行的商业模式。

假如运用印象辨识体系来替代坐在屏幕前监看的人类,本钱八成可以下降,并且遗漏率更是远比会打打盹和偷闲的人类低。因而,用户可以享用更有保神经内科,Hardware Club处理合伙人杨建铭:人工智能存在的1%问题,十世吧障的安保效劳,安保公司也有时机赚到更多的钱,虽然遗漏率依然不会降到0,但这是一个真实有用的机器学习运用场景。


场景二:行事历主动排程

危险本钱家的日常都是一场接着一场的会议,可是神经内科,Hardware Club处理合伙人杨建铭:人工智能存在的1%问题,十世吧不同于企业内部会议只需排何中华时刻,他们的会议涣散在华为手表世界各地,中心还穿杂着各种电话会议,外加许多的出差,这就代表跟会议方针承认时刻是一件十分耗时的工作,邮件一来一回或许花两天时刻,但仍是龙行宇内组织欠好一场会议。

传统的处理方案是延聘秘书或许助理,好的秘书或许助理睬依据会议重要性、敏感性、时区、合伙人飞翔情况、班机延误危险等各种因素,和对方进行恰当的会议时刻、地址和办法洽谈。


▍图片来源于网络


​​


当然这样等级的秘书或许助理很贵,不是咱们都负担得起,我自己常常遇到不那么专业的秘书,把工作搞砸的次数也不算少。Hardware Club由于旗下处理基金总规模还不大,所以并没有特别编排聘任秘书或助理的预算,大多是合伙人自己排程,也因而许多搭档都下班了,但还能看得到合伙人在回复邮件,组织下一次出差的会议。

因而,我也总算理全职高手动漫解当年包括DCM Ventures、Fi春风猛士rstMark Capital、Two Sigma Ventures、Softbank Capital在内的多家闻名危险处理公司为什么出资并大举揄扬一家坐落纽约的新创公司——x.ai。

x.ai运用机器学习,用电脑秘书主动剖析来信内容,并以自然语言回信恳求组织会议,然后依据对方回应的文字内容(时刻抵触、地址抵触、时区过错等信息)进行新的时刻和地址承认,终究成功到达一致后就主动写进运用者的行事历。

终究抱负状况是机器跟机器对话,由于这样一来就不需求剖析自然语言,可以直接将日程写进行事历。所以,可以了解前因成果和对话布景的自然语言人工智能才干就变得十分重要。

但在我看来,x.ai的商业考量从榜首天开nlp始就有逻辑上的缺点:会忙到需求秘书或助理帮助和谐行事历的人,正是由于行事历项目又多又重要,才有动力去运用x.ai的体系,希望能下降一些本钱。

但类神经网络机器学习根本上是一个从很大的输入输出资料库,提炼出以简驭繁的模型办法,是一个减缩资讯量的进程,理论上不神经内科,Hardware Club处理合伙人杨建铭:人工智能存在的1%问题,十世吧或许到达100%正确,永久都存在搞错的概率。就算做到99%正确,比一般助理更牢靠,也不见得有意义。由于只需搞错的那1%行事历事项涉及到十分要害的人事物(例如:有意出资基金的组织法人、计划收买公司的大企业负责人等),或许导致的丢失会远远超越correct之前由于换成机器而节省下来的本钱。

我可以了解为什么分身不暇的危险本钱家,有或许由于自己排会议的苦楚经历,而觉得主动排程行事历是一个很棒的商业点子,加上遇到很厉害的人工智能创业者,因而决寒窑赋原文及翻译定出资。可是我高度置疑这些危险本钱家,现在是否依然依靠礼这样的软件secsetupwizard已中止效劳来组织自己的行程——由于我真实无法想像当一个危险本钱家跟基金出资人重要的会议被组织过错时,他可以承受“均匀过错率比人类低”的托言。


场景三:主动驾驭

上面所提的“均匀过错率比人类低”将咱们带到现在1%问题或许最严峻,但偏偏却又是各方重金押注的范畴:主动驾驭。

两年前,当特斯拉初次有用户由于运用主动驾驭而罹难时,马斯克在推文上表明特斯拉的闯祸死亡率依然远低于一般轿车市场全体统计数据,暗示特斯拉的主动驾驭体系比人类驾驭更好,所以不该该被责怪。

但这种看似很典型的、很理性的工程师逻辑疏忽了一件很重要的工作:当100个人开着100台车,因驾驭人的问题发作一件致死事故时,其他的99个人和99台车并不会被混为一谈。换言之,这个体系是涣散的,每个驾驭人相互独立不相干。全体来说只需闯祸率维持在1%,体系并不会被咎责。


▍图片来源于网络



但假如是特斯拉所供给的主动驾驭有1%的闯祸率,那就不是一个涣散式体系问题,而是一个中心体系的问题,被咎责的包括其它九十九台安全无恙的车子,而或许导致的赔偿金或许惩罚也是依据一百台核算。

2009年美国丰田轿车暴冲致死事情,除了形成许多轿车召回以及车厂经济丢失,丰田宗族继承人也被拖到美国国会面前侮辱,更别提品牌遭到的重创。10个月后当调查成果总算出炉,正式扫除丰田的职责,并将大都相关事情的闯祸原因归属于驾驭人,但这时对丰田的永久性损伤现已形成。

同理,特斯拉(均匀水平,而是要做到更低的数量级,才干防止由于1%问题而导致的全或许任何车厂)的主动驾驭体系,方针也不能仅仅是闯祸率低于群众盘皆输。

定论:机器学习类神经网络本质上是一个或然率的体系,用来推翻本来便是建立在或然率上的商业(例如侦测信用卡盗刷)是十分合适的,由于只需人工智能的体现可以比既有的或然率优异,企业就能完成更低本钱和更高获利。

但假如或然率是成果,并且本质上存在“1%问题”(单一事情或许导致巨大丢失),那么就不能单纯用过错率较低的机器学习类神经网络替代,由于只需呈现一只黑天鹅,就可以否决一切天鹅都是白色的观点。

the end
没有烟囱的汽车工厂,环保新能源