??多知網6月25日消息，多知網第十二期OpenTalk活動上，AI新媒體《量子位》創始人孟鴻分享了從AI垂直領域的視角觀察人工智能的內容。《量子位》的主要目標是圍繞人工智能的技術和產品來做內容上的追蹤。

　　透過AlphaGo看AI技術傳播

　　在AI傳播上，早前最能傳播自己的是IBM，二十年前IBM做了“深藍”，通過不斷下棋，后來又參加了智力答題的活動，在宣傳之后開始在各個行業推“沃森”。20年后，出了比深藍更會宣傳自己的“deepmind”，做了AlphaGo，整個流程非常嚴謹。

　　deepmind在2014年拿到Google的融資，決定要做圍棋的AI，到2015年8月，加入深度學習和蒙特卡洛搜索，包括后面加進來的強化學習。這部分都做的很完善了，就開始做下一步的規劃，找人對弈。

　　（樊輝赴倫敦對弈現場）

　　當時deepmind請樊輝去倫敦做對弈，這是當時的現場局，復盤時，問樊輝，“你剛才那一步為什么不擺在這個位置，擺這個位置不就贏了嗎”，樊輝就抱頭，覺得很不可思議，價值觀要崩塌了。

　　在這之后，外界仍然不知道AlphaGo，因為一直保密，也和樊輝簽了保密協議。

　　deepmind在等《Nature》的封面。2016年1月，deepmind將整體數據和對人的戰績編輯為論文，發表《Nature》，由于做了前提準備，文章有很強的理論基礎，后續就開始和李世石、柯潔的下棋。

　　從傳播角度講，AI技術方面，讓宣傳有更大突破，搭配論文的發表會更好一點。論文不會出賣技術，AI的技術里面有很多參數是保密的，大家能夠復制的幾率并不很高。

　　AI2是微軟的聯合創始人艾倫創立的研究人智能機構，想做通用人工智能，通過答題的方式實現。他們其中一個產品是答題系統。比如，根據食物鏈的圖，太陽、植物、蟲子、青蛙、蛇，問：當蛇的數量增長的時候，青蛙的數量怎么樣？AI給的答案是會減少。把圖片做識別處理，用一個算法得出一個結論。

　　還有一個問答，兔子的毛什么時候最厚？四個備選答案是“春、夏、秋、冬”，系統給出的答案是冬天。為什么選擇這個答案，這套AI系統會參考美國四年級的自然教材里講到的，熊的毛冬天最厚，根據這個答案推斷。

　　還有數學的問題，過程中把題干拆解，到底怎么解決這個問題的？

　　今年3月，我們去拜訪了一位圖靈獎的得主，他當時提到，AI2最開始想做的實驗是直接讓人工智能通過AP測試（美國大學預科測試），試了很長時間，但通不過，就去請教這位圖靈獎得主。

　　他說不能一開始就做AP測試，人人工智能要先有能理解中學知識的能力，這之前要先有理解小學知識的能力，一步步成長。于是，AI2重新從初級的階段開始研發，再進展到目前的程度。

　　 人工智能正在改變教育，同時也會存在一些疑慮

　　在來看看AI教育，從普華永道的角度來看AI，改變教育是非常樂觀的一件事。

　　（普華永道報告）

　　調查報告中，有58%的人認為AI會改變教育。在五年內會被AI取代的職業中，排名第一的職位與教育相關。

　　從麥肯錫的角度來看AI，情況可能沒那么樂觀。

　　（麥肯錫報告）

　　麥肯錫報告對整個德國的持久行業用7個維度做了分析，圓圈的大小代表維度上所需要的時間占比，紅色是被替代的可能性最高，藍色最低。第一個是餐飲行業，最容易被AI自動化所取代；最低的是教育行業，它認為被自動化的比例非常低。

　　從這兩個報告來看，既有對人工智能改變教育的樂觀，同時也會存在一些疑慮。

　　回到線下教育，來看一些國外的案例。

　　第一個案例叫Gooru，Gooru融合了大量多媒體教學資源，用機器學習的方式打標簽，把資源打上標簽提供給教師，教師用這些資源和學生做互動，可以實時追蹤學生，實現差異化的教學。Gooru的投資者有谷歌和微軟。

　　ThirdSpaceLearnig提供1對1面向小學生的數學輔導，過程中沒有太多的人工智能成分在，把輔導過程記錄下來，積累數據。數據在AI上面數據非常重要，哪怕公司不具備做進一步挖掘的潛力，應該盡可能多準備一些數據，ThirdSpaceLearnig拿數據和倫敦大學學院合作，利用大學的資源在數據中尋找模式和挖掘，得到的結果也是優化教學結果。

　　Knewton在機器學習里面做了什么事情？把數據拿出來，根據得到的數據判斷這個學生該學什么，通過這些數據預測出你需要掌握的知識內容。

　　Grammarly，有很多朋友說在用他們服務，Grammarly做AI寫作，通過數據和算法告訴你哪些是錯的，哪些詞是可以修改的，在瀏覽器做一個插件就可以用使用。

　　LCALearning做的是線上的課程，包括錄課在內，他們也通過分析眼睛的動作來追蹤學生的學習情況。

　　AI產品在未來：產品場景化，底層技術標準化、透明化

　　大家講起AI是革命，是顛覆。但是最大的焦慮是做AI很難找到一個場景，很難找到讓用戶使用產品的場景。

　　這是很現實的問題，生活中真正遇到人工智能的產品并不是特別多。怎么場景化，可能需要做產品的同學們更多去探索。

　　我們看人工智能的項目，天使輪AI創業公司和C輪創業公司風險是一樣的，跟傳統的行業不一樣，AI創業公司從天使輪到C輪，風險性沒有降低。很多的創業公司沒有建立起自己的門檻，不具備銷售能力和真正產生商業模式的基礎，只有一個概念，真正要落地就很困難。

　　底層技術還需要標準化、透明化。

　　卡耐基梅隆唯一還在職的華裔背景的教授說，現在底層技術還需要標準化和透明化。一方面，過去看數據庫行業也很亂，有比較標準的模式出來，大家都會按照一定的標準化去生產。另一方面，現在很多神經網絡或者深度學習，很難反推原理，它基本是一個黑盒子，沒有辦法有的放矢地優化。

　　我們會感覺到，AI說起來很大。但從另外一個角度看，它其實剛剛起步，需要解決的問題和面對的困難還很多，有一本書說，當AI快趕上來的時候，它已經超過去很遠了。

　　這是從我們的角度跟大家分享了一些AI的內容。（多知網 黎珊）