隨著人工智能的炒作階段逐漸結(jié)束，工程師和研究人員都在發(fā)現(xiàn)我們所知道和不知道的關(guān)于人工智能的巨大但迄今為止尚未實(shí)現(xiàn)的承諾。

顯然，懷疑論者警告說(shuō)，在進(jìn)入以人工智能為中心的未來(lái)之前，我們需要進(jìn)行觀察、測(cè)試和驗(yàn)證。因此，越來(lái)越多的意識(shí)和研究集中在“人工智能安全”等新興學(xué)科，這些學(xué)科旨在識(shí)別并最終預(yù)測(cè)機(jī)器學(xué)習(xí)和其他自主系統(tǒng)中意外行為的原因。

一些早期步驟將有所幫助，包括最近的一項(xiàng)美國(guó)監(jiān)管命令，要求強(qiáng)制報(bào)告涉及 ADAS 車輛的事故。(我們注意到“崩潰”而不是“意外”，在這種情況下，這是一個(gè)令人擔(dān)憂的術(shù)語(yǔ)，因?yàn)樗菬o(wú)罪的。)

在這個(gè) AI 特別項(xiàng)目中，我們研究了將機(jī)器的控制權(quán)委托給算法所面臨的工程挑戰(zhàn)和意外后果。一個(gè)結(jié)論是，我們距離在必須在 99.999% 的時(shí)間內(nèi)工作的關(guān)鍵任務(wù)系統(tǒng)中使用人工智能還有很長(zhǎng)的路要走。

要達(dá)到這樣的可靠性、安全性以及最終的信任水平，需要不懈的測(cè)試、技術(shù)標(biāo)準(zhǔn)以及喬治城大學(xué)安全與新興技術(shù)中心的研究員 Helen Toner 所說(shuō)的“工程學(xué)科”。

另一個(gè)問題是隨著設(shè)計(jì)人工智能芯片的公司數(shù)量激增，稀缺工程資源的分配。最新的是特斯拉，它在最近的AI Day 活動(dòng)中推出了用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的 Dojo D1 芯片。雖然加速 ADAS 應(yīng)用程序的神經(jīng)網(wǎng)絡(luò)訓(xùn)練確實(shí)是一項(xiàng)要求，但這家垂直整合的汽車制造商的 AI 芯片似乎是出于對(duì)所有權(quán)的自豪感。

“有這么多公司在制造人工智能芯片，為什么要自己制造?” Tirias Research 首席分析師 Kevin Krewell 指出。Krewell 補(bǔ)充說(shuō)，越來(lái)越多的公司獨(dú)立致力于將人工智能應(yīng)用于自動(dòng)駕駛，這相當(dāng)于“驚人”數(shù)量的重復(fù)和浪費(fèi)。

汽車應(yīng)用正在推動(dòng)人工智能技術(shù)的極限，并且可能是最先在危險(xiǎn)環(huán)境中部署機(jī)器學(xué)習(xí)模型的應(yīng)用之一。然而，在此之前，這些機(jī)器必須盡可能地接近工程師可以做到的萬(wàn)無(wú)一失。

正如專家所指出的，人工智能的流行概念意味著該技術(shù)類似于人類智能。正如我們?cè)谙旅嬗懻摰哪菢?，在工程師能夠讓機(jī)器灌輸幼兒基于現(xiàn)實(shí)世界的反復(fù)試驗(yàn)所學(xué)的常識(shí)之前，人工智能仍然是一個(gè)誤稱。

因?yàn)楫?dāng)下很多的AI項(xiàng)目的價(jià)值只能體現(xiàn)在一些“點(diǎn)對(duì)點(diǎn)”的一次性的方案中。也就是說(shuō)，很少有看到有AI大規(guī)模的落地。這件事情的難度在于，除了傳統(tǒng)在應(yīng)用開發(fā)上會(huì)遇到的DevOps的挑戰(zhàn)，在AI的項(xiàng)目里面還有兩個(gè)比較復(fù)雜的模塊，數(shù)據(jù)(DataOps)和模型(ModelOps)。因此AI工程化并不只是一個(gè)技術(shù)問題，更是一個(gè)管理體系方法的問題。

“美國(guó)有一家醫(yī)療機(jī)構(gòu)叫‘凱撒醫(yī)療’，這家醫(yī)療機(jī)構(gòu)試圖用計(jì)算機(jī)視覺的方式，來(lái)對(duì)患有皮膚病的人群進(jìn)行分類，并接受遠(yuǎn)程診療，但一開始并沒有成功?！眲P撒醫(yī)療初期沒有成功的原因在于，因?yàn)殡[私保護(hù)的原因，他們無(wú)法獲得足夠的真實(shí)數(shù)據(jù)進(jìn)行AI建模，而是采用了教科書中的高清照片作為訓(xùn)練數(shù)據(jù)。由于訓(xùn)練模型的數(shù)據(jù)和真實(shí)的世界出現(xiàn)了脫節(jié)，導(dǎo)致模型上線后效果不佳。

最后，凱撒醫(yī)療采取的辦法是讓病人對(duì)自己皮膚患處拍一個(gè)5秒鐘的視頻去上傳。我們知道，每秒鐘視頻默認(rèn)情況下有30張照片，因此醫(yī)院在幾乎沒有增加成本的情況下把輸入數(shù)據(jù)增加了150倍，最終讓這個(gè)“不完美”的AI模型達(dá)到了可以接受的分類效果。

凱撒醫(yī)療的例子其實(shí)是證明，在“AI工程化”的路途中，有許多的實(shí)踐檢驗(yàn)、方法、流程是需要注意的，這些方法論的形成才有可能真正地讓AI算法、已有的數(shù)據(jù)發(fā)揮價(jià)值和作用。