吴恩达是当今人工智能领域最杰出的人物之一。
他是Landing·AI和DeepLearning.AI的创始人，Coursera的联合主席和联合创始人、斯坦福大学兼职教授。此前还曾担任百度首席科学家和谷歌大脑项目的创始人之一。

不过据他自己讲，他目前的重点已经转移，从数字世界转移到了现实世界，正所谓「从比特到事物」。 2017年，吴恩达创立了Landing AI，这是一家致力于促进人工智能在制造业中的应用的创业公司。新智元平台采访了吴恩达，讨论了他所说的人工智能的以数据为中心的方法"，以及它与他在Landing AI的工作和当今人工智能的大背景之间的关系。 

 

从数字化到落地

吴恩达表示，他的动机是面向行业的。他认为制造业是 「对每个人的生活有巨大影响的伟大行业之一，但对我们许多人来说是如此不可见。」 许多国家，包括美国在内，都对制造业的衰落感到悲哀。吴恩达希望 「采用已经改变互联网企业的AI技术，利用它来帮助在制造业工作的人。」 这是一个不断增长的趋势。根据2021年的一项调查，制造业中65%的领导者正在努力试点AI。预计在未来五年内将达到57.2%的复合年增长率。 

 

「数据为中心」的AI与基础模型

 在生产领域，有时候全世界只有50张图片做参照。这对现有的AI来说根本不够。这也就是为什么现在关注的重点应该转向让专家通过收集数据来记录他们所拥有的知识。 吴恩达说，Landing AI的平台正在做这件事。该平台可以帮助用户找到最有用的案例，来构建最一致的标签，并且提高输入到算法里的图片和标签的质量。 这里的关键是「一致性」。吴恩达和他之前的一些人发现，专业知识并不能被单一专家定义。对一位专家来说有缺陷的东西可能会被另一位专家重视。这种现象并不是才有，但只有在不得不生成注释相同的数据集时才会浮出水面。 吴恩达表示，「这就是为什么我们需要好的工具和工作流程来让专家能快速达成一致。没有必要在已经打成共识的地方花时间。相反，我们的目标是关注专家们没有达成一致意见的部分，这样他们就可以通过讨论来解决存在缺陷的部分。事实证明，想让AI系统快速获得良好性能，达成整个数据的一致性至关重要。」 这种方法不仅很有意义，而且也有一些相似之处。吴恩达所描述的过程显然背离了当今 AI 经常采用的「投入更多数据」的方法，而是更多指向基于管理、元数据和语义协调的方法。 事实上，像Google前机器翻译主管David Talbot这样的人一直在传达这么一个思想：除了从数据中学习之外，应用各个领域内的知识对机器翻译也很有意义。在应用机器翻译和自然语言处理 (NLP) 的情况下，所说的领域内的知识就指的是语言学。 

 

AI的下一个10年 

作为一名计算机视觉的内部人士，吴恩达非常清楚人工智能正在取得的稳步进展。他认为，在未来的某个时候，媒体和公众将宣布，计算机视觉模型属于基础模型。然而，能否准确预测何时会应验则是另一回事。 对于拥有大量数据的应用程序，例如NLP，输入系统的领域知识量随着时间的推移而不断下降。吴恩达解释说，在深度学习（包括计算机视觉和 NLP）的早期，人们通常会训练一个小型的深度学习模型，然后将其与更传统的各领域知识库的方法结合起来，这是因为深度学习的效果不佳。 

 吴恩达说，「十年前，我低估了发展深度学习所需的工作量，我认为今天很多人都低估了发展以数据为核心的AI所需的工作量、创新、创造力和工具。但是，我们未来几年在这方面将会取得进展，我认为它将支持更多的人工智能应用，我对此感到非常兴奋。」 

参考资料：

https://mp.weixin.qq.com/s/m4Fnhh5mnJtCmIrLH_7nvg

https://venturebeat.com/2022/03/21/andrew-ng-predicts-the-next-10-years-in-ai/

内容中包含的图片若涉及版权问题，请及时与我们联系删除