【編者按】、、物聯(lián)網(wǎng)和云計算都是密切相關的。人工智能能夠依據(jù)很多的歷史數(shù)據(jù)和實時觀察發(fā)現(xiàn)對未來的預測性見地?，F(xiàn)在，人工智能的商業(yè)化正在迅速發(fā)展。

事實證明，從大數(shù)據(jù)到數(shù)據(jù)分析再到 ai 的轉(zhuǎn)變是一個很自然的過程。這不僅是因為這個過程有助于調(diào)整人類的思維模型，或者因為大數(shù)據(jù)和數(shù)據(jù)分析在被 ai 奪去光彩之前浸淫在 ai 的各種炒作中，主要還是因為我們需要通過大數(shù)據(jù)來構(gòu)建 ai。

ai 走向主流只用了幾年時間，盡管在很多方面已經(jīng)取得了快速進展，但真正了解 ai 的人并不多，能夠掌握 ai 的人就更少了。

2016 年，ai 炒作剛剛開始，很多人在提到“ai”一詞時仍然十分謹慎。畢竟，多年來我們一直被灌輸要盡量避免使用這個術(shù)語，因為這些事情已經(jīng)引起了混亂，它們承諾過度，卻無法兌現(xiàn)。事實證明，從大數(shù)據(jù)到數(shù)據(jù)分析再到 ai 的轉(zhuǎn)變是一個很自然的過程。

這不僅是因為這個過程有助于調(diào)整人類的思維模型，或者因為大數(shù)據(jù)和數(shù)據(jù)分析在被 ai 奪去光彩之前浸淫在 ai 的各種炒作中，主要還是因為我們需要通過大數(shù)據(jù)來構(gòu)建 ai。

讓我們回顧一下 big data spain(bds)大會，它是歐洲最大和最具前瞻性的大會之一，標志著從大數(shù)據(jù)到 ai 的轉(zhuǎn)變，并嘗試回答一些與 ai 相關的問題。

在真正成功之前，我們能先假裝成功嗎?

簡單地說：不行。gartner 分析成熟度模型的一個要點是，如果你想構(gòu)建 ai 功能，就必須在可靠的大數(shù)據(jù)基礎上進行。

其中一部分是關于存儲和處理大量數(shù)據(jù)的能力，但這真的只是冰山一角?，F(xiàn)在的技術(shù)解決方案已經(jīng)琳瑯滿目，但要構(gòu)建 ai，你不能忘了人和流程。

更具體地說：不要忘了組織中的數(shù)據(jù)素養(yǎng)和數(shù)據(jù)治理。如果你認為可以通過某種方式跨過數(shù)據(jù)分析的演化鏈在你的組織中開發(fā) ai 解決方案，那么請三思。

stratio 首席執(zhí)行官 oscar mendez 在他的主題演講中強調(diào)，要超越華而不實的 ai，需要采取整體方法。做好數(shù)據(jù)基礎設施和數(shù)據(jù)治理，并在此基礎上訓練正確的(ml)模型，這樣可以獲得令人印象深刻的結(jié)果。但這些可以帶給你的好處是有限的，alexa、cortana 和 siri 的日常失誤足以證明這一點。

關鍵是要具備上下文和推理能力，以便更接近地模擬人類智能。并不是 mendez 一個人這么認為，因為這也是 ai 研究人員同樣持有的觀點，例如深度學習領域頂級的思想家之一 yoshua bengio。深度學習(dl)在模式匹配方面表現(xiàn)優(yōu)異，數(shù)據(jù)和計算能力的爆發(fā)讓它在基于模式匹配的任務中勝過人類。

然而，智能并非只是關于模式匹配。推理能力不能只通過 ml 方法來建立——至少現(xiàn)在不行。因此，我們需要整合遠離炒作的 ai 方法：知識表示和推理、本體論等。這是我們一直在倡導的，并且看到了它在 bds 上很受推崇，這是一種正面的肯定。

應該將 ai 外包嗎?

簡單地說：也許可以，但應該要十分謹慎。我們可以直截了當?shù)卣f：ai 其實很難。是的，ai 絕對應該建立在數(shù)據(jù)治理的基礎之上，因為這無論如何對你的組織來說都是有好處的。有些組織，比如 telefonica，通過執(zhí)行戰(zhàn)略計劃設法從大數(shù)據(jù)轉(zhuǎn)向 ai，但這并非易事。

這一點已經(jīng)被一份相當可靠的 ml 采用調(diào)查報告所證實，超過 1 萬 1 千多個受訪者參與了這次調(diào)查。來自 derwen 的 paco nathan 展示了 o’reilly 的一份調(diào)查的結(jié)果，這或多或少地證實了我們的想法：采用 ai 和沒有采用 ai 的組織之間的差距越來越大。

在 ai 采用頻譜的一邊是谷歌和微軟這樣的領導者：他們將 ai 作為其戰(zhàn)略和運營的核心要素。他們的資源、數(shù)據(jù)和技術(shù)成為他們領導 ai 競賽的先決條件。然后是 ai 采用者，他們在自己的領域中應用 ai。然后是落后者，他們陷于技術(shù)債務之中，無法在 ai 采用方面做出任何有意義的事情。

從表面上看，ai 領導者提供的產(chǎn)品似乎是在普及“ai”。谷歌和微軟都在 bds 上展示了這些，他們做了一些演示，在幾分鐘內(nèi)通過點擊的方式就構(gòu)建出一個圖像識別應用程序。

很明顯，他們在向我們傳達這樣的一個信息：讓我們來操心模型和培訓的事，你只要專注在你領域內(nèi)的細節(jié)上。我們可以識別機械部件——只需要提供給我們特定的機械部件就可以了，然后你該干什么干什么去。

谷歌還在 bds 上發(fā)布了一些新產(chǎn)品：kubeflow 和 ai hub。它們背后的想法是編排 ml 管道，類似于 kubernetes 為 docker 容器提供的應用程序。這些并不是唯一能夠帶來類似優(yōu)勢的產(chǎn)品。它們看起來有點誘人，但你應該使用它們嗎?

誰不想直接跳過 ai 這道坎，拿到想要的結(jié)果，而且不需要面對那么多麻煩?這確實是一種可以讓你領先于競爭對手的方法。但問題是，如果你完全將 ai 外包，那么你就無法獲得在中長期內(nèi)自給自足所需的技能。

想想數(shù)字化轉(zhuǎn)型。是的，數(shù)字化、探索技術(shù)和重新設計流程也是很難的。并非所有組織都能做到，或者有能力投入足夠的資源，但那些做到的組織現(xiàn)在已經(jīng)跑在了前面。ai 具有類似甚至更大的顛覆潛力。因此，可以立即獲得成果固然好，但 ai 的投資仍然應該被視為戰(zhàn)略的重點。

當然，你可以考慮外包基礎設施。對于大多數(shù)組織而言，維護自己的基礎設施的數(shù)量并未增加。在云端運行基礎設施所帶來的規(guī)模經(jīng)濟性和領先優(yōu)勢將帶來實質(zhì)性好處。

我們將去向何處?

簡單地說：就像登月一樣。ml 反饋閉環(huán)似乎正在全面展開，因此，采用者試圖跟上，落后者保持滯后，但領導者卻越來越領先。

pablo carrier 在演講指出，如果你嘗試線性提高 dl 的準確率，計算量將呈指數(shù)級增長。在過去六年中，計算量增加了 1000 萬倍。即使是谷歌云也很難跟上，更不用說其他的了。

google cloud ai 技術(shù)主管 viacheslav kovalevskyi 在開始他的“分布式 dl 理論和實踐”演講之前，警告說：如果有可能，請避免使用它。如果你真的必須這么做，請注意與分布式相關的開銷，并準備在計算和復雜性以及基礎賬單方面付出代價。

kovalevskyi 提供了一些不同的使用分布式 dl 的歷史視角——分布數(shù)據(jù)、模型或二者。分布數(shù)據(jù)是最簡單的方法，分布兩者是最難的。但是，無論如何，分布式 dl 仍然是一個“童話之地”——通過增加 k 倍計算時間，你并不會獲得 k 倍的性能提升。

當然，google 的演示主要關注 google cloud 上的 tensorflow，但這不是唯一可用的方法。databricks 剛剛宣布支持 horovodrunner，通過 horovod 來輔助分布式 dl。horovod 是一個開源框架，由 uber 推出，谷歌也在使用它。

微軟數(shù)據(jù)科學家和 azure 數(shù)據(jù) /ai 技術(shù)專家 marck vaisman 在他的演講中提出了替代方案，他使用了 python 和 r，而不使用 spark。他介紹了 dask，一個 python 開源庫。dask 承諾為分析提供高級并行性，可以與 numpy、pandas 和 scikit-learn 等項目協(xié)同工作。

最后，圖和圖數(shù)據(jù)庫也是整個 bds 的關鍵主題：微軟的知識圖、aws neptune 和 oracle labs。云計算、分發(fā)式以及在 ml 中引入圖結(jié)構(gòu)是未來需要關注的一些關鍵主題。