人工智能AI 2.0：工程信任

随着人工智能的炒作阶段逐渐结束，工程师和研究人员都在发现我们所知道和不知道的关于人工智能的巨大但迄今为止尚未实现的承诺。

显然，怀疑论者警告说，在进入以人工智能为中心的未来之前，我们需要进行观察、测试和验证。因此，越来越多的意识和研究集中在“人工智能安全”等新兴学科，这些学科旨在识别并最终预测机器学习和其他自主系统中意外行为的原因。

一些早期步骤将有所帮助，包括最近的一项美国监管命令，要求强制报告涉及 ADAS 车辆的事故。(我们注意到“崩溃”而不是“意外”，在这种情况下，这是一个令人担忧的术语，因为它是无罪的。)

在这个 AI 特别项目中，我们研究了将机器的控制权委托给算法所面临的工程挑战和意外后果。一个结论是，我们距离在必须在 99.999% 的时间内工作的关键任务系统中使用人工智能还有很长的路要走。

要达到这样的可靠性、安全性以及最终的信任水平，需要不懈的测试、技术标准以及乔治城大学安全与新兴技术中心的研究员 Helen Toner 所说的“工程学科”。

另一个问题是随着设计人工智能芯片的公司数量激增，稀缺工程资源的分配。最新的是特斯拉，它在最近的AI Day 活动中推出了用于训练神经网络的 Dojo D1 芯片。虽然加速 ADAS 应用程序的神经网络训练确实是一项要求，但这家垂直整合的汽车制造商的 AI 芯片似乎是出于对所有权的自豪感。

“有这么多公司在制造人工智能芯片，为什么要自己制造?” Tirias Research 首席分析师 Kevin Krewell 指出。Krewell 补充说，越来越多的公司独立致力于将人工智能应用于自动驾驶，这相当于“惊人”数量的重复和浪费。

汽车应用正在推动人工智能技术的极限，并且可能是最先在危险环境中部署机器学习模型的应用之一。然而，在此之前，这些机器必须尽可能地接近工程师可以做到的万无一失。

正如专家所指出的，人工智能的流行概念意味着该技术类似于人类智能。正如我们在下面讨论的那样，在工程师能够让机器灌输幼儿基于现实世界的反复试验所学的常识之前，人工智能仍然是一个误称。

因为当下很多的AI项目的价值只能体现在一些“点对点”的一次性的方案中。也就是说，很少有看到有AI大规模的落地。这件事情的难度在于，除了传统在应用开发上会遇到的DevOps的挑战，在AI的项目里面还有两个比较复杂的模块，数据(DataOps)和模型(ModelOps)。因此AI工程化并不只是一个技术问题，更是一个管理体系方法的问题。

“美国有一家医疗机构叫‘凯撒医疗’，这家医疗机构试图用计算机视觉的方式，来对患有皮肤病的人群进行分类，并接受远程诊疗，但一开始并没有成功。”凯撒医疗初期没有成功的原因在于，因为隐私保护的原因，他们无法获得足够的真实数据进行AI建模，而是采用了教科书中的高清照片作为训练数据。由于训练模型的数据和真实的世界出现了脱节，导致模型上线后效果不佳。

最后，凯撒医疗采取的办法是让病人对自己皮肤患处拍一个5秒钟的视频去上传。我们知道，每秒钟视频默认情况下有30张照片，因此医院在几乎没有增加成本的情况下把输入数据增加了150倍，最终让这个“不完美”的AI模型达到了可以接受的分类效果。

凯撒医疗的例子其实是证明，在“AI工程化”的路途中，有许多的实践检验、方法、流程是需要注意的，这些方法论的形成才有可能真正地让AI算法、已有的数据发挥价值和作用。