［依图科技创始人］AI新时代：因为看见，所以相信

人工智能浪潮大起，如何判断技术和产业发展？

依图科技联合创始人朱珑（Leo）认为：团队的技术实力由最强的领军人物决定，AI新时代的壁垒唯有顶级的人。而技术发展则有三个层次：

正因为有了Insight，创业公司才能在单项AI任务上超越拥有算法、算力、数据条件的互联网巨头，而Vision凌驾一切，朱珑以深度学习领域最强的两位大师Hinton和LeCun为例，论述了Vision对未来结果的决定性。人工智能没有历史可以借鉴，没有权威可以预测，但朱珑表示，因为看见，所以相信。

我是Leo，依图科技联合创始人，UCLA统计学博士，从事人工智能研究15年，曾在深度学习奠基者Yann LeCun教授实验室担任研究员，2010年获得PASCAL图像目标检测比赛冠军，2017年获得美国国家标准与技术研究院NIST和美国国家情报高级研究计划局IARPA人脸识别全球冠军。

最近，大量关于人工智能的研究报告，投资人、创业者、学者热议AI的趋势和对社会各行业的影响，不乏对AI技术和产业发展的误解，很容易有误导性。宏观上，议题大体分为三个方面：AI是多大的事？谁是真正的AI player？AI的场景在哪里？

从科学研究者和创业者的双视角谈谈我的主要观点：

“S”曲线看AI格局

我对AI发展历史和预测，用上图的“S”形曲线建模（Sigmoid函数，恰好也是用来刻画神经网络中神经元的activation function）。横轴表示时间，纵轴表示机器智能水平。曲线上的点表示某个时间点的全球最高智能水平。2013年开始是新AI时代（深度学习），2013年前的机器智能发展水平相较于近5年的发展基本可以忽略不计。红线代表悲观派（AI退潮、AI泡沫等），2017年之后很快出现发展停顿；蓝线代表乐观派，2017年之后还有快速发展。值得强调的是，蓝红两条曲线对AI历史有相同认识，但市场上很多论调或研究报告看到的是另一条曲线，很大概率调研看到的AI水平离最高水平有很大差距。分析AI格局的不同立场，可以通过解读S曲线的三个方面：

 AI过去的发展以及AI未来发展程度和速率的预测

 AI发展水平和商业场景的关系

 各个player的所在位置和差距

具体来说，我们先从AI过去5年的发展情况谈起，以人脸识别作为例子，把人脸从N个人中找到的概率在95%，纵轴就是可识别的规模（N的大小）。

技术不是趋同，而是会放大差距、解锁场景

2017年人脸识别最高水平可识别规模在20亿人，大概比2016年可识别千万提高两百倍，比2015年提高了数万倍。在2017年全球最权威的人脸识别测试中（NIST），我们比第二名Vocord团队，在千万比对测试上领先2％（Vocord在另一测试集比腾讯优图高10%），这个就是大家常说的技术水平趋同，高一两个百分点没有意义（引申出难兑现成竞争价值）。这个误区需要从两个方面解读：

这是一般的算法性能曲线的规律。除了可识别规模上的重大差异，还体现在难（hard）的数据上的识别率差异。从算法经验来说，黑人、女性、小孩、大年龄跨度、遮挡等是较难识别的群体和类别。在这些子类上，不同算法之间的性能差异会更大。

超大规模下的评测本身就是一个不简单的学术命题，还需要大量的数据支撑，真正能观测到20亿数据下性能的人少之又少，例如美国很难建立20亿级的测试集。这不是访谈一些人脸识别研究从业者就能获得，这是误区的第一个来源。

百万、千万识别规模对应的是身份认证场景，远程认证、手机解锁都属于此类。“技术无差异”的论调在这个场景下倒是可以成立。但安防刑侦破案对亿级和十亿比对有刚性需求，在这些场景下，不是多识别出几个罪犯的问题，而是找出来概率差别十倍以上的，几乎就是行与不行的问题。“非关键性应用”的论断误导性极强。

在最新的安防案例中，万路甚至十万路摄像头视频的人脸搜索、归档对算法有极高要求，假定每路人流为万，要在万路视频中，搜索性能相当于要求算法百亿、千亿规模上的可识别率。这比其他场景的性能要求再提高千倍。以不同算法为基础的产品端体验差异就被同比例放大。另外，全球人种的识别，是反恐、出入境业务对识别的覆盖面要求是很很高的。

这些新的场景解锁，是最先锋的算法团队和垂直领域的开拓者（比如公安系统的创新团队）共同努力，也不是访谈一般的安防从业者就能感知变革的最前沿，这是误区的另一个来源。

技术水平的三个层次VIE：Vision远见 Insight洞见 Execution执行

技术实力该如何评估比较呢？最常见的是测试比赛的冠军、实际案例、招投标PK成绩、论文等。这些或许能区分是不是前10名的AI团队，但很难区分最好的团队。我对技术的三层解构：Vision，远见，或战略格局、技术趋势判断；Insight，洞见，算法本质和客观世界分布规律的理解；Execution，执行，算法实现、数据获取、工程计算平台等。具体来说：

比如，AlphaGo出来后，多快能复现；语音识别多快能追上全球最好的结果。顶级的Execution，不是开源的算法平台可以弥补。特定领域的专家能帮助团队快速提高对应领域Execution的水平。这个层面，中国团队应该是世界一流的。Google如果是世界第一的话，不论是下棋、人脸识别、语音识别等，中国的水平应该不会比 Facebook、Microsoft、Apple、Amazon等差，甚至某些方面稍强些。大部分人比较技术，基本就在这个层次。但更重要的、威力更大的是上面的两个层次。

Insight指导如何使用数据、计算力（就是指导如何使用算法甚至创新算法）。这层决定能不能比Google做得更好，或者能保持同一发展节奏。假定拥有深度学习算法框架、海量数据在同样水平，但是大家对算法性能调教还有巨大差距。以人脸识别为例，我们使用了2亿张人脸图片（几十亿张图片的子集）训练，有效模型参数达到10亿量级，利用对人脸这个对象的属性先验的合理假设，包括光照、年龄、种族、运动模糊、成像解析度等，模型定制、数据如何组合、计算如何加速在性能调优和模型学习效率上（就是上面提到的Execution）都有重大差异。这就是为什么拥有算法、算力、数据条件的互联网巨头也不见得能在单项AI任务上能做到全球前三。

这除了需要对技术的深刻理解，还需要对技术的创新能力，以及技术商业价值的想象力、创造力。技术的远见，回答AI的场景在哪以及多快到来。

用深度学习领域最强的两位大师Hinton和LeCun谈一下我的感受。在2010年前，学术界不少人已经在谈大数据对机器学习的重要性，Hinton团队2012年在LeCun发明的算法基础上，用了百万的训练数据，在ImageNet上取得世界级的突破性进展；同一时期，LeCun团队只用了不到十万的数据。但是在Hinton公布ImageNet结果的头两个月，LeCun团队没法重现Hinton用自己算法的实验结果。在Hinton公布算法实现和技巧后，LeCun团队的结果就轻松超过了Hinton团队的水平。

两位大师都拥有超一流的Vision，在深度学习方向上坚持三十年。但是他们Vision的差别以及以此带来的信念差别使得Insight的差别（是否追求更深刻见解）在当时可能是巨大的，对深度学习算法发挥的突破条件包括训练数据规模、模型正则化实现、activation function选取、GPU计算等的理解还有显著差异。这些在当时，原理还不清楚时，可能完全是凭着Hinton（包括那一期超强的博士生）的直觉。这种Insight的差距，使得LeCun团队已知所用算法框架和目标性能但未知关键实现时，也不能重现结果。但之后，LeCun团队拥有更好的Execution（大规模系统性调优），能在短时间内算法性能超过。这种最牛高手间信念的微妙差异，到底来源于什么，值得深思。

为什么Vision很重要？就像雷达，对别人来说是盲区，不仅以此获得战略优势，还有定力，排除诱惑和干扰。

Vision如何辨别呢？非常难，甚至几乎不可能，只能由同样有Vision的人欣赏。就像taste难以打分一样，只能由同样有taste的人欣赏。所以，伟大往往和误解相伴。LeCun在深度学习被实际测试数据验证前，也很难被美国主流学术圈认可，甚至发表顶级会议都不是简单的事，可如今，几乎所有的论文都要贴上深度学习的标签。

但是判断过滤没有Vision的团队，倒是有迹可循。一般来说，无论学术还是创业，伟大的突破，都需要多年前后一致的投入和深耕。隔年换领域或者什么模式都在做的（垂直、平台等），归类为没有Vision应该没什么问题。

有了VIE的拆解，我认为，拥有顶级Execution和Insight的团队，最知道对算法有效的数据在哪、如何标注使用。拥有顶级Insight和Vision的团队，最早知道技术的突破带来最具商业价值的场景在哪以及何时到来。

AI未来：没有历史可以借鉴，也没有权威能够预测

谈了AI发展，技术如何解构，谈谈AI的未来。基于深度学习的AI新时代，大大不同于30年历史上的AI，这是被各种应用、在实际场景、大规模数据验证过性能的技术，而不只是理论或概念。尽管过去5年的发展，对得起人们的期待，今天，还有不少人担心新AI像过去一样很快会退潮。但我认为，AI新时代只是开始。我从新AI的三个特性简要阐述：

 AI是全新的维度。这是最重要的，决定AI到底是多大的事

AI技术如何创新发展，如何变革商业，没有历史可以借鉴，也没有权威能准确判断。AI不仅仅是一个技术，AI突破还能突破所有技术包括人机交互、搜索、机器人、芯片计算、医学、制药等科学领域的几乎所有学科。

 AI的发展速度快、跳跃性强

从S曲线中，可以看到过去5年，AI的发展极其迅猛，单门类（人脸识别）算法有了万倍的增长。但我对未来更加憧憬，即S曲线中2018年之后的曲线有多陡。AI发展带来的多维度技术和各场景深度结合、叠加会带来更有冲击力的体验。从多技术维度来说，从视觉，到听觉、语义理解、运动控制会在之后几年都会快速突破；和芯片结合，端智能渗透到与用户的最后30公分的交互体验，从Internet Of Things向Internet Of Intelligence跨越，让智能无处不在。

AI领先一步，会带来巨大势能

在S曲线中，处在不同位置的团队，优势不只是横轴时间的差距，而是技术领先带来的累积效应（曲线积分）以及更多元（多条AI技术曲线）AI技术的叠加，这使得AI能有跨行业的摧毁性。不仅仅决定某个行业，第一名和第二名的差距或位置关系，还能使得AI领先的行业的领导者撬动AI意识落后的行业。