一名 ai 專家值多少錢？
“基于我個人經驗，一名計算機領域的 ai 專家對于企業的價值，至少為 500-1000 萬美元。為了争奪這些少數的人才，正在開展競标大戰。”
這是卡耐基梅隆大學計算機科學院院長 andrew moore 教授在 11 月 30 日美國參議院聽證會上 ，所說的話。
這場聽證會名為“ai 破曉”（the dawn of artificial intelligence），由參議員泰德·科魯茲主持，主題是探讨人工智能目前的形勢，對政策的影響及其對商業形态的改變。共有 5 位 ai 專家出席，分别是：
eric horvitz（微軟研究實驗室總經理，人工智能夥伴關系委員會臨時共同主席） andrew moore（卡耐基梅隆大學計算機科學院院長） andrew futreal（德州大學安德森癌症中心基因醫學教授） greg brockman（openai cto及其聯合創始人） steve chien（加州理工學院、nasa 噴氣推進實驗室進階研究科學家）
在 moore 教授看來，美國政府應該從高中階段開始為人工智能産業積蓄研究人員了，而這個人才儲備需求為 100 萬名高中生。這并不是 moore 教授一個人的觀點，吳恩達也表示贊同。
無獨有偶，僅隔一天，facebook 的部落格上釋出了一條新消息，放出大神 yann lecun 親自講解 ai 知識的三彈視訊。然而如果 ai 領域的專業讀者，稍微點開視訊一看，便知道這好像是一個高中老師在講科普課的風格。
三彈視訊湊成一個系列，風格十分活潑，yann lecun 的講解裡穿插動畫，并沒有太多技術性的内容。lecun 在視訊裡就明确表示，這次主要是給大衆普及關于深度學習的基本原理，希望可以鼓勵年輕人、高中生對該領域有更多了解，激發他們來探索這一領域的興趣。
是以這樣看來，無論是美國的學術界、政府還是産業界，都普遍有一種要把 ai 的種子廣泛播種到下一代的氛圍。
雖然是科普性的視訊，但大神的思路可見一斑。就像 moore 教授所說的，真正的 ai 專家隻是非常少的一波群體，其實如今的 ai 從業者仍舊處在一個“學習”階段。
那麼，到底 yann lecun 的三彈視訊裡講了什麼内容呢？
很多人，對于智能機器非常着迷，而我們的實作方法其實非常簡單。現在我跟大家解釋一下它當中到底是如何工作的。
其實大部分人已經在日常生活中使用 ai 系統了，隻不過他們都不知道而已，這裡面的應用包括自動駕駛、購買建議、遊戲等。
我們最常用的機器訓練模型，就是監督學習（supervised learning）。
舉一個典型的例子，如果你想建造一個識别圖像的機器，讓它識别圖像裡的狗和汽車。那麼你就需要給這個機器看幾百萬張含有狗和汽車的圖檔，并告訴機器裡面是否有狗或汽車，這就是一個“訓練”的過程。
在訓練之前，這個機器隻是産生随機的答案，當你給它顯示一張汽車或狗的圖檔時，你都不知道它會怎麼回答。如果它答對了，可能隻是運氣好罷了；如它答錯了，這時候得人為糾正一下（調參數）。
是以其中的一個關鍵就是，首先就是建造一個機器系統，然後就是調整内部參數或者結構，這樣下一次你再展示圖檔的時候，系統就會答出正确答案了。
這就所謂的“學習型算法”，其關鍵就是在于“調整參數”。幾百萬張圖檔這樣訓練下來，不斷地調整參數，最終機器會弄清楚“汽車”和“狗”之間的差別。當一張全新的照片給機器看時，它這時多半會給出正确答案。
我們把這個過程稱為“泛化能力”（generalization ability），指的是，機器能夠識别出跟訓練素材相似的，但從未見過的東西（the ability to recognize things that are similar to what the machine has been trained on but has never seen）。
計算機往往依照一串指令來運作，這一串指令就叫做“算法”（algorithm）。清洗盤子，也是要遵循“算法”的：先從一摞盤子裡選出一個放入水池中，然後擦拭清洗，然後烘幹，最後放置在架子上。這個過程不斷重複，就是一種很簡單的“算法”。
那麼我們如何為圖像識别寫一個“算法”呢？比如，如何差別圖像裡的汽車和狗？
計算機通常采用的方法，是用數字來表示圖檔，每一個數字代表特定區域像素的亮度。汽車的像素數組和狗的像素數組如圖，這樣就可以寫一段代碼來差別汽車和狗。
很多年來我們做的事情，就是建立大量的圖檔庫，将已識别出的圖像和等待識别的圖像進行比較，如果比對上時，計算機就可以判定圖檔裡面到底是汽車還是狗。
但問題是，這個方法所需要的模闆數量太巨大了，就汽車和狗而言，需要所有可能的位置、顔色、姿态的狗和汽車，這是非常不實際的。
但機器學習不一樣，我們并不對機器進行程式設計，而是用圖檔對其進行訓練。我們來舉個最簡單的例子，讓機器區分兩個字母。我們看到下圖裡，分别是字母 d 和字母 c（黑色塊構成字母輪廓）。
每張圖檔包含 9（3*3）個像素，我們分别給像素指派，黑色=1，白色=0，進而得到兩張字母圖檔的像素矩陣。
接着，我們隻讓系統做一件很簡單的事情：計算出像素權重（weights）之和。
具體而言，我們需要兩個部分：像素值矩陣和權重模闆，讓這二者相乘得出結果。我們假定，如果結果>0，即判定為字母 c，如結果<0，即判定為字母d。
像素值矩陣很好設定，接下來就是得出一個有效的區分二者的權重模闆，這是通過人工調節得到的。
當看到字母 c 時，人工告訴機器把 c 的權值調大。于是學習系統把字母 c 黑色像素對應的模闆的權值增加為 1，白色像素對應的部分保持為 0。
同時将字母 d 的權值調小。
最終得到的模闆權值中，正數（1）位置獨屬于字母c，負數（-1）位置獨屬于字母d。這就是一個很完美的将字母 c 和字母 d 區分的模闆。
現在我們重新給系統一個字母c 的圖檔，計算機将新圖與終極模闆相乘，得到的 9個像素裡的值，這些值相加得到的值=2。這時，2>0，是以計算機判斷其為字母 c。
同樣，如果新圖是字母d，那麼所得結果為-1，-1<0，是以計算機判斷其為字母d。
現實中的分類問題要比差別字母 c 和字母 d 更費時、更複雜，而對模闆的設定也更具有挑戰，但是模闆法是一種非常基礎的原理。
在深度學習領域，我們使用一種特殊的方法：卷積神經網絡(convolutional neural network, cnn) 。有趣的是，這種網絡結構，是受到哺乳動物的視覺皮層啟發。
一個物體可以有多個角度的照片，比如我要給這個剪刀拍照，各個角度得到的圖檔是不一樣的。
如果我要讓計算機識别出這個剪刀，那麼就要以這個洞為主要特征，無論剪刀出現在照片的哪個位置，系統都能依據這個“洞”找出這個剪刀。
這個“洞”隻是這個剪刀的特征之一，我們可以對一個物體提取多個特征，讓系統來鎖定它。cnn 的特殊之處在于，我們并不需要人工來提取這些“特征”。cnn 的第一層，有幾百個探測器（detectors），它們自己學習并提取出幾百個“特征”。
這種自我學習的方法，應用在很多領域，包括圖像識别、自動駕駛、語音識别、翻譯等。
yann lecun 表示：
這個視訊不是課程，隻是讓普通人能夠真正了解“深度學習”技術背後的基本原理，這或許能夠鼓勵年輕人、高中生對此有更豐富的了解，讓他們對此産生興趣，之後或許能在網上聽一些課程，甚至日後在大學裡學習相關課程。 我認為，讓公衆對深度學習技術有所了解，是很重要的。
是以，facebook 已經要在培養青少年人才方面發力了，雷鋒網大膽推測，莫非明年就要出現深度學習技術的高中生競賽了？
從政界、學術界到産業界，美國都在向着“ai 破曉”大膽邁步，中國其實不乏在 ai 領域的專家大牛，是否也有一天，向 yann lecun 一樣親切地向大衆普及 ai 知識，推動基礎教育的發展呢？
ps： yann lecun三彈視訊。