一年一度的DesignCon是世界一流的高速通信和系统设计大会，在电子创新的核心硅谷汇集行业关键的技术发展与碰撞。在今年4月举行的 DesignCon 大会上，谷歌的 Laurence Moroney进行了题目为《人工智能与机器学习的现实：打破炒作，走向生产》的主题演讲。

Laurence 著有《程序员人工智能和机器学习入门宝典》一书。请注意，本书和本次主题演讲所面向的对象都不是对神经网络有深入了解的人工智能专家，如果您精通深度学习和神经网络，本文内容将不会对您有多大助益，因为该主题演讲聚焦基础的人工智能知识。

Laurence 于 1992 年在英国开始涉足人工智能。当时政府制定了一个发展人工智能并将其引入英国科技行业的计划。和大多数此类计划一样，该计划以彻底失败告终。

Laurence先从一些图表入手，着眼于 GDP 以及技术，特别是互联网的出现，如何成为主要驱动力。如今的许多顶级公司都是那场技术革命的产物；2007 年的智能手机是又一革新；下一个革新领域显然是人工智能。

例如，以下是摘自世界经济论坛《未来的工作》报告中的数据：

• 数据和人工智能 +37%
• 工程和云计算 +34%
• 人员和文化 +18%
• 产品开发 +27%
• 销售和营销 +30%

《福布斯》的报告预测：

• 全球机器学习市场的规模将从 2017 年的 15.8 亿美元增加到 2024 年的 208.2 亿美元
• 人工智能软件营收将从 2018 年的 101 亿美元增长到 2025 年的 1260 亿美元

Laurence 还查看了 LinkedIn 的数据，发现在美国的人工智能领域有 44,864 个职位空缺。全球则有98,371 个。他认为，这些职位不会全部由现有的人工智能专家填补，因为现有的人工智能专家都已经有工作在身。他认为谷歌的很多工作，尤其是他自己的工作，就是让那些没有人工智能背景的人能够接触到人工智能技术。如果这些技术易于使用，那么对于没有人工智能背景的人也能有所裨益。

其中一个例子就是根据对现有对话的人工智能分析，为《星际之门》最新一集生成剧本。Laurence是这个项目的顾问，但在剧本审阅时，他发现人工智能生成的剧本很快就变成了胡言乱语。正如他所说：

“人工智能绝对不会对职业作家构成威胁。”

然而，神奇的是有一个名叫 David Hewlett 的演员意识到他可以使用这些模型来排练台词技巧，并在试镜中取得更好的表现。

既然人工智能正变得越来越实用，Laurence 表示：

“谷歌的目标是让人们了解人工智能，知道它是什么，不是什么，从而提高生产力。”

人工智能和神经网络的工作原理

传统的编程模式是制定规则和收集数据，然后由程序员写一个程序，最后由程序得出答案。

机器学习范式则反其道而行之：输入数据和答案，然后由机器学习算法进行运算并生成规则，也被称为模型。

机器学习的工作方式是，做出最初猜测，评估其准确性，对猜测进行调整，以便（希望）下一次迭代会是一个更准确的猜测。

最后，在推理过程中，获取规则/模型，输入新数据（以前从未见过），输出推理结果（“那是一只狗”或“那是一个限速每小时 30 英里的交通标志”）。

作为深度学习如何运作的另一个示例，Laurence 打开应用程序，根据他的讲话内容实时自动生成了相应文本，且拥有极高的准确性。但是他表示，由于这个人工智能程序是使用他的声音进行训练的，所以准确性才如此之高。

Laurence还列举了 Tensorflow 的一个例子。由于篇幅有限，在此不再详述。他指出，Tensorflow 和其他谷歌培训材料针对的是开发人员，而不是学术人员，这是贯穿本次主题演讲的主旨。其目标为：

“扩大普及范围，使人工智能人人可用。这催生了以前不可能实现的新一类应用，无需拥有专业才能，也能参与其中。”

人工智能与眼科学

Laurence指出：在印度，深度学习被用来检查人们的视网膜。

这样做的目的不是摆脱眼科医生，而是让他们能够为更多人看病。因为印度的眼科医生严重短缺，而几乎半数患者的视网膜受到永久性损伤，甚至在有机会就诊之前就失明了。

人工智能对视网膜脱落 (DR) 的诊断准确性高于普通的眼科医生（但比不上最优秀的眼科医生）。同时这个深度学习模型可以做到眼科医生做不到的事情：一个是估计病人的年龄，误差不超过 3.25 岁；另一个是能够仅靠病人的视网膜图像判断出他们的性别。

人工智能的未来发展

Laurence 对人工智能的未来发展进行了展望：

• 更多的人工智能研究：就在DesignCon举办前两天，谷歌发表了一篇关于使用人工智能来解读笑话的论文
• 使用人工智能来发现和避免 IT 问题
• 人工智能和机器学习运维，以及关于实际神经网络的开发：我们需要考虑一个全新的生态系统（见下图）
• 人才短缺（本文开头提到的 100,000 个空缺职位）
• 伦理与偏见
• 可解释性：例如“如何判断这是一只猫而不是一只狗？” 实践表明，人工智能通过眼睛即可判断，不需要查看动物的其他部位。

（文章来源公众号： Cadence楷登PCB及封装资源中心）