李開復:人工智慧取代的工作機會遠多於創造,連醫生都將被取代

最近李開復還出了一本新書《人工智慧來了》。為什麼李開復這麼看好人工智慧呢?而李開復對人工智慧的發展所帶來的衝擊是樂觀來是悲觀呢?
評論
評論

李開復最近儼然成為人工智慧的「傳教士」,不但想打造所創辦的「創新工場」成為最懂人工智慧的創投,最近李開復還出了一本新書《人工智慧來了》。為什麼李開復這麼看好人工智慧呢?而李開復對人工智慧的發展所帶來的衝擊是樂觀來是悲觀呢?雖然新書還沒上市,不過 INSIDE 採訪了李開復,先幫讀者問問,到底人工智慧來了之後,會發生什麼事?

如何判斷要投資哪些 AI 新創團隊?

身為最懂 AI 的 VC,李開復所帶領的創新工場到底是怎麼決定要投資哪些人工智慧的團隊呢?李開復過去曾說,創新工場有 50% 的投資都集中在人工智慧領域的新創團隊,陸陸續續投資了一億美元在人臉辨識、小額貸款等公司。

李開復不否認在人工智慧領域有很多「吹牛」的新創並不是理想的投資標的,所以需要精挑細選。問到創新工場是不是用人工智慧來挑選值得投資的人工智慧團隊,李開復則坦言,完全沒有,因為創投這個工作是最不容易被人工智慧所取代的,所以在尋找投資標的的過程中,也不會利用人工智慧,而是依賴更有價值的真人智慧。

那麼是怎麼挑選團隊呢?

  1. 創新工場不投資任何未被驗證的技術。
  2. 即使被驗證可行了,商業價值要如何獲取也是創新工場所在乎的。
  3. 這個團隊的人才是不是很厲害?創投不期望團隊發明新技術,但至少要懂得如何掌握技術。

以上這是投資新創團隊的三個基本原則,不過創投不是只負責挑到好的團隊就結束了,尤其在人工智慧這個幾乎都是頂尖科學家的領域,創投其實要非常的投入在裡面,不斷的跟團隊討論如何應用、有沒有什麼合作的機會,創造出更多的商業價值,成為團隊最信任的顧問。

所以目前投資的一些人工智慧的團隊,像是人臉辨識的技術,就去嘗試可不可以應用在手機解鎖、電商服務、治安應用等領域。而小額貸款的團隊,因為中國很多人沒有信用卡,但是跟熟人借錢很難堪,這種需求的確存在,只是壞帳率很高。透過人工智慧的應用,可以用來判斷這個人可不可以借他錢?把壞帳率想辦法壓低下來。這些應用都越來越成熟了,以小額貸款來說,目前已經可以達到每個月有 150 萬單,每單達 1000 元人民幣,一年累積下來有 180 億,這已經超過銀行的規模了。

對的技術,加上明確的商業需求,就能有爆發性的成長。

人工智慧的技術成熟了,但是還沒平台化

談到技術的發展,目前人工智慧還是非常強調科學家的參與,跟過去網路創業的發展不那麼重視學歷或學術很不一樣,是否學歷在矽谷又會被重新看重?

李開復認為,現在人工智慧才在開始的階段,科學家的確非常重要,之後隨著技術發展的成熟,技術都能平台化之後,當工程師可以像是打開工具箱挑選適合的工具來用那樣的使用人工智慧的技術,就不需要那麼多科學家了,而人工智慧也才算普及。現在主流的深度學習技術算是很成熟了,但來沒發展到成為平台,所以還需要很多的科學家。

人工智慧的特色就是會自我進化,甚至發展到人類無法解讀或是無法理解的程度。所以如果透過人工智慧來處理要不要貸款給某個人,因為審核的機制是人工智慧自己學習而來的,被拒絕了也不知道原因,這會不會造成問題?李開復很樂觀的表示,其實也可以反過來利用這個優勢,剛好就因為人也看不懂,無法解釋可能也是更好的解釋,透過人工智慧的應用,也保護了一些商業機密。只是,被拒絕貸款還不知道為什麼,而且還是電腦決定的,真的沒問題嗎?

七大黑洞的封閉終將被更開放的生態系取代

在促成人工智慧的技術成熟的過程中,開源其實很重要。李開復舉例,原本封閉的 Wintel 生態系,隨著行動化的趨勢,現在程式碼的開源已經成為主流了,Github 等的出現,開放的生態系對人工智慧的發展奠定了不錯的基礎。但是除了 code 以外, data 也要開源,可是目前卻存在有七個黑洞,也就是美國的 Google、Facebook、Microsoft 和 Amazon,還有中國的 BAT,這些企業掌握了非常大量的資料,但是進去了就再也出不來,像是黑洞一樣,這對人工智慧的發展不是好現象,當然這七個黑洞相對來講就更有優勢。

這七大公司在網路上當然是很巨大的,可是在一些傳統而實體的產業,這些公司的影響力其實很微小,所以我們可以期望將來會出現在資料上更開放的系統,來取代這七大黑洞。其實就科學家來說,這七大黑洞造成很多困擾,因為發展人工智慧的技術,需要這些資料,但是這些資料並沒有被分享,所以科學家的發展就被限制住了,這也是為什麼後來許多科學家不得不去這七家公司,不然研究做不下去,但終究這還是為人所詬病的一種對自我利益過度保護的行為,科學家做研究還得去「乞討」資料,情何以堪?

所以創新工場的作法就是不只程式碼開源,資料也開源,而且對學生合作,因為有許多比較資深的工程師其實也不懂人工智慧,但是現在的大學生很多都已經懂了,過去史丹佛大學的機器學習課程一堂 80 個人,今年 1000 個人,這些懂人工智慧的大學生,將來就是人工智慧發展的人才庫,他們會很飢渴的找平台去發展他們自己的才華,而我們就盡量提供他們機會。

反過頭來看台灣的學術界,就李開復的觀察,其實研究者都處於快要放棄的狀態,因為資料沒有比人多,又不像是美國或中國有七大黑洞,台灣連黑洞都沒有。所以如果有台灣的教授或學生對人工智慧的發展有興趣,接下來可以多發展或是參與開源的生態系。

人工智慧未來的發展有三個階段

對人工智慧的發展,李開復提到將會歷經三個階段:

  1. 先是應用現有的數據。
  2. 接下來是透過更多新的感應器和硬體收集新的數據發展新的應用。
  3. 最後則是全面自動化。

這三個階段發生的時間大概會是未來的五年、十年和十五年。最開始應用人工智慧的就是科技產業,像是 Google 的搜尋其實已經應用很久了,現在已經是科技公司如果不用人工智慧的技術,那就有點落伍了,有資料還不用,那不奇怪嗎?

除了網路公司,還有誰有資料呢?金融產業,而且金融產業是天生就應該要用人工智慧的,完全是數據化的一個產業,不管是銀行、保險、貸款、徵信、投資,都是數據的處理。

李開復是這樣看的,一個產業如果有大量的數據、數據帶有標籤而且是單一領域的,那就是人工智慧應用最理想的數據。

金融產業非常符合這三個標準。而且金融產業很有錢,創業者會一窩蜂闖進這個產業,好好的利用人工智慧。

接下來才是醫學,醫學也有很多數據,像是影像就是一種數據,如果你現在有朋友在放射科,那要準備改行了。看 X 光片、核磁共振、斷層掃描,過去需要累積經驗,可是再怎樣人的經驗都比不上人工智慧透過整個資料庫去學習啊!人臉辨識,傳統可能最厲害的是警察,一看就知道誰是不是逃犯,可是現在在路口架設一台攝影機,有哪個警察可以做得比人工智慧好?24 小時不休息、資料庫完整,辨識速度快、失誤率低。除了影像以外,DNA 也是一種數據,這些數據的處理在深度學習成熟之後都有很突破性的發展,也會是未來的發展重點,接下來可以透過 DNA 來發展更精準、更客製化的醫療。

連醫生都得改變自己的工作內容

所以不要看醫生現在是很好的職業,人工智慧在一些事情上可以做得比醫生更好,例如人的手會抖,機器開刀不會,人的經驗有限,機器的經驗只被資料庫的大小侷限。接下來,醫生與其說是看病,不如說是成為機器與病人之間的溝通橋樑或「介面」。其實這也不是壞事,現在很多醫生一邊要看診、一邊要做研究很辛苦,將來人工智慧取代了看診的大部分工作之後,醫生可以更專心的去做研究,醫學就有更快速的突破了。

談到醫療與人工智慧的應用,就讓人想起 IBM 的 Watson 過去也參與了腫瘤的醫學研究,不過有趣的是李開復談了許多人工智慧的發展,卻似乎很少談 IBM?李開復認為,其實 IBM 的人工智慧並不是基於目前有顯著進展的深度學習技術。過去 IBM 的確挑選了一些特定的領域可以提供他們的服務並且獲取收入,其實如果真的要去回想有什麼人工智慧的頂尖科學家在 IBM 服務?有什麼突破性的技術?有什麼可怕的數據?好像都沒有。

上傳大腦是虛榮的表現

那麼李開復會想要上傳自己的大腦嗎?李開復認為,人的生命就是會結束才有意義,上傳大腦是一種虛榮的表現,覺得自己很偉大、非留下來不可。不妨把世界想像成物理的、表象的或是靈性的、有愛的存在這兩種,好好探索一下。如果是物理的世界,每一個腦,值得存嗎?我們遲早會被人工智慧打敗啊!而且如果世界只有物理和表象的一面,那活著也沒什麼意思,死了就死了吧!而如果是靈性、有愛的世界,這些能上傳嗎?所以李開復寧可維持一個還有點自知之明的人類,並不想上傳自己的大腦。

不想上傳自己大腦,那跟人工智慧攜手合作,應該也可以創造出比過去更好的績效?李開復認為,許多人都認為人和人工智慧的合作是 1 + 1 = 3,但實際上應該是 1 + 一億 = 一億又 1.1。在大多數的領域,人類是非常渺小的,人工智慧是非常龐大的,所以所有的人都要懂得如何應用人工智慧,才能把事情做好。

人工智慧來了之後

當然,現在的人工智慧還有很多限制,例如科學家正在努力讓人工智慧可以不需要那麼大量的數據,或是人工智慧現在還只能處理單一領域的問題,跨領域就卡住了。所以,還有很多事情可以做,也值得做。

首先,人工智慧取代人類的工作肯定遠超過創造的工作,但是過去被忽略的一些工作,現在會逐漸被重新重視,像是所謂的文科生,哲學、社會學、人類學、藝術等等的領域,人工智慧不是做不了這些事情,就是可以改變這些領域。倒不是說這些領域會善用人工智慧,而是人工智慧取代了很多人力之後,會有更多人力不得不往這些領域去發展,其實也不是一件壞事。

第二,職業會發生轉換,過去醫生是醫療過程中的主力,但是接下來可能變成是病人與人工智慧之間的溝通橋樑,或是轉換去做研究。像是老師,可能不再是教學,而是提供學生關懷。所以服務業和志工會是將來人類主要的工作,李開復認為,人類生在世界上,難道不應該多產生一些心靈的碰撞和交流嗎?現在的我們都在忙碌於工作,而人工智慧剛好把人類釋放出來,其實也是一件好事。


Akamai 服務上新,於邊緣處推動快速創新

Akamai EdgeWorkers 為開發團隊提供豐富功能和工具來創建新的微服務,利用 Akamai 提供的 25 萬台分佈式服務器組成的網絡,在邊緣執行安全而快速的計算,並在邊緣暫存內容,以實現快速交付。
評論
評論

在雲計算技術還沒有大規模普及前,絕大部分企業和組織都需要自建數據中心,或通過託管的方式來部署自己的硬體基礎架構,並在此基礎上為員工和客戶提供服務。取決於業務或其他方面的諸多要求,此時需要部署的數據中心可能有很多個,並廣泛分佈在不同地區,藉此為客戶提供流暢的體驗,並透過多個數據中心保障連續性。在發展的過程中,隨著「雲端」的出現,讓各個組織的計算開始集中。

而當在線直播、無人駕駛、智能家電、物聯網等應用開始陸續深入我們的工作和生活,情況又不同了。以往透過雲平台集中運行和服務的模式,因為距離導致的網絡延遲已經對用戶的使用體驗產生極大影響。為了提供更敏捷、靈活、快速、可靠的體驗,企業需要從最貼近用戶的地方提供服務。因此,邊緣計算就成為最有效的解決方法。

透過將數據的收集、分析和處理等工作,由「雲中心」重新分散到最接近用戶的邊緣位置,企業可以就近為用戶提供服務,通過延遲更低的響應打造更出色的用戶體驗。

「無服務器」的出現,帶來計算方式的革新

以前,當組織需要上線一套業務系統時,首先需要採購並部署相應的服務器硬體,並且要負擔服務器日常運維過程中的管理、維護、補丁安裝、配置等繁瑣任務。

上雲前,組織需要在自己的數據中心,以硬體服務器的方式執行這一系列工作;上雲後雖然簡單許多,但依然需要面對雲服務商提供的虛擬服務器,從本質上來看相關負擔仍相當繁重。

無服務器(Serverless)技術的出現,讓組織可以在不需要考慮服務器的情況下,構建並運行由微服務構成的創新式應用程式與和服務。藉此不僅可以省略基礎架構管理任務,還能為幾乎任何類型的應用程式或後端服務構建無服務器應用程序,更方便、靈活地構建出具備極高可用性的應用。

Akamai EdgeWorkers :為創新賦能

Akamai EdgeWorkers 為開發團隊提供豐富功能和工具來創建新的微服務,利用Akamai 超過 25 萬台分佈式服務器組成的網絡,在邊緣執行安全而快速的計算,並在邊緣暫存內容,以實現快速交付。

當開發團隊在邊緣開啟代碼時,他們會將數據、見解和邏輯推送到更靠近最終用戶的位置。Akamai 的高性能、可擴展式實施模型,可確保數據和計算不會被延遲問題困擾,進而避免對數字化體驗產生負面影響。

在該服務幫助下,開發者可直接在 Akamai 的全球分佈式平台上快速、迭代地創建和部署新服務,以解決問題和自定義交付。

長期以來,Akamai 在邊緣計算的創新和成功實施皆具有優勢。自 1998 年起,便開始為 Akamai 內容交付網絡(CDN)的客戶推出自定義交付邏輯,其他里程碑還包括 2001 年的 Edge Site Includes 、2002 年的 Edge Java 以及 2014 年的 cloudlet 應用程式。

目前, Akamai 在全球擁有超過 4100 個入網點,為 EdgeWorkers 用戶提供出色的邊緣基礎架構規模和範圍,開發人員可以在靠近最終用戶和他們的數字化接觸點的地方部署代碼,以實現盡可能低的延遲。EdgeWorkers 同樣獨立於雲,客戶可以選擇利用 CDN 供應商或雲供應商平台上的無服務器計算功能。在 Akamai 幫助下,客戶可以在整個混合雲或多雲環境中部署單一的無服務器計算平台。

更多相關資訊:https://www.akamai.com/solutions/edge

本文章內容由「猿聲串動」提供,經關鍵評論網媒體集團廣編企劃編審。