Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
我觉得我们这儿聊得稍稍有点散,我们再把它抓回来吧
我们给大家提供一个主线,主线是这样子的
我们深度学习人工智能,机器学习,人工智能已经一直都是一个很久很久存在了很久的这样一个topic
或者说是这样一个话题,那机器学习可能七八十年代到现在发展起来也已经有很多了
但是深度学习在2011年发展起来到现在也已经发展了蛮久的时间
而且这个所有的互联网大厂巨大的资金人力和数据投入到里面
但是我们发现啊就是人工智能和我们想象的差的还有点远
就比如说这个从Siri包括你刚刚说的微软的这个语音识别到现在已经发展了很久了
但是我们看到我们身边的语音智能助手,智能语音助手基本上只能完成一些简单的任务
他没有办法完成对话,就是你跟他对话你知道他是一个语音识别软件
他可能识别的很准,但是他并没有一个智能的感觉
他不管怎么样就是他并你能感觉到他没有自己的想法也没有自己有一个没有一个智能的智能的样子
那我这关心的问题就是就是大厂人工智能在大厂的应用是什么
和这些应用他现在是一个起飞的前夜还只是一个刚刚开始还是已经是到了一个
到了一个平静期或者说是如果没有一个基础科学的突破
他的应用的上限也差不多就到这里了
对我觉得这都是很好的问题,我想一想啊
可以先两个一块,就是我们先讲先给我们介绍一下这个
比如说在你工作的这个接触的大厂人工智能大厂的应用都是什么样子
对我觉得可以这样简单的分类就是人工智能和机器学习的应用
特别工业界的应用,你可以大概分成一些经典的一些比较well defined的一些问题
比如说语音识别,比如说图像识别是吧
然后比如说广告里面的那些经典的那些应用
比如推荐引擎,推荐引擎像抖音做的这么好,TikTok做的这么好
就是他的推荐引擎做的很好
然后或者像广告里面的搜索,搜索广告里面的那个推荐或者点击率预测
这都是很核心的一些应用
这些是相对比较经典的一些应用
然后还有一大类的应用
我觉得就是你需要去了解那个business
然后你去把它给用一个人工智能或者现有的机器学习的框架
能够解决能够solvable,能够doable的一个问题
然后你再去要不你去apply或者你去做一些创新方法上面的创新
解决这个问题
我觉得你如果把这样分的话
第一个那些比较well-defined好的
我觉得他可能遇到了一些相对来说一些瓶颈
因为其实大家做了很久了
然后深度学习这个该挖的可能已经挖的差不多了
然后你的数据量也不可能再大很多了
嗯,行,我回头再重新,你先说完吧
回头想再创新一下
然后另外那一类呢就是你需要去了解那个business
然后去把它给用机器学习或者AI的一些语言把它描述出来
然后进而把它解决出来
我觉得这一块它的潜力还很大很大
这一块才刚刚开始
好,那我的问题其实是这个吧
就是你说的第一个呢是已经well-defined的问题
其实就是一个提高模型进度的问题
对,对
然后你说现在模型进度已经很高了
它再往上往前走的机会不大
比如说已经达到99.8%的这个准确率了
对,对
就是这个也是看它有没有动机去做这个事情吧
比如说像你说的大厂的那个
比如说Siri或者Alexa或者微软的那个语音助手
它其实没有太大的动机去把它再提高到很多
比如说现在可能能够说三会合以内的对话是吧
超过三会合以上还就不行了
你把它说到了五会合或七会合又怎样呢
它好像比如亚马逊并不关心这个
它觉得好像并不能给它带来多大的经济收益
确定就是,因为在我看来就是未必是三会合
就是我觉得现在很多语音助手至少只停留在一会合
并达不到两回合
对,它不是说所有的case它都能达到三回合
对
就是照样刷刷加上一下我自己的理解
我自己的理解是所有的这个两会合以上的东西
都是用这个都是针对场景单独设计出来的
它并不是因为你的这个模型理解了人的对话
它自动自然而然的能进行下回的对话
它并不是基于就像
如果说你要分的话
就是在我看来这不是一个无监督的问题
这是一个有监督的问题
但是是可以下去解决的
就是比如说它在进行了第一轮对话以后
它根据这个场景
然后不管是PM,Scientist,Engineer
去说,那接下来它可能会是想做如下的几个问题
我们可以通过对话去补足我之前信息的不足
或者说去延伸一下这个场景
但是这个是一个
就是把人的prior knowledge加到这个模型里边
去针对场景进行的一个设计
并不是因为这个模型本身真的理解了你要干嘛
我可以这样理解吗
这样说是
我觉得也对也有不准确的
比如说你那个
像实际上你所有的涉及到那个对话
conversational agent或者涉及到那个自然语言理解
它都会有一个叫我得理解
那个用户的intent
就它的动那个目的或者动机到底是什么
他说这段话他想表达什么意思
像一般就是
NLU里面最经典的就是我说一句话
然后你得知道我的intent是什么
你得知道what I'm talking about
就是intent和entity的recognition
然后比如说我们说一个turn或者两个turn
三个turn的那个对话
就一个经典的东西我得知道它这个intent
第一句的intent是不是carry over到了第二句话里面
这其实是一个模型
然后至于我理解了这个intent之后
我要说什么那是另一个模型做的事情
所以如果你可以这样说
你比如说你跟Alexa说Alexa
What's the weather today in Seattle
What's the weather today
他可能就根据你的location说
西雅图20度
然后你说How about Boston
这时候Alexa就要想你到底在说什么
他得判断你的这个weather intent
是不是carry over到了下一句话里面去
如果你接着又问一个weather
比如说What about Houston
那你就达到三个turn了
所以说这个东西它只适用于一些use case
就你不能说它cover所有的use case
所以我说这也是像你说的那个是有道理的
因为从我日常中
我是一个算是用Alexa用的比较多的人吧
我看来他只不过是给了我一个
用语音
只不过是给了我一个输入手段
就可能我本来开灯是需要用开灯的
或者用手机来看
现在我用Alexa去控制一下它
它要完成这种任务完成比较好
或者说我要打开一个news
本来我是用手机打开news
现在我让Alexa把这个news给我读出来
它完成这些就是直接控制
一一对应的事情完成的比较好
但是我完全没有一个
它是一个智能体的感觉
我现在也没有办法特别好描述它
但是在我看来这里面是有应用的
这里面是有一个很大的gap的
可能我们再阐述一下你的第二
这可能我们给不出一个特别好的答案
但是说一下你刚说的第二类问题
第二类问题就是我们寻找各种各样的应用场景
然后在这里还有很多东西没有做好
到时候可能我会再提一下第三类问题
就是会不会有饭食突破
其实这个是我更关心的
但我们先讲第二个吧
就是在现有饭食之下去寻找新的应用
我这又有一个挺好的例子
而且不是我的例子
其实这本书的作者
他来亚马逊作讲座的时候
作者之一
他来亚马逊作讲座的时候提了一个例子
我觉得其实这个例子非常的启发性
就是亚马逊在你买东西的时候
工业会有recommendation
对吧
recommendation model的清度大概是多少呢
大概5%
他说就是他自己的感觉和做了一个survey
就是里边他给你推荐20个产品的时候
大概有一个是你真的可能会想要的东西
就是这个模型进度是非常低的
然后他说这个亚马逊其实有这么多数据
对吧
他如果这个模型真的能做高
可能做高超过50%的时候
整个生意模式都会有一个非常大的改变
什么意思呢
不光是你可以卖更多的东西了
你在这个人在想买这东西之前
你就已经预测到他想买了
说不定你就可以直接先放到他家里
直接送到他家里去
当你预测他想要这个东西的时候
就直接送到他家
如果比如说你模型进度超过60%的话
你可能你送上来
然后他不想要的话再退回来
比你现在这种直接买
要更就是这个生意模型更便宜
那他就会有一个非常大的不同
但是并没有做上去了
就是亚马逊到底这么多数据
这么多transaction
他为什么没有把这个最简单的推进模型做好的
这个很有道理
这不是说他自己的感觉和做的模型吗
这个很有道理
这不是Rolly Chin说的那个prime before吗
你看那个Rolly Chin吗
stand comedian
我没有看过具体的
我知道那个人
但是我没看过这个
现在是prime now
但以后是prime before
就是你在想要什么之前
order之前
我已经知道你要什么
这是很好的问题
我还没有想过这个问题
这个听起来是在现有范式之下
可以做好的东西
那你在亚马逊里边可不可以大概讲一下
你觉得为什么亚马逊没有做好
首先我觉得他的这个数字有点太低了
跟我想的不一样
但具体是多少
我不是很清楚
知道我肯定不能说
但是我觉得肯定不止那么低
到时候读者留言
但是你在多少情况下
你在买了东西
你亚马逊的时候
觉得他给你的推荐是
因为他那个推荐
他是personalization的
他是每个人看的不一样的
所以可能那个教授或者像你
不是一个average person
可能就不一样
我挺中度用户的
然后但是反正给我推荐了
我觉得这大多数情况下推荐东西
我必须觉得要买
就是推荐几个你一个都不想买吗
对
那问题是那时候你自己
到底有多强的继续购物的意愿
我是在上面找东西要买
比如说我可能我买了一个纸
之后我就想买一个这个湿纸巾
然后湿纸巾之后可能想买洗手液
对这是complementary的推荐
就是他有两种推荐
一个是substitute的推荐和complementary推荐
像substitute推荐一般来说会做得好一点
complementary做一些
对
那substitute你上面就把最好的东西推荐给我
对
complementary要是个比较难的问题
对
为什么没有做好呢
就是这个问题本身就要难很多
对
因为像他的难点在哪里
他就是
他没有像substitute的定义的那么好
complementary他有两种
比如说
你是
我们不就这一个问题展开
我们就说一下这个东西是可能做得更好的东西
然后
是有提升空间的
这个是有提升空间的
对然后现在没有提升
是因为算力不足
数据不足还是execution有问题
做这模型的人不行
我觉得是
推荐得很好了对吧
我觉得这个是需要
需要一个science的一些进步
但不是说那个模型需要
怎么样进步
而是说你这个问题的理解和定义可能要再进步一些
就这个问题他没有很好的定义
没有很好的well defined
你比如说像complementary
compatible也是一种complementary
就比如说你的那个iPhone
iPhone他有几种线
比如说
这是一个吧是吧
这叫compatible
你的这么大一个iPhone和你的你的线可能
比如说你USB3.0和那个USB A和C他又不一样
然后比如说你compatible像你说到牙刀牙刷这种也是一种compatibility
或者complementary
或者还有一种像renew
比如说我喝完那瓶牛奶
我要不要给他
他要不要renew
他想什么时候renew
这也是一个问题
比如说对这些都是都是一类的问题
我觉得OK
哦
行
那我可以把这个把这个归根到底的原因是因为就是没有足够的范式突破导致他没有没有被well defined
我觉得在现有的范式是可以可以把它做出来
我觉得是可以做得很好
反正我是这么有上升的空间
对
那为什么没做好
就是不能说现有的范式吧
现有的模型和算力应该是可以把它做得更好的
我觉得那没有做好的原因主要是因为execution
嗯
不是主要是因为这个建模没有做好
我觉得这个他的数学模型没有做好
他的那个问题的建模没有做好
那那那那为什么没有做好
就是需要这也不是说不好吧
像有的人说的你的那个
你说是因为动力不足吗
这个问题不够重要吗
这个不是这个有动力
这个是很有动力的东西
所以样子肯定是想把它做好
为什么这么多人这么多钱没有做好
就是一个难问题
就是一个比较难的问题
你可以去搜有一些paper
最近有一些paper
就算一个比较open
在学术圈都算一个很open的一个问题
就是他确实是个难问题
就是说
就说你所有的models
mathematical model他都是错的
这是一个著名的说法
every model is wrong
but some model is useful
所以你既然是这样的话
你就可以提出一个更好的模型
把它做得更好
所以这个东西他是不断的raise the bar的一个事情
好
那我觉得这个时候又可以进行三个分类了
刚刚你说的第一类是well-defined
然后这里边进步空间不大了
第二类是叫use case
我觉得这算是一个类似的类似的
这是个很好的例子
对就是他他虽然有提升空间
但是还要取决于我们在这个科学方面
和这个模型本身工程方面的进步
才可以把它做到更好
而且有很大的提升空间
这是例子之一
第三个呢就是在目前的科学来看
基础科学来看
就是从这个人工智能的基础科学来看
并没有成功的希望
比如说做成一个智能体
或者说这个强人工智能
看起来暂时是没有希望的对吧
就是
暂时是对
然后现在大厂一部分精力是投在前面
或者说把这个well-defined的问题
把它应用到更好
应用到更广
或者提到这个金柱
我觉得像我接触到的这个
比如说广告模型
就是一个很典型的例子
它提高一种金柱收益都会很大
那也有很多人力物力放在这上面
第二类就是找各种各样的应用
在你看来大厂是在非常积极的推动这些吗
还是他们把主要的人力物力放到前一种了
我觉得这是一个很好的问题
像每个公司情况又不一样
你比如说Google它更倾向于前一种
包括我觉得Facebook或者抖音这种
它都倾向于前一种
就是它去把它做到极致
比如推荐引擎做到最好
或者广告搜索做到最好
亚马逊它是第二种
所以亚马逊它招这么多的Ply scientists
它是希望你来做应用体的
就是我Data在这里是吧
然后我有这些Business metric
要不是Revenue或者别的什么我想提高
你能给我想怎么做
我不care你是去找个paper把它给做出来
还是你自己写个paper创造一个方法把它做出来
反正你要把它给我做出来
就是亚马逊的思路就是这样的
是不是因为亚马逊它的业务范围比较广
比如说Revenue都是来自广告是吧
然后亚马逊有各种各样
对亚马逊的业务线比较广
它的Data多样性比较大
那在你看来就是公司的机制
就是公司提供了这么多实验和应用的图表
也给你提供了很多工具和数据
那你觉得大家有可能在这里面形成很多突破吗
我觉得可以我觉得至少这种亚马逊模式的应用研究是可以的
至少它可以形成很多它自己的一些新的应用
那有没有能说的例子
就是在过去的多少年之内发售了几个比较好的应用
我想想啊
因为我之前是在亚马逊的公司
做了两年多是吧
就算是Wayle Define
现在我做智能客服
智能客服这个东西
它其实也算一个比较常见的一个问题
只是说它每个公司可能它的Case不一样
像亚马逊的话
我想想我可以说什么
比如说你在用户打进来
我得预测你想要什么
你的那个issue到底是什么
我想要的就是
比如说你在用户打进来
我得预测你想要什么
你的issue到底是什么
这有点类似一个Intent的detection
或者叫identification
然后呢
我就我现在比如说
我的模型要做一个决定
我到底是让自动解决你的问题
还是让一个人来解决你的问题
这也是一个
所以对
它可能会根据你的一些特性啊什么的
根据你的一些说的什么呀
来做这个决定
其他的这个我就不能说了
这是一个
包括你刚才说那个例子也很好
就是它的那个产品的推荐
如果做得很好
就会改变业务模式
具体的例子不能说
但是我们这个问题也值得展开一下
因为我之前做那个management consulting的时候
还跟就是国内的一些这个
很多公司去做
然后国内很多公司
比如说这个立东通信运营商
他们最关心的
就是他们提到人工智能应用
很多时候就在讲这种客服
因为对他们来说
是一个非常大的这个整理之处
对他们就讲到这些
然后前一段时间
Google也出了这个自动帮你打电话
订餐
然后以假乱真的这种程度的东西
你觉得这两个之间的gap到底有多大
就是Google那个
从它展示出来那一个应用来看
似乎已经做到了以假乱真的这个
完成了对话
对吧
完成了一整个
完成了一整系列一整系列对话
最后达到的这个任务
但是如果说你真正看
尤其国内企业的普遍的客服应用
没有任何这个智能空间
包括比如说我用美国银行
他给我来一个智能的东西
包括亚马逊的客服
如果说智能的
其实就是几个选项的问答机器人而已
比如他说你来了以后
从这里边九个选一个
然后进去以后
再从这三个里面选一个
这种感觉
然后解决不了的
要么给你一星好的这个答案
要么给你
这个人工之福
这只不过是一个
就是一个if condition的这个自动应答机而已
那你觉得
比如说Google在这
Google的那个应用的展示那个场景在这
亚马逊在这
然后可能更简单的电话问答机器在这的话
那我们离这有多远
我们离这个Google的这个
模式大规模应用有多远
或者是不是一个可能
Foreseeable feature
我觉得这个不是个Apple to Apple的一个比较
因为Google那个还是一个特定的Use case
我觉得点餐
因为点餐我只要把那个
它还是一个比较Limited的一个场景
那对我来说
最后是一个Limited场景吗
退货是一个比较Wild Define的场景
对
已经可以做得比较自动化了这个事情
是吗
对
比如说亚马逊
他知道你是在你是要退货者干别的吧
这是一个Intent吧
一个级别的Intent
然后你如果是退货
他得知道你这样退哪个货吧是吧
这是另外一个Intent
那我那我就说吧
就是比如说
我就拿一个移动运营商来比较
一天贴
你打电话给一天贴
有各种各样的事情需要解决
或者说你网络不好
你打电话给comcast
有各种事件被解决
把这套东西做成这个完全人工智能
然后这个精度可能95%以上
在你看来是一个做得到的事
以现有技术条件是做得到的事情对吧
具体是不是95%
我觉得这个就要看他到底UseCase有多复杂
但我觉得是可以不断提升的
这个有点像那种自动驾驶
就是你要做95%的自动驾驶都不是那么难
现在可能已经做到了
但是你要做100%的自动驾驶就很难
对
这个在我看来只不过是一个价格的问题
就是自动驾驶
它是一个一旦你出事了
它的负面影响特别特别高
但是你打电话过去这个精度不高
它是一个tolerable的事
因为你人工服务也没有100%
很多时候你打电话过去
他也给你搞错了
philosophical是这样的
但从技术来讲
它确实也是说你要提升
你到最后要再提升就很难了
对
我们现在其实是分别讲了两大块内容
一个是讲了人工智能深度学习和机器学习
到底是什么
一个是他们在大厂的应用
我现在想把他们两个给联系起来
就是为什么是现在的状态
就是这些应用
是不是大厂全都是集中精力
在机器学习和深度学习中
然后他们有没有去做
机器学习深度学习以外的人工智能的其他部分
这是第一个问题
第二个问题
你先回答第一个问题吧
是有的
都有的
你比如说
像我在IBM Research做过实习
当时他们会做一些比较稍微前沿的东西
比如说他用推荐引擎来做
合成化学物高分子
比如说高分子它涉及到我怎么在这里加一个那个
那你加一个那个
怎么做呢
我有没有一些新的principle的办法来做这个
比如说用推荐引擎来
然后通过一些指标来看
是不是这样加比较make sense
然后包括一些更基础的人工智能的一些
方向吧分支吧
比如说理论计算机我要怎么研究这个
复杂度分析这种东西
或者在一些经典的问题上我能不能找到更
更快的算法
因为你如果能够做到这个的话
你可能就能解决一些更多的新的问题
像比如说那些经典的
对这也是人工智能其实很重要的方面
除了机器学习以外
它是凡是智能体能够做
或者不能做的事情
它都属于人工智能的范畴
比如说比如说你最经典的
你找到一个最短路径是吧
你从A到B有这么多条路
你要哪条路你最短能够到达
像蚂蚁就可以做得很好
或者人其实那么一看
heuristic它也可以做得比较好
但计算机它最开始
就要去不断的去穷举所有的solution
直到后来有人做出了更好的算法
包括很经典的一个特别特别难的问题
是那个旅行商问题
就是你有那么5个城市
比如说traveling salesman problem
你得把它全部都走一遍
然后你要让你的路径最短
这是一个很难很难的问题
这比那个智能路径要难很多很多倍
还是一个指数级难度的一个问题
像比如说像
据我所知
比如微软研究院它就在
它有很多人在研究这些问题
包括谷歌研究院肯定也有
所以他们就会做一些
这样的基础性的一些研究
就是比较
它不一定有直接的实际的价值
但它long term来讲
是能够推动这个学科的下一步的发展
这其实蛮有意思的
因为谷歌微软
包括facebook
都有自己的AI实验室
对吧有一个centralized
但是亚马逊好像没有
但是刚才说的亚马逊是一个以这种
去中心化的模式
然后让每个招来一大堆
的apicentus
在不同的领域去做一些
也可能能使出来一些
从应用方面来推动
那都蛮有意思的
还有业务
我觉得它的业务还没到
怎么说呢
它现在的priority不是去研究那些
特别基础的问题吧
我觉得这个可以说
我记得我亚马逊应该可以说
在亚马逊的时候他有一些所谓的
big bat
我们要研究三年之后
我不知道有没有人在做也可能有人在做
只是我不知道
因为我知道包括有一些central team
其实像之前
那些quare AI什么的
也都有一些但是不一定
Google和facebook外界
知名度这么高吧
亚马逊很多东西
比如说透明度
苹果也是那样的
这是第一个问题
我觉得就是
我们现在一方面
这些大厂们是
看当下的应用
也会往前看一看
推动学科往前发展
但是可能就像你刚刚说的
所谓的范式突破
我们没有去指望去
发明一颗原子弹
发现智能方程的这样的方式突破
而是有一些其他的
一小点一小点
推动学科往前走
但是也可以拓管学科边界
的比较高的
成就
第二个问题其实是
关于模型
本身和生意模式的关系
你如果看抖音
你刚提到抖音
它其实是一个基于推荐算法的
公司
它把推荐算法做好了以后
找到了不同各种各样的应用
其中有一些活的也在没活
但是它是一个基于算法起来的公司
这是一个很新的公司
如果我们回看的话其实Google
也算是一个基于算法的公司
很基于它的
排的能力和search的能力
去做出来的这样一个公司
那这个人工智能再往前走
可能会出来很多
这种
算法模式上的创新
然后这些创新是
会出现在大厂里呢
还是会出现在外面
如果说是出现在
抖音其实我觉得挺奇怪的
按道理
像Google Facebook
包括国内的BAT
他们都是
更有条件数据去开发这个算法的
他们可以把这个算法做得更好
但是他们为什么没有出现抖音
为什么抖音是一个新公司
而不是出现在这些大厂里
这是个很好很好的问题
其实我也想讨论这样的问题
要不我先回答第二个问题吧
我认为抖音
他几乎做到了一件
不可能完成的任务
就是他从零做出来的这样的产品
就是他一开始他没有数据是吧
你看如果看张一银
他几年前大概1413年
他的微博
他所有东西都在微博上
你可以看他整个创业过程
他那时候发的东西是
我怎么用Google Analytics来做增长
中国怎么没几个人用Google Analytics用得好
从零做起来这样一个东西
我觉得还是很了不起的
因为他一开始没有数据
他后来把数据越做越大
推荐引擎做得越来越好
我觉得这个模式已经做到了极致了
这个模式的特点就是赢者通吃
比如说我如果抖音
我的推荐引擎比另一家
竞争对手做得好
那么一点点大家全部都会去用抖音
他就是赢者通吃的一个市场
所以他就可以形成
一个垄断
你说的第一个
在他发力的那么长一段时间
所有的大厂都可以比他做得好
因为他们的
算力、数据、人才都比他好
除非你就是张一鸣一个人
可以调打所有大厂做所有的过程式
他当然这是一个整体的
比如文化或者机立机制
然后他确实人才也还挺好的
就是说他确实是
把这个模式就做到了
极致我觉得
对
但是仍然为什么
就是为什么他
或者说其实
数据、算力
没有我们想象的那么重要
而是他有一个mindset
更重要
比如说
我们说有两种世界
第一个就是这些大厂在他们
积累越来越多的数据、越来越强的算力
和越来越多应用情况下
他们比例越来越高
但是我们另外一方面也会看到很多的这个
其实是开源的
包括他们这个就是模型背后的框架
和这个工具都是开源的
那任何一个人都可以
使用他,也许他没有数据
但是这个数据可能
我从几千个人收集上来的数据
和几百个人收集上来的数据
差别不是那么大
只要我把这个模型做好了
也许我的是90%
然后你的是99%
但是我剩下的这些差距我
暂时可以用更好的生意模式来弥补
直到我把我的这个模型和这个慢慢做上去
我觉得这很有意思的问题
我这几天也在想这个问题
特别是那个听证会开完了以后
就是那个国会
众议院的那个听证会
其实我觉得大家都说
那个算力和数据
是造成人工智能
或者深度学习腾飞的两个条件
但我觉得其实数据
远远比算力要更重要
就是
算力其实是类似于出透
数据才是那个框
比如Google的庄碧
我觉得他把那个
特别牛逼的模型开源了
说你看我特别open access
然后我是人类的希望
但他数据他不会给你开源的
就是你拿这个再fancy的出透
你也没有用
但是抖音的成功是不是
一定程度上告诉我们说数据也没有那么重要
我觉得不是
我觉得他一开始你看他
他特别强调那个增长
他就是要把数据抓在自己手上
就是说我觉得他的成功
大厂没有成
可能有
我不知道具体的历史
会不会是说他已经做到了一定程度
大厂才意识到这个威胁
然后特别是国内的话
然后呢他
因为他比如TikTok他可以用国内的数据来train
然后再到美国来
他其实已经有一部分的那个
先发优势已经有一部分的优势了
我不知道在国内刚开始做的时候
大厂有可能没有意识到
还有可能
大厂有可能没有意识到
我觉得可能是
就是他有一段时间
然后他度过了最危险的时候
这个有可能
仍然我也不是很了解这个
他相当于也是一个比较新的一个
短视频嘛
他没有去说像做一个微信或者什么那样
或者说搜索引擎
就是我相信
当他在出现在大厂的
radar之上的时候
这个时候
他的数据肯定也是不如
这些大厂多的
那你到了一定的量以后
就 各方是腾讯
阿里这样的大厂包括微博
我相信微博他如果想的话
他也想做出来一个抖音对吧
而且他的数据案道也是比
抖音要多的
当抖音出现已经受到
sign of success的时候
他要真的想做
他要安排的可以做的
而且他有那个时候比抖音
更多的数据
但是他做不出来
我觉得到了一定程度数据就差不多了
你可能有100万条什么的
就可以开始搞了
对
很重要的一点就是
我们一直在说中美
未来在AI上的竞争优势
然后大家会说中国的竞争
优势非常强
中国的数据更多的数据
更开放的数据
中国的数据更开放吗
不是啊
你可以拿到更多的
关于个人的数据
就是你说
access更多的数据
不是更这个
或者说更open
access更多
但是如果数据
所以我想知道这个数据到底有多重要
数据是最重要的
但是重要很多很多
数量更重要还是维度更重要
都重要
但是他的数量达到一定以后可能就没那么重要
比如Google11条跟20000条
差别可能没有那么大
好
我们这儿基本上
先把内容就讲到这儿吧
我觉得以后有机会的话
还想再请你第一把这个人工智能
和机器学习生物学习的历史
包括几篇重要的论文
重要的人
第二个就是可能把这个模型本身
就比如说
到底什么是下辆机
什么是直直下辆机什么是random forest
什么是这个深圳网络
大概讲一下和他们常见的应用
都是什么
可以看大家的feedback如果有兴趣的话
我们还可以讲
计算机科学江湖是
就是几个大脑之间的
和大肠之间
医院情仇
分支什么的
地方就有江湖
多谢了
谢谢孙老板的邀请
拜拜