在星球大戰、終結者、攻殼機動隊等科幻電影中，人工智能專家是人類頂尖智慧的化身。因為觸不可及，所以缺乏真實感。

然而，近年來隨著各國、各科技企業紛紛加緊部署人工智能，人工智能已經從幾年前還是一個比較學術的科學，演變成相對產業化的高科技行業。越來越多的頂尖人才加入到這個如火如荼的“風口”。

人工智能專家的日常是怎樣的？他們的工作場景真的那麼高冷嗎？這些最聰明的腦袋具備哪些看家本領？又有哪些困惑？他們會成為其他職業的“終結者”嗎？

機器的“啟蒙老師”

美顏相機中萌萌噠的兔耳朵動態表情包、在線開通基金賬戶、實時清理互聯網中不健康的違規圖像、遠程抄錄家裡的水電煤“三表”……“這些我們再熟悉不過的日常，其實都是人工智能專家的‘杰作’。”上海七牛人工智能實驗室創辦人和負責人彭垚說。

走進由他創辦的實驗室，濃濃的“極客”氣息扑面而來。這個實驗室有個奇特的名字——“Ataraxia人工智能實驗室”。“Ataraxia是古希臘的一種哲學思想，該哲學流派認為世界的知識和理論都是不完善的，隻有通過不斷學習才能達到更高的境界。人工智能就是一種機器需要不斷學習和認知才能到達的境界。”彭垚說。

除了響亮的名字，實驗室的牆壁上還挂滿了藍底科幻海報，上面寫著“AI Civilizatoin(人工智能文明)”。區別於到處都是瓶瓶罐罐的傳統實驗室，人工智能實驗室遍布一排排計算機，屏幕上跳動著一行行代碼、數據﹔變形金剛式的中小型機器人錯落有致地矗立在辦公桌上。一張張年輕的面孔熟練而有節奏地敲打著鍵盤，有的是算法工程師、有的是數據科學家，還有的是數據標識員……盡管從事的具體工作各不相同，但他們都有一個共同的稱謂——“人工智能專家”。

“人工智能專家，可以簡單理解為機器的‘啟蒙老師’。”彭垚說，算法工程師先負責搭出一個最初步的算法框架，然后，數據科學家再把合適的數據裝入算法框架裡，通過優化、搭建出第一版機器模型。隨后，數據標識員通過給圖像、文字等數據做標記，為機器編寫出一本附有正確答案的“教科書”，手把手教機器模型如何學習處理不同類別的信息。

在人工智能專家的啟蒙和教導下，機器模型經過幾天或者一周的學習，就可以自主進行深度學習了。“當機器模型學習的准確率達到及格線，就可以開發成產品、投入試運行，然后一邊運行、一邊繼續學習。一兩個月后，機器模型的准確率就會有‘脫胎換骨’的進步。”彭垚說。

“人工智能＋”

用算法解決各行各業的“痛點”

“人工智能是計算機科學的一支，它的起始是算法。怎樣把數據轉化成有效的信息，進而解決各行各業的痛點、輔助其做決策是人工智能專家的願景。”彭垚說，與長期從事某一個具體行業的上班族不同，人工智能專家需要在各行各業自如轉換。

算法模型是最基礎的工具，這些工具隻有跟不同行業、不同用戶的需求結合起來，才會有“用武之地”。“好的人工智能專家需要不斷學習不同行業的知識，了解各行業的運行規律、發現他們的痛點，進而有針對性地寫算法、建模型、做產品。”彭垚說。 

例如，“人工智能＋娛樂媒體行業”，就有了“智能鑒黃師”。對於直播、短視頻平台來說，他們的一大痛點是如何實時清理平台上不健康的違規圖像。“以往，美拍、熊貓直播、陌陌等平台，需要雇佣百余名人工，24小時值班，挑出不合格的照片，現在採用機器深度學習平台，這些企業隻需要雇佣幾十人，不僅清理的准確率更高，而且工作強度也減輕了、隻要對機器模型的結果進行復查就可以了。”彭垚說。

“人工智能＋能源消費”，催生了“智能抄表員”。通過圖像識別和記錄每戶家庭每天的用氣量，計算機能夠精確預估當地燃氣公司每天需要購買多少燃氣，避免空燒燃氣造成浪費。七牛服務的一家燃氣公司，此前每年需要空燒掉價值約90億元的燃氣，採用了人工智能圖像識別深度學習平台后，“智能抄表員”幫助公司減少了20%左右的能源浪費。

“人工智能＋醫療診斷”，出現了“智能讀片機”。傳統的智慧醫療，是將醫生可表述、可外化的經驗進行數字化，形成數據庫后用於智能檢索判斷，這類“智能”對人力的輔助相對有限。而人工智能則是基於全部醫療案例和機器自主學習，讓醫療的智能化水平超越人類可掌握的經驗邊界。

例如，人工智能專家利用“區域卷積神經網絡”建立機器學習模型，醫院為機器提供數萬張直腸癌核磁共振影像圖，這些圖片先由醫生勾畫出腫瘤區域，然后再“喂”給算法模型，經過十余萬次學習，一台合格的“智能讀片機”就誕生了，它不僅可以准確識別直腸癌，而且能夠根據影像進行三維重建，為醫生提供腫瘤三維模型。未來，“醫生＋人工智能”共同協作將成為診療主流。

除此之外，人工智能專家開發的產品還能用於識別金融票據文字信息，提高財務處理的效率﹔搜集圖像大數據信息，服務特種安全行業。“對於繁重、枯燥、高重復、不適合人類工作的任務來說，人工智能專家開發出來的產品是人力的完美替代。”彭垚說。

人工智能專家的困惑：

機器如何思考？

雖然人工智能專家是機器的“啟蒙老師”，雖然在老師的指導下表現優秀的機器模型可以應用於諸多行業，但是對於機器到底是如何學會老師的指令、又是如何進行思考的，老師們其實並不清楚。

“從技術的角度看，目前人類並不能清楚地理解人工智能算法模型的方方面面，也沒法准確回答機器到底是怎樣思考的疑問，這正是人工智能專家們最大的困惑。”彭垚說。

以人工智能輔助醫生看X射線圖為例，在訓練伊始，為了對阻塞動脈的特征進行識別和分類，機器首先會對醫療成像系統生成的一百萬次X射線圖像進行分析，生成第一版算法模型。而后，當添加新的X射線圖像時，機器就開始在第一版算法模型的基礎上自動分類並進行不斷優化。

對於機器到底是按照什麼邏輯分類、優化的，目前人工智能專家很難說清楚。“人工智能深度學習神經網絡的內部工作機理非常復雜，即便搞懂了每一個算法的運行邏輯，當海量算法組合在一起時，就很難知道他們之間又產生了什麼‘化學反應’。”彭垚說。

為了讓機器能夠沿著正確的方向思考，人工智能專家也肩負著重要使命。彭垚說，機器學習會根據輸入的信息來理解世界。算法的一個基本原則：輸出對應輸入。這就要求人工智能專家在標識環節一定要做好質量把關。

譬如，對於用來給機器作為“學習資料”的X射線圖像，如果人工智能專家標記不正確或者把圖像質量很差的X射線圖像交給機器學習，那麼最后生成的人工智能算法模型很可能沒法准確的判斷對應疾病。

同樣的誤判也會出現在關於人的評判上。譬如，通過人工智能技術預測犯罪嫌疑人再次犯罪的可能性，如果提供給機器學習的“學習資料”是基於種族性的。那麼，最后機器判斷的結果很有可能也會有種族偏見。

其他行業從業人員的“終結者”？

還是新行業的“創造者”？

人工智能的發展速度實在太快，以至於他的研發者都感到猝不及防。前不久，美國社交媒體臉書公司創始人馬克·扎克伯格與美國特斯拉公司首席執行官埃隆·馬斯克就進行了一場激辯，前者對人工智能持樂觀態度，而后者稱其為人類文明的威脅。

如果說，流水線消滅了大部分作坊式工業生產，那麼，數據的洪流將消滅大部分傳統生產和服務組織方式。人工智能專家到底是其他行業從業人員的“終結者”？還是新行業的“創造者”？

“我們不希望取代其他職業，而是希望革新陳舊的生產力和生產方式，促進既有行業的從業人員學習更多先進知識和技能，改善整個團隊的運行模式和工作效率。”彭垚說。

前不久，國務院發布了《新一代人工智能發展規劃》指出，要加快研究人工智能帶來的就業結構、就業方式轉變以及新型職業和工作崗位的技能需求，建立適應智能經濟和智能社會需要的終身學習和就業培訓體系。

彭垚認為，在人工智能時代，人與機器應該一起學習。目前，我們還處在一個弱人工智能的階段，即機器還不能真正自主推理和解決問題，它的智能更多體現在“智能的行動”。但是，弱人工智能經過不斷學習、迭代，將發展到強人工智能階段，這一階段機器將具有智能思考的能力，在某些領域的智能表現，會接近甚至達到人類水平。因此，人類必須養成終身學習的習慣。

當然，對於未來強人工智能的出現，人類也不必過於恐慌。因為，人的潛力到底有多大，事實上就連人類自己也沒有完全了解。彭垚認為，人類擁有情感溝通、深度聯想和創造等機器無法達到、甚至人類自己都無法表述的“軟實力”。技術的發展會促進人類激發潛能，不斷提升拓展自己的能力“工具箱”。

馬車夫、打字員這些人類還有記憶的工作，今天已經幾乎沒有了。取代它們的是汽車駕駛員、電腦和新的工作。在不遠的將來，人類必將生活在一個“充滿了人工智能的世界”，很多行業都會從人提供服務轉變為機器人提供服務。“人類就要學會在這樣一個不斷演進、不斷進步的社會中生存，具備非常強的適應能力和學習能力。這樣，我們就不會害怕社會的變化。”彭垚說。

分享讓更多人看到