|
看起来DeepMind用AlphaGo战败李世石后似乎就没啥动静了，j2直播，但其实不是的，这家公司正推动着A.I.往纵深发展，而不是单纯的停留在围棋这样的领域。只不过这些事情没有那么抓眼球，所以很多人并没注意到。很有意思的是从当前DeepMind所做的事情里我们其实可以抽取出一些更有价值的模式，比如什么是人工智能+，到底应该怎么加。 案例1：降低能源消耗 DeepMind第一件在做的事情是用机器学习来管理数据中心，期望达到比人管理更省电的效果。最终结果非常不错，实际成绩是：比人管理的时候节电40%。 为把事情说清楚需要简单介绍一下背景： Google这类大互联网公司的应用比如搜索、Gmail、公有云服务等是完全跑在自己的服务器集群上的，这些集群无比庞大通常有数百万台服务器。由于服务器太多因此并不会只放在一个地方，而是分布在多个数据中心里。管理各个数据中心时，一个核心问题就是冷却。我们手机用时间长了还发热，那么多总是在跑的服务器如果没有有效的冷却措施，那数据中心会变的火炉一样。数据中心的冷却系统和中央空调差不多，这样一来就需要来根据环境来控制什么时候开冷却系统，开多少度等。但每个数据中心所处的地点、架构并不完全一致，这就给管理带来了一些麻烦。DeepMind把这种麻烦总结为三点： 1. 冷却设备、操作设备的方法、环境之间不是简单的线性关系。也就是说不是环境温度是30度时，那冷却系统调成20度就完了。 2. 冷却系统并不能迅速响应内部或外部的变化。也就是说外部气温上升，你据此进行调整，但实际起效果的时候，外部气温可能又下降了。 3. 每个数据中心都有自己独特的架构和地理位置。 DeepMind解决这问题时显然又会用神经网络，这次他们训练了三个神经网络： 一个神经网络用各种传感器收集来的数据进行训练，比如：温度、功率、泵速等。 一个神经网络被训练用于预测下一小时的温度。 一个神经网络被训练用于预测下一小时的工作负荷。 都训练完之后DeepMind把这三个神经网络在某一个数据中心进行了应用，评测的指标是PUE(Power Usage Effectiveness)，这个值表示数据中心能源消耗在整个IT能源消耗中的占比（显然越低越好）。为了说明结果DeepMind贴了一张图出来：
取得效果后DeepMind认为，它的这个神经网络不只可以用于数据中心，而还有一定的通用性，所以准备把它展开到发电厂、半导体制造等。 案例原文： https://deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/ 案例2：看病去 DeepMind的另一个尝试是用神经网络看病，并且专门给项目起了个名叫DeepMind Health。 医疗现实是这样：每11个成年人里就有1个会得糖尿病，而糖尿病会让患者失明的概率提高25倍，如果失明的症状能在早期发现，那么有98%的可能性来治愈这疾病。但很可惜的是传统的分析方法非常复杂，非常有经验的眼科专家也要花很多时间才能做出诊断，所以很难及时的对所有病人进行精确诊断。 DeepMind解决问题的思路还是通过导入神经网络。他们同一家叫Moorfields的机构合作，拿到了近百万的原始数据。我们可以想象这些数据有两个显然的好处：一个是这些数据是原始的医疗数据，清晰度足够；一个是这些数据实际上是标记过的。DeepMind会用这些数据训练它们的神经网络，然后诊断的问题就变成了从图片中提取特征的问题，而如我们所知深度学习在图像识别上其错误率是比人低的，并且会越来越准。 这个项目还没有取得实际效果，但从Imagenet上不断提高识别率上来推断，这会导致诊断的精度和速度有根本性提升。 案例原文： https://deepmind.com/blog/announcing-deepmind-health-research-partnership-moorfields-eye-hospital/ A.I.创业上的启示 跳出来看的话，我们可以发现DeepMind的两个尝试具有这样的特征： 1.垂直的领域，但机器学习可以促成质的飞跃。 2.垂直领域牵涉的商业价值足够大。 3.能够比较容易的获取有效数据。 我们有理由相信这会是未来人工智能落地的普遍模式。现在的人工智能具有通用性，但远不是通用智能，并不能够什么都干。这样一来从投入产出比的角度看，它就只有落地在那些显然能产出较大回报点上，这样才能真的获得应用。一个点获得应用后，那再展开到类似的领域，比如DeepMind从数据中心展开到发电厂，这样就可以形成“技术进步-投资-回报”上的正反馈。这很像新一代的单点突破，横向展开，所不同的是同一时间可以做的点实际上也还受制于是否能获得数据。 (责任编辑：本港台直播) |
