战胜李世石的AlphaGo又出新大招:用神经网络看病

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。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:DeepMind AI Reduces Google Data Centre Cooling Bill by 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。

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。

反过来讲这也意味着号称能做通用智能的基本上是骗子和疯子。声智科技(一家提供声学、语音方案的创业公司)的CEO陈孝良对此有非常清醒的认识,他的一个核心观点正是:智能不是越通用越好,数据也不是越多越好,认知技术能力边界非常关键。

上面所提到的基本模式未来很可能成为人工智能+的基本模式。有意思的事情是,这种落地并不只是DeepMind公司才能做,而是普遍存在于各个行业之中。我们可以把能够做神经网络的团队分成两类:一类是真的能对模型本身有所改进,对社区做出根本性贡献的团队;一类是能够用好模型,把它落地的很好的团队。

这里必须一提的是真创业DeepMind这个公司本身并不是一个很好的模仿对象,这公司实际成功的方法是:先屯一批很牛的人,不管落地方向,做些很牛的事情。等到抱上Google的大腿,再考虑怎么落地。这方法正常创业公司完全学不来,上面主要想强调的是它落地的方法值得学习,而非公司自身的创业思路。

原文发布于微信公众号 - BestSDK(bestsdk)

原文发表时间:2016-10-29

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏华章科技

AI取代人类?这4种工作仍将是从业者的“铁饭碗” | 未来

导读:围棋人机大战、人脸识别、自动驾驶、智能控制、语言和图像理解……这些年,人工智能的威力,我们已经见识过太多。“人工智能”甚至入选“2017年度中国媒体十大流...

974
来自专栏新智元

CNCC最火论坛干货:神经形态芯片与神经形态计算机

以深度学习为代表的人工神经网络是机器学习最重要的方法之一,在云端和终端都有非常广泛的应用。然而传统的CPU和GPU芯片在进行神经网络处理时遇到了严重的性能和能耗...

1166
来自专栏华章科技

如何真正学好数据科学?

作为一个全新的领域,数据科学的飞速发展让人激动。数据科学在带来巨大经济效益的同时,人们在数据科学技术方面的知识沟也逐渐出现,这意味着更多的人需要试图了解和学习数...

592
来自专栏AI研习社

数据咨询师经验之谈:90% 的公司并不需要机器学习

编者按:掌握一件工具之前,首先要搞清楚用它做什么。而本质是工具的机器学习,近年来逐渐演变成一股潮流。 在美国企业数据方案咨询师 Eric Brown 看来,当下...

3717
来自专栏IT大咖说

从算法到应用,新零售背后的推荐系统

内容来源:2018 年 05 月 26 日,袋鼠云高级算法专家尼奥在“AICAMP人工智能沙龙(杭州)”进行《新零售推荐系统:从算法到应用》演讲分享。IT 大咖...

2674
来自专栏PPV课数据科学社区

我们的挚爱——数据科学技术

数据科学家最爱的几款工具! 一个能干的数据科学家经常被看作是分析学中额的独角兽,这是因为他们的工作往往需要深厚的数学和统计学的知识、熟悉计算机科学,还要有掌握一...

3486
来自专栏机器之心

观点 | 低门槛究竟是深度学习的危机,还是契机?

选自reddit 机器之心编译 参与:黄小天、刘晓坤 近日,Reddit 上出现了一个颇有争议性的问题,提问者怀疑深度学习的低门槛会破坏这个领域的声誉,业余者的...

3007
来自专栏CDA数据分析师

「CDAS 在线」央企财会到数据分析师的华丽转变

原作者 CDA 数据分析师 去年的CDAS 2016 第三届中国数据分析师行业峰会上,有一个比较特别的分论坛。这个论坛的嘉宾有些原本并不是业内人士,但经...

2206

企业的AI层和物联网

根据德勤去年的预测,截至2016年底,按收入划分全球100家最大的企业软件公司中有80多家将认知技术融入其产品中。“Gartner还预测,新投资的40%企业将在...

34010
来自专栏美团技术团队

美团餐饮娱乐知识图谱——美团大脑揭秘

“ I’m sorry. I can’t do that, Dave.” 这是经典科幻电影《2001: A Space Odyssey》里HAL 9000机器人...

1221

扫码关注云+社区

领取腾讯云代金券