唐旭 编译整理

　　量子位 报道 | 公众号 QbitAI

　　Google I/O大会结束了，身在很难接触相关服务的区域，我们可能很快就会忘记会上推出的种种面向普通用户的人工智能产品。

　　但值得记住的是，种种新技术、新产品包裹着Google的核心诉求，将AI这种技术“民主化”。

　　AI“民主化”这个问题，其实女神李飞飞加入Google前后一直在提在提。大意可以理解为推动AI更加普及。也很少有人对这种倡议发表过不同看法。

　　然而，科技博客Hackernoon却发表了一篇题为《创业公司如何与Google竞争：回李飞飞》的文章。

　　作者将Google云比作AI界的小布什，狠狠地嘲讽了“民主化”，同时也谈了创业公司在面对巨头时，有哪些机会，如何同其竞争。

　　以下内容编译自Hackernoon：

　　在Google赞助的Startup Grind全球大会上，李飞飞曾经接受了一次采访：

　　

　　记者：“小型创业公司如何同巨头们竞争？”

　　李飞飞：“大公司在数据上具备优势，但它们不会在某一具体领域内钻得太深——这就是其中一条可行的道路，如果你是一家创业公司，你要更多地去创新。

　　如何让你的数据像雪球一样越滚越大？你要去设计这样一种收集数据的策略。特别重要的一点是，你要设身处地去理解那些你在为客户解决的问题。”

　　记者：“你为什么加入Google？”

　　李飞飞：“（笑）我想让AI民主化。”

　　

　　AI创业公司要聚焦于客户

　　李飞飞的建议没错：AI创业公司必须把重心放在解决其客户的问题上。要做到这点，光知道如何训练机器学习模型是不够的 ，还需要同理心和领域专长。每种具体的行业，比如手工业、医疗健康或是零售业，都需要特定的解决方案和技能的组合。

　　AI创业公司需要以一种鼓励用户输入数据的方式来设计自己的产品。这样，这些创业公司就能实现一种良性的AI闭环：收集更多的数据，做出更好的模型和产品，从而吸引更多的用户，再收集更多的数据，照此循环。设计这样一种“滚雪球”的数据收集方案是必不可少的。

　　对于AI来讲，每一种特定行业都是一个相对较小的市场，巨头们并没有什么兴趣在这些地方挖得太深。它们更愿意去构建基础型的AI产品、通用的模型以及云架构，而这些东西恰好能为创业公司所用。

　　在这样的语境下，AI创业公司并不需要太多的技术专家以及数据存储能力，谷歌云就能帮助它们解决问题。

　　这就是李飞飞构想中，AI民主化的方式。

　　AI“民主化”是Google霸权的面具

　　如果将其比喻为一种AI民主制度，创业公司就是其中的公民，谷歌云则是高高在上的总统。公民们认可大玩家们的霸权，安静地守在自己被分配到的具体领域并遵从总统制定的规则——准确地说，是强加的纪律。

　　又是一样。“民主”这个词在这里成为了帝国主义用来掩饰自己的面具。李飞飞关于AI民主化的陈词让人想起2003年小布什要让伊拉克“民主化”的说法，后来他发动了入侵并接管了伊拉克的石油。数据就是种新的石油，而谷歌云就是AI里的布什。

　　然而，事情总不会像预想得那样顺利。就像布什在伊拉克所遭遇的一样，Google在这场战役中同样会面对猛烈的抵抗。他们的前方并非一马平川。

　　再确切一点讲，李飞飞应该去读一读美国哲学家Thomas Kuhn的著作《科学革命的结构》。读了这本书，她应该会被提个醒：科学一直在频繁经受颠覆、破坏性的范式转换，而这将会影响它的变革。

　　谷歌在AI上的霸权同样可能被下一次科学革命推翻，谷歌云可能会被下一次沙漠风暴卷走。让我们拭目以待。

　　摆脱对Google数据的依赖

　　Google掌握着大量的专有数据，但从长期来看这一点可能并不是那么重要。当今的AI技术是基于监督式学习的：为了学会人类期望的行为，AI必须经过大量相似样本的训练，而一个更为高级的AI，需要的训练数据量则会小得多。

　　要学会辨认汽车，婴儿并不需要把它们都看个几千几万遍。婴儿们也不会需要谷歌的数据来让自己变得聪明——同理，高级的AI也不需要。

　　举个例子来讲，生成模型的出现，让下一代AI的实现又向前推进了一步。在经过了大量某以类别数据的训练后（比如数百万的图片、语句或是声音等等），一个生成模型甚至可以制造出更多类似的数据。

　　这样，基于监督式学习，一个生成模型合成的数据也就可以用来训练第二个模型。如果创业公司可以利用起这些合成的数据，它们也就不需要谷歌云了。

　　

　　△机器生成的鸟类

　　这也是为什么生成模型会在AI创业公司的社区中成为一种战略研究方向了。

　　Google已不适于颠覆创新

　　谷歌大部分的研究文化不适合那种颠覆式的科学，它有一条“混合型的研究路径”：研究是产品导向的，是在现存方案上的渐进式研究。

　　谷歌仍能确立一些长期目标，但这些长期目标都必须被分解为一系列的短期目标，而每个短期目标都需要对谷歌的产品造成影响。

　　对一些人才来讲，这样的研究文化其实没什么吸引力。举例来讲，许多像Yoshua Bengio和Jürgen Schmidhuber这样的学者并不想加盟一家科技巨头，他们更愿意在没有公司产品压力的环境下进行独立研究。

　　此外，谷歌的科学政策在范式转换面前十分脆弱。很多主要的技术进步都来自一些外围、边缘化的主题，这些主题此前的影响并不大，但它在某些时候一下子就能跳到舞台中央。

　　AI和神经网络的急速崛起就是这样一种案例。在几年内，学术界的好奇心就会成为一次新的产业革命的支柱。主流的技术专家们没有预见到AI热潮的到来，而谷歌的创始人Sergey Brin却抓住了机会。

　　谷歌了解他们采用短期研究路径的局限性，这也是为什么他们要单拆出几个部门来运行长期项目。在AI领域，他们最强的部门是位于伦敦的DeepMind，然而，问题就在于一些想法并没能在DeepMind和谷歌之间流动开来。

　　DeepMind和谷歌之间始终保持着一种相对隔绝的关系——有多少员工在跟进DeepMind的研究？我猜没多少。或许我们该问问谷歌的员工怎么看待这件事情。

　　为了改善这种知识流通不畅的局面，DeepMind特别在加州的谷歌总部布置了一支专用的团队。未来我们会看到这一做法的效果。

　　AI创业公司的优势

　　最大胆的创业公司能在这种形势下找到灵感。

　　它们可以将自己的一部分资源投入到基础性研究中，而这样的做法能够吸引到对路的人才，对团队也是种激励。创业公司大可打破谷歌为员工设立的20%比例限制，将自己基础研究项目的占比提升到50%。

　　

　　如果基础研究和应用研究是由同一批人来完成的话，在双重的专业资源下，两种研究之间的带宽就会被大大拓展，当然，未必就会有什么突破，可一旦真的有了突破，那就是大事情。

　　这就领先了谷歌“混合型研究路径”一步：没有服务于产品的压力。

转载请注明出处。