关于人工智能的几点思考

几天前，作为报告人之一参加了产险的科技开放日，从几位真正专家身上学到了不少新的观点和知识，所以写下了这篇总结性短文。

对大脸的照顾

马老师

在1:n的人脸识别场景下，算法会先做优化，识别出框内最大的那个脸，再去定位这张脸是谁。因为一般来说总归是站在最前面的人脸最大。。。

Remark

怪不得之前经常发生隔着两个人把我识别出来的囧事儿。。。原来算法对大脸真的特别优先照顾。。。

AI专家应该全栈

肖博士

1、其实人脸识别在10年前就被认为是已经攻克了的问题，这个场景和ImageNet比赛的不一样。那么现在的人脸识别挑战都主要在后端的检索优化，如何用KNN快速计算出相似度。我们之前有在Bing试过，人脸特征计算模型学出特征的同时开始构建KDTree，后来为了加速查询的性能，构建时在KDTree的叶子节点再不断插入跳表，最后整个检索速度快了10倍以上。

2、AI专家本来就应该是全栈的。

Remark

非常认同，真正的AI专家都应该是全栈的，即懂学习算法也有扎实的计算机基本功，还需要懂业务懂场景。目前的大数据和AI从业者极多，一片繁华，但是功底扎实能文能武的却少之又少，大多数还停留在调包调参的阶段。

过几年人工智能的浮夸泡沫会破，但并不是说整个行业会消失，而是随着不断的深耕以及对场景的深入挖掘，真正的AI专家们会逐渐占据更大的优势逐渐脱颖而出，并改写很多行业的商业逻辑。

人工智能是什么鬼

罗教授

1、人工智能到底是什么鬼？很多场景根本不适合使用人工智能，因为成本比传统方法都高。

2、如果要判断一个场景能否用人工智能去解决，那么需要思考"模型(数据)=目标结果"的=号是否能成立？如果是不成立的场景，那也没法使用人工智能，因为根本没法学出稳定的模型。但如果=号成立，那就都能学出来，只看愿意花多少成本去进行人工标注。

Remark

之前在数字化转型峰会上也说过类似的观点——“一切深不可测但不能有效服务业务的模型都是耍流氓”。

很多时候从业者会为了追求高大上而会选择让模型越深越好，但过程即不可解释、人也不敢轻易去调参。

其实，这种深度情节只能唬唬自己，到底值几斤几两大家其实都心知肚明。