联系方式：15001380073 在星球大战、终结者、攻壳机动队等科幻电影中，人工智能专家是人类顶尖智慧的化身。因为触不可及，所以缺乏真实感。
然而，近年来随着各国、各科技企业纷纷加紧部署人工智能，人工智能已经从几年前还是一个比较学术的科学，演变成相对产业化的高科技行业。越来越多的顶尖人才加入到这个如火如荼的“风口”。
人工智能专家的日常是怎样的?他们的工作场景真的那么高冷吗?这些最聪明的脑袋具备哪些看家本领?又有哪些困惑?他们会成为其他职业的“终结者”吗?
机器的“启蒙老师”
美颜相机中萌萌哒的兔耳朵动态表情包、在线开通基金账户、实时清理互联网中不健康的违规图像、远程抄录家里的水电煤“三表”……“这些我们再熟悉不过的日常，其实都是人工智能专家的‘杰作’。”上海七牛人工智能实验室创办人和负责人彭垚说。
走进由他创办的实验室，浓浓的“极客”气息扑面而来。这个实验室有个奇特的名字——“Ataraxia人工智能实验室”。“Ataraxia是古希腊的一种哲学思想，该哲学流派认为世界的知识和理论都是不完善的，只有通过不断学习才能达到更高的境界。人工智能就是一种机器需要不断学习和认知才能到达的境界。”彭垚说。
除了响亮的名字，实验室的墙壁上还挂满了蓝底科幻海报，上面写着“AI Civilizatoin(人工智能文明)”。区别于到处都是瓶瓶罐罐的传统实验室，人工智能实验室遍布一排排计算机，屏幕上跳动着一行行代码、数据;变形金刚式的中小型机器人错落有致地矗立在办公桌上。一张张年轻的面孔熟练而有节奏地敲打着键盘，有的是算法工程师、有的是数据科学家，还有的是数据标识员……尽管从事的具体工作各不相同，但他们都有一个共同的称谓——“人工智能专家”。
“人工智能专家，可以简单理解为机器的‘启蒙老师’。”彭垚说，算法工程师先负责搭出一个最初步的算法框架，然后，数据科学家再把合适的数据装入算法框架里，通过优化、搭建出第一版机器模型。随后，数据标识员通过给图像、文字等数据做标记，为机器编写出一本附有正确答案的“教科书”，手把手教机器模型如何学习处理不同类别的信息。
在人工智能专家的启蒙和教导下，机器模型经过几天或者一周的学习，就可以自主进行深度学习了。“当机器模型学习的准确率达到及格线，就可以开发成产品、投入试运行，然后一边运行、一边继续学习。一两个月后，机器模型的准确率就会有‘脱胎换骨’的进步。”彭垚说。
“人工智能+”
用算法解决各行各业的“痛点”
“人工智能是计算机科学的一支，它的起始是算法。怎样把数据转化成有效的信息，进而解决各行各业的痛点、辅助其做决策是人工智能专家的愿景。”彭垚说，与长期从事某一个具体行业的上班族不同，人工智能专家需要在各行各业自如转换。
算法模型是最基础的工具，这些工具只有跟不同行业、不同用户的需求结合起来，才会有“用武之地”。“好的人工智能专家需要不断学习不同行业的知识，了解各行业的运行规律、发现他们的痛点，进而有针对性地写算法、建模型、做产品。”彭垚说。
例如，“人工智能+娱乐媒体行业”，就有了“智能鉴黄师”。对于直播、短视频平台来说，他们的一大痛点是如何实时清理平台上不健康的违规图像。“以往，美拍、熊猫直播、陌陌等平台，需要雇佣百余名人工，24小时值班，挑出不合格的照片，现在采用机器深度学习平台，这些企业只需要雇佣几十人，不仅清理的准确率更高，而且工作强度也减轻了、只要对机器模型的结果进行复查就可以了。”彭垚说。
“人工智能+能源消费”，催生了“智能抄表员”。通过图像识别和记录每户家庭每天的用气量，计算机能够精确预估当地燃气公司每天需要购买多少燃气，避免空烧燃气造成浪费。七牛服务的一家燃气公司，此前每年需要空烧掉价值约90亿元的燃气，采用了人工智能图像识别深度学习平台后，“智能抄表员”帮助公司减少了20%左右的能源浪费。
“人工智能+医疗诊断”，出现了“智能读片机”。传统的智慧医疗，是将医生可表述、可外化的经验进行数字化，形成数据库后用于智能检索判断，这类“智能”对人力的辅助相对有限。而人工智能则是基于全部医疗案例和机器自主学习，让医疗的智能化水平超越人类可掌握的经验边界。
例如，人工智能专家利用“区域卷积神经网络”建立机器学习模型，医院为机器提供数万张直肠癌核磁共振影像图，这些图片先由医生勾画出肿瘤区域，然后再“喂”给算法模型，经过十余万次学习，一台合格的“智能读片机”就诞生了，它不仅可以准确识别直肠癌，而且能够根据影像进行三维重建，为医生提供肿瘤三维模型。未来，“医生+人工智能”共同协作将成为诊疗主流。
除此之外，人工智能专家开发的产品还能用于识别金融票据文字信息，提高财务处理的效率;搜集图像大数据信息，服务特种安全行业。“对于繁重、枯燥、高重复、不适合人类工作的任务来说，人工智能专家开发出来的产品是人力的完美替代。”彭垚说。
人工智能专家的困惑：
机器如何思考?
虽然人工智能专家是机器的“启蒙老师”，虽然在老师的指导下表现优秀的机器模型可以应用于诸多行业，但是对于机器到底是如何学会老师的指令、又是如何进行思考的，老师们其实并不清楚。
“从技术的角度看，目前人类并不能清楚地理解人工智能算法模型的方方面面，也没法准确回答机器到底是怎样思考的疑问，这正是人工智能专家们最大的困惑。”彭垚说。
以人工智能辅助医生看X射线图为例，在训练伊始，为了对阻塞动脉的特征进行识别和分类，机器首先会对医疗成像系统生成的一百万次X射线图像进行分析，生成第一版算法模型。而后，当添加新的X射线图像时，机器就开始在第一版算法模型的基础上自动分类并进行不断优化。
对于机器到底是按照什么逻辑分类、优化的，目前人工智能专家很难说清楚。“人工智能深度学习神经网络的内部工作机理非常复杂，即便搞懂了每一个算法的运行逻辑，当海量算法组合在一起时，就很难知道他们之间又产生了什么‘化学反应’。”彭垚说。
为了让机器能够沿着正确的方向思考，人工智能专家也肩负着重要使命。彭垚说，机器学习会根据输入的信息来理解世界。算法的一个基本原则：输出对应输入。这就要求人工智能专家在标识环节一定要做好质量把关。
譬如，对于用来给机器作为“学习资料”的X射线图像，如果人工智能专家标记不正确或者把图像质量很差的X射线图像交给机器学习，那么最后生成的人工智能算法模型很可能没法准确的判断对应疾病。
同样的误判也会出现在关于人的评判上。譬如，通过人工智能技术预测犯罪嫌疑人再次犯罪的可能性，如果提供给机器学习的“学习资料”是基于种族性的。那么，最后机器判断的结果很有可能也会有种族偏见。
其他行业从业人员的“终结者”?
还是新行业的“创造者”?
人工智能的发展速度实在太快，以至于他的研发者都感到猝不及防。前不久，美国社交媒体脸书公司创始人马克·扎克伯格与美国特斯拉公司首席执行官埃隆·马斯克就进行了一场激辩，前者对人工智能持乐观态度，而后者称其为人类文明的威胁。
如果说，流水线消灭了大部分作坊式工业生产，那么，数据的洪流将消灭大部分传统生产和服务组织方式。人工智能专家到底是其他行业从业人员的“终结者”?还是新行业的“创造者”?
“我们不希望取代其他职业，而是希望革新陈旧的生产力和生产方式，促进既有行业的从业人员学习更多先进知识和技能，改善整个团队的运行模式和工作效率。”彭垚说。
前不久，国务院发布了《新一代人工智能发展规划》指出，要加快研究人工智能带来的就业结构、就业方式转变以及新型职业和工作岗位的技能需求，建立适应智能经济和智能社会需要的终身学习和就业培训体系。
彭垚认为，在人工智能时代，人与机器应该一起学习。目前，我们还处在一个弱人工智能的阶段，即机器还不能真正自主推理和解决问题，它的智能更多体现在“智能的行动”。但是，弱人工智能经过不断学习、迭代，将发展到强人工智能阶段，这一阶段机器将具有智能思考的能力，在某些领域的智能表现，会接近甚至达到人类水平。因此，人类必须养成终身学习的习惯。
当然，对于未来强人工智能的出现，人类也不必过于恐慌。因为，人的潜力到底有多大，事实上就连人类自己也没有完全了解。彭垚认为，人类拥有情感沟通、深度联想和创造等机器无法达到、甚至人类自己都无法表述的“软实力”。技术的发展会促进人类激发潜能，不断提升拓展自己的能力“工具箱”。
马车夫、打字员这些人类还有记忆的工作，今天已经几乎没有了。取代它们的是汽车驾驶员、电脑和新的工作。在不远的将来，人类必将生活在一个“充满了人工智能的世界”，很多行业都会从人提供服务转变为机器人提供服务。“人类就要学会在这样一个不断演进、不断进步的社会中生存，具备非常强的适应能力和学习能力。这样，我们就不会害怕社会的变化。”彭垚说。
