兩年前的文章,謝謝吳俊毅找出來分享。
我的大兒子是UCLA CSE (加州大學洛杉磯分校計算機科學與工程系)畢業的博士,他專注在移動應用軟體的開發。畢業後,他並沒有走入學術領域當教授,反而選擇進入企業,走軟體開發的技術路線。
他告訴我,在學校的教授每年都忙著寫論文,發表在專業雜誌或論壇上。如果沒有辦法找到大企業合作,通常教授的論文就會偏向理論,在發表過後,就永遠歸檔留存,無法商品化。
只有跟大企業合作,才能夠得到許多真實的案例和大數據,才能夠驗證教授論文中的理論和模型。但是和大企業合作,談何容易?由於牽涉到商業機密,如果不是很知名的教授,通常都找不到願意合作的大企業。
與其留在學校當教授,得不到企業的合作,每年寫一些理論性的論文發表,我大兒子選擇進入企業,接觸真實的商業領域,開發可以應用和使用的產品。
我的三兒子今年暑假從 UCSD CSE(加州大學聖地牙哥分校的計算機科學與工程系)畢業,八月下旬他就進入 USC(南加大)攻讀碩博士,他專注在 AI 人工智慧領域的類神經網路模型與算法。
他跟我分享人工智慧過去70年的發展,曾經三起兩落。最早在上個世紀50年代,就出現人工智慧這個名詞。經過一陣子熱潮以後,由於技術出現瓶頸,無法突破,因此逐漸衰退。
80年代透過「專家系統」的程序和「知識處理」的應用,「機器學習」(Machine Learning)成了熱門話題,人工智慧迎來了第二次流行。經過一陣子熱潮以後,由於做不到業界預期的應用,又逐漸冷卻了。
第三波熱潮開始於2006年,Hinton教授找到了解方,提出限制玻爾茲曼機(RBM)模型成功訓練多層神經網路,重新命名為「深度學習」(Deep Learning),人工智慧的應用出現了一線曙光。
真正的爆發點是在2012年10月,Hinton教授的兩個學生參加了全世界最大的圖像識別資料庫 ImegeNet 的比賽,以深度學習的算法加上GPU圖形處理器的運算速度,一舉拿下第一名。
其實從 2007 年 ImageNet 比賽創辦以來,每年的比賽結果、每家都差不多,錯誤率大致落在 30%、29%、28%... 瓶頸一直無法突破。結果這兩位學生以 16.42% 的錯誤率遠勝第二名的 26.22%。
從此爆發深度學習熱潮。先是 Google 在 2013 年收購了 Hinton 和他的兩位學生的公司,接下來一堆企業爭相投入深度學習的研究領域。後來,2015 年的冠軍 Microsoft ,以 3.5% 的錯誤率贏得冠軍,超越⼈類的 5%錯誤率,發展快速,一日千里。
2016年3月,AlphaGo擊敗李世乭,成為第一個不讓子而擊敗職業圍棋棋士的電腦圍棋程式。2017年5月,AlphaGo在中國烏鎮圍棋峰會的三局比賽中擊敗當時世界排名第一的中國棋手柯潔。
我的三兒子說,人工智慧能夠發展到今天的這個結果,主要的就是靠大量的「伺服器運算」和大量的「數據學習」。
我以上所說的大兒子和三兒子的例子,主要的目的就是指出大數據的重要性。而擁有各種大數據的機構,不外乎政府和大企業。
在未來互聯網和人工智慧爆發的時代𥚃,大企業擁有大量的伺服器和大數據,跟新創企業比起來,大企業擁有絕對的競爭優勢。
可是回顧歷史,在高科技領域的競爭中,反而是許多新創企業打敗了跨國大企業。為什麼呢?除了創業家和專業經理人的不同心態以外,我認為最主要的原因就是大企業不會創新。
大企業空擁有大量的數據和各種競爭優勢,但是大部分的專業經理人卻不懂得怎麼樣利用這些數據,產生策略和行動。
在上一篇文章當中,我提到過,80年代中期,我在惠普台灣分公司,負責電子測試儀器和電腦系統的銷售部門,主要市場就是台灣的電子產業。
在成立我的這個部門之前,測試儀器和電腦產品是隸屬於兩個不同的產品線業務團隊。雖然台灣的電子企業是共同的目標客戶,但是這兩個不同產品線的業務團隊,彼此很少交流合作。
我的這個部門在當時也是一個創舉,是第一次把兩個產品線放在一個部門裡。部門剛成立時,我首先到這兩個不同產品線的客戶資料庫裡面去做了一些統計分析。
當我將所有的測試儀器客戶和電腦產品的客戶列表出來以後,發現只有30%的客戶是兩種產品都有採購的。也就是說,有70%的現有客戶,我們可以推銷另外一種產品。
在軍事上來講,現有客戶就是我們已經佔據的山頭,如果競爭對手要取代我們,就是要攻山頭。攻山頭和守山頭的兵力,至少10比1才能打成平手。
例如我們的測試儀器現有客戶,或許使用競爭對手的電腦系統,但是我們和競爭對手都在一個山頭上了,比起重新攻打一個新山頭,要容易得多。
因此,我就把大部分資源集中在這70%的客戶上面,訂出目標,列出行動計劃,努力把這些現有客戶攻克。
一年以後,我們把同時向惠普購買測試儀器和電腦的客戶比率,從30%提高到80%。再加上我們還有新開發的客戶,當年的業績達成率遠遠超過我們年初所訂的目標。
另外,我在客戶資料庫裡又做了一些統計分析。我把過去三年買過惠普產品(包含配件、耗材、軟硬體維修合同)的客戶,定義為「現有客戶」(Installed Base Customers)。然後把過去一年曾經買過惠普產品的客戶,定義為「活躍客戶」(Active Customers)。
結果我發現,「活躍客戶」只佔了「現有客戶」的40%左右。所以我把這60%,在過去一年沒有跟惠普有過任何交易的客戶,叫做「冬眠客戶」(Dormant Customers)。
很簡單的數學公式:活躍客戶數+冬眠客戶數=現有客戶數。
這些冬眠客戶到底發生了什麼事?過去三年曾經是我們的現有客戶,可是卻在過去12個月當中,沒有跟公司發生任何採購交易紀錄?這些就是所謂 Low Hanging Fruits,應該是垂手可得的產品銷售對象。
80年代中期,還沒有互聯網和手機等等的通訊工具。我唯一可以使用的就是電子郵件和電話。
於是我組識了一個小小的電話行銷(Telemarketing)團隊,主動打電話給這些冬眠客戶,一方面更新我們的客戶資料庫,一方面介紹、推銷我們的新產品。這個計劃就叫做「叫醒」(Wake Up Call)。
除了極少數已經停止營業的小客戶之外,我們發現,有一些現有客戶已經轉投競爭者的陣營,也就是說,我們攻下的山頭並沒有好好守住,反而讓競爭對手攻佔了。
其餘大部分的現有客戶,都是由於我們沒有主動去好好照顧,也不了解到底我們有些什麼新產品,也不知道應該採購一些零配件或消耗品,因此在過去一兩年都沒有提出採購的需求。
經過我們一個一個的「叫醒」以後,我們得到了很大的收穫,重新連結客戶關係、更新了客戶資料庫、提高了客戶滿意度、取得了許多新的訂單。小投入得到大成果,關鍵就在於我們懂得利用數據做分析,然後採取行動。
回顧過去的經驗和歷史,我也重新學習,並且和各位朋友分享我的總結。
1)在中大型企業上班的朋友們,公司裡一定有許許多多的資料庫和大數據,各位可以發揮各種創新和創意,加以統計分析,或是找到新的「市場區隔」,或是找到新的「行銷策略」,都會得到意想不到的收穫。
2)對於新創企業,或許可以嘗試和政府、大企業合作,取得他們的大數據,加上創業者的創新生意模式和產品技術,增加創業成功的機會。
3)前一陣子,在網路上有許多爭論,對於台灣是否適合在人工智慧領域創業和投資,有不同的看法。我認為,人工智慧的領域非常廣泛,台灣一定有機會的。
最重要的關鍵是,擁有大數據的機構未必能夠創新,而想要創新創業的年輕人,又未必能夠接觸到這些大數據。
因此,擁有大數據的政府機構和大企業,應該把資源開放出來,鼓勵年輕人利用這些大數據來創新創業。
政府除了開放所擁有的大數據資源給新創者之外,還可以訂定一些優惠政策,鼓勵大企業將其擁有的大數據資源,開放出來給新創團隊。而大企業也可以透過合作、投資,達到輔導新創,建立雙贏的結果。
同時也有10000部Youtube影片,追蹤數超過2,910的網紅コバにゃんチャンネル,也在其Youtube影片中提到,...
deep learning hinton 在 Eddie Tam 譚新強 Facebook 的最讚貼文
投資者看AI(一)
人工智能(AI)是最熱門的投資概念,没有之一。包含範圍很廣,近乎無限;綜合性功能包括視覺、聲音識別、語言處理等,以及更多垂直式應用例如無人駕駛、智能家居、電商廣告、醫療診斷、金融交易等。
有些新經濟板塊較受政策影響,例如再生能源和電動車依賴補貼,所以只要一減,馬上受到極大影響。但AI發展極少依賴政策支持,非線性增長的臨界點就在當前,未來五年的複式增長(CAGR)最少35%。
硬件技術更重要
何謂AI?沒有一個準確定義,最初只有一個Turing Test,實驗設計由一個人經文字或語音跟一個電腦系統傾談,另設一位獨立評判,如他不能分辨哪一方是人類、哪一方是電腦,那麼此系統就可被稱為擁有AI。此標準只可稱為一個功能上的定義,並沒有任何設計和結構上的定義。
近年AI迅速發展,有賴於Deep Neural Network(DNN)和Deep Learning的突破。多倫多大學的Geoff Hinton 和 Alex Krizhevsky 就是DNN先驅。軟件固然重要,但更重要的是硬件技術的發展,電腦的線性計算速度老早就超越人類億倍以上,但人類智慧的特色和直到現時的優勢在於我們腦袋由數以萬億計的neurons(神經元)所連接而形成的complexity(複雜性)。
在醫學、哲學以至宗教上,人類的最大特徵consciousness(意識)都可能只是這個complex network的一個現象!但一個具意識的觀察者亦是量子物理學必備的一個元素,有了「他」才能打破Schrodinger's cat 的生死之謎。
過去PC年代的CPU計算方式是以serial(序列)為主,後來發展至multi-cores(多核)來做一些parallel processing(平行計算)。不是所有計算都適合用平行計算,很多傳統數學應用更需要線性速度。但大部分跟AI有關的應用,如臉孔辨認,就需要模仿人腦的 massively parallel processing。
GPU成發展主流
因此AI研究者開始改變過去只單用CPU,改用CPU+GPU(Graphics Processing Unit)的設計。GPU本來主要功能是提升處理大量圖像訊息的速度,每個計算較簡單,亦適合同步進行,所以GPU通常採用數以百計的多核設計。從前GPU主要應用只限於遊戲圖像,後來無心插柳,現已成AI發展的主流方向。研究顯示,CPU+GPU的AI系統的學習速度比單一CPU系統快10倍比上,成本更減低上百倍。
名義上Intel是GPU一哥,市佔率高達70%,但並非獨立的 graphics solution(圖像開發商),都是跟其他功能連在一起的。獨立GPU生產商最主要有兩間,Nvidia和AMD,過去兩年股價都大升數倍。Nvidia是真正的GPU領先者,最大的優勢可能是它的CUDA平台和API,廣泛在大學教授,愈多人慣用了就愈難改變,形成network effect。我仍然看好未來兩年GPU的前景,但嫌Nvidia和AMD的股價都太貴,要耐心等待較深調整才可再次買入。
但長遠來講我未必那麼看好GPU的發展。首先所有龍頭科技公司如蘋果、Intel、Google或Tesla都知道AI的重要性,都不想過度依賴外來GPU供應商,最佳例子是近日蘋果決定自己設計GPU,不再用英國移動GPU生產商Imagination的產品,Imagination股價即時暴跌七成!原來蘋果早已挖走數十名Imagination的骨幹工程人員,可見蘋果的生意多難做,一點人情味都沒有。
CPU+GPU亦非唯一的可行設計,有人採用CPU+FPGA(Field-Programmable Gate Array),設計上FPGA 比GPU更靈活,電子線路都可由軟件更改,但成本較高,且平行計算能力較弱,所以較適合在設計prototype(原型)階段時使用。主要公司有Xilinx和被Intel收購了的Altera。
不會由一家獨大
更大挑戰將來自CPU+ASIC(Application-Specific Integrated Circuit),AI應用範圍太廣,很多垂直式應用如無人駕駛和智能聲控助手,更適合度身訂造ASIC,設計彈性雖較低,但成本亦較低,速度反而更快,Intel、Google都在推行此發展方向。很多人喜歡把Nvidia跟Intel比較,幻想GPU變得如CPU般重要,而Nvidia成為GPU一哥,那麼股價亦可能再升3倍,市值直逼Intel。但似乎未來AI市場不會由一家獨大,較接近百花齊放,Nvidia的市佔率絕不會如Intel在PC年代般高達90%。
那麼從投資角度來看,誰才是AI的最大贏家呢?很多人都說AI的成敗取決於數據,所以更多人說Amazon、Google、阿里等互聯網龍頭公司,擁有最多用戶的數據,必將是AI最大贏家。
我並不反對此說法,亦非常看好這些公司的前途,但股價已反映不少利好因素,Amazon P/E過百倍;而Google和阿里20倍出頭,不算昂貴,但看好的主因並非AI。
我認為最大AI贏家將是記載這些大量數據的記憶體公司,主要有四種技術:1)硬盤——舊技術,主要供應商剩下Seagate 和 Western Digital;2) NAND Flash——逐漸取締硬盤,主要有5家供應商:三星、Micron、Hynix、Intel和東芝+Western Digital;3)NOR Flash ——主要應用在手機,目前4家在做,包括Macronix、Cypress、Winbond和Micron;4)DRAM——最重要且無處不在,但反而只有三家,包括三星、Hynix和Micron,三星市佔率更高達50%。下周再詳細分析。
註:中環資產持有Alibaba、Amazon 、Apple、Google、Hynix、Intel、Mircon、Samsung、Tesla、Western Digital的財務權益。
#中環資產 #centralasset #cai #信報 #AI #人工智能