做成一件事兒不容易，而坑恒在,。

鮑捷博士于5月10日在將門創(chuàng)投的線上 talk 中盤點了人工智能項目的大坑小坑,，選出了看上去非常反常識的十個經(jīng)典坑,。

這是一篇大實話合集,，但別絕望,，最后將會放出從二十年踩坑經(jīng)驗中總結(jié)出的彩蛋,，共勉,。

作者介紹

鮑捷博士,，文因互聯(lián) CEO,。擁有20年學(xué)術(shù)界和工業(yè)界的相關(guān)經(jīng)驗。美國Iowa State University人工智能博士,，RPI博士后,，MIT訪問研究員，W3C OWL(Web本體語言)工作組成員,，前三星美國研發(fā)中心研究員,，三星問答系統(tǒng)SVoice第二代系統(tǒng)核心設(shè)計師。主要研究領(lǐng)域涵蓋人工智能的諸多分支,，包括機器學(xué)習(xí),、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘,、自然語言處理,、形式推理、語義網(wǎng)和本體工程等,，發(fā)表了70多篇領(lǐng)域內(nèi)相關(guān)論文,。是中文信息學(xué)會語言與知識計算專委會委員，中國計算機協(xié)會會刊編委,，W3C顧問會員會代表,。2010年以來關(guān)注金融智能化的研究和應(yīng)用,，成果有XBRL語義模型，基于知識圖譜的基本面分析,、金融問答引擎,、財務(wù)報告自動化提取、自動化監(jiān)管等,。

以下為演講原文：

鮑捷博士：我今天的題目是《確保搞砸人工智能項目的十種方法》,，按照這十種方法，基本上可以搞砸項目,。（笑）

之所以能夠講這個題目,，是因為我自己之前也搞砸過很多項目，下面列表里超過一半的項目最后是失敗的：

我開始想,，為什么大部分的項目最后做不成,？

我經(jīng)歷了好幾次很痛苦的時刻，比如剛到RPI（倫斯特理工學(xué)院）做博士后,，這個學(xué)校有全美做知識圖譜最好的實驗室,，實驗室的James Hendler和Deborah Mcguinness，都是這個領(lǐng)域最好的老師,。

我在那里做了一個知識管理系統(tǒng),，在我看來，我們是世界上最好的語義網(wǎng)實驗室,，也是最專業(yè)的一群人,，不用這個技術(shù)來武裝自己好像說不過去，所以我就做了一個語義檢索系統(tǒng),，但是后來沒有人用,。

我就在反思到底問題在哪，為什么這行真正最好的專家,，做出這樣一個系統(tǒng),，連自己都不用？

我不停地在想,，人工智能項目失敗的核心原因到底有哪些,？

當(dāng)然，后來經(jīng)歷了更多的失敗,?；谶@些直接或者間接失敗的經(jīng)歷，我逐漸總結(jié)出來確保一個項目會失敗的一些原因,。這些原因很多時候看起來是反直覺的,，我會逐一地跟大家講。

在最后，我也會總結(jié)如果想要避免這10個坑,，應(yīng)該做什么,。

NO.1 一下子砸很多的錢

第一種確保你的項目失敗的方法：一下子砸很多的錢。

我目前也在創(chuàng)業(yè),，有VC問我：“你們做的這個事,，如果BAT砸很多的錢，是不是就一下子能趕上你們,？”

我說不會,，通常舉的例子，就是日本的五代機,。當(dāng)初日本舉全國之力,，砸了幾百億日元，最終沒有做成,。

五代機是什么,？1970年代末是人工智能的第一次冬天開始回升的時候。80年代開始進入人工智能第二個高峰,。這時候,，日本啟動了一個新的項目，叫第五代計算機,。

什么叫第五代計算機？前四代計算機,，分別是電子管的,、晶體管的、集成電路的,，和大規(guī)模集成電路的,。日本到第五代計算機的時候，他們認(rèn)為要想做人工智能,，就必須用人工智能的專有硬件,。

（《知識信息處理系統(tǒng)的挑戰(zhàn)：第五代計算機系統(tǒng)初步報告》中第五代計算機系統(tǒng)概念圖）

這個話是不是聽起來很耳熟？最近在做深度學(xué)習(xí)的時候,，看到了很多關(guān)于深度學(xué)習(xí)芯片的想法,。這個想法并不新，因為在30年前,，日本人在五代機的計算里,，就已經(jīng)有這樣的想法了，只是當(dāng)時的人工智能芯片,，不是現(xiàn)在深度學(xué)習(xí)的芯片,，而是Prolog的芯片。

Prolog是人工智能的一種語言，主要是一種邏輯建模語言,。如果能夠用Prolog來建計算機,，計算機就可以進行思維，可以處理各種各樣認(rèn)知的任務(wù),。這是一個非常大型的國家項目,，最終花了幾百億日元，耗掉10年時間以后,，在1992年,，終于勝利地失敗了。

這不是個例,，很多大型的項目,，最后都失敗了。

一開始砸很多錢,，為什么還會失?。磕阋?，做一個項目,，通常是有目標(biāo)的。當(dāng)你有一個大預(yù)算的時候,，你的目標(biāo)通常也定得很高,。像五代機的目標(biāo)，不單當(dāng)時是做不到的,，三十年后的今天,，也是做不到的。

雖然五代機失敗了,，但是日本的人工智能技術(shù),，在五代機的研發(fā)當(dāng)中得到了很大的提升，所以到了20年后,，語義網(wǎng)興起的時候,，日本的語義網(wǎng)研究水平還是相當(dāng)好的，那些錢沒有白花,，它培養(yǎng)了很多的人才,。

在日本做五代機的同時，美國也有類似的研究,，主要是LISP machine,，LISP是人工智能的另外一種語言，也是邏輯建模的語言,。其中有一個公司叫think machine,。當(dāng)時至少有100家LISP公司。

為什么單獨要提到think machine？創(chuàng)始人在失敗之后沉寂了一段時間,，開了一個新的公司叫MetaWeb,，MetaWeb是2005年的時候成立的，這個公司有一個產(chǎn)品叫Freebase,，用Wikipedia做了一個很好的知識庫,。

2010年這個公司被谷歌收購，改名叫谷歌知識圖譜,。所以今天谷歌的知識圖譜有很多歷史淵源,，可以追溯到30年前LISP machine的研究里面。

羅馬不是一天建成的,，所以一下子砸很多錢,，就會導(dǎo)致項目的目標(biāo)過高，從而導(dǎo)致這個項目有極大的失敗概率,。

我曾經(jīng)遇到過一個大型國企的人,，他跟我說，他們要花3000萬建一個企業(yè)內(nèi)部知識管理系統(tǒng),。我就問他,，你那個3000萬是怎么投的？他說我第一年就要投3000萬,。然后我沒說話,，因為我的想法是這個項目一定會失敗。后來這個項目的的確確失敗了,。

也有一些大公司投比這還多得多的錢來做AI項目,。這些都不一定讓事情更容易成功。

這是第一種方法,，一下子砸很多錢。

NO.2 根據(jù)最新論文來決定技術(shù)路線

第二種方法：根據(jù)最新的論文來決定技術(shù)路線,，這可能也是一個反常識的事情,。

因為最新的技術(shù)不是最好的技術(shù)，要注意,，在工程領(lǐng)域里面,，通常面臨著實際的約束來解決問題的。而論文是一種實驗室的環(huán)境,，是不一樣的,。

比如說實驗室里，可以假設(shè)有一些數(shù)據(jù),，可以假設(shè)這些數(shù)據(jù)已經(jīng)被集成了,，被清洗了，是沒有噪聲的?？梢约僭O(shè)目標(biāo)是清晰的,，但所有的這些假設(shè)在現(xiàn)實中都不一定成立的。

最好的例子,，就是信息抽取,，這是2013年的EMNLP上的一篇文章，我拆出來的圖,。

這個圖告訴我們做NLP的論文和實際的工業(yè)系統(tǒng)所采用的技術(shù)路線有什么不一樣的地方,。

從2003年到2012年整整10年，學(xué)術(shù)界所發(fā)表的自然語言處理論文的實體抽取子領(lǐng)域里,，完全用機器學(xué)習(xí)的方法論文占到了75%,，混合機器學(xué)習(xí)和基于規(guī)則的方法論文占到了21%，完全只用規(guī)則方法的論文,，只有百分之一點幾,，非常低的比例。但是當(dāng)看到工業(yè)界的實際應(yīng)用的時候,，發(fā)現(xiàn)了完全不同的技術(shù)占比分布,，用規(guī)則方法的占到了45%。

如果光看大型的供應(yīng)商,，比如說IBM這樣的公司,，67%的軟件是完全基于規(guī)則方法的。完全基于統(tǒng)計方法即machine learning方法的軟件,，在所有的供應(yīng)商那里占33%,，在大型的供應(yīng)商那里只占了17%。

所以從學(xué)術(shù)界的研究到工業(yè)界的實踐,，有一個非常巨大的差異,。為什么會有這樣的差異？就是我剛才提到的,，在發(fā)表論文的時候,，完全不需要考慮現(xiàn)實中所會遇到的那些約束條件。在知識提取,、實體提取領(lǐng)域,，盡管現(xiàn)在從理論上來說，已經(jīng)解決了,，比如說實體識別問題,、NER問題、分詞問題,，但是到了真正現(xiàn)實的語料中,，發(fā)現(xiàn)這些方法都不好用,。這也可以用另外一個問題來驗證這一點，就是問答系統(tǒng),。

今天看到大部分的論文——我沒有做精確的統(tǒng)計,，只是基于模糊定性的看法——能看到大部分發(fā)表的問答系統(tǒng)的論文都是基于統(tǒng)計方法的。特別是這兩年基于NLP的方法,，尤其是基于端到端的方法的,。無一例外，能夠真正在工業(yè)中應(yīng)用起來的問答系統(tǒng),，除了小冰這樣的閑聊系統(tǒng)之外,，真正的面向解決任務(wù)型的問答系統(tǒng)，全部都是用規(guī)則系統(tǒng)的,。我還不知道哪一個是用深度學(xué)習(xí)的,，當(dāng)然也可能有用在某一個具體的細節(jié)，或者某一個組件上面,，我沒有見到過用于整體架構(gòu)上,。

所以當(dāng)決定一個工程問題技術(shù)路線的時候，不一定要按照最新的論文趨勢來做這件事情,，甚至,，論文和十年之后的技術(shù)都不一定有相關(guān)性。一定要根據(jù)現(xiàn)實的情況,，根據(jù)現(xiàn)實的約束,，來決定技術(shù)路線。

NO.3 脫離真正的應(yīng)用場景

第三種方法：如果脫離了真正的應(yīng)用場景,，項目就注定會失敗,。

這里我用OWL2來說明。OWL2是一種語言,，對于做語義網(wǎng)的同學(xué)們很熟悉了,。

在Web上所知道的所有的這些標(biāo)準(zhǔn)化的格式，比如說HTML都是W3C,，即萬維網(wǎng)聯(lián)盟設(shè)計的,。萬維網(wǎng)聯(lián)盟也會負責(zé)Web上其他的協(xié)議，其中有一個協(xié)議叫OWL,。它是在講,，在互聯(lián)網(wǎng)上如何表達我們的知識,。

比如說,，一個餐館要發(fā)布它的菜單，該用什么樣的格式來發(fā)布,？或者我現(xiàn)在要在網(wǎng)上發(fā)布我的簡歷,，希望被谷歌更好地檢索到,。我要告訴谷歌，我是一個人,，我姓什么,，叫什么，出生年月是什么,，我應(yīng)該用什么樣的格式發(fā)布這樣的數(shù)據(jù),。其中一個格式就是OWL。OWL的第一個版本在2004年發(fā)布,，第二個版本是在2010年發(fā)布,。

OWL WORKING GROUP比較活躍的工作組的成員里面，有相當(dāng)多的知名大學(xué)的老師,，還有一些知名公司的科學(xué)家,，包括IBM、Oracle,、惠普,。你們注意到，我剛才提到這些大公司的時候,，有一些名字沒有出現(xiàn),，比如說谷歌和Facebook。

OWL2本來希望想做的事情,，是設(shè)計如何在網(wǎng)上表達并發(fā)布日常生活衣食住行信息的,。但是，最終工作組成員的構(gòu)成,，一種是大學(xué)研究人員,，另外一種是大公司做企業(yè)級應(yīng)用的，大部分是遠離場景的,。

最終設(shè)計出來的產(chǎn)品,，也就是OWL2語言，脫離了真正想去服務(wù)的那個場景,。OWL WORKING GROUP在開會的時候,，寫了大概好幾十個應(yīng)用案例，但是大部分的案例都是這樣的：一個制藥公司要做一個藥,，應(yīng)該怎么表達制藥的知識,，或者一個醫(yī)生如何表達病歷、疾病或基因,，大體上都是這樣的應(yīng)用,。沒有任何一個案例是在講述在網(wǎng)上如何找一個朋友，或者如何跟朋友聊天,，或者如何去訂餐,，日常生活中的案例都是沒有的,。

OWL2最終寫出來以后，有600頁紙,，這是一個非常復(fù)雜的語言,。事實上，也就是在一些少量的企業(yè)級應(yīng)用里面被用到了,，在真正的日常應(yīng)用當(dāng)中,，成功的案例幾乎沒有。這就是個典型的脫離了應(yīng)用場景的項目,，所以這個項目,，花了很多錢，最終沒有達到真實想達到的目標(biāo),。

NO.4 使用過于領(lǐng)先的架構(gòu)

第四種方法,，使用過于領(lǐng)先的架構(gòu)。

這也是跟前面第二種方法相呼應(yīng)的,，第二種方法說,，你不能根據(jù)最新的論文來決定你的技術(shù)路線。第四種方法是在講,，如果你使用了一種特別先進的架構(gòu),，反而有可能導(dǎo)致你的項目失敗。

Twine在2007年被稱為世界上第一個大規(guī)模的語義網(wǎng)的應(yīng)用,。當(dāng)時是一個明星企業(yè),，這個公司到了2010年的時候關(guān)門了。為什么,？Twine在成立的時候,，想做一個語義書簽的應(yīng)用。比如說我讀了一篇文章,，我覺得很好,，把它保存下來，留著以后再讀,。Twine的機器人就會分析我保存下來的這篇文章到底在說啥,，然后給這個文章一個語義標(biāo)簽。如果有人訂閱了我的標(biāo)簽,，他就可以不斷地看到我這個標(biāo)簽下收藏的好東西,，就這么一個想法。

Twine在底層用了一個叫RDF的新數(shù)據(jù)庫,，RDF是一種語義網(wǎng)的語言,，比關(guān)系數(shù)據(jù)庫增強很多，它是可以進行推理的數(shù)據(jù)庫,。但是當(dāng)Twine用戶量達到200萬的時候,，它就遇到了一個瓶頸，數(shù)據(jù)庫的性能不夠,。所以Twine的CEO就決定,，開發(fā)一個新的數(shù)據(jù)庫。

當(dāng)時這個公司大概是40個人,，用20個人來研發(fā)基礎(chǔ)性的東西——一個新的語義數(shù)據(jù)庫,。2008年的時候，情況還不錯,，他們發(fā)現(xiàn)自己做的東西是個很好的東西,，突然就在想，我們做的東西為什么只搜索書簽,？完全可以搜索整個Web上的東西,。于是他們就做了一次轉(zhuǎn)型，去做整個Web的語義搜索,。步子太大,，就把公司拖死了。到了2008年經(jīng)濟危機爆發(fā)的時候,，資金鏈斷裂,，撐了一年以后就死了。

在死的時候,，Twine的CEO Nova Spivack ,，是我們領(lǐng)域非常值得尊重的一個先行者，也是一個技術(shù)大拿,，同時也是一個非常成功的投資人,。他就檢討了Twine的失敗。他說我試圖在太多的地方進行革新,，我應(yīng)該要么革新一個平臺,，要么革新一個應(yīng)用，要么革新一個商業(yè)模式,，但是我似乎在太多的地方都進行革新了,，而且我使用了一種非常超前的架構(gòu)，就是RDF數(shù)據(jù)庫,，導(dǎo)致了我要追求的目標(biāo)太大,，我無法達到這個目標(biāo)。

我想他說的這個話,，即使到今天,，也是非常值得思考的。

這個項目相關(guān)的分析文章,，我差不多每過兩年都要仔仔細細地看一遍,。Twine失敗了以后,， Nova Spivack 對公司進行了一次轉(zhuǎn)型，成立了一個新的公司叫 Bottlenose,，還是用了同樣的技術(shù),，用在了更聚焦的應(yīng)用場景上，從2C的服務(wù)轉(zhuǎn)到2B的服務(wù)上去,。

Bottlenose這個公司,，到目前為止已經(jīng)8年時間了，還是很成功的,。2B的應(yīng)用相對而言不太需要這么大量的數(shù)據(jù),，不用解決系統(tǒng)可伸縮性問題，突出了這個系統(tǒng)最核心的優(yōu)勢,，即語義分析和理解能力,。

像Twine這樣失敗的例子是不罕見的。用一個過于先進的架構(gòu)的時候,，通常會面臨一開始很難去預(yù)期的一些風(fēng)險,，甚至不僅僅是像RDF數(shù)據(jù)庫這樣的小眾的產(chǎn)品，更加大眾的產(chǎn)品,，也有可能會遇到這樣的情況,。

比如說有人經(jīng)常會問我說，你們做知識圖譜的應(yīng)用,，是不是一定要用圖數(shù)據(jù)庫,？我就通常回答說不一定,。

如果你熟悉圖數(shù)據(jù)庫,，比如說你對 Neo4j 整個運維都非常地熟悉了，你知道它的JAVA虛擬機如果出錯的時候,，該如何處理,；你知道它內(nèi)存不夠的時候，該怎么辦,；你知道怎么進行數(shù)據(jù)的分片,，知道怎么進行主從的復(fù)制……所有這些運維問題都很熟悉的時候，你就可以試一試上這個應(yīng)用,。

在上應(yīng)用的時候不要太著急,，如果你只是一個在線應(yīng)用，可以放一放,，先把離線的這部分運維的工作搞清楚以后,，然后再上線，也可以先用一個小數(shù)據(jù)集試一試?？傊?，步子不要太大。

NO.5 不能管理用戶預(yù)期

第五種方法,，不能管理用戶預(yù)期,。

這是一個特別常見的項目失敗的原因，甚至不是因為技術(shù)上做不到,，而是用戶預(yù)期更大。

我先說一個技術(shù)上完全做不到的,，比如說有一個銀行,，他們推出了所謂的機器人大堂經(jīng)理，你可以跟一個機器人對話辦理業(yè)務(wù),。顯然,，這個東西如果真的能夠做到，應(yīng)該是非常令人吃驚的事情,，這已經(jīng)遠遠超出當(dāng)前技術(shù)邊界,。

最近有一個比較有名的騙局，就是機器人索菲亞,。沙特阿拉伯還給了它第一個公民的身份,，這是一個非常典型的詐騙。

這種類型的機器人是不太可能出現(xiàn)的,。

在其他應(yīng)用當(dāng)中也會遇到這樣的情況,，尤其是對話機器人是最容易引起用戶的圖靈測試欲望。當(dāng)用戶發(fā)現(xiàn)跟他對話的是一個機器人的時候,，他就會試圖去調(diào)戲這個機器人,。比如很多人都會去調(diào)戲siri，所以siri積累了很多段子,，準(zhǔn)備應(yīng)對大家調(diào)戲,。

如果你是提供了一個搜索引擎，那么大家的預(yù)期是比較低的,。但如果你以一個問答引擎的形式,，提供同樣的內(nèi)容，大家的預(yù)期就會高很多,。

我們最早提供了一個終端級產(chǎn)品,，用戶的評價就不是特別好，后來我們調(diào)整了一下定位,，把它調(diào)整成用搜索界面來提供服務(wù),，系統(tǒng)頂層的智能程度沒有太大改變，但是用戶的預(yù)期和評價馬上就好起來了，因為用戶預(yù)期降低了,。這樣的語義搜索引擎,，相比其他的搜索引擎，其實還是好一些的,。

對話機器人其實也一樣,，如果你給用戶的預(yù)期，是能夠跟他平等對話的機器人的話,，通常是很難達到的,。用戶通常玩一玩就會發(fā)現(xiàn)好傻，然后就不玩了,，所以大家注意到谷歌機器人跟Apple的siri機器人定位有很大區(qū)別,，谷歌機器人不僅僅做對話，它能夠預(yù)先幫你去做一些事情,，甚至主動地去幫你做一些自動化的事情,，其實這是非常聰明的選擇。

目前能夠跟人長期進行交互的機器人,，其實是一個更加偏秘書型的,，或者說它就是一個幫助你進行任務(wù)自動化的機器。如果你是立足于對話,，其實很難滿足用戶預(yù)期,，但是如果你立足于自動化，就比較容易達到用戶預(yù)期,。同樣的技術(shù),，你用不同的方法去服務(wù)用戶，用戶預(yù)期不一樣,，用戶的感覺就完全不一樣,。所以要盡可能地讓用戶感知到產(chǎn)品的成熟度，在他的預(yù)期之上,，這個產(chǎn)品才有可能成功,，他才愿意付費。

NO.6 不理解認(rèn)知復(fù)雜性

第六點叫做不能理解認(rèn)知復(fù)雜性,。

這個事情我在剛開始的時候就提到了,，這個例子就是Semantic Wiki，我寫了很多個這樣的系統(tǒng),，Semantic Wiki是什么呢,？大家肯定都用過維基百科或者百度百科，這只是一個典型的維基系統(tǒng),，有很多人去寫一個頁面,。Semantic Wiki也是基于協(xié)作的,，也是一個Wiki，只不過在這個Wiki的頁面上,，你可以打一些標(biāo)簽,，加一些注釋。

它可以解決什么問題呢,？比如可以解決頁面之間的數(shù)據(jù)一次性問題,，就是一個頁面上的數(shù)據(jù)，可以流到另外一個頁面上去,，舉個例子,，比如說在維基百科上面，可以看到很多國家的GDP,，就是國民生產(chǎn)總值,，在中國的頁面上，會有中國GDP,，在亞洲國家的GDP列表上面,，也會有中國GDP,，然后在世界國家的GDP列表上,，也會有中國GDP，那么是不是可以有一個機制,，比如在一個頁面,，寫下中國的GDP是多少，只要這個數(shù)字改變,，其他所有頁面上的數(shù)字會同步改變,，用Semantic Wiki技術(shù)就可以做到這一點。當(dāng)然Semantic wiki還可以做很多很酷的其他的事情,，很強大,。

我從2004年開始就開始寫Semantic Wiki系統(tǒng)，前前后后寫了三個Semantic Wiki系統(tǒng),，后來我加入了一個開源社區(qū),，叫 Semantic MediaWiki， 基于這樣的系統(tǒng),，我做了一個很好的知識管理系統(tǒng),。

2010年我們試圖來推廣這個系統(tǒng)，當(dāng)時是做了一個實驗,，也是一個美國的國家機構(gòu)委托我們做的,，就是要測試用這種協(xié)作的知識管理系統(tǒng)來記錄一些事件，能不能記錄得很好,，好到可以后面讓機器自動進行處理,。

當(dāng)時做的對比實驗是找了一群RPI的計算機系本科生，讓他們來看電視連續(xù)劇，看完以后描述情節(jié),。一部分人用自然語言來進行描述,，一部分人用Semantic Wiki，以更加結(jié)構(gòu)化的方式來進行描述,。然后再找了學(xué)生來分別閱讀前兩組學(xué)生的描述,，最后讓他們來做題，看哪個組能夠更精準(zhǔn)地來復(fù)原電視劇情節(jié),。最后得到的結(jié)果發(fā)現(xiàn)是用自然語言描述是更容易,，就是描述得更精準(zhǔn)，速度更快,。

然后我們仔細去看那些學(xué)生寫的結(jié)構(gòu)化的描述,，發(fā)現(xiàn)是錯誤百出，比如說張三擁抱了李四,，對于一般的所謂有過知識工程訓(xùn)練的人來看,，很明顯擁抱應(yīng)該是一個關(guān)系，張三和李四應(yīng)該是兩個人,，一個是主語,，一個是賓語，那么就應(yīng)該是主謂賓,，張三擁抱李四是很清楚的一個知識建模,，但是相當(dāng)多的學(xué)生，他們把這么一個特別簡單的建模就給搞錯了,，他們沒有辦法理解什么叫概念,？什么叫關(guān)系？什么叫屬性,？甚至他們不知道什么叫主語和賓語,？然后發(fā)現(xiàn)在一開始設(shè)想這件事情的時候，忽視了絕大多數(shù)的人,，在他們的教育生涯中比如高中教育里面,，是沒有結(jié)構(gòu)化思維的訓(xùn)練的，這是一種事先無法意識到的認(rèn)知復(fù)雜性,。

由于我們都經(jīng)過十年以上的訓(xùn)練,，所以就完全把這些東西當(dāng)成是天然的事情。后來在OWL WORKING GROUP也遇到了同樣的事情,，有人說這個東西太復(fù)雜了,，其中有一個邏輯學(xué)家就抗議說，這東西不復(fù)雜,，這東西在計算機上跑的時候,，它的算法復(fù)雜性只是多項式復(fù)雜性而已,，然后我聽了這句話以后，突然意識到了一個事情,，就是在這些邏輯學(xué)家的腦子里面,，他們所提到的復(fù)雜性是指一個語言對于機器的復(fù)雜性，所以我們通常把它稱為計算復(fù)雜性,。

但是實際上普通人所理解的復(fù)雜性不是這樣的,，比如說你半頁紙就能說明白的東西，那是一個簡單的東西,，如果讓我看到20頁紙,，才能看明白，那這個東西是一個復(fù)雜的東西,。所以一個技術(shù),，你能不能夠讓程序員用起來，能不能讓用戶用起來,，最核心的事情,，你是不是能夠讓他們在認(rèn)知上面覺得這東西，一看就懂,，一聽就懂,，一打開就懂，不用解釋,，這才叫簡單,。

在很多算法的設(shè)計上面也好,，文檔的設(shè)計上面也好,，應(yīng)用的設(shè)計上也好，它最終能不能用得好,，關(guān)鍵是讓人感覺到它簡單好用,，這就是一個很重要的因素。斯坦福Parser,，為什么在NLP領(lǐng)域里面被用的這么廣,，一個很重要的原因，它的文檔寫的好,，每一個類都有文檔,，提供了足夠多的案例。

所以好的文檔可以極大地降低一個產(chǎn)品的認(rèn)知復(fù)雜性,，即使你的產(chǎn)品本身是復(fù)雜的,，你把文檔寫好，也足以有助于推廣這個產(chǎn)品,，所以盡可能地讓能夠接觸到你產(chǎn)品的人,，不管是搞語言的,，搞技術(shù)的，搞算法的人都感覺到這東西簡單,，是保證你的產(chǎn)品成功的一個關(guān)鍵,。

NO.7 專業(yè)性不足

第七點，這一點就很好理解了,，專業(yè)性不足,。

我經(jīng)常會遇到這樣一些人，說某某公司現(xiàn)在想做一個問答系統(tǒng),，希望投入三五個人,，可能大多數(shù)情況下沒有博士，多數(shù)情況下可能就是一個工程人員,，試圖很快的時間,，兩三個月之內(nèi)，甚至三五個月之內(nèi),，把這樣一個東西做出來,，也是一種幻想。當(dāng)然我不會直接說破,。

人工智能產(chǎn)品,，的的確確是有它的專業(yè)性的。很多機構(gòu)想試圖自己去做這樣的事情,，花了1000萬,、2000萬、3000萬冤枉錢,，結(jié)果做不到,。確實，如果沒有一個足夠?qū)I(yè)的人是很難把這種事情給做成的,。

我也經(jīng)歷了很多這樣的事情,，在曾經(jīng)做過的一個語義理解系統(tǒng)里面，也經(jīng)歷了這樣的問題,。我想能夠完成這樣一個系統(tǒng),，實際上是要綜合很多不同的算法，不是一個算法就能夠解決掉的,。比如說,，從正面的例子來看，IBM Watson 系統(tǒng)里面有幾十種不同的算法,，有機器學(xué)習(xí)的算法,，有自然語言處理的算法，有知識圖譜的算法,。你要把所有的這些算法恰到好處地組合在一起,，拿捏的尺度就是一個特別重要的能力,。你該用什么樣的東西，你該不用什么樣的東西,。

比如說規(guī)則系統(tǒng),，任何一個人都可以寫10條正則表達式，這是沒有問題的,。但是如果你能夠?qū)懞?00條正則表達式,，那你一定是一個非常優(yōu)秀的工程人員，你的軟件工程能力很過硬,。如果你能夠管理好1,000條正則表達式,，那你一定是一個科班出身的，有專業(yè)級的知識管理訓(xùn)練的人,。如果你能夠真正地管理好10,000條正則表達式,，那你一定是一個有非常豐富的規(guī)則管理經(jīng)驗的人。

當(dāng)然我說的1,000條,、10,000條,，并不是說你 copy paste 10,000次，改其中幾個字,，那個不算,。人工智能的很多事情，困難就在這兒,。你到網(wǎng)上去拿一個什么開源包啥的,，你把它做到80%，都很容易做得到,。但難度就在于最后的20%,，通常可能需要98%,、99%的正確率,，才能夠滿足用戶的需求,，但是如果專業(yè)性不夠,，最后的這些點是非常難的。

打個比方說,，你要登月的話,，你需要的不是梯子，是火箭,。你搬個梯子,，最后只能爬到樹上去，再也沒辦法往上走了,。你需要的是停下來造火箭,，造火箭就是專業(yè)性,，如果專業(yè)性不足，你永遠只是停留在80%的水平上,，再也升不上去,。

回到剛才講的語義理解的項目。當(dāng)時就遇到了蠻多困難,，要能夠集成規(guī)則的方法,，集成統(tǒng)計的方法，集成自然語言處理的方法,。當(dāng)時全球有很多實驗室一起來做這件事情,，但缺這樣一種角色，能夠把所有的尺度拿捏得特別好的,。

其實IBM把Watson系統(tǒng)做出來,，也是經(jīng)歷了很多內(nèi)部變遷，包括項目管理人的變化,，包括各種技術(shù)選型的變化,，能夠做到這一些，這種人才是非常短缺的,。在中國,，能夠真正從頭到尾把一個語義的理解系統(tǒng)架構(gòu)做好的人，是非常非常少的,，也許10個,，也許20個，數(shù)量確實不多,。我相信在其他人工智能領(lǐng)域,，也面臨著同樣的情況。

專業(yè)性也不會僅僅只局限于程序或者技術(shù)這一塊,，人工智能的產(chǎn)品經(jīng)理,，人工智能項目的運營，還有整個后面的知識系統(tǒng),，數(shù)據(jù)的治理,，都是需要很專業(yè)的人來做，現(xiàn)在這些人才都非常地短缺,。

NO.8 工程能力不足

第八種方法就是工程能力不足,。

我的博士論文是一個分布式推理機，但因為編程能力不夠,，一直到我畢業(yè)為止,，都沒有能夠把它實現(xiàn)出來。當(dāng)然后來到了2012年,、2013年之后,，圖計算,，包括基于消息交換的圖計算出來之后，那時候我再來做分布式推理機就比較容易了,。

但這是我特別大的一個教訓(xùn),。

在這之后，我就比較關(guān)注,，如果做一件事情,，先能夠把我的工程能力補足。這個工程能力,，包括軟件工程能力,，如何寫代碼，如何管理代碼,，如何做系統(tǒng)集成,，還有回歸測試，如何進行代碼的版本控制等等,。后來我面試人的時候,，也比較關(guān)注這些東西。

一個人工智能的技術(shù)能不能做得好,，核心往往不僅僅是算法,，而是底下的架構(gòu)，還有系統(tǒng),。比如論文中其實是很好的分布式推理算法,，但是我因為缺少這個架構(gòu)，就沒有辦法把這個東西實現(xiàn)出來,。后來像深度學(xué)習(xí)也是這樣的,。最近看到陳天奇他們的實驗室，把算法,、架構(gòu),、操作系統(tǒng)都放在一個實驗室里面來運作，覺得這是一個特別好的事情,。目前算法和架構(gòu)之間的裂縫太大了,。

工程是解決人工智能的核心鑰匙。如果代碼能力不行,，架構(gòu)能力不行,，工程能力不行，在這個情況下,，根本就不應(yīng)該去談算法。優(yōu)先應(yīng)該把工程能力補起來,，然后再談算法,。

NO.9 陣容太豪華

第九點,，陣容太豪華。

這一點不太好說具體的項目是什么,，太敏感了,。

但是我就從邏輯上給大家講一下。因為一個項目如果太豪華,，核心的問題就是沉沒成本,。

我們也經(jīng)常看到一些初創(chuàng)公司,，不管是從商務(wù)上,，還是從技術(shù)上，特別優(yōu)秀的人組成了一個公司,，最后還是會失敗,。為什么？因為比較優(yōu)秀的人,，就是想要做大的事情,。一個大的事情，很難一下子就做對,。通常大的事情,，是從小的事情成長起來的。如果我們不能夠讓豪華的陣容,，從小事做起,，通常這樣一個事情是會失敗的。

邏輯很簡單,，我就不多說了,。

NO.10 時機不到，運氣不好

第十點,，我可以把所有其他的因素丟到這兒,，就是時機不到、運氣不好,。

其實可以把所有其他的事情都歸結(jié)為運氣不好,。

比如說我們現(xiàn)在看深度學(xué)習(xí)，比如像attention,、卷積,、LSTM、聯(lián)想記憶等等所有這些概念在90年代,，我讀研究生的時候,，這些概念都已經(jīng)有了，但是當(dāng)時是做不到的。當(dāng)時即使有了這些算法,，也沒有這樣的算力,，即使有了這樣的算力，沒有這樣的數(shù)據(jù),。

在2000年的時候,，我在碩士畢業(yè)之后，就在研究一種分層的多層神經(jīng)網(wǎng)絡(luò),。我們把它稱為hierarchical neural network,，跟后來深度學(xué)習(xí)的想法非常接近。我?guī)е@個想法,，去見我的博士導(dǎo)師,。說我想繼續(xù)沿著這個方向往前走，但他說現(xiàn)在整個神經(jīng)網(wǎng)絡(luò)都已經(jīng)拿不到投資了,，你再往前走,，也走不下去，所以后來就放棄了這個方向,，準(zhǔn)備做語義網(wǎng)了,。10年之后，這個方法終于找到了機會,，后來就變成了深度學(xué)習(xí)的東西,。

很多時候，時機不到,，即使你有這個算法,，你也做不到。90年代的神經(jīng)網(wǎng)絡(luò),，差不多花了10年的時間,，才等到了自己的復(fù)蘇。

知識圖譜也是一樣的,，知識圖譜大概也等了十幾年的時間,，到了最近這幾年才真正地得到了大規(guī)模的應(yīng)用。

總結(jié)

讓我們來取個反,，做個總結(jié)：

最后一點,，時機和運氣再啰嗦一下。

很多時候,，我們是真的不知道這件事情能不能做得成,，也真的不知道，自己處于什么樣的歷史階段,。很難預(yù)言未來是什么,，但是至少有一點,，如果我們多去了解一些算法層面的發(fā)展，包括人工智能的發(fā)展史,，包括相關(guān)的這些技術(shù)的發(fā)展史,，能夠更好地理解未來,。

所以我也推薦一下尼克老師的《人工智能簡史》這本書,。我看了兩遍都挺有收獲的?？戳诉@東西,，能更多地理解什么是時機，什么是運氣,。

有時候我也經(jīng)常會讀一些經(jīng)典的文章,，十年前或20年前的書，我讀了還是挺有啟發(fā)的,。比如說,，今年我又把Tim Berners-Lee《編織萬維網(wǎng)》那本書又重新讀了一遍，讀了一遍以后,，我就堅定信心了,。

知識圖譜這樣一個互聯(lián)全世界的記憶的系統(tǒng)，大概率到2030年能夠?qū)崿F(xiàn),，這還是一個很遙遠的時間,，但是根據(jù)歷史規(guī)律，應(yīng)該到2030年能實現(xiàn)了,。

一方面,，降低我們現(xiàn)在的預(yù)期，另一方面也給我們前進更大的鼓勵,。

場景躍遷理論

剛才反反復(fù)復(fù)提到了,，要控制用戶的預(yù)期，控制自己的預(yù)期,。做一個項目,，要從小到大，循序漸進,。最后把所有的東西抽象到更高層面上,，我自己總結(jié)為一個理論，叫場景躍遷理論,。

這個理論的核心,，是說一個人工智能的公司需要多次的產(chǎn)品市場匹配，就是Product-Market Fit,。如果提供了一個產(chǎn)品,，市場恰恰需要,，而這個市場恰恰又很大，就說得到了一個產(chǎn)品市場匹配,。

經(jīng)典的互聯(lián)網(wǎng)創(chuàng)業(yè),，通常做一次產(chǎn)品的市場匹配，就可以成功了,。但人工智能往往要做好幾次,，互聯(lián)網(wǎng)公司和人工智能公司很不一樣。

一個稱為養(yǎng)雞場模式,，一個稱為養(yǎng)小孩模式,。

互聯(lián)網(wǎng)公司是一種養(yǎng)雞場模式，它是一個大規(guī)模的復(fù)雜系統(tǒng)Complex system,。它的關(guān)鍵是可擴展性,。我養(yǎng)了一只雞，我發(fā)現(xiàn)這只雞不錯,，我養(yǎng)1萬只雞,，這就是養(yǎng)雞場模式。核心就是如何能養(yǎng)一萬只雞,，這就叫可擴展性,。

人工智能應(yīng)用是另外一種類型的復(fù)雜系統(tǒng)，叫Complicated system,，它是有非常多的組件,，通常是上百種奇奇怪怪的組件組合在一起。它的核心并不是養(yǎng)一萬只雞,，更多像養(yǎng)小孩一樣,，生完孩子，從小給他換尿布,，給他喂奶,，教他走路，教他說話,，逗他玩,，小學(xué)、中學(xué),、大學(xué),，一路把他養(yǎng)大，每一個階段所面臨的主要任務(wù)都不一樣,。你如何能夠讓這小孩成長,，我們把它稱為可演進性，這才是AI公司最核心的因素,。

把一個AI的公司給養(yǎng)大,，其實是特別不容易的事情,。就跟養(yǎng)小孩一樣，往往前5年的時間,，都在搭團隊,，搞基礎(chǔ)，特別辛苦,。公司存活的觀念就是,，如何能夠在演進的過程中，逐步地掙錢,，而不是試圖一步到位地找到市場產(chǎn)品結(jié)合點,。不僅僅是在人工智能的階段要掙錢,，在人工智障的階段,，也要能夠掙錢。

沒有一個完整的系統(tǒng),，怎么能掙錢,？只能夠把系統(tǒng)中的某些組件拿出去，做部分的商業(yè)化,。就好像毛毛蟲到蝴蝶一樣,，毛毛蟲要蛻皮，蛻好幾次,，才能變成一個蝴蝶,。毛毛蟲階段，它要吃樹葉子,，在蝴蝶那個階段,，它是要吃花蜜，所以它在兩個不同的階段,，它的商業(yè)模式是完全不一樣的,。人工智能公司也要蛻好幾次皮。在早期的時候,，因為產(chǎn)品還不夠完善,，所以人工智能公司早期都是外包公司，這是正常的,，就應(yīng)該接受,，這是發(fā)展必經(jīng)的階段。

總結(jié)今天所說的一切,，人工智能是一種新興的事物,，它是非常復(fù)雜的東西。很難用傳統(tǒng)的舊經(jīng)驗來套這樣一種東西的發(fā)展,，必須經(jīng)過很長時間的演化,，才能夠達到成熟的狀態(tài),。而這個演化力才是我們想做一個成功的商業(yè)的嘗試，最關(guān)鍵的因素,。如何保證在一次又一次的場景躍遷當(dāng)中,，團隊不散架，這樣的能力,，才是決定了某一個商業(yè)上面能不能成功的最大的關(guān)鍵,。

我覺得不僅僅是商業(yè)，不管是在學(xué)校里做研究也好,，還是在大型跨國公司里做研究也好,，很多道理都是一樣的。就是如何能夠循序漸進地,，從小到大地來做,，謝謝大家！