Schmidt 认为，过去尽管对 AI 进行了很长时间的研究，但真正的革命是最近才出现的。其使能者是深度学习和大规模的计算能力的结合。尽管人工神经网络的顶尖专家 Geoff Hinton 早在 1980年 代就提出了核心理念，但是苦于当时没有足够的计算资源，直到 2009年 才击败了当时最先进的语音识别技术。后来 Google 采用了他的方法并将他的团队招至麾下之后，通过与搜索巨头强大的计算资源结合，一下子就把 Google 的语音识别错误率减少了 25%，直到从 “这个东西能用” 到 “这个东西比我们想出来的任何东西都要好” 的拐点出现。
需求推动
然后用户需求的推动又进一步加速了 AI 的研究。诸如 “如何才能开发出识别 58 种语言的系统？”、“在没有标签的情况怎样才能找到某人的第一张金毛狗照片？” 这样的问题，正在让 AI 研究从过去几十年沿用的 “玩具” 问题标杆测试转变到真正的用户问题解决。就像 web 和云计算的发展那样，AI 的基础研究焦点现在变成了用户问题的解决。
作为行动，现在 Google 每年邀请了数十位大学客座教授来做研究，让这些人的专业知识和 Google 的计算能力结合、让理论与实践结合来推动问题解决。Schmidt 认为理论与实践结合还有一个好处是让大家搁置对 AI 的远期担忧，把注意力集中到如何开发出最有用的技术上来。
智能音乐
Schmidt 预计 AI 对传统解决方案的影响不是锦上添花，而是革命性的替代。因为其性能改进并不是仅仅几个百分点而已。
比方说数字音乐。过去音乐的精选完全是靠人来选出（curation）热门歌曲的（实际上这正是苹果音乐的做法），但是现在 AI 可以学习听者的爱好，然后向其推荐下一首歌曲，甚至还可以根据歌曲的热度预测出下一位天王巨星在哪里。相对而言，后者不仅更智能，而且更民主—因为是大众共同的口味，而不是所谓的编辑精选。Schmidt 隐约中似乎又贬低了 Apple Music 一番。不过，算法至上是否也适用于艺术领域呢？
分享
顶
踩