【SVC半月谈】Machine Learning是神马,三大投资人带你涨姿势

 

瞅上去贼难懂的高科技,被投资人一唠咋就变得这么有趣呢?...



点击上方关注SVC Venture Club公众号

关注我们的新栏目SVC半月谈

百名投资人&CEO与你定时约!
在上周六的Talents Workshop中,选手们围绕Machine Learning主题进行了头脑风暴。然而对于我们这些吃瓜群众而言,Machine Learning则是一个既熟悉又陌生的名词。不要害怕,本期投资人专访,小编有幸对话Oriza Ventures的合伙人John Yu 余军Alex Liang 梁晖,以及HYSTA 华源现任主席、文思海辉联合创始人David Chen 陈立峰,来和大家一起唠唠Machine Learning的那些事。

图中左起: John Yu、David Chen、Alex Liang
Machine Learning是一个自然而然的产物
SVC小编(以下简称SVC): 欢迎各位来到本次SVC独家访谈。Machine Learning是近年科技创新的新风向,也是各位密切关注的一个领域,但对于许多人来说,它是一个既熟悉又陌生的名词。在此先请问一下,究竟是什么让Machine Learning这一行业领域获得如此众多的关注?David: 我个人觉得Machine Learning(机器学习)是计算机发明以来一个自然而然的产物,一开始都是为了提高生产力,而把流程的系统记录建立起来。现在随着数据越来越多,它就成为了新的金矿,而且当很多不同的价值链数据被打通以后,就可能产生新的价值链。

举个例子,如果把Uber定位成为针对找车问题的SaaS公司,这个公司五百亿美金就差不多了。但Uber今天值六百亿的市值,是因为它把两个群体——顾客和司机两边的数据实时地连接起来,它就变成了价值链里面很活跃的一份子。这就是美国人讲的数字化中国人讲的互联网化,其实是一个概念:当你把所有的数据连接起来,就像腾讯说的连接一切,这里面释放出来的力量是非常强大的。

而那么大的数据量,也只能通过人的学习和机器的学习来处理了;根本上,这就是人跟机器进行全面、大规模的重新分工,达到Man-machine Symbiosis(人机合一),在Learning和Decision-Making的过程进行全面的分工重构,撼动所有的产业链。这个变革其实刚刚开始,Machine Learning只是这个变革的一个工具,不管是Deep Learning(深度学习) 还是Machine Learning,还是未来的Knowledge Graph(知识结构图),Inference Engine(推理机)等各种各样的装载系统。

John: 非常同意David对于这个大框架和前景的理解。如果简单具体一点说来,Machine Learning其实一个统计学的模型,从统计的角度反应了人的认知的过程,从数据到认知和行为的判断,到Decision Making(作出决策)的过程,通过学习数据、行为然后整个转化到决策,这就是人脑的自然反应的功能过程,通过机器去反映出来。

我关注的一个重要原因是之前我们的AI(人工智能)很少通过机器学习的方法去做,但如果未来要利用机器来替代人的很多工作,机器必须要学会人脑的工作方式和方法。今后,不管是人的脑力还是体力工作,都会越来越被机器替代,这是一个变革的开始。SVC: 那么请问,直观地说,AI和Machine Learning之间是什么样的关系呢?

John: AI是人工智能,指的是怎么用机器去代替人的智慧。决策,以及逻辑的学习和理解,这些都是人最重要的功能,用机器代替人来做就是AI。Machine Learning就是AI中通过数据,通过统计模型,来反应自然过程的判断和认知。

人管一部分,机器管一部分


SVC: 对于Machine Learning行业的整体发展过程和趋势,各位有什么看法?

David: 我个人觉得Machine Learning的发展是一个逐渐适应的过程。比如说语音识别的发展,很多是由消费者行为来驱动的。90后和95后的很多年轻人现在都很习惯跟机器对话,跟Siri对话。85后和90后用Snapchat,95后已经开始用Echo了。所以人机对话成为日常现实,这已经在发生了,就像下一版的iPhone说要把Siri变成一个主要的切入点,这是很可能发生的情况。

刚才说的是属于比较浅的Machine Learning,有很多东西都还会用到更深一步的Deep Learning,因为Machine Learning里面很多问题如果用传统的一些统计方法是没法解决的。比如说,以前的Speech Recognition(语音识别)用的是Hidden Markov Model(隐马尔可夫模型),现在都用Machine learning,它的准确度确实提高很多。我们以前的Facial Recognition(人脸识别)技术,FBI天天用来抓罪犯,在罪犯的很多特征里面找特征点,比如Facebook买的face.com啊,还有Superfish;但是现在又发现Deep Learning把这种解构掉了。因为在更加深度的学习后,在Reinforcement Learning (强化学习)之后,不在需要特征点,那这马上又影响到了安全领域。以前都是用签名,其实跟脸部的特征点是一样的,但现在不需要了。机器可以自己去学习。当然,得根据不同的场景来选择不同的模型。

在这些技术里面有机器的学习,也有人的学习。规则属于人的学习;我们人的经验,变成规则引擎,或者人带着机器学习——无人驾驶就是人带着车子去外面学习。但是学习的方式是很多样的,我们人学习的东西也可以交给机器,机器也可以自己学习,机器甚至还可以互相学习。所以我觉得最终所有的知识和模型都是由人和机器共同构建起来的,而不是说我们人类最后都会变成机器的奴隶。

但是,目前的确存在一个困境,就是我们认为特别容易的事情,机器觉得特别难,比如识别:识别大猩猩和狗,我们认为谁都会的一件事,但是对于机器特别难;但是人认为特别难的,比如Alpha Go,机器认为这个东西是可实现的。最终要避免这个困境的方法就是Man-Machine Symbiosis(人机合一),我觉得在学习跟决策当中,这是未来的做法。

SVC: 所以人类和机器还是各有优势是吗?

John: 其实事实就是这样,基本上跟很多逻辑有一定关系的,人的能力还是比机器强很多。但是在需要大量计算的、有很多输入进来,需要很快作出决策的情况下,那机器的速度势必比人要快的多。

David: 我觉得有一部电影特别好,叫Ender’s Game。讲的是人类和外星人打仗,人类的总司令就找了一批全世界玩游戏最好的小孩子,每天在游戏里跟外星人对打,模拟和外星人的战争。直到人类真正发动进攻的那一天来了,那些小孩子还以为又是一场模拟训练,怎么打?整场战争就是由这一群小孩子去规划策略,然后让机器人负责点对点打。你看,对于未来的战争,好莱坞都想好了:人管一部分,机器管一部分。

中美差距正在不断缩小
SVC: 相比较Machine Learning在中美两国的发展情况,各位有什么看法?

John: 其实我对中国的情况不是那么了解,但是从目前的角度,从算法,模型,以及开源的整个状况来讲,美国还是领先于全世界所有的地方。自从Deep Learning的算法被发明之后,其实Open Source(开源)的趋势非常明显。有很多学校、大公司——如Google,都公布了很多的Open Source包,使得全世界很多人,比如大学生、高中生,甚至是初中生都能建立起来自己的深度学习模型,这也同时带动了中国的开发者水平的提高。现在中国的开发者和应用的水平完全不在美国之下,只不过在最开始的一段时间美国还有一个前期效应。

SVC: 就是等于说是美国打开了一扇新世界的大门,中国则是新的世界中的受益者。

John: 对,比如在自动驾驶汽车技术方面,现在中国也有很多公司和团队也在开发软件和硬件,虽然离美国现在的水平还有一定差距,但是这个差距正在不断缩小。

SVC: 所以可以说是中国完全不在掉队的位置上。

John: 是的,没错。

David: 我再补充一点,Deep Learning其实在两个国家的互联网公司里面都已经用到了。像是为了分析用户的行为然后精准的投放广告,无论是什么样的互联网公司,直播也好,做搜索引擎也好,都会用到小型的Deep Learning,因为这个算法现在已经很成熟,都是协同过滤,还是开源的,只要改一改就可以应用到。但是现在的主流还是Machine Learning,Deep Learning在以后或许会慢慢成为主流的学习方式,像是Google现在就已经把所有的社区和广告投放改成 Deep Learning了。

现在来讲呢,中美双方的科技公司都用到很多Machine Learning了 ,但是在传统行业,其实美国的公司也用得不多,这也是中美双方的一个共同点。

Machine Learning在未来应用面相当大


SVC: 除了Siri、Echo、无人车这几个案例,请问Machine Learning在现实生活还有什么样的应用?

John: Machine Learning在药物的开发过程中就会用到,在预测环节,由于人类无法完全阅览所有的病例,所以必须要通过Machine Learning对所有数据的分析,去预测某个疾病会往哪里发展,然后再提出精准的医疗方案。有很多团队正在琢磨这件事情,但是目前还没有很好的答案。

在安全方领域,Machine Learning也有很多应用。除了 David刚才说到的人脸识别,现在也可以让机器去学习人类的行为和言论,让机器得出结论,最后再让机器去识别互联网上哪些言论富含仇视和攻击性。还有用声音来进行身份识别的支付系统等等,都是基于Machine Learning来解决问题的。

Alex: 比如说我们之前投过的一家公司是做物联网安全的。现在联网的智能硬件设备越来越多样,比如空调等各种电器,这和原先的电脑联网有很大的不同。原先传统安全体系都是针对电脑联网的,由于电脑联网系统中操作系统和网络通讯行为都是一致的,所以要区分出来黑客攻击并不是一件难事。但是现在随着联网的设备越来越多,越来越复杂,每一个联网设备的通讯行为和标准都不一样。比方说,在旧体系下的网络安全中,所有的设备都在一种统一的保护之下;然而有一天,有一个人带来一个联网的插座,这个插座就可以变成一个跳板,成为黑客进行攻击的一个渠道。在这种情况下,整个网络的安全体系是要经过重新设计的。但是由于设备种类繁多,行为太复杂,如果通过人工进行设计,过程会十分痛苦。所以这个公司就是让机器去接触不同智能设备的行为和标准,然后让它去学习不同设备的通讯行为和标准,再建立起对大量不同设备的认知,最后成为一道保护措施。一旦在这个网络里面有异常行为的出现,系统就会立刻察觉,报警防护。这就是Machine Learning一个具体的应用。

John: 在Fintech(金融科技)方面,有大量的交易数据、保险数据,还有人的医疗数据,机器都需要去学习,学习完了之后再构建一个模型。无论是做股票管理、人寿保险、汽车保险还是房屋保险,Machine Learning都会带来很大帮助。我们投的另外一家公司事实上在也是在Fintech方面用Machine Learning技术解决保险行业的一些模型问题,今后会有越来越多这样的公司出现。

Alex: 我们投过的另外一家公司,就是用Machine Learning做保险方面的相关工作。在保险行业中,一个新的客户申请保险,保险公司就会有一个审核的过程来判断客户适合什么样的保险方案。这个工作目前一直都是由人类来负责,费时又费力。而这个公司做的就是用机器代替人脑开发了一款软件,基于大数据和学习算法的能力,自动读取新申请的保单,读取数据库里面的信息,然后通过模型把所有的过往的相似信息进行学习整合,最后匹配出最适合的保险方案。通过这种方法匹配出的保险方案不光速度快,精确度也比以前要高出不少。最值得注意的是,随着时间的推移,机器得到的数据也就越多,能进一步学习甚至优化保险公司的保险模型。

还有一个就是人力资源方面。通过机器大量审阅职位描述和简历里面的内容,建立数据库,然后通过学习让机器根据两边的描述进行高精度的对接,大大提高企业和求职者两边的效率。这也是我们之前投过的一家公司,叫做HireTeamMate。

我们还看到过的一个例子,就是之前一个医疗技术开发公司。从皮肤病早期来判断到底是不是皮肤癌一直是一个难题,因为一般的皮肤科医生用肉眼是很难判定的。那个团队开发的程序只需要让患者用手机拍一个照片,然后就能判断是什么样的皮肤疾病,尤其是在皮肤癌方面的确诊率已经超过普通的皮肤诊断方式,原因就在于他们有着大量的皮肤疾病的图片数据库,而机器能通过学习获取判断皮肤癌的能力,并迅速做出诊断判定。如此大的数据处理只有机器能够做到,人类医生如果要做到这个水平的话必须阅览大量的过往病例才行。虽然这个团队目前还没有拿到FDA的认证,但是由此可见Machine Learning在我们生活中某些专业领域中的能力已经超过人类了,在未来的应用面是相当大的。

John: 还有一个就是人形机器人方面,也有很多需要学习的地方。比如说老年护理机器人,这类机器人需要非常强的学习能力去学习人类的行为和老年人的沟通能力,我相信这方面的发展在未来是非常迅速的。
SVC: 感谢各位的详细生动的解释,由于时间关系,我们的最后一个问题是:在Machine Learning受到热捧的今天,各位对这一领域的创业者有什么建议吗?

John: 对于创业来说,技术的开发肯定是很重要的一点。但是大家要注意的是,一定要注意用户的痛点是什么。Machine Learning方向的创业不能简单粗暴地去开发技术来解决问题,因为很可能事实上人们根本不需要这个技术。最重要的就是要用到Machine Learning技术去解决过去人们解决不了的问题,抓住痛点解决行业的问题和确切的需求。

SVC: 学到了好多知识,非常感谢三位老师!谢谢!

小编的话:

三位资深投资人的谈话真是生动有趣,尤其是举的栗子们,真是又大又饱满(^O^),让人一下子明白了许多关于Machine Learning的知识。没有想到Machine Learning在未来能够有如此广阔的发展空间和应用领域。在访谈末尾,尽管SVC小编还有一堆问题想要请教,但无奈由于时间的限制,我们不得不结束了本次专访活动。

好在,从今以后,我们都会定期对投资人会员进行专访,请大家继续关注SVC Venture Club的微信公众号,我们将在未来针对各类领域对话各位投资人和创业者哦!
看微信,就可以跟着投资人涨姿势!

这个福利我们说发就发!接不接就看你了!

如有特别想了解的领域或特别想提的问题,

可以在本文下方留言哦!
SVC精彩回顾

黑科技新玩法,Talents Workshop乐翻天

三星手机变王炸;推特考虑要卖身

那些年,让我们一脸懵逼的死机画面

科技拯救铲屎官;小扎卫星变炮仗

‍移民火星路漫长,这些人都经历了什么?‍

‍SVC会员投后公司上市,中国“芯”走向世界‍

‍是什么让韩国人大批涌向三八线?‍

原配正房暴走五年,只为海扁渣男抓小三

Uber上榜,扒扒那些败走中国的洋大佬

缔造科技界“LV”,乐视野心有多大?‍

SVC人才招聘|油菜花的你看过来!
投资分析全职实习(科技领域)


职责:

  • 评审商业计划书、分析创业项目,甄别具有投资价值和发展潜力的项目;
  • 结合投资倾向和当前市场环境开展某一领域的市场调研;
  • 总结报告项目投资进展,协助投资方顺利完成交易。
要求:

  • 本科学历及以上,有医药、工科背景更佳;
  • 有钻研精神,求知欲和学习能力强;
  • 具有批判性思维,擅长分析;
  • 有团队协作精神,口头沟通及书面中英文表达能力佳;
  • 有行业研究、尽职报告撰写经验者优先。
请发送简历至:
career@svcventureclub.com
SVC Venture Club
真诚期待你的加入
SVC Venture Club 

Co-working Space

招租中!!!!

如果你的团队正在Santa Clara寻找:

1. 高性价比的工作场所和宽敞的会议室;

2. 免费wifi、打印机等办公设施;

3. Business Mailing Address;

4. 冰箱、烤箱、微波炉等厨房设施;

5. 充足的免费户外停车场;

6. 优秀的创业团队和投资人邻居;

7. 宽敞明亮、设备齐全的公开活动场地;

请发送邮件(附公司简介及联系方式)到

contact@svcventureclub.com!

超值惊喜,工位有限哦!
  • 如有意向成为SVC Venture Club 会员或合作伙伴,或有任何疑问,请发邮件至:contact@svcventureclub.com


  • 欲知更多详情,请访问我们的官方网站:http://www.svcventureclub.com/


  • 同时也欢迎关注我们的社交媒体账号:
       
svcventureclub


SVCVentureClub


SVC Venture Club


SVCVentureClub


SVC Venture Club


SVC Venture Club


SVC Venture Club
长按下方二维码关注

“SVCVentureClub”

全新微信公众号!

最有价值投资风向,最前沿创业资讯,

未来无数超具含金量的活动正等着你!


SVC Venture Club

Start up. Venture out. Connect across.

SVC Venture Club作为硅谷最大的中美投资人俱乐部,目前已在全球范围内建立起享有盛誉的创业投资网络,汇集了200+合作伙伴、300+投资人和15000+优秀创业人才。通过提供优质案源、多元化投融资机会、跨境商业合作等服务,SVC Venture Club链接投资人、企业家、行业领袖和创业人才,致力于打造一个全球化有机创投生态圈,提升华人投资整体影响力,并持续助力产业加速和深度创新。

微信ID:svcventureclub
Newsletter


    关注 硅谷天使会SVCVentureClub


微信扫一扫关注公众号

0 个评论

要回复文章请先登录注册