吴恩达提出以小数据驱动AI新范式

这位AI先驱指出，现在需要针对重大问题采取智能规模的"数据中心化"解决方案

吴恩达在人工智能领域拥有深厚的专业资历。他在斯坦福大学任教期间于2000年代末率先使用图形处理器训练深度学习模型，2011年共同创立了谷歌大脑项目，随后在某中国科技巨头担任三年首席科学家，帮助构建了该机构的AI团队。因此当他表示已确定人工智能的下一个重大转变时，业界都会侧耳倾听。

吴恩达目前的努力聚焦于其公司开发的LandingLens平台，该平台旨在通过计算机视觉帮助制造商改进视觉检测。他还积极倡导所谓的"数据中心化AI运动"，认为这能为AI领域的模型效率、准确性和偏见等重大问题提供"小数据"解决方案。

关于大规模模型的未来发展方向

当被问及是否认同大规模模型发展不可持续时，吴恩达表示：“自然语言处理领域的基础模型令人振奋，我认为计算机视觉领域也有构建基础模型的潜力。视频中仍存在大量待挖掘的信号，但由于计算带宽和处理成本限制，我们尚未能构建视频基础模型。深度学习算法的扩展引擎已运行约15年，仍具发展潜力。但这仅适用于特定问题，还有一系列问题需要小数据解决方案。”

数据中心化AI的核心定义

吴恩达将数据中心化AI定义为"系统化设计构建AI系统所需数据的学科"。过去十年主导范式是下载数据集的同时专注于改进代码，而如今神经网络架构已趋于成熟，对许多实际应用而言，更有效的方式是固定神经网络架构，转而寻找改进数据的方法。

小数据实践的关键洞察

“在众多不存在海量数据集的行业，焦点必须从大数据转向优质数据。拥有50个精心设计的样本就足以向神经网络解释需要学习的内容。“吴恩达举例说明，在制造业视觉检测中，使用自定义的RetinaNet预训练模型时，更关键的是提供能帮助制造商选择合适图像并进行一致性标注的工具。

数据工程的具体实施

吴恩达强调：“数据清洗固然重要，但传统方式往往过于手动化。现在需要能快速定位数据不一致性的工具，例如针对100个类别中需要额外数据收集的特定类别进行精准提示。“他举例说明，当发现语音识别系统在汽车噪音背景下表现不佳时，针对性收集含汽车噪音的数据比全面收集数据更高效。

合成数据的战略价值

“合成数据是数据中心化AI工具箱中的重要工具。“吴恩达指出，在智能手机外壳缺陷检测中，如果模型在凹点标记类别表现不佳，合成数据生成可以针对性生成该类别数据。但他也表示会优先尝试数据增强、改进标注一致性等更简单的工具。

制造业AI部署实践

当客户提出视觉检测需求时，团队会通过LandingLens平台指导客户上传数据，并传授数据中心化AI方法。值得注意的是，该机构特别注重赋能制造企业自主进行机器学习工作，通过软件工具支持客户完成从模型训练到边缘设备部署的全流程。

行业规模化挑战与解决方案

“在消费软件领域，几个机器学习模型就能服务十亿用户。而在制造业，可能需要为上万家制造商构建定制AI模型。“吴恩达指出，解决方案是开发能让客户通过数据工程表达领域知识的工具，这在医疗保健等领域同样适用。

未来展望

吴恩达预测：“过去十年AI最大转变是向深度学习转型，而本十年最大转变可能会转向数据中心化AI。随着神经网络架构成熟，许多实际应用的瓶颈将在于能否有效获取所需数据。整个社区都展现出巨大能量和动力，期待更多研发人员投身这一领域。”