云計算服務向我們提供了人工智能。
隨著人工智能的發展，越來越多的技術巨頭和初創企業開始將機器學習作為一種云服務進行提供。
人工智能小組的深度學習研究員扎克利?蔡斯?利普頓對亞馬遜、IBM等公司的云人工智能服務進行了研究，他表示：“數據集很大時，深度學習算法要優于其他機器學習方法。因此，只要有符合語法規則的預測問題，任何公司或應用都會得益于深度學習。”有了基于云的深度學習，企業可簡單地選擇一項云服務，瀏覽其在線提供的應用程序接口，選擇軟件任務，如識別柯基犬的圖片或自動翻譯一份餐館菜單。有些服務甚至能根據各公司的數據和需求定制其機器學習工具。
利普頓表示，機器學習云服務要想不斷增長，至少要有兩個要素：第一，機器學習需求不斷增長，因為該技術已成熟，能夠解決各種具有經濟價值的問題；第二，機器學習人才的相對稀缺使各家公司很難建立起自己的機器學習團隊。由于初創企業試圖與微軟、IBM等有財力雇用最聰明、最優秀人才的技術巨頭進行競爭，因此人才競爭甚至更為激烈。
目前，大部分機器學習商業化應用程序依賴于監督式學習。這需要算法能夠正確觀察標簽示例，通過模仿學習如何開展特定任務。在大型數據集監督式機器學習方面，人工神經網絡是目前最流行、最成功的算法。它們通過在多節點互連網絡中傳輸信息來學習。這些節點之間每個連接的權值都可調整，影響網絡中的信息流動。節點一般是分層排列的。不過歷史上只用一層神經元隱藏層來訓練網絡。利普頓解釋說，深度學習通過利用多個神經元層來過濾數據，將這些辦法提升了一個層次。有了足夠多的層和足夠多的節點，深度神經網絡便能執行許多功能。
建立一個神經網絡的難點在于針對具體任務對它進行訓練。從隨機設置的權值開始，把數據集中的示例一個接一個呈現給神經網絡。每一次，都對神經網絡的權值進行微調，以便讓神經網絡的輸出更接近正確輸出。利普頓注意到，大量初創企業樂于證明其深度學習研究的主要目的是吸引有可能收購它們的大公司的注意。還有些是為了滿足利基行業的需求。其他初創企業意在打造適用于多種行業、范疇更廣的平臺。紐約初創企業Clarifai目前提供圖像自動過濾和標簽工具以及視頻自動分段工具；其深度學習技術可使旅行-攝影網站等許多終端用戶受益。Clarifai創建者馬修?蔡樂說:“從你的收件箱到伴隨搜索結果出現的廣告，再到圖像標簽，凡你能想到的一切事物，這些產品的每一個可能方面都已經或很快將從機器學習中受益。”
對深度學習初創企業來說，挑戰在于在擁擠的空間中找到它們自己的恰當位置。Nervana Systems聯合創始人納文?拉奧表示，在提供機器學習服務方面，避免直接挑戰技術巨頭是比較聰明的做法。Nervana已在嘗試建立一個深度學習優化平臺，并開發自己的專用芯片，進一步提高深度學習的性能。
初創企業Ersatz Labs發現，與行業巨頭較量是件很危險的事情。去年，在資金短缺之后，Ersatz暫停了其云機器學習計劃的開發工作。該公司的首席執行官戴夫?蘇里文指出，銷售幫助人們實現深度學習的服務或產品是有難度的，因為這些銷售對象當中有許多是大型技術公司的員工，他們更傾向于自己開發工具，并從公司內部招募人員。這一說法在2016年谷歌I/O大會上得到了驗證。谷歌在會上宣布，一年多來，公司正在使用自己定制的微芯片——Tensor處理單元來支持機器學習應用程序。這種專用芯片使硬件能夠在2016年推出的谷歌云機器學習平臺上運行。
作者：Jeremy Hsu
