Loop AI实验室的Bart Peintner讨论了深度机器学习，人工智能等技术的发展所产生的一系列影响，并阐释了这些技术趋势是如何重塑相关产业的。

Bart Peintner亲身经历了近期人工智能的发展。在SRI，这个世界上人工智能研究的温床之一，他所从事的工作是尽可能减少自然语言处理和用户行为建模的局限性。现在，作为人工智能实验室Loop AI联合创始人兼首席技术官，他正在深入研究非监督式机器智能——对于应用程序来说，被称为深度机器学习的技术。这项技术非常重要，因为它能教会机器，将一些过去需要人类脑力参与的工作转变为劳动密集型的工作。

你什么时候创建的Loop AI 实验室，创建它的目的又是什么呢?

Bart Peintner：我们在2012年成立了公司。当时我们正在开发一种自然语言理解技术，目的是理解人们所表述的意思。在我们工作的过程中，我们发现的问题来源于当前的建模技术，我们开始尝试深度机器学习技术。很快，我们就取得了长足进步，所以我们决定改变了专注点，从简单的理解人类语言，转变为理解特定公司或特定行业的语言文字环境。

我们研究的关键在于，我们可以以非人工监督的方式创建语言和概念模型。过去需要人工添加标记数据，或手动定义本体属性，而现在，我们输入信息，软件将逐渐分解单词的含义，构建本体的顶层含义。这对于那些需要进行文本搜索的公司是非常有用的。

很多人都在思考认知计算是否是今年人工智能的主题。你认为呢?

Peintner：我觉得认知计算和人工智能之间有一个区别，可能其他人会有不同的看法。对我来说，认知计算的重点是模仿思维过程。例如，理解客户语句，分析用户的含义，他们使用的语言以及他们的意图，而人工智能，这是我一直从事的行业，它并不在乎你通过何种方式达到你的目的。它要做的是创建一个模型，可以帮助你做出明智的，准确的预测。在我看来，它不一定要关注人们的思考和行为方式。

我的理解是Loop AI平台使用了所谓的“深度机器学习”。对于我们这些刚刚接触机器学习的人，你能简要的解释一下深度机器学习与我们接触的机器学习之间的区别么?

Peintner：机器学习是很多人工智能和认知计算技术的基础。我们工作的特殊性在于将深度学习应用到文本中。这不是传统机器学习的用例。

深度机器学习是新兴的技术，与我们熟知的经典机器学习有很大的不同。它能够自动发现数据集的特性。如果你研究经典的监督式机器学习，你就会发现，它需要调用很大的人力来定义一个数据集的特性。在其创建之后，机器学习软件可以对这些数据集建立模型。而深度学习的价值在于，它能自动的揭示这些特性，这就是它的先进性所在，以语音识别为例——使用深度学习的思想，在短短几年内就超越了过去几十年的研究。

你的这些发现很有意义，能再举一些实际的例子么?

Peintner：这项技术如果应用在客户支持上，将具有十分广阔的前景。在过去，客户支持技术的问题在于，每个公司的产品、概念和产品问题都是特有的。所以对于那些即使只有细微差别的模型，仍然需要很多人来研究其所属领域或构建模型，或者需要大量人力来为客户支持请求进行分类。所以深度机器学习将会是很有用的工具，你可以将其应用到多种语言中。如果能够从上下文找出单词的含义，它就可以帮助企业以一种相对简单的方式进行数据建模。

你已经在人工智能领域工作很长一段时间了。对于最近深度机器学习的发展，你的观点是什么?

Peintner：深度学习刚开始进入人们视线的时候，我像许多人一样，也对其持怀疑态度。直到我发现其解决了我所面临的问题，我意识到了机器学习的转变将会产生的影响。但这种转变并不是以人们常见的方式呈现——人们有时会讨论终结者那样的人工智能，如果其出现，将非常直观的被人们看到，但我说这这种转变，短时间内你甚至不会看到任何外在变化，但无论如何，这都是一种意义重大的转变。

深度学习能够构建模型，使需要人类认知的工作变得非常有效。就像自动驾驶汽车会取代一些手工工作一样，深度学习可应用于文本、图像或视频领域，并开始取代一些需要人工完成的工作。该技术能够发现模式和特性，这着实是一项让人惊讶的能力。

IBM 的Wason对于认知市场来说似乎是一把双刃剑。有些人只知道Watson，对其他技术一无所知。对此你有什么看法?

Peintner：IBM正在向企业社区宣传认知计算的能力和潜力。我们受益于IBM对认知计算的宣传，企业已经意识到了认知计算的重大意义。但目前，IBM Watson和Loop AI仍是竞争对手，我们都在为大型企业提供认知应用程序。Loop AI平台的学习能力和不需要人为监督的特性与IBM Watson 产生了直接竞争，使用不同厂商的软件和现有人力资源构建一个认知应用程序，仍需要很长一段时间才能实现。