观世的AI学习笔记②:AI不是魔法,是工程

教授讲了一个故事。

他常去的斯坦福购物中心，如果建个网站卖东西，是不是就成了互联网公司？

几年前，一家大型零售公司的CEO对他说：“我有网站，亚马逊也有网站，我们在网上卖东西，这不就是一回事吗？”

当然不是。

真正定义互联网公司的，不是“有没有网站”，而是能不能把互联网能做的事做到极致。

比如：

❣ A/B测试：互联网公司可以同时跑两个版本，看哪个效果好，快速迭代；传统商场只能每季度改一次陈列。

❣ 决策权下放：互联网公司让工程师、产品经理做决定，因为他们最懂用户和技术；传统公司则是CEO拍板，其他人执行。

所以，有AI不等于AI公司。真正的AI公司，是把AI能做的事做到极致。

1. 策略性数据采集

很多大公司会做完全不挣钱的产品，就是为了采集数据。比如免费的邮箱、地图、相册，背后都在为AI积累素材。

2. 统一数据仓库

如果数据散落在50个副总裁管的50个数据库里，工程师想用就得求爷爷告奶奶，根本没法做AI。好的AI公司会先把数据整合到一起（当然要符合隐私法规）。

3. 发现自动化机会

盯着业务流程，看哪里可以用“从A到B”的监督学习替代人工。

4. 新岗位新分工

比如“机器学习工程师”（MLE），不再是传统的软件工程师。

教授给了一个五步转型手册，说是任何大公司都可以照着做：

1. 启动试点项目，小步快跑，积累经验

2. 建立内部AI团队，同时给员工做AI普及培训

3. 制定AI策略，想清楚AI到底要为公司解决什么问题

4. 内外部沟通一致，让员工、客户、投资人都知道公司要往哪走

5. （手册里其实还有第五步，但视频里没细说，下周会讲）

听起来不玄乎，就是一套系统化的工程方法。

这可能是这周最实用的部分。

有一个不完美但好用的经验法则：

如果一件事人类能在一秒内完成，那么现在的AI很有可能做到。

比如：

❣ 看到一张图，判断里面有没有车

❣ 听到一句话，转成文字

❣ 看一封邮件，判断是退款还是咨询

这些都属于“瞬间判断”，AI可以学。

相反，那些需要长时间思考、多步推理的事，比如：

❣ 预测股市

❣ 从10张医学图像和几段教科书文字中学会诊断肺炎

这些AI现在还做不到。

最后还讲了神经网络

用一个例子：卖T恤，想预测价格和需求的关系

。

最简单的神经网络：一个神经元，输入价格，输出预估销量。它其实就是在拟合一条曲线。

复杂一点：输入不止价格，还有运费、广告费、面料材质。这时可以让几个神经元分别学习“价格敏感度”“宣传效果”“质量感知”，然后汇总到最后一个神经元，输出最终需求。

神奇的是：你不用告诉中间神经元应该学什么，只要给足数据，它会自己学会。

就像乐高积木：每个小神经元做一件简单的事，堆在一起就能完成复杂任务。

人脸识别也是同理：输入是上百万个像素值，前面的神经元学会检测边缘，中间的学会识别眼睛鼻子，最后的学会辨认是谁。