我一个开火锅店的搞啥人工智能? 这里有6个创业者对AI的常见误解

创业者，无论你是奋斗在科技的最前沿，还是想为传统行业带来翻天覆地的革新，你有没有考虑过利用人工智能来使自己的业务如虎添翼？

随着AlphaGo等焦点话题的巨大影响力，大家也对AI变得熟悉起来，再也不会觉得那只是遥远的科幻小说产物。

但是当我们认真地考虑是否将人工智能作为自己公司发展策略的一部分时，我们很容易有着这样那样的误区，从而错失了先人一步，抢占市场的绝佳机会。

你说我一个火锅店搞什么人工智能？我们连天使轮都没融，哪里有钱搞AI？……

我们梳理了6个关于AI的常见“误解”，希望能帮助你和你的公司成功躲避掉它们。

我的公司没有那么高大上，压根用不着人工智能技术

其实，AI并没有我们所想的那么什么神秘，只不过是和计算机、互联网乃至智能手机一样的新鲜技术而已，除非名字听上去更为酷炫和唬人一些罢了。

人工智能是人们利用计算机来模拟我们大脑工作的原理，并将其用来探索、阐释我们周围世界的最新技术，而近年来大火的机器学习其实也不是新世纪的产物。早在上世纪90年代前期，随着在相当狭窄的领域对AI展开应用，机器学习就已经诞生。上至由IBM开发，击败世界国际象棋排名第一的大师加里·卡斯帕罗夫的“深蓝”，下至邮箱中不起眼的垃圾邮件过滤系统，都是机器学习应用的典范。

而深度学习的资历又要老上更多，甚至可以追溯到图灵身处的时代。Face++的图像识别和科大讯飞(002230,股吧)的翻译机，其实均为深度学习的典型应用。

并不需要对AI抱有特别的敬仰或是畏惧之心，你完全可以为自己的公司引入AI，使业务迎来质的飞跃，将跟不上时代潮流的竞争对手遥遥甩在身后。

人工智能所处理的问题并非都是重塑人类生产模式，超越人类智力极限之类宏伟的命题。

譬如，当你为企业运营的细节感到头痛的时候，你完全可以把如何提升餐厅翻桌率，如何合理安排体育馆里有限的羽毛球场地来赚取更多收入也交由AI处理。

甚至连智能化的机器人大厨这种充满科幻情节的产物，也有可能在未来照进现实。

而涉及到具体的技术细节，深度学习，机器学习，强化学习……花样繁多的AI技术，你到底应该采用哪种？

这绝非经过简单的分析就能做出决断，需要对你所面临的问题和可供使用的数据进行全面分析后才能。

AI就像哆啦A梦的万能口袋，我把任何问题抛给他，都能收获满意的答案

虽说计算机通过大量的训练和学习，做出的判断可能完全超出了输入给它的初始数据的范畴（比如AlphaGo已经能下出超越所有人类围棋选手认知的“昏招”），这么一看着实相当神奇，但AI的魔力也只能到此为止。

如果你连自己希望解决的问题的真相都没有搞清楚，就胡乱地把它塞给AI以期一个满意的答案，必败无疑。

“AIAI，快来告诉我怎样才能让我的烧烤店利润翻番？”这种泛泛的问题显然会受到AI的鄙视。

要真心想让AI大显神威的话，是不是问一些“究竟哪些菜品更受欢迎？”“我应该以什么样的温度保存食材才能最大程度地保证其新鲜度？”之类较为详尽具体的问题更好呢？

除此之外，AI颇有些武侠小说中独门秘籍的味道在里面，自然是用来解决传统方法无法应对的棘手问题，而处理鸡毛蒜皮的杂活（比如“AI呀，你说我给保洁阿姨开的工资是高了还是低了”）并不在人工智能的业务范畴之内。

针对每一个不同的问题，我们很可能都需要采取截然不同的数据库和方法来得到满意的结果。

我们又不是巨头，数据那么少，凑什么热闹呀

尽管在某些特定的问题中，能掌控更多的数据自然会为你带来更大的优势，但没有任何一家公司应该被“我们到底有没有足够的数据？”这个问题困扰而止步不前。

就算你的数据没有那么庞大，你依然有机会利用AI来突破商业困境。而且其实你有很多种渠道来拓展你的数据，以下是一些建议：

1.有时你可以发掘公开数据，甚至进行购买行为来扩充自己的数据库

2.当正在创业的你打磨自己的初代产品时，你可以通过让你的早期忠实用户产生数据，从而提升机器学习模型的表现

3.你甚至可以雇人来产生你需要的数据，如crowdsourcing和Mechanical Turk，就连站在AI发展最前沿的MIT CSAIL（计算机和人工智能实验室）也是这么干的

4.你还可以选择使用计算机大量产生你所需要的数据，DeepMind在此方向上已有较为深入的进展

既然AI模型那么厉害，就让它自己学习进步好了，我终于可以去当甩手大掌柜喽

绝大部分的机器学习模型都是在线下完成训练的。什么？是不是感觉有点惊讶呢？如果你只是放任不管，一味地给模型填充数据的话，事情很有可能变得处处失控起来。只有在人为的掌控下，你才能确保每一个环节都顺利进行。

AI虽然厉害，但他们毕竟没有七情六欲，很多时候不能理解相较复杂得多的人类。你需要紧盯自家AI模型的发展。

而且你应该对你的数据进行细分归类，并且深入研究其背后的原委。当你发现你的牛油辣锅底好评率只有50%时，很可能并不是它本身味道不够好，而是能吃辣的食客给出了一致好评，其他被辣得不能自己的顾客只好含泪给出差评。这时你应该保留你的锅底，并推出清汤或者鸳鸯锅，而非强行改变其味道。

AI并非完美无缺，他们需要人类的引导以前行。

每一次Siri，Alexa或是谷歌助手告诉你她们爱莫能助时，也并不一定是个坏消息。她们正是通过这种方式进行学习，补足自己的缺陷。

其实，不能直接转化为任何结果的“垃圾”输入数据有着十分宝贵的价值。有了他们的存在，才能帮助你发现和自家用户之间的代沟，并且利用这些数据改进模型，打造出更好的产品。

既然准确率不达标，这个模型还是扔掉吧

在训练中，随着训练数据量的增加，机器学习模型的准确率也会不断提升。训练完成决不代表着模型可以直接投入到使用之中，你还需要对其再做一个测试评估以观察其表现。

毋庸置疑，你当然希望自己的模型在训练数据和新数据上都有十分优秀的表现，但你大可不必做一个完美主义者。

在绝大多数场景中，准确率达到70%即意味着机器学习模型已经合格，剩下的就是在实践中吸取经验，进行不断优化即可。

开发一个AI模型所耗费的人力物力并不算少，你不应该随随便便地放弃一个辛苦研发了许久的模型。

起码给它一个施展身手的机会试试看嘛，说不定大获成功呢？

另外值得一提的是，你应该提前准备好对模型无法正常工作的预案。

比如人工模型对着空荡荡的冰柜向你发出“食材充足，无需进行采购”的消息时，你的反应不应该是无条件信任它，而应是揍它一拳并重启，自己赶紧换衣服去采购食材。

人工智能这种高大上的东西一定很烧钱，我们这种创业公司哪里挤得出预算啊

虽然听上去相当不可思议，

但其实对于创业公司来说，构建自己的第一个AI项目的花费其实仅仅和构建第一个移动app不相上下，而且很可能只是创业初期为了提升曝光度不得不投入的巨额广告推广费的一个零头。

让AI助力自己的公司和业务，更多地是一种着眼于未来的长线投资。随着时间的推移，你将真真切切地感受到，当初投在AI上的每一分钱，都在转化为数十倍的真金白银在向你涌来。

反之，如果你在创业早期，抱着省钱或是将所有的钱都用来做推广搞营销的心态而放弃人工智能，很有可能会在被竞争对手远远甩在身后时而追悔莫及。这个代价有多大，不言而喻。

在技术驱动发展的今天，我们有理由相信参与到AI这场豪赌中是值得的。

看着下图密密麻麻的人工智能公司logo，你有没有心动呢？