如果你不在日本生活,或者工作在机器学习社区以外,你可能没有听说过Preferred Networks(PFN)。这家总部位于东京的初创公司一直在逐步实现人工智能重塑物联网(IoT)的潜力,自从2014年将重点从搜索引擎转向深度学习。
PFN的工作涵盖了一系列AI应用,从医疗诊断到自动驾驶汽车。但该公司的一些最大的突破乍一看似乎不大。捡垃圾--捡起物品并将其存放在其他地方--就是一个很好的例子。由于这是一项技术含量低、繁琐却又是制造业所必需的工作,你会认为它是自动化程度最低的成果之一。然而,要将铁棒等物体抬起、移动,并将其放在适当的位置,这种灵巧的动作对于机器来说是很吃力的。PFN与日本大型机器人公司FANUC合作,开发了一种基于视觉的解决方案,使拾取垃圾桶的机器人能够从每次失误的尝试中快速学习。在一次演示中,机器人在工作8小时后,成功率达到了90%。
我们最近与Preferred Networks合作的案例研究阐明了启动、发展和管理一家重研究的初创企业所涉及的战略权衡。在许多资金充足的人工智能初创公司似乎更多的是昙花一现,而不是实质内容的时候,PFN投入了大量资金来招聘熟练的研究人员和工程师,现在他们几乎占其200多名员工的90%。由于PFN更像一个实验室而非传统企业,其进一步发展的最佳路径可能有多种形式。许多潜在的商业模式在招手,但PFN应该选择哪一种?
物联网的深度学习
2006年,PFN的联合创始人大野原大辅和西川彻在东京大学读研究生时创办了Preferred Infrastructure。在2000年代中后期,作为一家日本的搜索引擎公司,Preferred Infrastructure落后于谷歌和微软。然而,当深度学习在2010年代初开始兴起时,Okanohara和Nishikawa迅速抓住了将新兴技术与日本著名的强大制造业相结合的潜力。他们设计了将带领他们重塑公司的使命:利用深度学习来推动物联网的发展。
深度学习是机器学习的一种类型,它利用多层神经网络,能够将高维输入(如图像中的像素)转化为输出(如预测图像中是否包含人类)。尽管其他机器学习方法有时也取得了类似的结果,但在某些类别的复杂预测任务上,深度学习(由于不总是理解的原因)似乎比这些其他方法更出色。
2015年,PFN与丰田展开了为期一年的合作。2016年1月,在拉斯维加斯消费电子展上的一次演示展示了成果。在与会者的注视下,六辆玩具普锐斯在短短两个小时内就学会了如何在障碍赛道上自如穿行。两家公司之间的合作仍在继续,现在已经涵盖了丰田的人力支持机器人平台。2018年,一个可以自主打扫整个房间的机器人首次亮相--这是PFN的编程和丰田硬件的连体产品。
PFN还参与了娱乐行业的各种AI项目。例如,它与一家电影制作公司合作,生成角色设计和逼真的人群运动。Batzoglou和Evgeniou最近的一篇文章强调了创造性人工智能的潜力。它可能会在不久的将来超越人类的能力,表现出他们所说的超级创造力。艺术型人工智能可能会进入物联网世界,并帮助设计汽车、机器、家具和其他受审美以及工程限制的消费产品。
潜在的商业模式
对于研究和人才密集的创业公司来说,最大的挑战和机遇之一就是制定一个能够帮助公司进入成熟阶段的战略。我们考虑三种可能的模式。
集成商/合作伙伴关系。PFN与FANUC和丰田的早期合作就是这种模式。更大、更成熟的合作伙伴与PFN签约,以换取创新解决方案。许多人才密集的初创企业可能会发现这是一个自然的起点,因为他们能够部署员工直接与大企业合作开展项目。
产品开发。在光谱的另一端,初创企业可能会选择开发和销售自己的产品。然而,这需要在销售和营销方面进行大量投资,而大学孵化和以研究为重点的初创企业可能不愿意这样做。
利润分享或合资企业。一个中间解决方案是与企业伙伴一起孵化新企业。这使初创企业能够利用其合作伙伴现有的销售、营销和监管专长,但可能会导致关于如何最好地分担风险的复杂谈判。
哪种模式最好?选择如何取决于底层深度学习技术?我们根据案例研究,在课堂讨论中研究权衡。
人工智能启用的新平台和市场
PFN也在用其他方式为未来做准备。为了超越人工智能解决方案的最终商品化,PFN已经发布了深度学习框架作为开源软件,希望它们能成为行业标准。PFN的一个项目是Optuna,它将管理神经网络调整参数的决策自动化,减少了训练模型的时间。另一个是Chainer,这是一个使用编程语言Python构建神经网络的灵活框架。
在我们的一次采访中,PFN联合创始人Nishikawa宣称 "机器人是下一台计算机"。这表明,机器人--广义的汽车、工厂机器和个人助手机器人--可能需要一个操作系统,或者一个模块化的平台和应用,并实现人工智能功能。换句话说,PFN可能正在为从产品到平台的转变奠定基础,追溯苹果、Salesforce和亚马逊等巨头的成功步骤。
此外,物联网中人工智能应用平台的出现将为数据科学家、经济学家、行为科学家和更广泛的研究人员创造机会。企业将需要他们的帮助,学习如何以最佳方式设计应用程序的市场,有效地收集和标记数据,管理人类与算法的互动,并研究如何将这些新兴技术最好地融入我们的日常生活。