AWS副总裁Swami：当机器学习进入“黄金时代”丨观察+

对于医药公司的研发团队来说，新冠肺炎疫情的爆发是一个始料未及的巨大挑战。

由于疫情的出现和蔓延速度超乎想象，尽快找到合适的药物成为遏制其攻城拔寨的关键。然而依靠人类既有经验开发药物无法在短期内应对凶猛的疫情，总部位于深圳的晶泰科技决定采用机器学习的方式辅助药物学习。

晶泰科技在2014年成立于麻省理工学院，三位创始人均是物理学博士。董事长温书豪的主要研究领域是通过预测算法实现对复杂分子的快速、准确预测，因此晶泰科技也将自己定位为一家以计算驱动创新的药物研发科技公司。

在新冠肺炎疫情爆发后的第一时间，晶泰科技就对近3000个已通过美国药监局审核的上市药物以及超过1万种重要成分分子，进行了老药新用的扫描。在这个过程中，他们成功找到了183个可能对新冠病毒有潜在治疗效果的药物。随后，在结合药物活性排序以及更高精度的计算后，又最终锁定了38种具有高研究价值的药物。

如果单纯依赖人工，很难在短时间内完成如此规模的药物筛选。但拥有机器学习技术的助力之后，情况就出现了戏剧性的逆转——在Intelligent Digital Drug Discovery and Development (ID4)云端智能药物研发平台上，晶泰科技利用AWS提供的机器学习框架实现了大规模的模型训练及参数优化，而这成为其在庞大的药物池中快速推进研究的关键。

在全球不少公司的业务被迫陷于停滞的同时，机器学习却成为逆向而行的典型代表。疫情不仅没有影响它的普及进程，恰好相反，正是这只“黑天鹅”敲响了全球公司业务变革的警钟，催化企业经营者们向这一新兴技术加速靠拢。

COVID-19下的机器学习

“人工智能和机器学习在更好地理解和解决COVID-19危机中起着关键作用。机器学习技术使计算机能够模仿人类的智能并吸收大量数据，从而快速确认模式和洞察”，在一篇为世界经济论坛撰写的文章中，AWS副总裁Swami Sivasubramanian这样写道。

在这场关乎人类命运的严峻考验下，越来越多的人开始试图引入机器学习技术应对疫情。3月，前白宫首席数据科学家DJ Patil领导的志愿组织就与AWS取得联系，希望获得AWS支持并创建一种情景计划工具。在他们的预期中，这一由机器学习技术支持的技术工具将成为地方官员们的参谋，协助他们在病床数量规划等方面做出正确决策。在AWS和约翰·霍普金斯大学的共同协作下，这个工具最终被推广到全美50个州乃至全球范围内。

虽然对科学问题的态度差异成为部分地区抗疫不力的原因，但这无法掩盖机器学习在抑制传染病上能够发挥的作用。例如AWS在疫情期间专门推出了名为CORD-19 Search的产品，它的主要功能就是辅助研究人员快速搜索与新冠肺炎相关的文献成果。

“在全球范围内，机器学习已经成为一种灵感的启迪，人们正在使用它去应对人类所面临的一些重大挑战，比如说这场新冠肺炎”，Swami向36氪这样表示。

在中国，有大量案例可以佐证Swami的观点——在疫情最为严峻的2月初，柯基数据联合中国疾控中心的权威专家们开发了新冠肺炎智能问答小能手。这个产品结合了机器学习、自然语言处理和知识图谱等技术，对官方渠道发布的权威信息进行了结构化处理，并建立起新冠肺炎防护知识图谱。这套智能问答系统最终解决了与新冠肺炎疫情相关的数十万个问题，平均每天为上千名患者和医生提供服务。

“新冠爆发加速了企业在IT基础设施数字化方面的步伐，已经有越来越多的客户表示要放弃自建数据中心的模，它们开始将业务移向云端”，Swami说道。在新冠肺炎疫情这场硬仗之后，机器学习技术正加速普及。

机器学习的“厚积薄发”

与不少人的传统认知不同，机器学习技术严格来说并不是新鲜事物。

“你可以看到，首批技术文件在数十年前就已经有了”，Swami这样表示。事实上，1956年8月举行的达特茅斯会议就被全球公认为人工智能技术起步的原点，随后包括机器学习等在内的新兴领域开始吸引更多的研究人员加入。

Swami用“机器学习的黄金时代”形容当前阶段，他乐观地认为在未来很长一段时间内，人们都将看到新技术带来的更多创新，就像机器学习在此轮应对新冠肺炎疫情中彰显的价值一样。

从本质上说，所有新技术从实验室步入大规模商用阶段都是一次充满高度不确定性的跃迁，众多偶然因素的相互共振导致新技术找到落地场景并发挥效用。机器学习技术的火热也不例外，近年来数据规模的扩展、企业对数据重要性的认知提升以及云服务等配套技术的发展都成为机器学习在应用层突飞猛进的原因。

在农业领域，Mantle Labs利用机器学习技术评估农作物的卫星图像，向农民和零售商预警潜在问题，便于他们提前制定生产、采购和库存计划；在消费领域，知名披萨品牌达美乐使用AWS提供的SageMaker进行个性化预测，缩短客户的等餐时间从而提高用户体验；在飞速发展的自动驾驶领域，SageMaker训练了一百多种人工智能的模型，设立不同的场景，最终以每小时65迈的速度实现车道在车辆中间误差不超过5厘米的精准行驶。

数据、算法、算力和落地场景的全面提升，共同构筑了眼下这个“机器学习的黄金时代”。与此同时，由于可行性和效益被反复验证，企业对机器学习技术的热情与日俱增，最终它开始成为企业数字化进程中的必然选项。

至少在中国是如此。今年4月，SageMaker开始在这个潜力市场提供服务，它在本地市场的受欢迎程度让Swami印象深刻。

Swami现在已经能够快速说出很多中国合作伙伴的名字，并对它们如何使用人工智能和机器学习技术实现业务效率提升如数家珍——作为直播赛道的头部玩家，虎牙使用SageMaker在视频直播领域开发AI主播，这些虚拟主播已经能与粉丝进行互动和分享；网易有道旗下专注少儿阅读业务的产品有道乐读，则使用Amazon Personalize开发个性化推荐引擎，在没有专门配置专业团队的情况下完成了推荐引擎的开发；在市场逆势飞涨的线上教学行业，一家名为叽里呱啦的少儿英语启蒙公司成功利用Amazon Polly开展语音教学服务。

在诞生数十年之后，机器学习这类新兴技术的发展在各种机缘巧合下骤然提速，在漫长技术沉淀后终于迎来厚积薄发的时刻。

ML之旅，疫后转型之路

似乎也没有企业愿意在这轮技术浪潮中缺席，它们纷纷抓紧踏上Machine Learning之旅，但却发现转型过程似乎并没有想象中那么顺利。

技术人员储备不足是ML之旅中的一大瓶颈。一方面，刚刚开启数字化转型的企业需要从零开始构建团队，这一工作耗时费力；另一方面，庞大需求和有限供应间形成的人才缺口也加大了企业构建大规模研发团队的难度——根据工信部此前发布的一份调查报告显示，当前我国人工智能产业内有效人才缺口达到30万之多。

Swami提到AWS已经可以为那些完全没有任何知识储备的团队提供人工智能和机器学习服务，就像他们为有道乐读所做的那样，而这能够缓解企业数字化转型过程中的人才焦虑，并让机器学习技术拥有更多的商业落地场景。

“我所在部门的使命是什么呢？就是把机器学习的能力赋予在日常工作中普通的开发者和数据科学家们所使用”，在AWS已经工作十五年的Swami这样解释团队的愿景。

2015年，在人工智能甚至还没有成为网络流行语的时候，Swami就已经开始考虑如何让机器学习技术被更多企业自如运用。这个愿景的起点始于一次远途飞行造成的时差，在连续四周的不眠之夜中，Swami开始考虑研发一款ML产品。

“并不是每个组织都掌握ML，因为它的算法不容易构建，而且需要专门的计算资源。我们希望向公司提供ML，甚至希望易用程度能让企业不需要专门雇佣数据科学家”，他说。

在深思熟虑之后，Swami在回到西雅图的第一时间便开始着手构建能够对外输出机器学习能力的云服务。随后，他开始负责领导团队将AI和ML等新兴技术产品化。作为这一系列努力的结果，AWS Sagemaker成为了当前AWS最受企业欢迎的服务之一，而这些产品也确实大幅降低了企业应用机器学习技术的难度。

企业数字化转型的需求在近期迅即提升——根据IDC公布的一份报告显示，中国企业在数字化转型方面的IT支出占比于2019年首度超过非数字化转型IT支出，而这一黄金交叉的趋势在疫情的催化下进一步加深。

五年前，机器学习还是一个尚处早期、甚至被视为带有颠覆性意味的技术；而现在，它已经被各行各业采用成为了社会的基础设施。数字化转型的刚需化倾向让机器学习的普及速度超乎预期，开启ML之旅也顺势成为企业的战略方向。

即便短期成绩斐然，Swami依然认为机器学习仍然在“Day 1”，也就是依然停留在非常初始的阶段。这意味着它蕴藏着大量的创新空间和机遇，同时也面临着重重挑战。

“现在，我们可以期待创新，并通过机器学习来帮助解决我们在全球范围内面临的诸多严峻考验”，作为2020世界人工智能大会的主旨演讲嘉宾，Swami在受邀发表演讲的末尾这样说道。

延展阅读：点击获取《8 个业界领先的机器学习使用场景》白皮书，了解如今的企业如何使用机器学习来获得快速、 高效、可衡量的成果