吳宇森表示，現在是人工智慧從大資料轉向小資料的時候了，目前面臨哪些困難？

<>Andrew Ng表示，現在是AI從大資料轉向小資料的時候了，目前面臨哪些困難？ 舉幾個我以前接觸過的例子：機場安檢X光識別系統，機場提供半年的X光**進行培訓，半年內用刀和酒精通過安檢的樣本只佔總樣本的不到5%。

信用卡反欺詐，在真實場景中，欺詐樣本總數不會超過正常樣本的1%，通過AI在生產線上找出某個零件中的缺陷產品，專案啟動前沒有任何關於零件的資訊，專案負責人承諾根據行業專家對缺陷產品的要求和定義臨時拍攝。 不是我不想用大資料淹沒大模型，而是條件不允許。 在這些場景下，更關鍵的是用行業專家的知識正確定義問題，並引導這些行業專家提供少量高質量的樣本來訓練模型來解決問題。

個人理解：基於小資料開發AI模型是一種趨勢，也是工業AI的現狀。

從目前已經應用的AI軟體來看，主要存在以下問題：對應用場景的依賴性強。 目前，對應用場景的高要求是AI軟體應用的重要障礙之一，不僅涉及資料的獲取，還涉及網路通訊的速度和相關“客體”的裝置。

隨著5G通訊的應用和物聯網的發展，未來場景的構建將得到一定程度的改善。 技術成熟度不足。 目前，所謂AI軟體很多，其實更多的是基於大資料技術的延伸，所以給使用者的應用體驗往往是“智商偏差，情商為零”。

目前，由於人工智慧的技術體系尚未完善，AI軟體要達到一定的成熟度還需要很長時間。 目前，在生產環境中，很多AI產品還存在重大缺陷，很多行業專家還不敢大規模使用AI產品。

對應用人員的技術要求比較高。 目前，很多人工智慧產品需要重新開發（程式設計），而這個過程往往需要使用者有一定的技術積累，這也是人工智慧產品落地難的重要原因，尤其是對於廣大中小企業使用者來說，組建技術團隊往往是不現實的。 為了解決人工智慧產品（軟體）中的這些問題，除了完善當前人工智慧產品的應用場景外，還需要行業專家參與人工智慧產品的研發，這是解決人工智慧產品落地應用的必要環節。

隨著眾多人工智慧開發平台的推出，未來將有大量的人工智慧應用被引入市場，這也將在很大程度上推動人工智慧產品的應用程序。

目前，我們面臨著很多困難，然後我們也面臨著AI技術的一些突破，要突破這個問題非常困難，我們需要大量的人力、物力、資金支援，我們需要通過不斷的實驗才能最終克服困難。

目前，困難在於轉型不能很好地進行，轉型過程中會出現大問題，人們接受的過程可能會更加困難，在科研過程中會出現一些問題，在轉型過程中會遇到一些障礙。

目前，沒有具體的實施措施，沒有這方面的規定，沒有這方面的計畫，面臨轉型困難，沒有辦法保證資料的穩定性，需要具體的戰略標準。

在數字經濟時代，科技的快速迭代帶來了經濟、社會、生活等領域的快速變化。 經濟和社會形態以及人們的生活方式正在或將要在數字空間中重建。 大資料的重要性不言而喻，但吳恩達表示，人工智慧的下乙個發展方向是從大資料到小資料我完全同意。

因為這符合時代潮流。

首先，讓我們簡單介紹一下吳恩達，他是美籍華人，是的史丹福大學電腦科學系和電氣工程系副教授，是該領域世界上最權威的學者和專家之一，也曾被任命首席科學家，但後來辭職，然後宣布成立人工智慧公司Landing公司人工智慧，並擔任公司的首席執行官

此外，他的觀點基於這樣乙個事實，即深度學習正在取得巨大進步，因為模型越來越大，處理越來越多的資料驅動。 他認為，大資料在發展過程中發揮著不可替代的作用但後來，在一些特殊領域，需要把資料做得更小，需要用高階的Binian資料來解決問題。

有採用小而高質量的資料可消除資料偏差。有偏見的資料是有偏見的系統中的乙個重要因素。 如果您對手冊未篩選的大量資料進行計算，則可能正在設計乙個有偏見的系統。

如果嘗試調整姿態刺激資料的子集，使資料小而精確，可以更適合時代的發展，可以更有效地解決問題。

最後，小資料的準確性和個性化優勢也是大資料時代不可忽視的力量。 大資料傾向於處理有限的資料。 再加上資料處理的實時性要求，得到的結果往往只能是小資料，旨在揭示個性化規律，應用前景更廣闊。

因此，他們的分析水平分別針對巨集觀和微觀層面，這也決定了大資料和小資料在準確性上的差異。

認識到，AI未來的發展方向肯定會對集團進行合理的規劃，並且會出現不同的資料變化。

我同意他的觀點，因為我覺得AI也是夏金石的乙個發展方向，AI的發展肯定會越來越廣泛，然後會越來越神世的發展。

我仍然同意它，因為通過這樣的轉變，人工智慧可以變得更加智慧型，更適合我們的生活。

就我個人而言，我同意Andrew Ng的觀點，因為我是大資料專業的研究生，這是我最近研究的主題。 因為這個話題在北森面前有高階點，一句話也說不出來，所以就慎談。

1.為什麼我同意吳志強教授的觀點？

首先，我們要清楚什麼是大資料，簡單來說，大資料就是海量資料，在零年的時間裡，因為當時技術有限，我們無法處理這些資料，這些資料被當成垃圾處理。 但十年後，計算機技術開始發展，我們有了處理大量資料的技術能力。 大資料其實就是從海量資料中清理出無用的資料，然後從剩下的資料中找出對你有用的資料，最後分析出來。

吳教授所說的大資料是前者，而“小資料”是大資料經過清洗，選擇有用的資料。 因為搭建海量資料處理平台的成本很高，所以大多數企業無法接受。 而如果你訓練AI，真正有用的資料是那些被清理和選擇的資料，用我們導師的話來說，10000條沒有經過清理和選擇的資訊，還不如10條被選中的資訊。

這就是為什麼我同意吳志強教授的觀點。

2.讓我們再談談這個話題

其實吳教授說過，現在是AI從大資料轉向“小資料”的時候了，並不是說大資料沒了，而是AI轉向“小資料”的前提是大資料，因為AI想要得到“小資料”，還是要從大資料中獲取，所以其實 這也在說，未來大資料處理公司會很受歡迎，甚至是很多行業的基石。

總的來說，我同意吳教授的模仿清單，因為他的觀點與我的研究方向相似。

我非常贊同這個觀點，因為現在AI大資料已經非常成熟了，沒有必要繼續研究它。 “小資料”是經過清理並挑選出來使用的資料。 由於搭建海量資料處理平台成本高，大多數企業無法接受青琴。

如果你訓練人工智慧，真正有用的資料是清理後選擇的資料。

認可，因為目前的資料比較清晰，而且很有針對性，可以避免影響資料的準確性。