野村直之
1984年毕业于东京大学工学专业，2002年获得九州大学理学博士学位。曾在NEC C&C研究所、JUSTSYSTEM公司、法政大学、理光集团任职，后担任法政大学客座教授。
2005年创立元数据公司，从事大数据分析、社交网络应用、各种人工智能应用方案的提供等方面的工作。在此期间，担任MIT人工智能研究所客座研究员，与人工智能之父马文・明斯基曾同在一个实验室，并与该校语言学者诺姆·乔姆斯基进行过学术探讨。
他曾参与名词网络（Wordnet）的应用研究以及日本第五代计算机开发机构（ICOT）衍生知识库开发，同时对AI在产业、生活、行政、教育等领域的应用保持着高度的关注。

从AI核心技术、样本数据提取到业务流程构建、人才培养机制
MIT人工智能研究所客座研究员、日本人工智能专家全流程指导
帮助企业实现AI技术的落实应用，指导个人从知识劳动人才向智能劳动人才转变
当人们听说“AI的进化将剥夺人类的就业机会”时，出于对机器的担忧和反感，他们就会产生逆反心理，从而造成对AI能力的过高预估；另一方面，当这种过高的期待没有实现时，人们就会产生对AI的全面否定，如“AI什么也干不了”“到头来还不是一无是处、毫无意义”。我们该如何澄清关于AI的各种误解，使企业能够从容自如地使用AI？

本书作者野村直之30多年来一直致力于AI的开发、应用和部署。在本书中，他针对已经参与或即将参与AI系统相关工作的读者揭示了诸多为了充分应用AI系统需要掌握的要点。
·AI的现状。目前的AI都是辅助性工具，“强AI”还无法在21世纪内诞生。
·AI的核心技术——深度学习。AI应用落地的关键在于目标精度的评测与活用，通过使用精确率和召回率两个指标，来准备良好的样本数据。
·样本数据的制作。通过短周期原型开发评估目标精度，加之专业人士的参与，同时使用高性能的GPU硬件。
·AI部署人才应具备的技能。AI时代的人才需要福尔摩斯般的思考能力，不仅要善于发现问题，打破现有局面，还要为解决问题设定目标，完成从“知识劳动”到“智能劳动”的转变。

引言
Ž 未来 AI 时代人类工作的价值
如今，人工智能（以下称 AI）技术得到了迅速发展，已具备了识别图像、声音、数列、文章的能力，这也让以往的计算机望尘莫及。例如，AI 能够轻而易举地在合影照片中识别出具体的人物，而且准确度高，其能力已经相当于儿童的水平，实在令人惊叹。
一方面，这样的进步让从事 AI 研究的人员感到非常兴奋。虽然未来充满了不确定性，但大家似乎已经都沉浸在“AI 无所不能”的乐观情绪之中。许多媒体都开始声称“AI 能和人类一样学习进化”“AI 能顺应大趋势进行决策”，然而，这些说法其实与事实还有很大的差距。更有学者表示，“AI 的进化将剥夺人类的就业机会”，这又让一些人陷入了焦虑当中。
另一方面，提供 AI 产品与服务的企业为了宣传产品的效果，不断强调 AI 是数字化的劳动力。这些宣传会让人产生错觉，以为现在的 AI 已经具有自我意识和责任心，所有的行为都能与人类一样符合社会常识。
除了以上种种，所谓“人工智能”的称呼本身，也确实容易让人高估它的能力。事实上，目前社会中流行的关于 AI 的各种说法中包含了很多误解。
我可以断言，短期内不可能出现具有完整人格的 AI 或机器人。除了一部分特殊的单纯性工作（如只需要依靠视觉的岗位会完全交由 AI 负责），对于普通性工作，AI 能够替代人类完成的部分，也只占到全部工作的 1% ～ 30%。
NTT DATA 经营研究所在 2017 年 7 月发表的针对东京地区和其他城市地区约 1000 名白领的调查报告显示，他们认为 AI 取代了自己大约 30% 的工作内容。a 这样的结果和我的预测几乎一致，反倒让我有些惊讶。
这一结果也几乎与未来五年或十年内 AI 提高白领工作效率的预测一致。预测显示，使用 AI 能使生产效率提升 3% ～ 5%。
Ž 合理使用 AI 的方式
一方面，当大众听说“AI 的进化将剥夺人类的就业机会”，出于对机器的担忧和反感，就会产生逆反心理，从而造成对 AI 能力的过高预估；另一方面，当这种过度的期待没有实现时，又会走向另一个极端，即对 AI 的全盘否定，如认为“AI 什么也干不了”“真要用 AI 的话，得费很多周折”“不给 AI 供应商提供大量数据就没法用”“到头来 AI 还不是一无是处、毫无意义”。
和过高的期望一样，因为不了解 AI 的真实情况和能力就将其全盘否定，也是对 AI 的误解之一。 我们该如何澄清关于 AI 的各种误解，使企业能够妥当地使用 AI ？ 此处所谓的妥当使用，是指企业通过运用 AI 能获得较高的投资回报率（ROI），合理地提升生产效率，让人类工作者能够腾出手来从事更有意义、更有趣、更富有价值的工作内容，从而获得幸福感。
我在这本书中主要针对已经参与或即将参与 AI 系统相关工作的读者来揭示 AI 的本质，同时说明引入 AI 系统时必不可少的精度测试，以及以此为基础的业务流程（扩展、复杂化）设计方法等诸多为了充分运用 AI 系统需要掌握的要点。本书将就以下的疑问进行详细地解答。
ƒ 虽然对目前的 AI 有基本的理解，但不清楚具体该做什么，也不知道该从何处入手。
ƒ 构建 AI 系统时应该使用什么样的硬件和软件？
ƒ 听说有很方便的 AI 云服务，是真的吗？
ƒ 自己的企业内部并没有可以立即用于机器学习的大数据，该怎么办？
ƒ 希望能用到货真价实、性价比高的 AI 产品和 AI 系统实施服务，但如何才能辨别？
正在进行 AI 系统应用的 AI 推广部门、信息系统管理部门、经营企划部门、新事业开发部门和考虑引入 AI 系统的物流部门、生产管理 / 质量控制部门，以及为企业客户提供 AI 系统应用咨询与支援服务的供应商、咨询公司，都能通过本书找到可以取得立竿见影效果的措施。
Ž AI 是一个既便捷又特殊的辅助性工具
我先前在企业工作，后又转到大学，再到如今经营自己的创业公司，一直从事与 AI 有关的研究开发和面向企业的应用服务，深感 AI 确实是一个便捷的工具，但却有着自己的个性。33 年来，我一直致力于 AI 的开发、应用和部署。
过去 10 年中，我们一直在开发 AI 应用产品和 API（应用程序编程接口），并以云服务通读、内部部署（服务器安装类型）或租赁的形式提供给企业客户。同时，为一些行业的领先企业、大学的AI 系统应用项目提供帮助。
在应用 AI 系统时，我们自始至终保持以数字结果为导向，肩负实证评估的责任，抱着与客户共进退的严谨态度。我们不会轻率地将部署传统 IT 系统的方式套用在 AI 系统应用上，这样只会让系统变得徒有其表；也不会本末倒置地把使用 AI 当成最终目的，生搬硬套特定 AI 产品。
最近几年，我们立足于企业经营决策者的立场，着眼于文本分析类的 AI 应用开发，并且自己也在日常工作中使用它，不断地实践。文本分析类的 AI 不仅有可见的定量效果，同时还能帮助经营者发现那些仅凭人工无法察觉的启示。
2006 年，我们在经济产业省 IPA（信息技术促进机构）的独创软件事业评比中获得了“超级创造者”的认证。此认证源自我们创造的一种 IT 开发方式，即让那些具有潜在需求的业务部门，与不懂业务但具有其他行业先进案例经验和 IT 工具改进创意的 IT 人员进行配对，以敏捷开发（agile）的方式，在构建新 IT 系统原型的过程中明确需求。我们将这种新的开发方式称为“配对需求开发”。
从那时起，我们就一直致力于建立起一种方法论，并不断实践至今，即同时立足于 AI 的供应商和用户企业双方的立场，公平地予以观察，通过双方互相学习，催生出新的应用形态与案例。
在接下来的章节中，我们将根据自身已有的经验，对从 AI 系统部署和应用、实证测试（PoC“概念验证”、可行性研究，然后通过 PDCA 将应用范围进行扩展）到系统上线后的维护进行说明。在第 1 章中，我们会对 AI 的现状进行说明；在第 2 章中，我们将对使用 AI 核心技术“深度学习”（Deep Learning）的方法进行解说；在第 3 章中，我们将会介绍用好 AI 的关键在于目标精确度的评测与活用，并讲解具体的方法；第 4 章是本书的核心，从样本数据的
制作方法到硬件、软件的选择，为读者展示充分活用 AI 所需要的专业知识实例。
Ž 当今的 AI 具有广阔的应用前景
目前的 AI 仅仅是一种辅助性工具。例如，我所经营的元数据公司提供的“猫辨识”系统，就是一个典型的只具备单一功能的专用 AI。它会把所有输入的图像一律视为“猫”，并将其与 67 种猫做比较，计算概率值输出。无论是人脸还是车前挡，都被这个系统视为猫，只会在“猫”的范围里做判断。
具有自我意识、干劲、责任感、谈判能力、真实的喜怒哀乐以及同理心，能够和人类共事或者向人类推销商品的 AI 何时会出现？在以 24 世纪为舞台的科幻作品《星际迷航：下一代》（Star Trek: The Next Generation）中，作为男二号的生化人数据少校（Mr.Data）虽然没有情感，但却具有好奇心、自我意识和使命感，能够为了梦想而发挥真正的创造力。这样可靠的 AI 生命体如果能成为人类的伙伴，那将多么美妙呀！这样的 AI 的出现，就是实现了用人工智能复制人类的梦想。
然而，就目前的科学技术发展情况而言，这样的 AI 或机器人尚无实现的可能。这一奇点（技术进化的关键节点）应该也不会出现在 21 世纪。
著名的脑科学家茂木健一郎先生甚至有些耸人听闻地声称“奇点已经发生”。a 其真实目的可能是为了让大众理解计算机原本就具有远超人类的记忆和计算能力，在特定方面其实早已超越了人类，因此不必对它今后的进化太过在意。这样的观点和“AI 只是工具”的论调如出一辙。
特别是在 2015―2016 年 AI 正值热潮时，将 AI 与人类相提并论，号称它会威胁人类就业的声音不绝于耳。针对此类言论，我主张“目前的 AI 都只是一种辅助性工具。既然是工具，其某些功能理所当然要超过人类（这是工具诞生的理由）”。换言之，所有 AI在诞生之初，在某些方面必然超过人类，所以讨论所谓“AI 何时能超越人类”毫无意义。这样的主张与用模糊的定义讨论 AI 与人类智力相比孰高孰低的态度截然不同。
我之所以能如此断言，是因为如今那些我们看得到商业化前景的 AI 已经让我们感觉到广泛应用的可能性。这种可能性也许会让我们的经济和社会发生颠覆性的改变。而要将此种可能性转变为现实，需要做大量的工作。要不断激发提升 AI 应用效果的创意，收集数据，思考应用的方式并加以验证，还要不断地扩充业务流程，逐步提升生产效率，等等。
当前，我们应该利用现有的 AI 部件和素材，尽可能提升生产效率、提高服务水平、扩展 AI 服务的对象范围。 特别是在日本，由于出生率下降和人口老龄化，预计到 2030 年劳动力人口将减少13%。也正是因为存在这样的问题，在提升白领生产力和 AI 开发的国际化竞争中，日本将会落后于欧美国家和中国。因此，正确理解 AI 的实际情况和特性，全力推动 AI 应用才是目前最紧迫的任务。
而那些属于自然科学研究范畴，以实现与人类有着同等意识、羞耻心、责任感为使命的“强 AI”，我认为目前不需要花费大规模的研究经费。此外，能够自我学习、将学习成果高度抽象化，并通过类比解决不同领域未知、未得到验证的问题的通用 AI 和 AGIa，目前也无法实现其商业化应用。
如果出现了号称 AGI 的产品，那你可以基于本书以及我写过的《人工智能改变未来》一书中的分析进行判断。如果该产品的应用能降低成本，同时其制作样本数据的难度以及应用成本能得到控制，那么尝试开发与应用也未必不可。但是，我们基本上不能抱有过高期望，此时，保持冷静审视 AI 的功能与企业课题是否匹配的态度尤为重要。
就降低成本、节省制作样本数据的投入而言，相比 AGI，可以在一定程度上复制现有的机器学习成果的“迁移学习”（Transfer Learning）更值得关注。加之对于目前的产业圈而言，积累机器学习的应用技巧和经验，确立以合理成本和适当规模制作样本数据的方法论更为重要。
当前许多机器学习算法仍无法自学（非监督式学习），因此提升制作样本数据的效率和精度极为重要。虽然存在部分无监督数据的学习，但它无法正确反映现实世界的常识，所以其用途有限。类似于图像数据库 ImageNet 及其所基于的大型概念网络 WordNet 这样的样本数据库，也会随着 AI 的发展具有更多的附加价值。
Ž 从知识劳动到“智能劳动”
在第 5 章中，我们将讲解从事 AI 应用工作的人员应具备的技能。如果 AI 能够吸收大量知识并活用于信息处理、判断和提出建议，那么人类就能腾出手来从事附加值更高的工作。
当今社会，人类面临着前所未有的变化，需要具有突破现有局面的能力，这也是 AI 难以做到的。要具有这样的能力，不仅要能发现问题，还要能够恰当地定义问题涉及的范围，为解决问题设定目标（精确度和成本）。
在人类的工作从知识劳动转向“智能劳动”的时代，明确为此需要怎样的教育以及在职培训是很重要的课题。
最后，在第 6 章中，我们会审视日本在 AI 应用方面与欧美国家及中国之间的差距。即使日本拼命努力，这些差距也可能无法缩小，反而会日益扩大。这是日本面临的严峻现实。
大多数情况下，在应用许多单一功能的专用 AI 后，业务流程会变得更加复杂，人类的工作数量与种类也会随之增加。到 2030年时，日本劳动人口数可能会减少到只相当于 2012 年 87% 的水平。
此消彼涨，相对于失业，日本会面临更严峻的劳动力不足的问题，有必要认真思考更有效的 AI 应用方法了。
今后几十年内，如果通过 AI 技术的落地应用而提升的生产效率只有百分之十几的话，那在不断为更多消费者提供高质量服务的国际背景下，即使消费者的需求日益增长带来巨大的市场机会，日本也无法参与竞争。
经济产业省在 2016 年表示，按目前的情况，因工作被 AI 和机器人取代而失业的人员数量最高可达 735 万人。a 这个预测的最大问题在于测量生产效率时往往低估了商品数量（包括服务在内的产品数量）的增加。
近年来，随着智能手机的迅速普及，一些通过优秀的 App 提供颠覆性服务的行业，也会带动其他行业转变，因为消费者的需求被这些行业提升了。在服务质量的提高以及服务对象范围的扩展中，社会整体的幸福感也被提升了。假设服务质量与服务对象范围都提升 10 倍，那么商品数量作为计算生产效率时的分子，就应该将两者相乘而得到提升 100 倍的结果。
“质量 × 数量”使得商品数量相应大幅增加，但到 2030 年劳动力将会减少 13%。在此背景下，单纯吸引外来劳动力无疑是杯水车薪，除了全面应用 AI 将生产效率巨幅提高之外别无他法。
2017 年 7 月，以 105 岁高龄去世的日野原重明医生说过：“一直埋头拼命努力挑战人生，一抬头发现已经超过了 100 岁。”由此显示出其致力于发挥智能、锐意开拓，以及创造知识的人生态度。这样的精神在今后的 AI 时代依然会熠熠生辉。
在未来的 AI 时代，希望人类能够创造属于自己的工作价值，并由此提升社会整体的幸福度。我将本书献给所有抱有这样美好愿望的人们，也希望借此获得更多的共鸣与认同。

目录
第1章 当今 AI 的功能与局限
关于 AI 常见的误解 // 2
利用大数据的围棋 AI // 5
如何有效运用“幼儿智能” // 6
思考能够使用图像识别技术的商业领域 // 7
深度学习是“原始数据计算” // 9
通过三个数轴对 AI 进行分类 // 12
深度学习是如何提取特征的 // 14
“模式识别”：AI 的眼睛和耳朵 // 17
使用深度学习的机器翻译能够获得压倒性胜利的原因 // 20
“强 AI”的出现至少要到 22 世纪吗 // 26
指数函数的恐怖 // 28
知识量的增加至多是二次曲线级 // 30
充分运用深度学习的必要性 // 34
深度学习与其他方式的结合也很有价值 // 36

第2章 使用深度学习的基本流程
在 AI 应用中不可或缺的目标设定 // 40
分享评测数据使其可以共用 // 42
作为精度指标的“精确率”和“召回率” // 44
作为前提的正确结果不止一个 // 46
不同场景中对精确率和召回率的重视程度不同 // 47
业余和专业所需的精度是不同的 // 49
深度学习的准确性评估测试非常简单 // 51
能准备反映共同特征和多样性差异的训练数据 // 53
使用开发环境进行数据学习的流程 // 55
注意过度拟合 // 59

第3章 目标精度的实际评估和利用
从危险驾驶分类中了解自动驾驶的问题 // 66
AI 给生产力带来的提升效果 // 71
交通标志与 AI 的匹配和 RFID 化也是必要的 // 73
精度目标的设定和预算是“鸡与蛋”的问题 // 79
自动驾驶需要用各种观点进行综合评估 // 81
特斯拉汽车为何发生车祸 // 82
结合预期值评估服务质量非常重要 // 85
设计业务流程时的混淆矩阵很重要 // 89
用附有概率值的判定结果将分支条件精细化 // 93
根据置信度对处理结果进行场景分类 // 96
为每个样本或医疗机构设置最佳精度 // 98
对 AI 纠错的意义 // 101
如何评估聊天机器人的准确性 // 103
用“对话成立度”对精度进行定量评估 // 107
参考信息技术架构库改善业务流程 // 109
让 AI 学习特殊情况下的数据 // 112

第4章 AI 部署的实例
企业的数字化 // 116
将 AI API 化后公开 // 118
AI 部署的战略以及企业内部体制 // 120
制作样本数据时的注意点 // 125
标注人员进行的标注工作 // 127
增加相互之间只有少许差异的样本数据 // 129
深度学习的引入需要耐心 // 132
描绘实际运行整体系统的结构 // 135
GPU 的挑选：目前 NVIDIA 是唯一选择 // 138
硬件的选择：性能要超过十几年前最先进的超级计算机 // 142
主内存要注意主内存容量 // 143
GPU 云服务也是一种选择 // 151
深度学习的机制是多种多样的 // 154
主流深度学习框架的特点和选择 // 156
多种类型的网络结构该如何进行选择 // 160
编程语言几乎只有 Python 一种选择 // 160
利用现成 AI 资源的意识 // 162
将完成后的 AI 应用程序化、API 化 // 164
将 API 向世界公开 // 166
争取各种安全措施保护隐私 // 167
以眼还眼，以 AI 对 AI // 169
保护 AI 开发企业的防盗版措施 // 171
主动公开部分源代码的交付方法 // 173

第5章 AI 部署人才应具备的技能
用户企业如何获得 AI 人才 // 177
用户企业的管理人员应掌握的心得 // 178
AI 时代需要我们具备福尔摩斯般的思考能力 // 179
AI 人员所需的资格和专业领域 // 180
旧知识可能成为绊脚石 // 183
样本数据的准备成为开发工作的核心 // 184
在 API 经济中擅长混聚开发的人才更重要 // 186
AI 人员的沟通能力不可或缺 // 187
知识会迅速过时 // 189
从知识劳动到智能劳动 // 191
知识将可以无偿获得 // 193
思考人类与 AI 的角色分担 // 196
即使没有大数据，人类也可以相对准确地推断 // 199
实现不同专家合作的“配对需求开发” // 203
推动 AI 项目的关键人才 // 205
熟练工艺移植给 AI 后的产业空心化对策 // 208

第6章 将 AI 用于商业用途时需注意的问题
大数据越来越重要 // 213
利用 AI 防止人类被数据牵制 // 214
AI 的知识获取瓶颈 // 216
数据准备和增值更要活用 AI // 219
准备和收集样本数据时的要点 // 222
AI 在日本的应用前景广阔 // 224
与人类相同的服务员 AI 会出现吗 // 226
人文和哲学对于 AI 研究人员来说非常重要 // 230
基本收入制度无法解决问题 // 233
将 AGI 作为工具使用 // 234
结语 // 237