1997年,哈佛商学院教授克莱顿•克里斯坦森他的书在风险投资家和企业家中引起了轰动创新者的困境.大多数人从中得到的教训是,一个运营良好的企业无法承担转向一种新方法的代价——一种最终将取代其当前商业模式的方法——直到为时已晚。

这个难题最著名的例子之一涉及摄影。那些利润丰厚的大型相机胶片制造公司在20世纪90年代中期就知道,数码摄影将是未来的趋势,但对他们来说,从来没有一个真正的好时机来进行转变。几乎在任何时候,他们都会赔钱。当然,当时的情况是,他们被生产数码相机的新公司所取代。(是的,富士胶片确实幸存了下来,但是的过渡它并不漂亮,它涉及一系列不太可能的事件、阴谋和激进的变化。)


第二个教训克里斯坦森他的书不太为人所知,但却是故事中不可分割的一部分。那些如雨后春笋般涌现出来的新公司可能会在技术能力灾难性地下降的情况下度过数年。然而,他们中的一些人通过找到一个他们可以填补的新利基市场而生存下来。这就是他们默默提高能力的地方。

例如,早期的数码相机的分辨率比胶片相机低得多,但它们也小得多。我曾经在我的钥匙链在我的口袋里带着一个,并在我参加的每一个会议的参与者拍照。它的分辨率太低了,无法记录令人惊叹的度假风景,但它足以增强我对面孔的糟糕记忆。

这一教训也适用于研究。表现不佳的新方法的一个很好的例子是神经网络的第二波浪潮在20世纪80年代和90年代,这将最终在2010年左右引发人工智能革命。网上亚博Ayabo2016

自20世纪50年代初以来,各种各样的神经网络就被研究为机器学习的机制,但它们不太擅长学习有趣的东西。

在1979年,彦福岛首先发表了他的研究,他称之为移位不变神经网络这使得他的自组织网络能够学会对图像中任何位置的手写数字进行分类。然后,在20世纪80年代,一种叫做反向传播的技术被重新发现;它允许一种形式的监督学习,在这种学习中,网络被告知正确答案应该是什么。1989年,扬·勒丘恩将反向传播与福岛岛的思想结合起来,形成了一种后来被称为卷积神经网络(cnn)。LeCun也专注于手写数字的图像。

2012年,计算机视觉的可怜表弟取得了胜利,它彻底改变了AI领域。

在接下来的10年里,美国国家标准与技术研究院(NIST)提出了一个数据库,由LeCun修改,由6万个训练数字和1万个测试数字组成。这个标准测试数据库,称为MNIST,使研究人员能够精确地衡量和比较对cnn进行不同改进的有效性。虽然取得了很多进展,但当应用于早期自动驾驶汽车或工业机器人生成的任意图像时,cnn无法与计算机视觉中根深蒂固的人工智能方法相匹敌。

但在21世纪,越来越多的学习技术和算法改进被添加到cnn中,导致了现在被称为深度学习。2012年,深度学习似乎突然出现了优于标准的计算机视觉算法在一组测试图像的对象中,称为ImageNet.计算机视觉的可怜的表亲取得了胜利,它完全改变了人工智能领域。

少数人努力了几十年,让所有人都感到惊讶。祝贺他们所有人,无论是知名的还是不太知名的。

但是要小心。的信息克里斯坦森的书是这样的破坏从来没有停止。那些今天高高在上的人会对他们还没有开始考虑的新方法感到惊讶。有一小群叛逆者在尝试各种各样的新事物,他们中的一些人也愿意在几十年里不顾一切地默默努力。总有一天,其中一个群体会让我们所有人大吃一惊。

我喜欢科技颠覆的这一方面。正是它使我们人类伟大。和危险的。

本文发表在2022年7月的印刷版上,题为“the Other Side of…创新者的困境.”

对话(0)

人工智能会窃取潜艇的隐身能力吗?

更好的探测将使海洋变得透明——也许还会导致相互毁灭

11分钟读取
一张潜艇在水中的照片,在部分多云的天空下。

弗吉尼亚级快速攻击潜艇维吉尼亚州将于2010年穿越地中海。当时,只要潜水,它就能消失。

美国海军

潜艇的价值主要是因为他们隐藏的能力。核战争中,核潜艇能够在第一次导弹袭击中存活下来,从而能够在第二次打击中发射导弹作为回应,这是所谓“相互保证毁灭”威慑战略的关键。因此,任何可能使海洋变得有效透明的新技术,都可能破坏世界和平,使潜伏的潜艇变得微不足道。近一个世纪以来,海军工程师们一直在努力研发速度更快、噪音更小的潜艇。但他们也同样努力推进一系列雷达、声纳和其他旨在探测、瞄准和消灭敌方潜艇的技术。

随着20世纪60年代早期核动力潜艇的出现,这种平衡似乎发生了转变。在2015年战略与预算评估中心的一项研究中,布莱恩·克拉克哈德逊研究所的一位海军专家指出,这些船只长时间保持在水下的能力使它们“雷达和主动声纳几乎不可能发现“但即使是这些隐形的潜艇也会产生细微的、非常低频的噪音,从很远的地方就能被探测到声水听器阵列网络安装在海底的。

继续阅读↓ 显示更少
{“imageShortcodeIds”(“30133857”):}
Baidu