人工智能给信息科工程师发展的启发

前言：关于进化

　　去年的CHIMA大会上，王才有主任有句话让人印象深刻：现在进入了一个没有教科书的时代，自我进化是唯一的选择。

　　职场路上，每个人都想持续进化，提升自我，但是没有教科书，就得有个参照物，最好能看得懂它背后的逻辑，才能学习借鉴。

　　从去年年底至今，以ChatGPT为代表的AIGC(AI Generated Content，人工智能生成内容)技术，一直是IT圈最大的热点，也展现了AI可怕的进化能力。

　　AI在进化过程中，一直将人作为重要参考对象和标的，比如模仿人脑的神经网络去思考，人脑的神经网络也是人工神经网络(ANN)的技术原型。

　　尽管人脑与电脑之间并没有简单的对应关系，但是可以借鉴一些AI领域的思想和经验。比如，广为人知的AI三要素(算力、算法、数据)，同样适用于人：算力是人思考的速度，算法是人思考的角度，数据是一个人过往所有经历的精华集锦。

　　在这样的前置条件下，产生一个有趣的问题：可否像训练AI一样去训练自己，保持进化，持续进步。

　　以下谈谈我自己的理解，不到之处，请批评指正。

　　1算力：七分天注定，三分靠“苦练”

　　来自媒体的数据显示，ChatGPT的总算力消耗约为3640PF-days(即假如每秒计算一千万亿次，需要计算3640天)，需要7~8个投资规模30亿、算力500P的数据中心才能支撑运行。为此，微软的Azure云服务为ChatGPT构建了超过1万枚英伟达A100 GPU芯片的AI计算集群。

　　这样的算力规模让人咂舌，人不可能像电脑一样通过频繁地升级硬件来提升自身的通用算力，况且，人的通用算力，先天身体素质占了很大因素。但是，具体领域的算力，还是可以通过一定的方法得到提升。

　　(1)熟能生巧，勤能补拙。

　　通过高质量的训练，提高单位时间内的运算能力，持续释放算力潜力。小时候练书法，临摹字帖是必由之路。先练笔画，再练常用字，达到一定熟练程度之后，面对从未见过的字，也能把它写得很好。后来学英语、下围棋也是如此，反复背诵经典句型、基本定式等，熟练掌握后，遇到具体场景，很快地迎刃而解。从这个角度看，个人的算力，更像是一种由已知推导未知的推演能力，高质量的训练，会让这种能力得到有效提升。

　　(2)保持专注，合理分配。

　　通过合理分配，尽可能把算力集中在更有价值的任务上。同时，摒弃无意义的思考，清空脑中的杂念，减少对算力的无端消耗，通过培养良好的生活和运动习惯，让自己的算力尽快恢复，尽可能长时间地处于最优算力区间。

　　2算法：触类旁通，持续调优

　　计算机和人工智能赋予了“算法”特定含义，但从广义上讲，“算法”无处不在。面对问题时，“按部就班”是一种算法，“未雨绸缪”也是一种算法;待人接物中，“心直口快”是一种算法，“深思熟虑”也是一种算法。

　　算法中蕴藏的很多智慧和经验是相通的，作为IT行业工程师，对此应该有更敏锐的认识。

　　比如，决策树算法是机器学习算法中的经典算法之一，主要起到分类器的作用，可以让很多复杂问题简单化。在平时工作中，面对一个复杂问题或大项任务，有些人第一反应是畏难情绪和无从下手的困惑感，而有些人则会删繁就简，很快抓住问题的要害，在脑海中迅速形成决策树，更有厉害的人，还会借鉴决策树算法中的剪枝操作，对脑海中初次形成的决策树进行优化修正。

　　算法的优劣直接导致了人工智能的水平高低，放在人身上同样适用。

　　再比如，神经网络训练结果不佳时，一个常见策略是回头调参，反复尝试。很多深度学习算法工程师经常被戏称为调参工程师，就是因为深度学习大部分时间都在调整参数，反复地trial-and-error，没有捷径可走。当然，调参也是个技术活，盲目调参可能会适得其反。

　　从个人角度看，调参即复盘检讨：当你觉得一件事没有达到预期时，趁着余温未凉，记忆尚存，赶紧回头复盘，围绕关键环节、关键人进行反思调整，找出可能的原因，形成新的策略，应用于下一次实践，长此以往，才能逐渐接近自己理想的结果。工作中养成常复盘检讨、勤更新策略的习惯，在应对不断变化的外部环境时，方能显得更为从容。《论语·学而》中提到的“吾日三省吾身”，也体现了古人对于调参的领悟。

　　3数据：食材很重要，既要吃饱还要吃好

　　众所周知，数据是AI算法的“饲料”。上文在讨论算力时，提到了经典教材、临摹字帖等教具，站在AI的角度，这些教具都是经过历代专业用户标注的优质数据。这些优质数据，让初学者一上来就站在了前人的肩膀上，起步即加速。相反，一套质量堪忧的数据，喂得越多，对用户误导越大，起步就掉坑。俗话说，跟臭棋篓子下棋，越下越臭，说的就是这个道理。

　　当下最不缺的就是数据，获取数据的门槛在不断降低。作为一个IT工作者，大家手里可能都有一个甚至几个网盘，里面塞满了各种教程、指南。越是这样，对于训练数据的选择，可能要更加慎重，尽可能找一本经典教材或是别人标注过的优质数据，深学细悟，避免在低质量的数据里浪费时间和算力。

　　高质量的训练数据，除了他山之石，也可以从自身提炼。开篇说过，数据是一个人过往所有经历的精华集锦。为什么要特意加上“精华集锦”呢?因为一个人过往的所有经历是流水账，流水账这种原始数据，是不能拿来训练的。必须要经过清理、结构化和标注等预处理，才能作为训练数据。

　　再比如，在深度学习中，为了解决数据单一问题，通常会采用数据增广方法，让数据极尽可能的多样化，使得训练的模型具有更强的泛化能力。例如在传统图像算法中，常用缩放、平移、旋转、仿射等几何变换来进行数据增广。

　　数据增广，就是多角度认识事物，避免思考问题角度单一化。我刚到基层医院信息科工作时，更多地是从事数据库运维工作，用得最多的教材便是“军卫一号数据结构手册”。基层人少事多，慢慢地，人不够用的时候，我也被机关拉去参加行政查房、院周会等医疗管理活动。同样的医疗概念，站在之前的IT视角，它就是军卫手册上的表和字段。现在，站在医疗视角，温故知新，之前抽象的、纯IT的内容，便与医疗业务中具体的工作流程、规章制度产生了映射关系，也让我对医疗的认识更加全面具体。

　　4总结

　　俗话说，内行看门道。作为IT圈的一份子，医信从业者对人工智能应该有更深刻的认识，更敏锐的思考：不仅局限于关注面上的热点，更应从自己的专业视角出发，去探究AI发展背后的逻辑和规律，为我所用。

　　文章有点长，其中有很多跨行业的思考和认识，认识不一定到位，道理也不一定对，感谢读者的时间，不足之处还请批评指正。

　　作者简介

　　李楠，CHIMA青年委员。现从事医院管理和信息化工作。作者观点仅代表个人，纯属技术交流，与供职单位无关。