近在AI領(lǐng)域最熱鬧的莫過于Yann LeCun與馬庫斯關(guān)于AI發(fā)展方向的論戰(zhàn)了，這場論戰(zhàn)從8月份開始，其余波到現(xiàn)在還未平息。

如果去搜索國內(nèi)的自媒體和百度，可以找到一大堆這種看上去有點驚悚的科普文章。大體上是說楊立昆認(rèn)為，人工智能的技術(shù)大方向錯了，可能需要推到重來?？赡苡胁皇煜ann LeCun的人會認(rèn)為怎么一個看上去像中國人的人說的一句話，會在AI屆引起如此大的波瀾呢？Yann LeCun有個中文名字-楊立昆，不過他是個妥妥的法國人。

對于這樣的瓜，我是不喜歡直接吃的，國內(nèi)自媒體往往斷章取義，曲解一些大師的言論，從而博取眼球。于是我到谷歌和推特上去仔細(xì)看了看楊立昆與馬庫斯的論戰(zhàn)，以及相關(guān)的報道材料。發(fā)現(xiàn)國內(nèi)的這些觀點都來自于ZDNET上資深撰稿人Tiernan Ray的一篇文章。Tiernan Ray從事技術(shù)和商業(yè)研究已有28年，在科技風(fēng)投圈里也小有名氣，他的文章影響力還是很大的。Ray的文章標(biāo)題就夠驚悚-當(dāng)今的大多數(shù)AI方法都不會帶來真正的智能。這句話居然出自大神Yann LeCun（楊立昆）之口。

在本月通過 Zoom 與ZDNet進(jìn)行的討論中，LeCun 明確表示，他對目前深度學(xué)習(xí)中許多最成功的研究途徑持懷疑態(tài)度?！拔艺J(rèn)為它們是必要的，但還不夠”，實際上LeCun明確的表達(dá)了他的觀點，他認(rèn)為基于統(tǒng)計學(xué)的算法無法實現(xiàn)真正的人工智能，而作為一個媒體，ZDNET肯定希望有更刺激的觀點“你必須退后一步說，好吧，我們建造了一個。但我們的目標(biāo)是想去月球，這個梯子不可能讓我們到達(dá)那里，我們需要制造火箭，我不能告訴你我們?nèi)绾沃圃旎鸺募?xì)節(jié)，但這里是基本原理?！?。訪談的完整內(nèi)容可以參考ZDNET官網(wǎng)的文章（https://www.zdnet.com/article/metas-ai-guru-lecun-most-of-todays-ai-approaches-will-never-lead-to-true-intelligence/）。

如果在百度上搜索LeCun，可以看到很多中文的文章在討論這個事情。從這些文章轉(zhuǎn)載的LeCun的表述上看，似乎是LeCun認(rèn)為基于統(tǒng)計學(xué)的深度學(xué)習(xí)算法無法解決AI的最終問題，而我們必須退回來，重新考慮。因為LeCun對于在AI應(yīng)用中如何“度量信息”提出了一些疑慮。他甚至在與ZDNET的訪談中提到了要給神經(jīng)網(wǎng)絡(luò)添加符號推理的能力，但是他現(xiàn)在還不知道怎么來實現(xiàn)。

實際上這又涉及到我前陣子提過的莫拉維克悖論了，神經(jīng)網(wǎng)絡(luò)加上足夠的訓(xùn)練就能獲得我們所需的AI，這是這些年大多數(shù)從事AI工作的人的共識，而LeCun對此提出了一些疑義，他認(rèn)為神經(jīng)網(wǎng)絡(luò)是不足夠的。LeCun對馬庫斯的觀點十分不屑一顧，甚至他認(rèn)為馬庫斯不是個真正搞AI的人，而是一個心理學(xué)學(xué)者，他不懂AI。

這個訪談在AI領(lǐng)域帶來了巨大影響，連自稱是貝葉斯教徒的LeCun都認(rèn)為現(xiàn)在的AI探索路線都錯誤了，要放棄造梯子，改為造火箭了。那么是不是我們也要思考一下推倒一切重來呢？事實并非如此，在推特上，LeCun最近發(fā)了幾個推文，多次重申他并不是全面否定神經(jīng)網(wǎng)絡(luò)與統(tǒng)計學(xué)的方法，反而認(rèn)為深度學(xué)習(xí)是AI技術(shù)的基礎(chǔ)這一點沒有問題。

在另外一個推文中，LeCun用了“人工智能艱難的一周”來表達(dá)他的痛苦思考。可能在ZDNET專訪時，他確實表達(dá)出了一些悲觀的情緒。甚至也在思考深度學(xué)習(xí)是否能夠?qū)崿F(xiàn)真正的AI。從最近LeCun的一些表態(tài)上可以看出，他最近確實在重新思考AI的技術(shù)方向問題，不過經(jīng)過一周的思考，他認(rèn)為目前的基于深度學(xué)習(xí)的大方向是沒錯的，只是需要修正，而不是徹底顛覆。這也給了最近熱炒這個話題的一些自媒體當(dāng)頭一棒。似乎這瓜吃著吃著突然就變了味了。AI技術(shù)不需要退回原點，重新開始，這對于自媒體來說不是好事，而對于AI從業(yè)人員來說，不算太壞。目前的深度學(xué)習(xí)技術(shù)上需要添加一些其他的技術(shù)，從而實現(xiàn)AI的突破。這一點是毋庸置疑的。

在智能運維領(lǐng)域，這些爭論也可以給我們帶來一些啟發(fā)。在復(fù)雜的智能運維領(lǐng)域，雖然深度學(xué)習(xí)算法已經(jīng)獲得了巨大的成功，并且給我們帶來了用AI替代專家的希望。不過這一切還不足夠，因為再往前發(fā)展的路上似乎遇到了難以翻越的高山。就像LeCun需要為神經(jīng)網(wǎng)絡(luò)引入符號推理能力一樣，智能運維領(lǐng)域也需要深度學(xué)習(xí)與符號推理相結(jié)合，才能更有作為。

任何認(rèn)為基于統(tǒng)計學(xué)的算法就能解決一切問題，或者認(rèn)為基于專家經(jīng)驗才能實現(xiàn)真正的自動化運維的想法都是錯誤的。如何充分利用這兩者的優(yōu)勢，構(gòu)建一套能夠發(fā)揮作用的組合體，采用雞尾酒療法，可能才是復(fù)雜場景下的智能運維的正確的方向。目前我們也在嘗試不完全依靠知識圖譜，加大智能算法在整個自動化預(yù)警與診斷工具中的作用范圍，從而突破目前的瓶頸，更好的為用戶解決問題。

前陣子在一個客戶那邊測試D-SMART，他覺得目前的D-SMART還不夠?qū)嵱?，智能診斷雖然能夠告訴運維人員，某個問題大致的問題范圍在哪幾個方面，但是無法精準(zhǔn)定位到具體的問題。要想精準(zhǔn)定位，還必須通過逐個點擊智能診斷推薦的診斷路徑或者專家知識庫提供的診斷建議來完成，有點麻煩，而且有些時候問題定位的準(zhǔn)確性也不夠高。

確實這是目前我們遇到的最大的一個問題，目前D-SMART對于一些簡單的問題的分析支撐還不錯，智能診斷的結(jié)論足以讓運維人員理解。如果遇到一些復(fù)雜的問題，也還是只能為運維人員提供一個方向性的指引，并根據(jù)推薦的診斷路徑去做下鉆定位。

如果使用者是一個十分資深的專家，那么可以比較容易從中獲得建議，并快速幫助專家定位問題。如果使用者的能力不足或者對某個問題比較陌生，那么可能還是會覺得手足無措。這種情況下，我們一般就會建議用戶做個”問題分析”，把報告發(fā)給我嗎，或者通過Holadata工具把出問題這一天的監(jiān)控數(shù)據(jù)導(dǎo)出，發(fā)給我們，我們遠(yuǎn)程協(xié)助分析。

當(dāng)下AIOPS遠(yuǎn)沒有達(dá)到數(shù)據(jù)庫真正可以脫離專家，實現(xiàn)自治的階段，因此構(gòu)建人與工具的生態(tài)才是關(guān)鍵。工具不是萬能的，利用工具提供的強(qiáng)大的數(shù)據(jù)處理能力，可以提高專家的分析效率，利用一線與三線專家的互動，才能真正的把運維工作做好。而從事AIOPS工作的從業(yè)人員，是不是也能從楊立昆的反思中獲得一些靈感呢？