主题：辛顿，李飞飞，和AI之问 -- qq97
杰夫-辛顿的用英伟达的GPU训练Alexnet模型赢得2012的imagenet竞赛冠军，他发现英伟达的GPU比其他公司的快3倍？10倍？，并推荐大家使用英伟达GPU。辛顿顶着深度学习教父的头衔，这一推荐，让英伟达GPU完成了今天AI领域的生态占领。
因为寒春，对辛顿的敬意又增加了一分。
李飞飞的贡献在于，她主导的项目在基于神经网络深度学习技术路线上取得了临界点上的突破，从此产业界可以照葫芦画瓢式地将图像识别技术大规模地应用于产业界，基于神经网络的人工智能在发展了60多年后终于在产业应用上取得突破，获得了可观的产业回报。
而辛顿一直致力于研究人脑运作模式和人类认知模式，并用计算机算法来模拟仿真这个过程，可以说当前的AI整个赛道都是辛顿奠定的，辛顿被称为AI教父当之无愧。
昨天AI团队汇报了他们在大模型应用上的一些进展，他们找到了基于图形生成大模型的应用场景，看了一下结果还可以，对我们来说这算是找到了产业应用，虽然远不如第一代AI图像识别的突破那么惊艳，但也有它自己的优势。
AI团队也汇报了他们在文字生成方面的尝试，将我们行业的一些资料喂给国内的一家大模型，也能产生一些看上去还行的内容。但我问了他们一个问题，作为一个商业公司，你们产生的这些内容先不管是否有用，能保证绝对正确么？回答是不能，但行业的人类专家们也会出错。我回答说，人类专家是用他自己的专业信誉为他的回答背书，我们这样的商业公司也得用信誉为我们的产品生成的内容正确与否背书，如果生成的内容错了，那就是我们在行业、在客户端的专业形象受到损害。除非我们也加上一句免责声明，“以上内容由AI生成，其生成内容的准确性和完整性无法保证，不代表我公司的态度或观点”。 所以，这一块，我们暂时还没找到合适的应用场景。
我想到的标志性事件，是12年的alexnet在imageNet上的优异成绩，向人们展示了神经网络还是有很好的效能的。imagenet是李菲菲的数据集合，更复杂更加接近现实问题，不被当做玩具式的科研工具。其实也是相对的，现在看做玩具的mnist也原本是lecun给邮政做的项目。
alexnet也不是李菲菲组的啊，反而是hinton手下的。这个网络本身是lenet改进、规模化，最具启发性的反而是工程角度，使用了nvidia的显卡进行神经网络的计算，算力的突破带来了试错，或者说网络训练的更大的自由度。而Alex Krizhevsky也是从GPU进行矩阵乘法运算的论文想到了用于神经网络的执行的。
李菲菲最终算是挖坑的，但是不是填坑的。挖坑方面，往往都是有人以填坑闻名，然后挖坑说这个坑怎么填啊太难啦，而这个李菲菲，似乎没有以填坑闻名，反而是挖了个坑说你们谁会填。我甚至想过，以学术掮客来形容是不是太刻薄了