维沙尔·西卡博士，Vianai 创始人兼 CEO – 采访系列

维沙尔·西卡博士是 Vianai 的创始人兼 CEO，前 SAP AG 首席技术官，前 Infosys CEO。他目前还担任 Oracle 董事会成员，宝马集团监事会成员，并担任斯坦福人工智能研究所的顾问。

Vianai 平台结合开源元素、Vianai 专有技术和优化，以及人中心设计，将 AI 引入企业，跨多样化的环境。通过该平台，大型组织可以构建、优化、部署和管理复杂的机器学习模型，改善现有基础设施上的 ML 模型的运行和性能。

您最初是如何对机器学习产生兴趣的？

我在十几岁时就对 AI 产生了兴趣，当时我读了马文·明斯基关于我们的大脑是简单代理社会的思考，以及乔·魏森鲍姆的 Eliza（一个非常早期的聊天机器人）和约翰·麦卡锡对其的批评。后来，我有幸在斯坦福大学的 AI 资格考试委员会中由麦卡锡担任主席。麦卡锡和明斯基是人工智能领域的两位创始人，他们对 AI 的能力和局限性都有深刻的见解，我很幸运能够跟他们学习。

我们今天仍然可以看到，AI 具有巨大的潜力，同时也存在着显著的局限性。30 年前我们所面临的挑战今天仍然存在，特别是在企业中的 AI 应用中。我在学生时代受到这些工作的启发，想要看看是否可以解锁 AI 的价值，我一直对此充满热情。

您以前写过一些有影响力的论文，您认为哪篇论文最能体现您对 AI 的看法的演变？

作为一名学生，我一定读过几千篇论文。麦卡锡关于“建议者”的论文，关于 AI 的一些关键哲学问题的论文，明斯基关于大脑是社会的论文，关于连接主义（神经网络）和符号主义 AI 方法的论文，朱迪亚·珀尔关于概率推理和因果智能的论文，戴维·马尔关于视觉的论文，帕特·温斯顿关于从示例中学习对象描述的论文，沃尔丁格关于程序合成的工作，以及许多其他论文都塑造了我的看法。最近，我一直在阅读亨顿、勒昆、注意力机制的工作，以及辛西娅·鲁丁、费尔南达·维加斯等人的工作。

您曾表示，构建 AI 系统的开发者体验是碎片化和破碎的，当前构建 AI 系统的一些问题是什么？

如今，AI 系统只能被相对较少的人解释——统计数据各不相同，但似乎只有大约 20-30,000 人真正理解 AI 系统的运行方法。这远远少于我们估计的 52,000 名 MLOps 专业人员，或者我们估计的 100 万名数据科学家。其中很多人无法解释系统为什么做出某些推荐，或者系统的潜在技术如何工作。

将此与复杂的环境相结合。Gartner 跟踪着超过 300 家 MLOps 供应商，每家供应商都有其专门的产品。另一方面，大型云供应商有自己的风格和产品，通常试图将公司锁定在其生态系统和基础设施中。

然后，计算本身对于公司来说通常太昂贵，无法真正构建和训练一些最先进的模型。这些模型只留给少数拥有构建和管理 AI 系统所需的人才和资源的公司。

缺乏理解、工具的复杂性和计算成本的结合，创造了一个断裂和具有挑战性的环境，任何公司想要成为 AI 熟练的公司都面临着这些挑战。在 Vianai，我们正在构建方法，使 AI 更容易使用和理解，同时大大降低使用 AI 的资源和成本。

您能否分享 Vianai 的创立故事？

我花了很多年努力将新的、颠覆性的创新带入企业。我的团队和我构建了几款产品，这些产品达到了成千上万的企业，并被认为是突破性的。我还在我的两次之前的旅程中领导了两次基本的转型，并参与了数百家企业的转型。另外，我多年来一直在学习 AI，并专注于如何使 AI 更好、更相关、更有利于人类。

在某种程度上，这些东西汇聚在一起。我曾在 2018 年底与家人一起在东南亚度假。我们在一个小市场购物，卖家有美丽的手工珠宝。它是用传统技术和当地石头制作的，当然令人惊叹，但当然，没有人知道他们的存在。我当时就想，“如果这个卖家可以使用 AI 呢？那会是什么样子？系统会如何运行？”就在那一刻，我意识到世界上的每一家企业都将被 AI 转型，这种转型不能用昨天的视角来看待，而需要从空白状态开始的产品和想法。

大约一个月后，我创立了 Vianai，旨在将真正的人中心 AI 带给全球的企业。这意味着提供产品和服务、应用程序和技术、工具，能够让商业用户、数据科学家、机器学习工程师，甚至世界各地偏远地区的供应商真正获得 AI 的好处。

从那时起，我们创建了应用程序来帮助企业开始使用 AI，一个平台来帮助机器学习从业者管理和监控他们的 AI 模型，以及优化技术来使更多公司能够使用 AI。

通过这一切，我们发现将人类理解、判断和协作的力量与数据和最好的 AI 技术结合起来的巨大潜力仍然未被开发。根据我们与领先企业公司的工作，我看到帮助小供应商的相同技术也将帮助世界上最大的企业。

Vianai 是关于人中心 AI 的，可以解释一下什么是人中心 AI 以及为什么它很重要吗？

人中心 AI 是一种旨在增强人类工作和改善人类判断力的 AI。机器学习往往被认为是人类劳动的替代品。但是 AI 是人类的补充——它提供了人类无法复制的规模、重复性和精度。但是 AI 不能复制人类的判断、人类的经历或我们对上下文的理解。

有明显的例子，例如 AI 将乌龟误认为是步枪，但更常见的是，我们过度信任 AI，而它还没有证明自己是值得信任的。一个臭名昭著的故事来自十年前，一家公司的 AI 被允许在没有人类干预的情况下进行交易。算法在不到一小时内损失了 4.4 亿美元。

最近的例子是，先进的语言模型仍然相对容易被混淆或偏见。文本到图像生成器具有潜在的力量，但需要人类用户提供非常具体的命令才能发挥其全部潜力。

人中心 AI 是我们产品设计中的一个重点。我们将人类理解的力量——如判断和协作——与最好的数据和 AI 技术结合起来，创建能够大大改善业务结果和流程的智能系统。

您能否解释一下人类和 AI 之间的反馈循环的必要性？

有一个分支的 AI 被称为“人在循环中”，它依赖于人类的反馈机制来自然改善 AI 的性能。这是自然的，也是任何系统的常理。AI 系统可以通过重新训练来改善，这些重新训练将纳入用户采取的任何操作。这当然也是我们应用程序的一部分。让我举个例子。

在 Covid 之前，我们与一家大型金融服务公司合作，进行需求预测。由于我们设计了该系统，当 Covid 来临并破坏了许多其他模型时，我们的系统能够快速适应，并且从未需要重建。这是人中心 AI 的第二个也是最重要的方面，即从一开始就设计系统以纳入现代生活的复杂性。

这创造了信任和一个能够与组织和用户一起成长的系统。

是什么让 Vianai 成为下一代 AI 平台？

虽然有很多关于风险、监管和 AI 的承诺的讨论，但很少有人寻找我们认为的解决方案——人中心 AI 的概念。

我们的平台已经准备好解决即将在企业中出现的 AI 问题。它旨在解决信任、偏见和透明度的问题。它使公司能够通过监控和优化来扩大 AI 的规模。它还使非技术用户能够通过我们的应用程序利用 AI。

构建一个平台来显著简化企业 AI 体验的一些挑战是什么？

我们在企业中看到的最大挑战是人才、工具和技术。首先，人才往往集中在少数地方，尤其是在大型科技公司。这使得外部团队成员很难参与 AI 程序的监督、治理和塑造，并可能在只有有限的团队成员从事运营时创造更多偏见。

技术和工具也可能是构建 AI 平台的挑战。目前，技术和工具是有限的。用于运行 AI 的芯片稀缺且昂贵，工具被锁定在某些供应商中，这降低了提高价值的自由度。无论公司在其企业 AI 之旅的哪个阶段，这些挑战都可能使实施有用的和道德的 AI变得具有挑战性，因为它会创建一个断裂的、分散的策略，并消除执行适当功能所需的工具。组织需要能够支持 AI 的所有领域，从实施到维护，并能够提供支持和输入以使其成功。

为了真正成功，我发现平台能力需要完全开放、模块化、灵活，并不依赖于昂贵的硬件和软件升级。通过人中心的方法，人类仍然可以带来知识、上下文、经验和创造力来解决问题——这被 AI 平台放大，而不是被取代。

您还想分享关于 Vianai 的其他内容吗？

在很多方面，我们正在生活在 AI 的时代。有很多关于 AI 的炒作和讨论，这总体上是一件好事。我们正在看到比过去更广泛的进步和采用，特别是在生成 AI 和其他领域。然而，我们也应该认识到 AI 的局限性——当前 AI 技术的现实，以及 AI 专家的稀缺性和企业中对 AI 的不信任。如果我们可以将 AI 视为我们生活、社会、工作、潜力的放大器，并且有必要的监督来确保这一点，那么我相信我们最终会看到它以有意义和变革性的方式变得生动起来。

感谢这次精彩的采访，希望了解更多的读者可以访问 Vianai。