2007年的某個(gè)深夜，斯坦福的機(jī)房里，吳恩達(dá)和他的學(xué)生正用游戲顯卡（GPU，圖形處理器）訓(xùn)練神經(jīng)網(wǎng)絡(luò)。當(dāng)時(shí)沒人相信這玩意兒能成——包括英偉達(dá)自己，他們?cè)霨PU是為了讓玩家打《反恐精英》更流暢。十五年后，這條"堆數(shù)據(jù)、堆算力"的路走到了一個(gè)尷尬的分岔口：模型越來越大，電費(fèi)賬單越來越長(zhǎng)，而吳恩達(dá)本人，突然轉(zhuǎn)身喊停。

他在IEEE Spectrum的專訪里拋出一個(gè)詞：Unbiggen AI。翻譯成中文大概是"給AI瘦身"。

從"大煉鋼鐵"到"小數(shù)據(jù)"：一場(chǎng)遲到的自我修正

吳恩達(dá)的履歷本身就是一部AI擴(kuò)張史。Google Brain的聯(lián)合創(chuàng)始人、百度前首席科學(xué)家、Coursera上教過500萬人的機(jī)器學(xué)習(xí)課程主講——他親手參與搭建的，正是那個(gè)"越大越好"的信仰體系。GPT-3有1750億參數(shù)，PaLM有5400億，最新的GPT-4據(jù)說更多。這些數(shù)字像軍備競(jìng)賽的彈頭數(shù)量，多一個(gè)零就能上頭條。

但他現(xiàn)在說，這條引擎"只適用于某些問題"。

Landing AI是他2017年創(chuàng)辦的公司，主打產(chǎn)品LandingLens幫工廠做視覺質(zhì)檢。制造業(yè)的場(chǎng)景很具體：檢測(cè)電路板上的焊點(diǎn)缺陷，或者手機(jī)屏幕的劃痕。這里沒有互聯(lián)網(wǎng)級(jí)別的數(shù)據(jù)量，可能只有500張良品照片、200張次品照片。用GPT-3的思路？電費(fèi)比工人工資還貴。

所以他推"數(shù)據(jù)-centric AI"（以數(shù)據(jù)為中心的AI）。核心操作是：模型固定，死磕數(shù)據(jù)質(zhì)量。標(biāo)注錯(cuò)了？改。光照條件不一致？統(tǒng)一。樣本太少？用合成數(shù)據(jù) augmentation（數(shù)據(jù)增強(qiáng)）。

這不是否定大模型，是給大模型夠不到的地方找條活路。

Foundation Model（基礎(chǔ)模型）：還沒燒到視頻的戰(zhàn)火

專訪里有個(gè)概念值得拆開：Foundation Model。斯坦福的Percy Liang團(tuán)隊(duì)起的名字，指那種在超大規(guī)模數(shù)據(jù)上預(yù)訓(xùn)練、再微調(diào)適配各種任務(wù)的"通才"模型。GPT-3是NLP（自然語言處理）領(lǐng)域的標(biāo)桿。

吳恩達(dá)認(rèn)為，計(jì)算機(jī)視覺的基礎(chǔ)模型"很有前景"，但視頻領(lǐng)域還沒戲。瓶頸很實(shí)在：算力帶寬和成本。處理視頻不是處理文本——一幀1080p的圖像是1920×1080×3個(gè)像素，一秒30幀，一部電影的數(shù)據(jù)量夠GPT-3訓(xùn)練好幾輪?，F(xiàn)在沒人做得起這個(gè)規(guī)模的預(yù)訓(xùn)練。

所以他判斷，NLP的 scaling law（縮放定律）還能跑，視頻的基礎(chǔ)模型還得等。這個(gè)"等"字里，藏著對(duì)小數(shù)據(jù)方案的 urgency（緊迫性）。

數(shù)據(jù)-centric的實(shí)操：從"煉丹"到"種菜"

吳恩達(dá)喜歡打比方。他說傳統(tǒng)的模型-centric AI是"買一堆種子，指望其中一顆長(zhǎng)成參天大樹"——不斷換模型架構(gòu)，調(diào)超參數(shù)，賭運(yùn)氣。數(shù)據(jù)-centric則是"認(rèn)真施肥澆水，讓現(xiàn)有的種子長(zhǎng)得更好"。

具體怎么做？他列了幾條：

第一，系統(tǒng)性迭代數(shù)據(jù)。不是一次性標(biāo)注完就扔給模型，而是看模型錯(cuò)在哪，針對(duì)性地補(bǔ)數(shù)據(jù)。錯(cuò)把劃痕當(dāng)成污漬？那就多標(biāo)劃痕的邊界案例。

第二，一致性工程。工廠質(zhì)檢的光源角度變了，模型就懵。與其讓模型學(xué)"各種光照下的劃痕"，不如把光照固定住——這是工程思維，不是算法思維。

第三，小樣本遷移。用1000張圖片訓(xùn)好的模型，能不能用100張新產(chǎn)線的圖片快速適配？這比從零訓(xùn)練省90%的算力。

這些操作不性感，但制造業(yè)客戶買單。Landing AI的官網(wǎng)案例里，有汽車零件廠、電池廠、食品包裝線——都是數(shù)據(jù)貧瘠、容錯(cuò)率低的場(chǎng)景。

偏見與公平：小數(shù)據(jù)反而更危險(xiǎn)？

專訪沒回避一個(gè)敏感點(diǎn)：基礎(chǔ)模型的偏見問題。GPT-3生成過種族歧視文本，圖像模型把醫(yī)生默認(rèn)畫成男性。吳恩達(dá)的回應(yīng)很技術(shù)派：Foundation Model的公平性挑戰(zhàn)在于，"很多人都在它上面搭建應(yīng)用"，偏會(huì)被層層放大。

但小數(shù)據(jù)方案有自己的坑。工廠質(zhì)檢數(shù)據(jù)如果只來自一條產(chǎn)線、一個(gè)班次、一批工人，模型學(xué)到的是特定光照、特定角度、特定缺陷類型。換條產(chǎn)線，準(zhǔn)確率可能斷崖下跌。這不是模型的問題，是數(shù)據(jù) coverage（覆蓋度）的問題。

數(shù)據(jù)-centric的解法是用 MLOps（機(jī)器學(xué)習(xí)運(yùn)維）做持續(xù)監(jiān)控——模型上線后，自動(dòng)檢測(cè)輸入數(shù)據(jù)的分布漂移，觸發(fā)再訓(xùn)練。這比"訓(xùn)完就扔"的傳統(tǒng)流程重得多，但也是小數(shù)據(jù)方案能商業(yè)化的前提。

吳恩達(dá)的"分裂"：兩邊下注

讀完整篇專訪，一個(gè)矛盾浮出水面：他既看好NLP基礎(chǔ)模型繼續(xù)變大，又押注計(jì)算機(jī)視覺的小數(shù)據(jù)方案。這不是騎墻，是對(duì)問題域的切分。

文本數(shù)據(jù)便宜、結(jié)構(gòu)化、已經(jīng)數(shù)字化幾十年。互聯(lián)網(wǎng)就是它的訓(xùn)練場(chǎng)。所以 scaling law 還能跑，GPT-4、GPT-5會(huì)繼續(xù)膨脹。

但物理世界的數(shù)據(jù)昂貴、 messy（雜亂）、隱私敏感。工廠不會(huì)把產(chǎn)線視頻傳到云端，醫(yī)院不會(huì)共享患者影像。這些場(chǎng)景需要"在本地用少量數(shù)據(jù)快速迭代"的能力，也就是 Landing AI 賣的。

他的判斷是：AI的下一個(gè)十年，不是"大"取代"小"或者反過來，是兩者并行。就像電力系統(tǒng)既有高壓輸電，也有家用插座。

專訪最后，IEEE Spectrum的記者問了個(gè)務(wù)虛的問題：AI的未來是什么？吳恩達(dá)沒談通用人工智能，沒談奇點(diǎn)。他說，希望看到更多"數(shù)據(jù)-centric"的最佳實(shí)踐被整理出來，像當(dāng)年的深度學(xué)習(xí)課程一樣，降低行業(yè)門檻。

這個(gè)收尾很產(chǎn)品經(jīng)理——不造神，只造工具。十五年前他用GPU降低訓(xùn)練門檻，現(xiàn)在他想用數(shù)據(jù)工程降低落地門檻。至于模型有多大？那是手段，不是目的。

Landing AI的官網(wǎng)上，有個(gè)客戶評(píng)價(jià)被放在顯眼位置：某汽車零件廠的質(zhì)量經(jīng)理說，他們用LandingLens后，缺陷檢出率從人工抽檢的82%提到97%，而數(shù)據(jù)量只有3000張圖片。這個(gè)數(shù)不大，但夠交差。