李開復(fù)對話李飛飛：人工智能帶來的改變很大但還不能理解復(fù)雜的知識

第48屆世界經(jīng)濟論壇年會在瑞士達沃斯召開，主題為“在分化的世界中打造共同命運”。達沃斯當?shù)貢r間1月23日中午，在MIT的午餐會上，創(chuàng)新工場董事長李開復(fù)與李飛飛（GoogleCloud AI/ML領(lǐng)域首席科學家）、RichardSocher（Salesforce首席科學家）；Mustafa Suleyman（DeepMind聯(lián)合創(chuàng)始人兼主管）進行了對談；主持人是AndrewMcAfee（麻省理工學院數(shù)字經(jīng)濟倡導(dǎo)行動聯(lián)合創(chuàng)始人）。

就在不久前，DeepMind團隊發(fā)表了最新論文，提出強化學習算法AlphaZero，一種可以從零開始，通過自我對弈強化學習在多種任務(wù)上達到超越人類水平的新算法。據(jù)說，AlphaZero在8個小時訓(xùn)練后就擊敗李世石版本的AlphaGo；再用4小時訓(xùn)練擊敗世界頂級的國際象棋程序Stockfish；再用2小時訓(xùn)練擊敗世界頂級將棋程序Elmo。

這一成果令世界嘩然。而在對話中，Mustafa Suleyman坦率表示，AlphaZero沒有那么神，外界對它有點夸大了。它要想工作，還必須滿足可預(yù)測環(huán)境、清晰的獎勵系統(tǒng)和無變數(shù)三個條件，同時，也不是外界所說的完全不受監(jiān)督。

李飛飛在擔任谷歌AI中國研發(fā)中心負責人之后，又在1月17日，發(fā)布了谷歌云人工智能服務(wù)工具AutoML，使得企業(yè)構(gòu)建、訓(xùn)練和部署自定義的機器學習模型也變得簡單方便，對機器學習不甚了解的公司也可以構(gòu)建自己的人工智能系統(tǒng)。李飛飛表示，人工智能目前已經(jīng)取得了非常重大的突破，但是目前AI還不能理解語境、復(fù)雜的知識，要識別人類的情緒、感情和動機，也還有很長的路要走。

李飛飛引用了自己一位同事的話，評價當下對完美人工智能的定義：“一臺能做出完美食物的機器，雖然房間已經(jīng)著火了?！?/p>

以下是午餐會對話主要觀點摘錄：

李飛飛：人工智能還是一個新領(lǐng)域，只發(fā)展了60年左右，人工智能的理想是讓機器變得智能，模仿人類智能，解決問題，讓人類的生活變得更好，要想實現(xiàn)這些理想，認識到這一點很重要。

現(xiàn)在人工智能主要的領(lǐng)域有機器人、自然語言處理、語音識別、機器學習、深度學習。

人工智能帶來的改變令人激動。

當我還是一個大學生時，我想象不到人工智能會帶來的巨變，它巨大的搜索能力，更不用說無人駕駛這些了。

我們見證了非常了不起的突破。

我想提醒大家，這個時代充滿了巨大的可能性，我們要深切地思考人工智能的本質(zhì)，前面還有很長的路要走。

我有一位同事70年代時就在這個領(lǐng)域工作，他認為我們今天對完美的人工智能機器的定義是，一臺能做出完美食物的機器，雖然房間已經(jīng)著火了。

電腦還不能理解語境、復(fù)雜的知識

要識別人類的情緒、感情和動機我們也還有很長的路要走。

RichardSocher：我認為認識到人工智能主要領(lǐng)域的突破來自于何處非常重要。主要的突破都來自于super wise man這個領(lǐng)域。我們能很好地把輸入x轉(zhuǎn)化成輸出y,輸入語音我們能夠輸出文本、輸入德語可以輸出法語，這一技術(shù)我們已經(jīng)做得很好。輸入一定大小的圖片能辨別圖片中是不是貓？在多種模式的轉(zhuǎn)換上我們已經(jīng)做得很不錯了。

實現(xiàn)這一轉(zhuǎn)換的方法是深度學習。深度學習一種比機器學習強大很多的技術(shù)，它能接受更廣泛的輸入模式。這是AI實現(xiàn)了主要突破的領(lǐng)域。

我們現(xiàn)在有了一種新的編程模式。不再需要做出if/when這樣的指示，我們只需要用數(shù)據(jù)來訓(xùn)練它，算法就會自動處理。

深度學習還結(jié)合了AI的其他領(lǐng)域，像強化學習、自主學習、人機游戲等。

現(xiàn)在正在發(fā)生很多激動人心的轉(zhuǎn)變，機器翻譯、人機游戲都在不斷進步。但也有很多領(lǐng)域需要進一步改進。10,15年前，就可以實現(xiàn)20到30分鐘左右的無人駕駛。但要想實現(xiàn)全天候無人駕駛，還保證安全，還需要做很多的工作。離真正改變運輸業(yè)，還需要很多的改進。

Mustafa Suleyman：說AlphaZero這個系統(tǒng)不受監(jiān)督有點夸大了，監(jiān)督來自于它的結(jié)構(gòu)和訓(xùn)練環(huán)境。所以尤其是依賴強化學習的具體方法在現(xiàn)實生活中效果不是很好。在現(xiàn)實生活我們無法提供模擬器，進行這種巨量的訓(xùn)練來形成算法。

但我對深度學習在現(xiàn)實中的應(yīng)用潛力非常有信心，人們現(xiàn)在低估了這一潛力。

在語音轉(zhuǎn)錄，機器翻譯等等領(lǐng)域深度學習的潛力還沒有充分發(fā)掘應(yīng)用。

alpha zero只是在三件事成立的情況能夠工作：可預(yù)測環(huán)境（圍棋規(guī)則）清晰獎勵系統(tǒng)（輸贏），無變數(shù)（variability)

我們的目光已經(jīng)投到了幾十年后，比如極現(xiàn)代化狀態(tài)下的super-intelligence，但我們應(yīng)該思考的都是更近期、更實用的可能。

在我看來強化學習 3-5年內(nèi)沒有普及應(yīng)用。

李開復(fù)：

這個領(lǐng)域頂尖的前100名科學家中已經(jīng)有一些是中國人，

我認為，關(guān)于中國，這四個方面還并沒有被得到認識，這四個方面會是中國未來發(fā)展的非常強勁的推力。

第一，中國一流的理工科教育。飛飛就是這一點的證明。我認為中國的理工科教育培養(yǎng)了眾多科學家，而且這些人都有志于從事人工智能相關(guān)工作。這群杰出的年輕人會是推動中國進步的一股了不起的力量，比如在最近的face ++圖像識別比賽里，我們投資的公司打敗了科技巨頭google。

第二，活躍的創(chuàng)業(yè)氛圍和資本對這個領(lǐng)域的大量投資。作為一家風險投資機構(gòu)，我們投資了45家人工智能公司。這些公司分布在各個領(lǐng)域。像在一些傳統(tǒng)的領(lǐng)域，比如如何讓借貸更簡單，提供消費者服務(wù)，制造能采草莓，洗碗，組裝汽車的機器人。金融時報最近對中國的創(chuàng)業(yè)現(xiàn)狀做了報道，談到了職業(yè)精神。但我認為職業(yè)精神只是其中的一部分，中國的創(chuàng)業(yè)環(huán)境如同一個斗獸場，角斗士們斗得你死我活。留下的都是最有生命力的模式，這些模式會推動著中國向前進。

第三，中國巨大的數(shù)據(jù)量。中國共享單車的使用人數(shù)是美國的3倍，但單車交易量是美國的50倍。這個支付系統(tǒng)擁有6億5000萬用戶，不收傭金、無中間人，支持移動支付。我們早就幻想能做到這樣，但這卻在中國發(fā)生了。在此基礎(chǔ)上，形成了大量可供進行支付的公司和建立該系統(tǒng)的企業(yè)家們挖掘的數(shù)據(jù)。另一方面，消費者們愿意出讓隱私來換取安全和便利。

第四，政府的政策。去年國務(wù)院發(fā)布的人工智能計劃表示中國要在2030年成為人工智能創(chuàng)新核心國，伴隨這一政策而來的是城市層面上大量的資源，北京投入了20億，南京、廣州也投入了萬億級別的資金，其他近百個百萬人口以上的城市也投入了大量資金，這顯然會推動我們前進。中國的政策不是空話。

另一方面，中國政府和企業(yè)對待科技的立場上傾向?qū)嵱弥髁x，英美則比較謹慎。一些核心問題，如安全問題，數(shù)據(jù)的安全、系統(tǒng)的安全，大家都很關(guān)心。

在隱對待私和偏見的態(tài)度上，我們是先動手，再慢慢改進問題還是仔細考慮找出解決辦法？在這些問題上中國更傾向于實用主義。

我不想評價哪種立場對或錯，或哪個更好，我只是認為，在實用主義立場影響下，實現(xiàn)會更快、收集的數(shù)據(jù)會更多、做出的產(chǎn)品會更好，促能成更大的突破。