楊立昆隔空對話李開復喬丹：給現在的AI潑盆冷水，現在強調智能還太早

在今天的GMIC全球人工智慧領袖峰會上，迎來的三位AI大咖同台論道：Facebook人工智慧團隊首席AI科學家Yann LeCun（楊立昆）、加州大學伯克利分校的Michael Jordan（邁克爾·喬丹）教授，以及創新工場董事長兼CEO李開復，圍繞AI的現狀與未來，以及AI人才培養問題進行了討論。

Michael Jordan教授表示，目前的智能還只是單個的智能，而遠沒有到達我們需要的整個體系的智能。Yann LeCun也同意他的觀點，他認為，搭建整體的體系架構十分重要，這樣才更加智能。他更關注非監督學習和自監督學習，而監督學習每次實驗只能給機器少量數據，進行的訓練就比較有限，是無法產生真正的智能的。

今天Yann LeCun也通過視頻連線的形式做了主題演講，分享了Facebook在AI領域一些新的研究與探索，比如通過監督學習和深度神經網路可以實現200多種不同類別物體的識別，並能夠對多人場景下進行動態的人體行為跟蹤。

李開復歸納，目前的AI發展有四波浪潮，而在行業數據AI商業化和語音、視覺數據的AI應用落地方面，中國具有趕超美國的機會。

以下為對話的現場實錄，經黑智整理：

主持人高欣欣：我第一個問題先請問開復老師，在你看來，當前人工智慧的技術是一個什麼現狀，中國又在一個什麼樣的位置和機遇之上呢？

李開復：我們在過去的五年左右看到了深度學習和相關的技術滲透到各種領域，尤其是計算機視覺。從應用的角度來看，我會把人工智慧的應用歸納成為四波浪潮，這四波浪潮它應用的方式不太一樣。

第一波浪潮就是互聯網的AI浪潮，也就是說當你每次在淘寶點擊的時候，每次在朋友圈點贊的時候，這些數據都被收集起來，被巨頭互聯網公司深度地的了解，然後可以提供更好的服務還有變現。

互聯網的數據量是最大的，我們每天都像小白老鼠一樣，幫助這些巨頭在標註數據。所以今天的AI巨頭和很多互聯網巨頭是劃等號的，比如美國的Google、Facebook、亞馬遜。

第二波浪潮就是，誰有大量的數據，誰能拿來變現或者提升商業價值。比如說一個銀行用用戶的數據降低信用卡的欺詐率或者貸款的還款率，或者是提高投資的回報率。所以銀行、投資機構、保險公司，以及供應鏈、醫療、學校，任何有數據的領域都可以實現商業化，這是第二波商業化AI的浪潮，現在正在發生。這部分AI公司大多是做To B的生意。

第三波浪潮就是，收集那些基於視覺、聽覺或者其他感測器收集來的數據，然後把這些數據變成新的應用，甚至是新的用戶體驗。比如說我們看到各種智能語音交互；比如說我們把計算機視覺加感測器用在各個不同的領域，比如說在無人商店、工廠等等的應用。第三波浪潮已經開始來臨，我們會看到更多的感測器、更多的晶元，更多的攝像頭布置在各個地方。

第四波浪潮我們叫做自主化、自動化的AI，這也就是我們科幻片看到的，機器人、無人駕駛，還有更聰明的無人飛機等。這個浪潮會徹底顛覆我們出行的習慣，還有所有的物流。然後我們的工廠會慢慢變成無人工廠，我們的商店慢慢會變成無人商店。第四波浪潮是巨大的，已經有一些初級的應用出來了。

這四波浪潮也給中國帶來更多的機會，尤其在互聯網上，我們已經佔了世界的半壁江山。在視覺方面和感測器方面的應用，我們也發展得非常快，因為我們有海量的數據。在那些比較深的科技，像無人駕駛方面還是美國領先的。但是中國有數據的優勢和政策推動，所以以後應該是中美在人工智慧領域佔據領先地位。

高欣欣：我要請教Michael Jordan，你在最新的博客當中提到了以人為中心的工程科學等等方面的主題，你覺得人工智慧的技術將來是什麼樣發展的演化過程呢？

Michael Jordan：我是一個學術界的人士，我對整個產業發展也是有很多的關注，對我們來說，我們的原則就是要搭建一個體系。目前，這樣一些原則並沒有完全的建立，所以體系還不能全面的建立起來。人工智慧還不能太誇大。現在我們奢望建立的是智能的自動化系統。其實無人駕駛這些並不是我們最終的目標，包括我們的銀行也好或者是物流也好，並不是說目標就是實現無人，而是要讓它更好的實現鏈接。

所以在很多方面，其實智能並沒有完全建立起來。現在我們可能是在地圖，在很多地方可以實現一些功能。但是它的一些語義或者其他背後的背景和引申的含義等等，這種智慧和智能還不存在。

因此我們需要每一個體系，每一個系統都達成這種智能，而不是單個個體的智能。其實在無人駕駛或者無人商店這些領域，需要它自己自主做出決策。並且一些決定可能還是有先後順序和優先順序別的。有的做決定是同時做出多個決定，在真實世界當中可能我們要同時做出幾百個、上千個決策，比如經濟、金融、商業方面的各種決策。

因此，我們可以想像一下，有這樣一個提出專家建議的體系，看起來是非常智能，看這本書、看這部電影，然後在全世界進行部署，就像今天的阿里巴巴、亞馬遜做的事情。很多時候亞馬遜向人們推薦一本書的時候，人們感覺到真的非常好。所以這些AI的技術正在不斷的部署。

比如說在交通上，從我們的機場到市區，哪條路是不堵的。比如說推薦股票，很多時候你向人們推薦的都是同一隻股票，這個體系就有問題，我們必須要負起責任來，包括數據、決策，包括還可能出現的錯誤都要考慮進去。

在這個研究當中，一些原則性的東西正在不斷的湧現。但是還在過程當中，有很多概念還需要去完善，包括自然語言等。

我的目標就是要在無人駕駛汽車要真的像人一樣在駕駛，而不是說只是一個簡單的機器。建立一個自動化的體系，真的是不容易的，你可以用人工智慧這樣一個詞來表述，但是千萬不要誇大。

高欣欣：我想問一下Yann LeCun，你講到過讓機器來學常識，這樣它能夠預測一些問題和可能的答案，這方面你可以再進一步的闡述一下嗎？監督式學習、無監督式學習和增強式學習，它的關聯度在哪裡呢？

Yann LeCun：當然從學術性的到實際的應用，有很多東西相互之間要搭建起體系，這的確是很重要的工作。

比如說在Facebook，我們希望人工智慧可以實時地做相關的事情，很多技術現在還沒有到位，包括人臉的識別，有些目標還沒有達成。因為機器要獲取大量的知識，它才能夠真正的去實現像人類那樣的智慧，做出很多的預測和判斷。剛才我們也聽到了，我們需要有很多基本的原則到位才能建立一個體系，這樣才能真正達到人類的智能水平。

在我的演講當中也強調了監督式和無監督式的學習。機器需要有預測能力，從不同感官的輸入來進行自我的判斷和預測。監督式的學習給到機器的數據量是非常少的，因此它所獲取這樣一些反饋、信息是不足夠的。這也幫助我們向下一步進一步的推進。

高欣欣： Michael Jordan教授，你曾經講過機器學習技術對整個產業發展有一些相關的作用，你能舉例說明一下嗎？

Michael Jordan：很多時候，你要搭建一個智能的體系，你並不需要對人工智慧的所有方面都去了解。人工智慧本身是一個計算機科學，但是要在跟經濟相關，我們還需要搭建聯繫。

如果在我們的生產者和消費者之間搭建一個體系，這樣一種體系的搭建就生成了經濟的效益，也關聯到我們前面講的這些問題。如果我們向所有的人都推薦同樣一個餐廳，那麼這個餐廳就會人滿為患，大家都不想去了，它的價值又在哪裡呢？這是我前面提到的這些問題，我們的計算機科學怎麼樣為經濟服務。所以最好建立一個相應的競爭關係。比如我們有一個相應的體系，座位是一座一價的方式來進行相應的競標。比如說我想吸引這裡的人過來，我這裡的座位是3%的折扣或者是多少的折扣。在這個過程當中，大家都可以去競價，然後實現相應座位合理的分配。通過這樣的方式，餐廳也會有很好的上座率。旁邊的競爭對手看到這個餐廳已經開了，而且已經滿座了，它就會想，我提供30%的折扣，也許能吸引到相應的客戶來我這裡就餐。

現在我們整個所謂的人工智慧體系，並沒有考慮這麼多，它在做推薦的時候，還是有相應的局限。

我還可以舉一些其他的例子，比如說音樂，現在整個音樂市場並不是很完整，有各種各樣的人一起都在做音樂的創作，但很多人並不能從做音樂當中賺錢，它並沒有真正的經濟效益。怎麼樣用我們的人工智慧技術，實現技術到市場化的轉變，使它有商業的價值，能夠從中賺錢？可以有相應的數據流，清楚到底是哪些人在聽，比如說可能我的音樂在深圳很流行，這樣的數據就很有價值。我就去深圳開一個音樂會，我就會很賺錢。

通過這樣一些數據組創造很多的商業價值，目前很多問題甚至都沒有被深思熟慮的想到過，這個時候可以挖掘它們的商業價值，這就是我們的人工智慧應該實現的一些功能。因此對我來說，更好的實現人工智慧的價值，也就是把我們的計算機科學更好地為人類造福。

因此，我們也需要在一些商業上的人才、經濟方面的人才共同跟科學家協作，讓人工智慧創造更多的商業價值，探索更多的無限可能。

高欣欣：很多的AI企業現在都有自己的AI研究院，我想請教一下Yann LeCun，現在你在領導Facebook的AI團隊，另外你在紐約大學依然有教授的職位，能否請教一下公司的研究到底該如何開展呢？

Yann LeCun：四年半之前我們在Facebook開始相應的研究，之前我在AT&T和貝爾實驗室工作過。通過開展一些研究可以提前進行AI的鋪設，並不是說所有的公司都可以做到這一點。人工智慧有很多問題仍然沒有得到解決，我們必須不斷的去進行研究，但還沒有任何一家公司或者個人能夠自行解決這樣一個問題。

在開源研究方面，我們可以與大學進行合作，比如說我依然在學術界保留我的職位。學術界與產業的結合是非常完美的。大家會看到在北美、歐洲、亞洲會出現越來越多的情況，研究科學家們會在企業或學術界都擔任職務，這樣可以更好地實現學術界和產業之間的交流，我覺得這是現在發生的非常重要的變化。

產業界開源，通過這種方式你可以吸引最好的科學家。你告訴一個科學家到你的公司來工作，但是如果你不告訴他你做的是什麼，實際上你就扼殺了他的研究。你必須告訴科學家你要做什麼，趨勢是什麼，他才願意到這裡來研究。科學家的職業發展，實際上也會影響到整個人工智慧研究的發展方向。

另外，像Google、Facebook這樣的公司，投入了很大的精力做人工智慧的研發，對他們的品牌來說有益，也可以吸引更多工程師人才。我覺得這可以讓他們變得更有吸引力，這就是他們為什麼投入研究AI方面的原因。通過開源你可以吸引到更多的人才參與這方面的研究。

高欣欣：不管是做AI技術的發展或者是AI產業的發展，其實都離不開人才，而AI人才特別稀缺。開復老師和教育部、北京大學一起發起了一個項目，預計在2019年培養數萬名的學生。你可不可以介紹一下AI人才計劃呢？

李開復：如果我們分析一下中美之間的優勢和劣勢，我覺得美國在教育方面有非常強的優勢。甚至美國前一百名的大學都有非常好的AI課程。在國內雖然有非常優質的計算機人才，但是我們要建立起人工智慧的金字塔必須從基層做起，也就是說我們需要在大學的時候就有一定的AI基礎，怎麼做這個事情呢？我們分了三個步驟。

第一個事情，我們和教育部、北大做教師的培訓，這樣不僅僅是中國的前十名大學，中國的前一百甚至幾百名的大學都能夠有AI課程，讓學生在讀本科的時候可以接觸到AI領域。

第二，我們會做針對性的培養，把最有潛質成為未來AI金字塔頂尖的人才做培養，請國際和國內的大牛對他們進行幫助。經過這些課程，我們今年會教100位老師，明年會更多，他們在三四年之內可以教出幾萬名學生。我們還和AI公司成立了競賽平台，去年有一萬人參加，未來有幾十萬人參加，這樣我們才能把AI教育做得更普及。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！