131
CMU計算機學院院長、穀歌工程VP：未來五年看好AI理解情緒和情感
Andrew Moore於2000年成為卡內基梅隆大學（CMU）的終身教授。2006年，Moore加入穀歌，負責建設一個新的工程團隊，作為工程副總裁，Andrew負責公司零售業務部門Google shopping。Moore於2014年回到CMU擔任計算機科學學院院長。Moore是計算機科學和人工智能領域最有影響力的人之一。
在福布斯的AI係列采訪中，Moore發表了對不斷演化的人工智能領域的見解，以及AI競賽中可能的決勝因素。
問：正如你所說，從其起源，人工智能是一個非常重要的話題。有很多與人工智能相關的話題，例如機器學習和機器人學。你能解釋一下它們之間的關係嗎？
Moore：20世紀 90 年代，計算機開始碾壓人類。 1997年，計算機擊敗了國際象棋世界冠軍。在那之前，我們把國際象棋視為隻有人類智能能做的事。過了幾年，我們發現能夠編寫計算機算法，來完成很多被認為需要人類智能的事情。
當我負責一個AI軟件團隊時，我們總是把問題分解，並將人員分為三個部分：感知，決策和行動。通常，建立AI係統時，你必須弄清楚“感知”：它將如何理解其周圍的世界？從事決策的人們必須弄清楚：根據最終目標，如何在許多可能性中做出選擇，找到最佳選擇？負責行動的人需要弄清楚：如何使AI與世界接軌？這可能是通過與人類交談或通過在工廠中控製閥門。這是一個大循環。你感知到世界，做出決定，行動，看看結果如何，然後再來一次。
那就是頂級架構。我會講更多關於決策部分的細節。講個有趣的故事。Allen Newell和Herb Simon正確地想出如何讓計算機做決定。一種成功的方法：假設機器人對自己說，“如果我這樣做，我能預測接下來會發生什麼，看看是否有好處”，“但是如果我做另外一件事情，我將預測接下來會發生什麼，並且看看是否有好處。“決策係統的一般形式是想象可能發生的不同事情，預測其結果，然後選擇最好的。這個效果非常好，但隻適用於人們能夠在軟件裏寫下來預測規則的問題。這就是（計算機）在國際象棋上取得成功的原因，因為象棋的規則非常清晰。
國際象棋的成功使我們興奮，我們認為可以將它應用到其他地方。AI在上世紀九十年代後期，有了一些進步。然而，我們很快就陷入了困境。問題在於有很多事情我們無法寫出預測程序。例如，如果你嚐試在搜索引擎中顯示好的結果，像當時的AltaVista這樣的東西，並且你想說：“如果我顯示這個，讓我預測一下用戶對這個答案的滿意程度” 。每個人都搞不清楚如何寫出這些預測。
一般來說，你不會讓人類程序員寫出行動將引發什麼結果的預測程序。相反，你讓係統使用以前存在的數據來編程，如果你願意的話，係統還可以做出與曆史數據最匹配的預測內容。
簡而言之，人工智能的曆史是：感知，決定，行動。係統的決定部分看起來很棒，但是我們遇到了麻煩，因為我們不知道如何預測。在2000年之後，技術的巨大進步有助於計算機編寫程序來預測下一步要發生的事情。這就是我們現在所處的階段。
問：你談到了AI的曆史和演變，在這個話題上，我們的目標似乎一直被推向更遠。伴隨著這一領域整體的進步，似乎不管從業者還是公眾都將已經取得的進步視為理所當然。你能談談我們現在處於AI發展的哪個階段嗎？
Moore：這就像繪製未被探索之地的地圖一樣，我們需要找出哪些任務可以被自動化。我們可以讓計算機在那些主要涉及預測和在許多選項中進行選擇的任務上工作得很好。但我們人類能做的其他事情，尤其是涉及橫向思維或類比推理的事情，人類通常通過將問題轉化為人類經驗的其他部分來解決，但計算機在這些領域幾乎沒有什麼進展。在推理能力上取得進展，我無法說是需要5年還是55年的時間。另一方麵，有關人類智力很容易獲得的成果，我們不清楚是否需要去研究那些更高級的認知。
問：基於你所描述的，會有哪些將影響人們生活的近期進展？
Moore：在未來五年內，有一件事將改變許多消費產品和消費者體驗，就是理解情緒和情感意圖。三、四年前，計算機視覺和語音處理方麵的進步都是人物識別，物體識別，將口語轉化為可能的書麵語句。現在我們意識到可以走得更遠。例如，現代手機中的相機具有如此問的分辨率，可以在臉部看到細微的缺陷，並使用相機追蹤麵部皮膚。跟蹤皮膚，就能發現找出皮膚下肌肉的活動。使用已有的心理學知識，能從肌肉活動中檢測麵部動作單位和細微表情，以獲取甚至人類自己都沒有意識到的信息。這意味著，與一個人對話時，我們可以捕捉到他們很多的情緒：或興奮幸福、或恐懼，抑或輕蔑。
建立一個能夠讀取人們情緒的計算機，可能是件好事，也可能是潘多拉的盒子。
原文發布時間為：2017-11-4
本文作者：劉小芹，常佩琦
本文來自雲棲社區合作夥伴新智元，了解相關信息可以關注“AI_era”微信公眾號
原文鏈接：CMU計算機學院院長、穀歌工程VP：未來五年看好AI理解情緒和情感
最後更新：2017-11-06 10:03:45