618
機器人
Michael I.Jordan：人工智能的機遇和挑戰
2017，人工智能正在以前所未有的態勢撲麵而來。
頂層規劃已然出台、科技巨頭加速布局、投資行業搶占風口、垂直細分領域逐漸崛起……
一方麵，投資人與創業者將人工智能看作下一個亟待開啟的寶庫，興奮且躁動；另一方麵，AlphaGo、語音技術、無人駕駛等技術讓世人相信AI正從概念盛行走向實際落地，未來，人工智能將無處不在……
在這個AI入口之爭已然開始，來者猶可追的時點，我們為您邀請到人工智能領域的根目錄人物、AlphaGo們的祖師爺、美國三院院士，Michael I. Jordan教授。
本次課程，Jordan教授將從一個科學工作者的角度，基於其在大數據領域30年的研究經驗、以及在統計學的深厚功底及思考，為您解讀他眼中人工智能的發展與局限、機遇與挑戰。
有問題想問Jordan教授 ？（戳此提交問題），也許在課堂上就能得到老師的回答哦～
Michael I. Jordan：
人工智能的研究機會和挑戰
首先簡單做一下自我介紹，我於1998年加入加利福尼亞洲大學伯克利分校，並擔任教授，在機器學習以及統計學領域已有30年的研究經驗。
因此，我對大規模數據的研究非常感興趣。在過去的幾年來，這些不斷增長擴大規模的大數據讓我們這些科學家和研究人員十分興奮。
利用這些豐富的數據，我們可以打造更多細分的市場和服務。這些讓人充滿想象的業務模式和市場，讓我感到非常的興奮和激動。
人工智能的四個觀點
首先給我想和大家一起討論一下人工智能（ArtificialIntelligence，AI）。
越來越多的人開始討論AI。人工智能過去10-20年的飛速發展，實際上是是機器學習的增長和統計學的發展。但歸根結底，無論是人工智能的發展亦或是機器學習的發展，核心都是依賴數據的積累和發展。
如今，AI這個詞不斷被高頻地提及。那麼究竟什麼是AI，它的目標是什麼呢？人工智能現在發展到什麼程度了，接下來又有哪些發展方向呢？
首先，提到人工智能，大家腦海裏的第一個形象通常是機器人。就像電影《我，機器人（I, Robot）》中的智能機器人一樣，人類可以與它進行智能的互動。
因此，有些人覺得人工智能就是指這方麵的進展。它可以和你溝通，甚至照顧你的衣食起居。這也是我們在電影等藝術作品中常見的人工智能形象。
《我，機器人（I, Robot）》電影劇照
關於人工智能的第二種常見理念，我們把它叫做增強智能（Intelligence Augmentation），簡稱為IA。
什麼叫增強智能呢？就好比你用搜索引擎搜索這個詞，你會發現它能在很短的時間內返還給你數量龐大的結果，這些結果你憑人腦的力量是完全無法記住的。增強智能就像搜索引擎這類工具，它能夠幫你完成一些此前人力所不能及的任務。
除了搜索引擎之外，大家日常可以體驗的增強智能技術還包括推薦係統，網站能夠根據你的喜好更個性化的為你提供推薦；機器翻譯係統，計算機能夠輕鬆幫你在多門語言之間自如切換。
第三個則是人工智能基礎設施層麵的。從更廣泛的意義層麵來說，人工智能更可以代表人們生活周圍的基礎設施，例如交通網絡、智能家居、城市規劃、甚至是金融網絡等。結合人工智能技術，這些基礎設施可以更加智能化，也更加可預測。
我們可以直觀的感受到，人工智能技術給我們的生活所帶來的影響，這一點在中國相信大家也感同身受。我們可以更輕鬆的獲得更多的信息，並利用這些信息做我們想做的事情。
最後，還有一種人工智能的觀點是“混合”，也就是將以上三個觀點進行整合。如自動駕駛、人工智能醫生助手、教育平台等。它不僅能夠作為一個實體與人們進行互動，還能從不同角度為人們賦能，創造更大的價值。
人工智能哪些可以實現，哪些是不可以實現？
當然，我們不可能把所有東西都實現出來。下麵，我將就計算機視覺、語音識別、自然語言處理和機器人這四個研究方向和大家分享一下當前的研究進展。
計算機視覺
關於計算機視覺的未來願景，我們已有很多探討。十幾年前可能還做不到的圖像識別技術，現在已經實現了質的突破。
目前，計算機已經能夠在複雜的圖像中準確識別出特定的物體。但是目前計算機還缺乏對視覺場景常識性的理解。
例如，如果我走近舞台的邊緣，你會感覺到我很有可能從舞台上摔下來。你可以從場景中判斷接下來會發生什麼，以及為什麼會出現現在的場景。目前我們還遠沒有實現這方麵的能力，但這在未來是有可能實現的。
語音識別
目前，關於語音識別的研究我們進展到了哪裏呢？目前，從語音到文字的相互轉化，已經在諸多語種中成功得以應用。但是，目前計算機的聽覺能力還十分局限。
例如，如果你閉上眼睛，隻憑聽覺來感受周圍的環境，你可以知道你正身處於是安靜的公園還是繁華的街道，你可以根據聲音來推斷周圍的人和物的方位。
從聽覺的角度來說，計算機目前還缺乏這一類的常識性認知，如果再加上複雜的語言信息，那就更是難上加難。
自然語言處理
相比於前麵提到的計算機視覺和語音識別問題——這兩個問題還相對比較容易，自然語言處理則十分困難。當然，我們能看到機器翻譯目前已經取得了很大的進展，但是它仍然會錯漏語言中的諸多細節。
毫無疑問，當下的機器翻譯使用的神經網絡技術能對海量的不同語言數據進行計算和匹配。但人類學習語言的方式則和計算機則大不一樣。
例如，我也會意大利語，但是當我把意大利語翻譯成英語時，我更多的是對意大利語句進行理解和消化，再將這個語義用英語表達出來。此外，問答（QA）也是自然語言處理研究的經典問題。
目前問答係統的研究隻能回答一些條件明確、答案簡單的簡短問題，而無法對真實世界問答場景中複雜的問題作出複雜的回答。
最後，人們語言中的語義繁複多樣，有同義詞、近義詞和反義詞等問題，一個詞組在不同的語言場景中可能蘊含多種含義。不同語言之間的表達方式和習慣更是有所不同。
對於人類來說，我們在從小到大的學習過程中學會了如何辨別這些複雜的語境，但計算機目前還遠不能做到這一點。
機器人科學
目前，在工業界正在使用的機器人隻能程序化地完成一些固定的任務，這與我們想象中的“人工智能機器人”區別較大。
機器人科學有助於實現人工智能研究的最終願景——我們希望未來人工智能機器人能夠自主的運行，並與我們互動。
人工智能的未來十年願景
接下來，我和大家討論一下人工智能未來十年的願景。
我雖然不是預言家，但我認為上麵列出來的這些內容在今天無法實現，但未來十年則有可能變成現實。業界有許多公司和機構正在從事這些方麵的研究，以期最終推出合適的解決方案。
例如未來十年，自動駕駛汽車甚至是無人駕駛的空中出租車是有可能實現的，雖然眼下這些技術的使用體驗還不甚良好，但是可以期許的是未來十年這些前沿技術應該可以為人們所用。
在技術的可用性上麵，相信十年後就可以達到一個比較理想的情況。當然在未來十年之內，人工智能係統的“智能”還非常有限，你並不會覺得它能和人類一樣智能了。我認為未來十年這些AI係統還不能像人類這樣有這麼高的靈活性和創造性。
AI係統往往局限於某個特定領域，它們能夠理解的語義也是十分有限的。至於AI係統在人機交互的過程中能夠產生什麼樣的理解，是否能實現預測、計劃等高級智能——實際上我們離這一步還非常遙遠，至少要花幾十年的時間，甚至數百年時間才能讓機器人了解人類。
如此說來，人工智能研究還有哪些是在我們有生之年很難實現的呢？
可以說，創造力和智能對於人工智能係統來說還很難實現，推理和抽象能力的實現也似乎遙不可及。
例如在社交媒體上，人們時常會創造出一個新的詞匯，而其他人也能很容易理解這個詞在這個語義背景下的意思，而不需要像計算機一樣通過讀幾千個句子來理解。
此外，對於AI係統來說，讓它主動做一個長遠的規劃是非常困難的，而人類卻經常會給自己主動設定一些雄心壯誌的目標。AI技術的發展還存在著許多其他的限製，它遠沒有一個正處於成長期孩子那樣強大的學習能力。
孩子可以通過少量書本上的圖片和信息了解世界，但是AI即使看過了無數張圖片和信息，仍然很難對世界產生自己的“理解”。
我並不覺得在可見的未來有什麼超人類AI的存在。當然有些並不是AI研究領域的人會鼓吹以後會出現超人類的機器人。我並不認為這種情況會發生，也沒有理由會發生。
當然你也有可能不認同這種觀點，例如你會覺得計算機比人類的處理能力要強大得多。但人們目前對“智能”的了解十分有限，因此也無法預估實現真正的人工智能需要多強的運算能力。
我們現在能看到的是計算機能夠處理大量的數據，但它在做假設、推理等方麵的能力還是非常有限的。計算機雖然能識別這些場景，但是它無法了解場景的作用和意義。
人類目前花費大量的精力在幫助機器理解現實世界，但計算機是沒有主動學習能力的。計算機和人類的差異巨大，更遑論自我認知等更高層麵了。
不久前AlphaGo橫掃圍棋界讓人們驚唿人工智能強大的“智能”水平。但實際上我覺得圍棋並不是一個非常困難的遊戲，因為這些棋局就在你麵前，每一步的選擇都是有限的。但在實際生活當中，我們做出的判斷和麵臨的選擇常常沒有邊界——門外的世界一切皆有可能，你腦海中的世界也天馬行空。
圍棋，確實需要超級計算機來計算海量的可能性，但圍棋的選手並不是以機器的方式來思考的。因此，我們並不能聲稱機器在圍棋上打敗了人類，就比人類更聰明。
但是好在，人工智能強大的計算能力和先進的算法正在各種不同的應用場景中發散。你也許認為機器的智能已經到了很高的水平，但其實這種論斷言過其實了。
對於出色的人類的智能而言，圍棋問題答案是有限的，因此就相對簡單，而像交通、金融、醫療這些通常解決方案多樣的問題，才是真正棘手的問題。
關於人工智能，我們應該擔心什麼？
人工智能係統看上去很智能，但實際上並非如此。
首先，人工智能係統並不能真正理解他正在做的事情。例如，將係統中一些詞句替換成發音相近但語義相反的其他詞匯，隻要係統能夠正常運轉，它並不能從語義理解層麵進行察覺異樣。
其次，人工智能係統並不知道做出搜索，或提供數據之後會產生什麼樣的結果。人工智能如果出錯則會帶來很嚴重的後果，這是人們需要考慮的問題。搜索引擎，你在輸入關鍵詞後係統會返還給你各種各樣的搜索結果。但對於醫學的診斷，你必須提供有效可行的治療方案，如果醫學診斷出錯的話，它就有可能使人致命；在金融的世界裏，錯誤的決策會引發巨額的經濟損失；在交通問題上，錯誤的決策也會招致不必要的災禍。
第三，人工智能可能會讓一些崗位消失，但同時也會產生新的崗位。我們知道，幾百年前的工業革命讓一部分人失去了工作，與此同時也有更多新崗位的出現，但人們必然需要花時間來學習和適應這個轉變。
最後，就是人工智能的使用問題。我並不覺得機器人以後會統治人類，雖然這種情景經常出現在電影、小說等藝術創作中，因此這個話題時常被大家提起。我認為問題並不在人工智能技術本身的危險與否，而在於這些技術會不會被心術不正的人錯誤地使用。我們需要將技術用在正確的場景和合適的人身上，真正用技術賦能世界。
人工智能目前有哪些重要的技術
接下來，我與大家分享一下人工智能研究的幾個技術方向。
第一，機器學習。像聚類、分類、預測、維數縮減、優化等都是值得研究的方向。隻要有大的數據集、好的算法和並行分布式計算，就能取得不錯的效果。
第二，規劃。如何找出一個問題的最佳解決方案？我們可以基於搜索技術，來助力人工智能的策略和戰術，找到解決問題的捷徑。這也是機器學習的一個方麵。
第三，人機交互，這一直是一個重要的話題。人機交互指的不僅是讓機器獨立地工作，還包括如何更有效地促進人機互動。研究方向包括如何讓機器主動向人類學習，眾包來解決複雜問題，以及經濟學和博弈論模型等。
機器學習存在的挑戰
我以清單的形式和大家分享了如今機器學習的挑戰，我覺得這個領域還有很多工作可以來做。
不確定性問題。深度學習雖然發展迅速，但仍有許多問題亟待解決。尤其是還有黑盒子問題尚未完全解決，大家隻關注輸入和輸出，最終得出結果，中間的過程還有很多不確定性。但是在解決醫療等問題，這種不確定如果很高的話就無法起到參考價值。
不可解釋問題。我們需要一套係統能夠解釋機器決策和行為背後的原因。
深度理解機器學習、了解機器學習中的每一個環節。目前，我們對數據集的依賴還很強，而無法利用少量的數據做類比、推理等其他思維過程。
人工智能係統需能夠製定和規劃長期目標，並主動搜集相關數據進行分析。
人工智能係統需要實現實時及時的表現和反饋。我們現在隻能期望結果盡可能的快。
係統麵臨對手攻擊，如何保證魯棒性的問題。
數據共享問題。對於機器學習來說，數據量的大小和數據的質量十分重要。如果個人和機構能夠對數據進行共享，將不同的數據放在一起並整合，這樣就能取得更好的效果。
隱私保護問題。我相信這也是機器學習麵臨的一個重要挑戰，這雖然是另外一個角度，但與各位的工作都息息相關。
個性化與機器學習
我們看到最近幾年來，越來越多的矽穀公司提供個性化服務的，我也相信這是未來的趨勢所在。但要提供這些服務，我們需要從消費者那裏獲得大量數據，然後讓計算機去學習，去做決定。
最後，隨著公司規模逐漸擴大，一個原本服務20名用戶的公司為一萬人、甚至是幾百萬的用戶提供服務，隨著用戶規模的擴大，個性化服務的質量則會逐步下降。作為公司的決策者需要考慮諸多因素，在控製成本的同時提供更好的服務。而這些矛盾在短時間內很難解決。
在機器學習和統計學的研究上，我們需要有時間預算的概念。例如你搜索了一個關鍵詞，你期待係統得在幾秒鍾之內迅速返還答案。而目前個性化的服務係統，可能同時有幾千個模型在運行，這個係統十分複雜。
當你獲得更多的數據，或是加載更多的模型時，為了留住用戶它的速度必須變快，必須越來越精準，但這個要求與現實是相反的。實際上因為數據量越來越大，錯誤率也會增大，數據的處理速度反而會越來越慢。
因此，正確率和時間預算有時很難平衡。隨著客戶的增加，用戶的不同需求也會越來越多。
人工智能係統的魯棒性十分重要。幾千年前人類開始建造橋梁和房屋，它們也促進了經濟了發展。隨著時間的推移，幾百年過去了，有許多橋梁和建築物因為各種自然災害等原因倒塌了。
這對於數據科學來說也是一樣的，我們不僅需要保證係統當下的質量，還要保證很長一段時間係統的穩定性。我們需要專業的工程師來解決這些問題，但目前我們的能力還不夠。
最後，簡單的總結一下今天的內容。
機器學習或者說人工智能已經是現在這個時代最熱門的話題了，越來越多的科學家和公司都在加大投入對人工智能的研究。人工智能確實能夠解決某些問題，但目前人工智能技術還不夠強大，遠沒有成為一個理論全備的學科。
這不是說我們要停下來，而是說我們要繼續加強對人工智能的研究。但你不能期望AI可以解決所有的問題——這是非常瘋狂的想法，因為現在並沒有在發生。我們應該著眼於正在進行的研究、正在創造價值的理論。
人工智能會給人類帶來有用的價值，而不是焦慮。
感謝大家的聆聽！
最後更新：2017-10-07 22:34:31