幾百年內AI不會覺醒，谷歌也不一定能贏

科技 05-24

此喬丹非飛人喬丹。他是研究統計學和計算機科學家，目前研究的領域正是普通人口中的人工智慧（Artificial Intelligence，AI）。權威的學術搜索引擎Semantic Scholar，在2105年做了一項排名，計算機科學領域誰最具影響力，邁克爾·喬丹名列第一。而且此喬丹門下英雄輩出，如深度學習領域的大牛蒙特利爾大學教授Yoshua Bengio、百度首席科學家吳恩達、斯坦福大學教授Percy Liang等都是其弟子。

目前，人類對人工智慧的恐懼日甚一日，研究黑洞的英國物理學家霍金就認為人類會製造出如同人類一樣新物種，最終消滅人類。

人工智慧究竟會如何，2016年12月17日，在第二屆「復旦科技創新論壇」上，邁克爾·喬丹做了一場演講，他首先告訴聽眾，人們對人工智慧、大數據學習期望過高，目前已經發展過熱。而且他還意外地告訴聽眾，這門全民關注的顯學，目前還處於初級階段，並未成為體系化的理論科學，有很多難以理論化解決的難題。

在演講之後，他解答了霍金的擔憂，「霍金研究領域不同，他的論述聽起來就是個外行，機器人毀滅人類的可能性，在幾百年里不會發生。」邁克爾·喬丹認為，通過研究人腦的運行機理，從生物學途徑仿生出一個類人腦的人工智慧，以目前的進展看，很長時間裡無法實現。

具體到人工智慧的研究，邁克爾·喬丹認為，人工智慧最先獲得突破的領域是人機對話，更進一步的成果則是能幫人類處理日常事務甚至作出決策的家庭機器人。

霍金是外行

澎湃新聞：人工智慧、神經網路提出有幾十年了，發展歷程起起伏伏，神經網路研究在歷史上幾次受挫，是不是意味著人工智慧的研究方向是計算機科學，而不是所謂的人腦科學？

邁克爾·喬丹：我不認為神經網路經歷了起伏，神經網路的發展帶來了很重要的理論貢獻，你所說的起伏是由於計算機的性能不能匹配其大量運算的需求，當計算機的硬體、軟體、計算數據，這些都跟上了理論的發展進程，神經網路就能發揮出自己的優勢。

澎湃新聞：霍金很擔心人工智慧，但微軟的科學家說計算機具有自我意識還要幾百年之久，您如何看？

邁克爾·喬丹：霍金不是人工智慧的研究者，他是一個外行。計算神經生物學近期不會有太大的突破，大概幾百年後才能有進展，但我還是保守看好這方面的發展。

澎湃新聞：您不看好通過研究人腦科學獲得人腦一樣的運算能力這個研究方向？

邁克爾·喬丹：這是非常難的問題了，首先，人們對大腦運行機制還不是很清楚，目前還需要很精細的研究，要細緻地了解每一個細胞的功能機理。目前計算機視覺技術，主要通過對圖片、視頻來分析，這在模擬人腦認知方面是遠遠不夠的。打個比方就像我要研究上海的經濟狀況，不是通過空中簡單的航拍就可以了解的，這種方法太粗了。其次，以前科學家用行星運行來比喻原子內的結構，前提是我們對行星運行的機制有很深的理解。現在人們通過對人腦的研究來開發人工智慧，但對人腦機制的認知還非常淺，所以這個方向屬於未知的探索。

工作崗位被機器人取代是大勢所趨

澎湃新聞：人工智慧取代工作崗位這是肯定要發生的吧？

邁克爾·喬丹：工作崗位被機器人取代是大勢所趨，像自動駕駛取代計程車司機，可能會讓交通更安全，但是在經濟上帶來的影響是不可忽略的。比如出租司機或工人被機器取代了，他們的生活怎麼辦，他們有沒有被安排新的工作，這是很重要的社會問題，是科技解決不了的。人類不可能被機器毀滅，人類只能被自己毀滅。

澎湃新聞：目前已經通過人腦和電腦相連玩遊戲了，這能否是一個研究人腦獲得人工智慧的佐證？

邁克爾·喬丹：可以，但起到的作用很有限，這種研究是很粗略的，大腦是很精緻的，不太可能看了你的行為就能夠研究出來你的思維是什麼樣。

大數據明顯過熱

澎湃新聞：您之前認為大數據過熱，目前有很多大數據的數學和工程的問題需要解決，會發生一場大數據的冬天。但現在有非常多的公司進入這一領域，您還認為冬天會到來嗎？

邁克爾·喬丹：大數據明顯過熱。很重要的科學問題是怎樣讓大數據在大尺度、大規模的深度學習中解決實際問題。但有個很重要的問題是，大數據分析必須建立正確的數據模型，但是目前沒有辦法從根本上杜絕錯誤的數據模型。不過大數據的冬天還不至於到來，因為目前還是有很多好的想法，可能會有段冷卻時間，但可能不是冬天。不過大家對大數據的期望值實在太高了。

看好人機對話、自然語言處理的突破

澎湃新聞：人工智慧最先獲得突破的是哪一塊？

邁克爾·喬丹：計算機視覺領域已經有很好的突破，但我比較看好人機對話、自然語言處理的突破，這些是正在改變或即將發生的改變，譬如谷歌的翻譯系統最近有非常不錯的成果，下一個領域的突破就是在家用機器人方面，小機器人在日常生活中與人的人機互動，這是多方面應用的人機交互，既有計算機視覺，還有人機對話，以及綜合場景處理。家用機器人了解你日常生活的模式，並對此進行學習，然後進行下一步的服務，這是正在進行中的突破。

還有一個就是精準醫療，我非常看好，雖然前景並不非常明確，因為需要了解病人的歷史數據，再對可能要到來的疾病進行診斷、預測和治療。谷歌現在在各個領域都能幫助人，不是谷歌什麼都知道，是谷歌可以搜索，或了解這些知識。人工智慧的下一步就可以幫助人們做決斷，幫人做出決定，這是更深層次的邏輯運算。

澎湃新聞：掌握最多數據的公司認為他們更有優勢做好深度學習，現實如此嗎，其他公司的機會在哪裡？

邁克爾·喬丹：首先是數據量的問題，深度學習十分依賴於公司處理的是什麼樣的數據，譬如精準醫療、電子商務，專業的公司有大量的數據，但私人對這些數據並不是十分感興趣；另外是數據質量的問題，很可能大公司有更好的數據質量，譬如美國的推特、中國的微博，雖然每天產生大量的數據，但這些數據之間的關係可能比較微弱，普通人不感興趣，可能只有大公司才有興趣；還有信用卡以及金融數據，可以分析出大家的購買習慣，這對私人來說就是非常有用的東西。這也是數據量多的公司才能做的事。另外，數據收集方面有很大的挑戰，因為有人為或者不可避免的失誤，會對數據產生人為的損害和污染，如何保證數據的高質量是非常重要的問題。

澎湃新聞：在人工智慧方面最先獲得突破的是谷歌、亞馬遜這些大公司嗎？

邁克爾·喬丹：這是很重要的問題，但就2016年來說，研究機構還是最有可能獲得突破的，未來如何不好說，但過去30年的經驗，人工智慧的研究，研究機構一直領先。

以下為邁克爾·喬丹於第二屆「復旦科技創新論壇」暨第一屆「復旦-中植科學獎」上的演講，由復旦大學大數據學院張楠整理。以饗讀者。

大數據的世紀難題

——缺少理論化的科學體系

在建造一個大數據系統時，設計者通常都要面對精準性和計算速度的取捨，目前並沒有一個科學化的體系來指導我們。這個指導系統的重要性，就像是幾千年來，人們修建房屋和橋樑，不斷實踐、試錯改錯、最後理論化提煉出土木工程這門科學，可以指導人們應對建築工程中遇到的所有問題。在大數據時代來臨之前，我們在相關領域取得了很多成果，比如計算機科學、統計學、機器學習等。但當我們面對大數據的新問題，我們並沒有一套科學的解決方案，這是世紀挑戰。

因此我們不能簡單地將已有方法拿過來套用，而是要從科學的角度認真思考和嘗試找到科學方法，其中非常重要的一點就是將計算思維和推斷思維結合起來。

幾十年來，研究者一直致力於用機器代替人來進行特定的活動。有些方面已經取得了巨大的成功，比如Google搜索引擎，我們在一個空白框內輸入關鍵詞，很快就可以得到我們想要的答案。就這個搜索框而言，其背後的技術在幾十年中不斷發展，通過數據的日積月累和演算法的不斷改善，形成了如今的非常個性化的服務系統。

在矽谷，越來越多的公司在設計、開發類似的個性化大數據系統，比如搜索引擎、電子商務、精準醫療等等。他們在數據不斷湧入的情況下，通過調整參數、嘗試不同模型，提高預測的精準性。相比控制出錯的比例，公司更關心的是出錯的絕對數量不要隨著數據的增多而增加。

同時，大數據帶來的另一個挑戰是對計算速度的要求。數據越多，處理的時間也就越長。一個高度個性化的、準確的服務系統，如果運行起來很慢，用戶是不會滿意的。比如，搜索引擎的響應時間已經從最初的幾秒優化到如今的幾毫秒。如果思考得更長遠些，今天我們有TB（1024GB）級的數據，幾年後我們會有PB（1024TB）級的數據。豐富多樣的數據可以使系統個性化、精準化方面再上幾個台階，但是同時人們也期待計算速度能夠越來越快。

而計算思維來自於計算機科學，是一種思想，是關於思考特定問題的抽象化、模塊化、擴展化和穩健化等方法，絕不僅僅是如何編程。計算機專業的學生在這些方面都會接受很好的訓練，但被大家忽視的，也是特別重要的推理思維。推理思維不是新思想，它是有幾百年發展歷史，它是統計學中最核心的東西。推理思維強調的是，拿到數據，我們要思考數據是從哪裡來的，背後的真實世界是怎樣的，數據如何從真實世界中採集來的，會不會有採樣偏差，等等。

遺憾的是，計算科學和統計學長久以來獨立發展，直到如今的大數據時代，兩個學科的交叉，才使得這兩門學科遇到了真正的機遇，同時也帶來了挑戰。

一方面，計算機科學家並不太懂統計推斷，所以他們把這方面的研究命名為機器學習。然而機器學習只是將模型應用到數據上，並不關注推斷問題，以及樣本和總體之間的關係，也沒有涉及統計學中偏差和因果推斷的內容。

另一方面，傳統統計學理論關注損失、風險、隨機性等概率性質，極少涉及計算時間方面的概念。

我們舉一個醫療研究的例子來體會計算思維和推理思維的不同和聯繫。假設有一個存放患者健康信息和醫療歷史的資料庫，如果有直接查詢的許可權，我們就可以得到想要的信息，並進行下一步操作。但由於保護隱私的考慮，我們通常只能查詢到經過隨機化處理的間接信息。計算思維考慮的問題，就是基於間接信息的結果，如何儘可能得到近似原始觀測得到的結果，使用這些擾動過的數據，能不能做出和使用原始數據一樣好的預測。

推斷思維的角度則完全不同。我們通常假設：資料庫中所有患者的信息只是某未知真實總體的抽樣觀測，我們不僅關注那些信息已經存在資料庫里的患者，我們也關心那些不在資料庫中、但類型相似的患者。那麼，統計學家關注的是，基於資料庫直接信息的結果會對真實世界的結果有多好的近似。

這是幾十年前，這兩個領域各自研究的問題。現在是如何把這兩種思維結合起來。

所以，在這個醫療數據隱私例子上，我們關心的問題就變成了我們如何利用隨機化的間接信息，來得到近似真實世界的結果。推理思維在連接真實世界和間接信息中起到了橋樑作用。

因此，大數據帶來的挑戰層出不窮，將兩種思維結合起來，並且認真研究新問題，才是真正的核心。無論是對理論還是實踐感興趣，我們都應該為有更多的機遇而感到興奮。

來源：澎湃新聞