GMIS 2017大會圓桌論壇：機器智能時代的青年先鋒視野

全球機器智能峰會（GMIS 2017），是全球人工智慧產業信息服務平台機器之心舉辦的首屆大會，邀請了來自美國、歐洲、加拿大及國內的眾多頂級專家參會演講。本次大會共計 47 位嘉賓、5 個 Session、32 場演講、4 場圓桌論壇、1 場人機大戰，兼顧學界與產業、科技巨頭與創業公司，以專業化、全球化的視角為人工智慧從業者和愛好者奉上一場機器智能盛宴。

5 月 27 日，機器之心主辦的為期兩天的全球機器智能峰會（GMIS 2017）在北京 898 創新空間順利開幕。中國科學院自動化研究所複雜系統管理與控制國家重點實驗室主任王飛躍為本次大會做了開幕式致辭，他表示：「我個人的看法是再過幾年，我們 90% 的工作是人工智慧提供的，就像我們今天大部分工作是機器提供的一樣。我們知道人工智慧會給我們提供一個更美好的未來。」大會第一天重要嘉賓「LSTM 之父」Jürgen Schmidhuber、Citadel 首席人工智慧官鄧力、騰訊AI Lab 副主任俞棟、英特爾AIPG數據科學部主任、GE Transportation Digital Solutions CTO Wesly Mukai 等知名人工智慧專家參與峰會，並在主題演講、圓桌論壇等互動形式下，從科學家、企業家、技術專家的視角，解讀人工智慧的未來發展。

在27日大會的最後一個環節，是主題為《機器智能時代的青年先鋒視野》的論壇活動。參與分享的嘉賓分別是：來自加州大學伯克利分校計算機系在讀博士姜碧野，卡內基梅隆助理教授Zachary Lipton，澎峰科技創始人張先軼，NIPS 2016 最佳論文「VIN」作者之一吳翼。其中姜碧野為本場活動的主持人。

姜碧野：大家已經進入AI領域，大概有四年的時間了。請給我們分享一下如何快速學習、獲取AI方面的知識？比如在兩年之內，就能通過學習更好地了解這個領域？

Zachary Lipton：我的背景很有趣，在專科學習前，我是音樂人，沒有計算機科學方面的背景。相當於是一張白紙。這就意味著我必須快速學習。PHD給了我很多自由度，我可以花數周的時間專註於這個方面，然後去找到資源，互聯網有很多資源，可以從中學到基礎的知識。此外，也可以跟別人共同研究論文，彼此分享。

我的經驗是，並不是要成為專家，才能產出。比如我寫第一篇論文時，並沒有實施能力建立複雜運算，但是評估方面有研究空間，因而我的第一篇論文關於這個方向。我認為，只要你不斷學習，慢慢地就會了解如何寫論文，做實驗，對別人的論文如何評論。你可以通過寫論文或者做其他事來成為專家，而不是等成為專家之後再來做事，因為成為專家需要很長時間。

對於機器學習而言，並不是要成為全球最頂尖的人，而是在具備一定數學知識基礎上，找到合適的研究方向，知道它的問題，懂得如何進行複雜的運算或者實驗，再通過講述好故事的方式指出解決的問題所在。此外，從朋友、合作者，以及具體領域的實驗或數據，都能學到很多知識，比如對醫療領域的應用，就給了我很多想法。

張先軼：平時我要寫很多論文，學習一些知識，看一些源代碼。我是做高性能計算的，比如B型超級計算機的性能，需要設計神經系統來優化神經系統的模型，因此需要了解一些低層次的模型以及他們的計算、運行方法。我們還要了解各種不同的系統、矩陣、卷積系統，這是我們的研究範圍。

吳翼：你身邊總有一些專家，大膽去敲他們的門，告訴他們，你想跟他們合作，並且說明你要做什麼。我當時就是這麼做，去敲教授的門，詢問他，是否有項目需要我效勞。然後我跟教授合作了一個項目，發表了一篇文章。我認為，勇敢地跟正確的人對話很重要。

另外，好的合作者很重要。在做深度學習的時候，我有很多好朋友，也有很好的合作者。當然，這需要開放的心態和開放的視野，因為，在不同的領域，你不知道兩年之後會做什麼，而在新領域，也有可能出現你以前不知道的知識。

姜碧野：先軼，你作為青年創業者，你有沒有踩過一些坑？或者有一些覺得非常精彩，非常有意義的事情可以跟大家分享一下？

張先軼：我之前是在中科院待了很久，後來去國外待了一段時間。其實大部分時間要麼在大學，或者是研究所工作，做的都是有點偏研究+工程的這種東西。但是在創業的時候，其實之前的經歷和做公司差別還是很大的，因為我們做Research只追求一個點，只聚焦到一個點上做得非常漂亮，把我的論文發出去，可能再去做其他的東西。

但是作為公司，是要把我們在計算、加速的點上下鏈條做得更多一些，可以成為一個真正的產品性的東西，交付給客戶，客戶使用更方便。因為大量的客戶，可能他需求的是一個房子，你提供給他的不能是一個很漂亮的磚，那個磚他用不了，你必須得壘成很漂亮的房子提供給客戶，而且每個公司背景不一樣，要考慮的問題都有很大不同。

姜碧野：Zachary Lipton，你很快就晉陞為教授了，我想請問，你作為一個年輕的教授，尤其是在AI的領域，你對學生的期待是什麼？你給他們什麼建議呢？

Zachary Lipton：首先要靈活，要跟不同的學生有不同的合作，裡面有很多不同的因素，因此我是因材施教。不同的學生有不同的目標，你允許他們有不同的打算，有的人想在學術界，有的人想直接去業界等等。有人想成為成功的工程師，但是他對於研究的過程並不熟悉，所以我就幫助他，比如說怎麼使用深度學習實驗室，就教了他很多關於做研究的問題。比如有的人完全不知所措，不知道從那裡開始，我也有教導他們的方式，取決於學生的背景，要因材施教，了解學生不同的特點。

此外，在機器學習中，越來越傾向實證化了，你看到了從原來理論的驗證，一直到現在越來越傾向於實證了。我自己本身也是偏實證、實驗的一個人，這也是我未來五到十年想對學生們說的，我鼓勵他們去做一些更現實的問題，做一些現實性的假設，以批判性的思維來對待他們。現在機器學習，因為很長時間以來，機器學習就是機器學習，是學術界裡面，是象牙塔里的事情，外面就是外面的事情，現在卻完全不一樣了，不再是過去那種只空談理論，就可以發論文的時代了，所以，現在機器學習更加實際了，更加實證了。

姜碧野：你是否覺得學生們應該有數學的背景，或者是理論分析和演算法的背景？

Zachary Lipton：我只能說，現在這個門檻更加偏實證了。中午的時候，聊到一句很有意思的話，拒絕了一篇文章，這篇文章如果測量、測量、測量，這個文章根本就不用看了，沒什麼價值。當然這只是一個玩笑，並不是說必須得有數學的背景才能搞人工智慧，但有數學背景肯定還是會有用處的，工程數學肯定是一個加分的東西，是一個優勢的東西。如果你在數學或者是其他方面沒有背景的話，反倒會是有一點障礙，數學背景不是必須的，但是肯定是非常重要的。

吳翼：深度學習和烹飪一樣，需要一點天賦。比如我一次做一個菜，我的室友就沒有那樣的天賦，他要想做一道菜，可能兩個鍋都糊了。有的時候，有的人做一個事情需要一天，有的人需要一個月，所以還是需要一點天賦。

姜碧野：作為青年先鋒，能給我們描述一下未來幾年您想要去做的一些，讓我們感到興奮的領域，能跟我們說一說嗎？

張先軼：我覺得開源是非常重要的，在應用的層面，在網路層面，在深度學習層面，在資料庫方面等各個方面。但是在CPU這邊，或者是硬體的方面，在處理器方面，並沒有什麼太多的、著名的、開源的標準。所以，我覺得Risk Five是一個非常好的開始，一個非常好的研究題目，我們的研究團隊可以使用Risk Five這個開源的東西，把它和其他的加速器結合，來建立自己的晶元，用來做自己的應用，這是非常好的，我覺得這是未來的一個方向。

另外關於學術界，我想說增強學習、強化學習將持續是一個熱點。我真的希望深度學習可以做一個星際的AI。還有一個研究的熱點，就是結合深度學習和自然語言和強化學習，在自然語言裡面，我們可以去評估機器理解語言研究得多好，在這裡面我們可以開發出各種各樣的應用。最近也有一些讓機器去聽從人類的語言，說出來的一些命令，命令的執行，也是一個很好的領域。

Zachary Lipton：對於我來說，我覺得機器學習會應用於醫學方面，還有就是強化學習和對話。我覺得其實未來是很多元化的，為什麼我願意進入機器學習呢？讓我很興奮的地方，我覺得它已經開始以一種重要的方式影響社會了。我們現在的技術已經很先進了，或者說已經取得了一些新的進展，比如說它可以幫助人們過濾新聞等等。而深度學習進入到社會的視野當中，開始影響社會，將來人類社會會越來越自動化，更多的行業和工作越來越自動化。在未來五到十年，或者是更快早的時間，我們會進入到關鍵時刻，整個社會應該一起決定對於機器學習應該有什麼樣的公共政策，應該有什麼樣道德上的考量，倫理上的考量，進而制定政策來引導機器學習。在社會層面上，我們已經到了一個需要認真思考這件事情的時候了。

姜碧野：現在有各種各樣的框架，使得人們可以快速寫出這些網路，越來越多的人，哪怕是本科生，甚至是上大學之前，都可以自學來寫出一些象樣的東西。你覺得這些年輕人需要哪些技能，才能夠真正在這個領域有更好的職業發展呢？

吳翼：對所有的博士生來說，寫作很重要。我看了一些論文，根據他們的文字，就能判斷這是本科生還是博士寫的，而現在本科生的寫作能力差強人意。

Zachary Lipton：深度學習有關的論文，如果你三四年前已發表過，就不能再發類似主題的論文，某個主題第一篇成功論文，很有啟迪性。如果你再寫，沒有新意的話，根本發表不了。因為以前它是創新，讓人敬仰，但現在是有用的常規工具，如果你沒有沒法超越此前的想法，論文也發表不了。理論是不斷演進，不斷有新的方法出現，我們要不斷追蹤最前沿的知識，再加上工程和數學的思維。具體來說，我們需要深度理解一些子領域，把我們關注的子領域徹底研究透徹。現在有一個有關衛生領域的深度學習的新會議，我發表過文章，我也是評委之一，在評委中，有臨床醫學和深度學習的專家，在審閱深度學習論文的時候，會更貼近業界以及現實應用。我們未來會追求多元化的研究方向，但要求要有新意。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！