當前位置:
首頁 > 科技 > 谷歌撰文「奇蹟機器」,Yann Lecun評「應拉上微軟」

谷歌撰文「奇蹟機器」,Yann Lecun評「應拉上微軟」



谷歌撰文「奇蹟機器」,Yann Lecun評「應拉上微軟」




谷歌撰文「奇蹟機器」,Yann Lecun評「應拉上微軟」


圖:Pixabay


該文作者是Eric Lander和Eric Emerson Schmidt。埃里克.蘭德(Eric Lander)是美國哈佛大學—麻省理工學院布羅德研究所的總裁兼創始主任。埃里克.施密特(Eric Emerson Schmidt)是Google母公司——Alphabet的執行主席。


半個多世紀以來,美國經營了所謂的 「奇蹟機器」。得益於聯邦在科技上的投資,這機器定期製造出驚人的進步。

「奇蹟機器」改變了我們的生活和工作方式,加強了國防建設和醫學改革。它孕育了整個行業——圍繞計算機,生物技術,能源和通信——創造了數百萬個就業機會,在無人駕駛、基因組編輯、人工智慧、癌症免疫治療、量子計算機,以及更多方面成為未來的科技中心。


可是近來,其他國家正在大力發展自己的「奇蹟機器」,而我們卻一直在忽視自己的「奇蹟機器」。科技資金在過去十年中一直在不斷下降,其中就有一個這樣的例子:為調整通貨膨脹,美國聯邦衛生研究機構的國家衛生研究所的預算自2003年以來已經下降了近25%。


如果政府和國會想要確保先進性,他們應該擁抱並支持我們的「奇蹟機器」。國會本周通過的支出法案就代表了一種進步,但要恢復失地,確保領導地位,這還是要有很長的一段路要走。


「奇蹟機器」可以追溯到第二次世界大戰結束前夕一份稱作「科學:無盡的前沿」的報告中。從藍圖中可以看到將環環相扣的發動機——公共部門和私營部門,結合在一起來推動進步和創新的力量。


美國擁有具有活力的私營部門、企業家、投資者,大公司和資本市場都渴望獲得技術許可,並啟動初創企業。但是這些企業往往是由基礎研究的技術驅動的,因而很少有公司進行這樣的研究,因為它的成果通常太不可預測,與商業化相距甚遠,距離獲得專利遙遙無期。

這就是政府,投資基礎研究通常對企業來說是沒有意義的,但這對我們的國家來說是一個「贏家」的策略。60年來,聯邦政府已將聯邦預算中的每一美元甚至每一分錢都投入到大學和研究中心的研究中。反過來,這些機構已經產生了大量的重大發現,培養了幾代科學人才,為新公司注入了新的活力,併產生了新的工作。


對於初創企業來說,在對自然世界的好奇心中上進行過投資已經產生了驚人的紅利:探索細菌在間歇噴泉或鹽平板中茁壯成長所帶來的突破性工具,可以生產數百萬份DNA分子,修復活細胞中的致病突變並使用光脈衝來驅動神經細胞;對於果蠅胚胎的研究生成了治療皮膚癌藥物;由神經元啟發的學術思想最終導致了人工智慧革命——如今在不斷地改變著產業結構。


建立強大的工具,而不用擔心如何使用它們,這也被證實是一個偉大的公共投資策略。由公共投資資助的基礎物理研究給了我們高能量粒子加速器——現在是製藥開發的支柱,還有原子鐘——使全球定位系統能夠引導旅客到達目的地。


我們(和蘭德)聯合主導的人類基因組計劃中的40億美元NIH投資顯著加速了對人類疾病的了解,並大大加快了大約1萬億美元的經濟活動。這就像儲蓄賬戶中的5美元增長到1250美元。


在二十世紀六十年代末期,聯邦撥款給大學,探索電腦之間的信息傳遞直接導致互聯網的產生。1994年國家科學基金會向斯坦福大學撥款450萬美元,用來探索數字圖書館的理念,極大地幫助了五年後Google的創建。今天,美國每年由該公司以及其超過4萬名國內僱員支付的稅款,數額達到數十億美元——這是NSF每年70億美元預算的很大一部分。

最重要的是,當科學突破產生新的行業和就業機會時,這些優勢就在美國出現,因為公司希望與行業發展新動向,以及有經驗的工作人員保持著密切聯繫。


「奇蹟機器」取得了驚人的成功。但問題在於太少的人知道它是如何工作的。因此,可以說我們一直在失敗。


如果我們不改變航向,投入科學研究,我們有可能失去優勢之一。為了我們不遭受這持續的損害,我們可能會醒來,繼而找到下一代技術,行業,藥品和開拓於別處的軍備。


作為Facebook人工智慧學院院長的Yann Lecun是這樣評價的:

這是埃里克·蘭德和埃里克·施密特發表在《華盛頓郵報》上的作品,懇求有更多的政府投資進入到基礎研究中,來維護和加強科技創新的 「奇蹟機器」。


忘記科技進步的過程實在是太容易了。其中大部分原因是在小型政府對大學實驗室的贈款中,極大部分資金用於支付那些做著實際工作的博士生和博士後等研究人員的津貼了。


他們應該邀請埃里克·霍維茨(微軟人工智慧研究員)成為合著者。


來源:機器人圈

喜歡這篇文章嗎?立刻分享出去讓更多人知道吧!

本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 機器人圈 的精彩文章:

深度學習框架這麼多,本文帶你全攻略
原來矽谷大神們是這樣看待「人工智慧」的,你呢?

TAG:機器人圈 |

您可能感興趣

微軟機器學習Machine Learning Studio學習筆記
如何使用 Android Things 和 TensorFlow 在物聯網上應用機器學習
谷歌發布機器學習規則 (Rules of Machine Learning):關於機器學習工程的最佳實踐(上)
Intelligent Robots:挑戰 Kiva,倉儲機器人不應「高大上」,而應「快穩省」
Intelligent Robots:挑戰Kiva,倉儲機器人不應「高大上」,而應「快穩省」
英特爾宣布Windows機器學習Movidius Myriad X VPU
谷歌發布機器學習規則 (Rules of Machine Learning):關於機器學習工程的最佳實踐(下)
機器學習基石-The Learning Problem
Learning Memory Access Patterns,資料庫+機器學習探索
南書房行走被譯成「South study walking」,機器翻譯靠譜嗎?
Facebook發布Tensor Comprehensions:自動編譯高性能機器學習核心的C+庫
「Geoffrey Hinton傳奇」你我都是機器人
Intelligent Robots:挑戰 Kiva,倉儲機器人不應「高大上」,而應「快穩省」 | 創業
微軟又出黑科技:Video Indexer,機器幫你看視頻
機器學習技法-lecture5:Kernel Logistic Regression
Illustrator繪製簡約風格的機器人頭像
VR動作遊戲《Astro Bot Rescue Mission》與機器人一起戰鬥
Feature Tools:可自動構造機器學習特徵的Python庫
Machine Learning:十大機器學習演算法
微軟推出SwitchBot和Calendar.help 利用聊天機器人提高員工的工作效率