區塊鏈和人工智慧的奠基者，怎麼看當前的狂熱與泡沫？

     區塊鏈正如何改變數字世界、地緣政治？它的利用失當能帶來何種災難？「去中心化」真的值得追求嗎？

     硬體、演算法和數據企業都聲稱「推動了AI的20年進步」，事實真的如此嗎？為什麼有人說「機器學習只是鍊金術」？真正的「機器智能」為何遲遲不來？

     人們為何總對「自動駕駛」心存忌憚？L5真的能達到嗎？激光雷達方案是否正領先機器視覺，一路絕塵？

     在一周前，《麻省理工科技評論》與DeepTech深科技共同舉辦的「EmTech」峰會上，無數只出現於教科書、維基百科中的人物聚到了一起。他們有人23年前，建立起「機器視覺+交通方案」的雛形。有人團結了200+世界巨頭，研究區塊鏈的真正應用。有人則在無人駕駛領域摸爬滾打多年，熟知道路上每一個坑窪和顛簸。

     新芽NewSeed整理了他們發言中最驚人的真知灼見。這些曾為區塊鏈、人工智慧砌下第一塊磚的人，會如何看待今天的前沿技術呢？

區塊鏈：前所未有的新機遇，也可能釀成前所未有的災難

演講者為Brian Behlendorf，擔任Hyperledger的執行董事。Hyperledger由Linux基金會發起，旨在推動區塊鏈數字技術、交易驗證的開源項目。世界主要企業，如IBM、英特爾、埃哲森、戴姆勒、摩根大通、百度金融等都是其成員。

Brian Behlendorf，圖片由EmTech主辦方提供

區塊鏈的本質是什麼？

我經常會被問到：區塊鏈是什麼？它包含了兩個概念：分散式賬本和智能合約。

分散式賬本是一個獨特的資料庫。它像一個記錄本，可以永遠記住固定的序列，內容不會被篡改。

智能合約是交易雙方互相聯繫的工具。比如，我和各位打賭，明天北京會下雨，然後用智能合約來記錄它。如果沒下雨，智能合約會自動把錢交給贏了的人。

憑藉區塊鏈，我們正把「血鑽」清出市場

在區塊鏈上，我們可以追蹤產品的一切。鑽石行業曾聯手建立一個項目，來阻止衝突地區的血鑽進入市場。從鑽石被挖出來，它就會被記入區塊鏈，無論如何交易、運輸，每個環節都會被記錄。

如果我拿到一批鑽石，發現區塊鏈里沒有它的記錄，就知道它來源不明，有可能是衝突地區的血鑽了。

有人說，我們能不能用雲技術來實現？當然可以。但區塊鏈的本質是打造出信任機制，讓交易雙方可以互信。

土地所有權是另一個典型應用。世界上的很多政府，在土地所有權上，公信力是很低的。官員會篡改資料庫，修改土地的歷史，而且很難被發現。

現在，像印度和美國的伊利諾伊州，就把房產數據放在分散式總帳上。我們能追溯土地交易的每個過程，知道所有人、抵押貸款人是誰，何時交易。這種記錄還能防止破壞。

人類新的「數字身份」，野心勃勃又危機四伏

很多人對區塊鏈感到興奮，認為它能創造出一種數字身份。在美國，身份管理一直是個難題。我們希望能為每個人記錄他們的證書、認證、身份證和護照。同樣，印度也在展開此類應用。

一般來說，我們的整個服務可以分為公有的和私有的、許可的和非許可的。其中公有和私有是指誰能讀取區塊鏈，許可和非許可是指誰能寫區塊鏈。

比特幣和以太坊都是公開非許可的，民意調查是非公開非許可的，土地私有權應用是公開許可的，個人醫療記錄則是非公開許可的。像個人的健康數據，可以在數據鏈上共享，但不能完全公開，因為它們是非常敏感的。我們需要一些標記，保證只有醫生和我們自己才能讀取。

必須有領導者，達成「最小化的中心化」

區塊鏈已經應用十分廣泛，但它還有很多安全問題。所有的軟體都是有漏洞的，無論在手機、電腦上。更多的危險還會潛伏在區塊鏈當中。黑客能用垃圾數據來衝垮我們的系統。此外，由於區塊鏈具有不可逆性，一旦漏洞發現，可能會導致永久不可逆的數據泄露。

我們已經經歷過這樣的事情了。一旦出問題，我們沒有任何智能合約、架構，能迫使節點刪除數據。

因此，當區塊鏈承載了個人數據，我們就需要第三方監督，即所謂社群合約。比如美國的健康信息隱私與流通法案，歐盟的通用數據保護條例等。這些監管條例不僅在防止數據泄露，而且能在必要的時候收回數據。它可以是國家的法律，或人為的規定。但無論是什麼，我們一定要對智能合約和區塊鏈有一定的治理。領導力是非常重要的。

考慮到這點，我們理想的區塊鏈是「最小化的中心化」，既能保證自動化，又能把人的因素考慮進去。

最後還有一個建議。如果你在發展區塊鏈技術，一定要尤其注意那些添加的新節點。它們很可能為壟斷者所利用。

人工智慧：深度學習更像「鍊金術」，真正突破要訴諸「人腦」

演講者為Tomaso Poggio，擔任MIT計算機科學與人工智慧實驗室教授。他是這個世界最早從事人工智慧研究的人之一，學生分布在DeepMind（做出AlphaGo）、Moblieye等當今AI頂尖企業。

Tomaso Poggio，圖片由EmTech主辦方提供

深度學習：這個時代的鍊金術

在這個時代，深度學習有點像鍊金術。它要成為真正的化學，還需要很多工作。

23年前，我和Hassabis希望整合計算機視覺和深度學習，創造出一個學習系統，自動辨別行人。當時我們識別出了行人、信號燈，但每秒有10個錯誤。這是1995年，我們已經非常滿意了。

但今天，Mobileye每30英里只出現1個錯誤，是當年的百萬分之一。這種巨大的進步，動因在哪裡呢？

首先是機器學習的演算法，第一是深度學習，第二是強化學習。它們都來自於認知科學和神經科學。

深度學習的架構，是60年代研究猴子的視覺系統時被發明出來的。創造它，是為了更好研究猴子在學習時大腦的神經結構。然後Fukushima提出了首個量化模型，20年前現代版的HMAX被提出。這些架構都一脈相承一樣的層級架構。從下到上，神經的等級越來越高，每個高級神經元只和下個等級的神經元相連接。

2012年，我們又開發出AlexNet，它是目前性能最好的一個架構。基於神經科學，我們的工程學研究能不斷地發展。這是很重要的，因為我們還沒實現真正的人工智慧。

神經科學：人工智慧真正的曙光

深度學習能幫我們解決10%的難題。剩下的90%呢？答案可能在神經科學、認知科學的研究里。

我們必須研究人的思維和大腦。這也是MIT大腦、心智和機器中心CBMM正在研究的問題。我們希望能在理解認知方面有進步，能了解整個智能的架構，和背後的科學原理。大腦中智能的產生，是科學現在要解決的元問題。

為了有所突破，CBMM有以下三條路徑：1、計算機科學+機器學習。2、神經科學。3、認知科學。

我們要回答的則是三個基本問題：

1、逼近理論：深層網路在什麼情況下，會比淺層網路更有效？

2、最優化：應該如何設計經驗風險函數？

3、學習理論：為什麼深度學習不會產生過度擬合？

這三個問題，是機器學習的奠基石。它們的答案很複雜，要解決它，我們需要與開始就思考深度學習的局限性，以及一些技術理論。

不理解大腦，就不能真正理解「機器的智能」

越來越人將意識到，下一個重大進展將來自我們對人類智慧、大腦的理解。DeepMind就認可這樣的理念（他們老大也是做神經科學的）。

我們正在CBM裡面開發一個架構，是超越深度學習的，嘗試去描述我們的視覺智慧怎麼運作。

現在，能將神經科學的成果成功運用的公司並不多。我們應該集中資源去做基礎研究。當一個新生兒理解事物時，他會為它貼上標籤，「這是小馬、那是汽車。」他只要很少的樣本就能歸納一個事物。這才是典型的生物學的運作方式，顯然跟當前機器的做法完全不同。

我們的大腦充滿了智慧，值得我們做更多研究。當我們談到機器時，並不能過多去跟人類大腦比較，即便它速度更快。在過去50年，計算機取得了很大的進展。但談到智慧本身，機器肯定還要從人類這裡學習。

自動駕駛：車載雷達壓倒機器視覺？L5何時會來？

路線之爭：車載雷達VS機器視覺，誰才是未來？

姚頌（深鑒科技CEO）：這兩者並不矛盾，只要你能實現應用，演算法層面我並不那麼care。

但從技術層面，我是站激光雷達這條路的。自動駕駛要被人接受，事故率只低2到3倍是不行的，可能要低1到2個數量級，才會被接受。這種精度目前靠機器視覺很難。

做到L4級別，我覺得機器視覺比激光雷達，可能會落後2到3年之多。雷達是做L4以上更適合的方式。

Louay Eldada（Quanergy CEO）：其實特斯拉一直在用雷達和晶元疊加的方法，而且解決方案非常的好。但現實問題是，隨著觀測精度、分別率的提高，機器視覺的處理時間會越來越長，需要一個很長的時間加工反饋。而雷達比較直觀，能直接掃描出整個精準的3D圖形，反饋時間短，也更有效率。

如果要問最佳的感測器是哪個，我想就是雷達了。但我們還是需要機器視覺的，因為我們要看路標。雷達能處理一些非常特殊的路況、工況。像一個特別濃的霧，對機器視覺要運作就很困難，但對雷達來說，監測難度並沒有變化。

我想，最終我們會需要一個打包的方案，把不同感測器和技術集成起來。

如何向用戶證明，自動駕駛比人類更安全？

吳甘沙（馭勢科技創始人）：數學上很難。蘭登公司做過研究，要100億公里的數據才夠證明。但谷歌也只有640萬公里的數據。

那要怎麼說服用戶呢？從心理學角度，有三個方案：

1、在受控環境里去實驗。人類只要發現機器犯過一次錯，就再也不會原諒它了；但人自己犯錯，卻相信下次能改正，會做得更好。所以一開始，不能丟到大馬路上隨便跑。實驗必須是受控的，比如做夜間小巴，或夜間車的調度。

2、人類有一個「熟悉定律」，對自己熟悉的事物更容易接受。我們要搞很多體驗活動，讓人們熟悉它。

3、讓人保留少量控制權。谷歌就在無人車的后座，放了help和pull over兩個按鈕，能隨時讓車靠邊停下。

倪凱（禾多科技創始人）：我想補充一點。當我們是小孩的時候，是怎麼去學自行車、滑冰的？一開始後面都有人扶著，到某一天，大人忽然放手，你都不知道它放手了。現在的L3.5也是一樣：，明明做到L4了，但對外說是L3。這樣，無論從技術角度，還是用戶心理接受，都比較負責。

姚頌（深鑒科技CEO）：確實，這是自動駕駛技術一個「降維」的思路。奧迪就是這樣做的。比如他們要推L3的一個系統，但一開始會發布說是L2，也就是要人監管的。這樣多少會建立起自信心。可能有一天，我軟體並沒有很大的升級，但宣布是L3，大家也會接受了。

很多人嘗試L4一步到位，這靠譜嗎？

倪凱（禾多科技創始人）：現在如果做L3，它的工業技術、數據積累、現金流和業務模式都是成熟的。但L4要實現，大家公認至少是5年後，悲觀一點的認為要7到10年。

在這麼長的時間跨度里，很可能出現顛覆性的技術，導致你現在的工作都白做了。你想一下我們7到10年前，沒人在討論機器學習，也不會在車上、GPU上做運算。以後，不管是Mobileye還是傳統公司，做L4、L5都會需要強大的並行計算能力，把平台開放出來。

吳甘沙（馭勢科技創始人）：我覺得這其實是商業路線之爭。傳統車廠的業務模式就是賣私家車，對成本敏感，並且有很大用戶基數，去試錯成本太高，必須要一步一步L2、L3、L4這麼走過來。新興的互聯網廠商，他們的基因是運營，打的是增量市場，而且用戶少，能很激進地圖突破，所以更傾向一步到位。

在技術上，傳統車廠和互聯網車廠其實是趨同的。從L3以後，主流車型都會配備激光雷達、高精地圖，這些以往都是互聯網公司用的東西。

我覺得路線融合後，下一個關鍵點其實是「更強的人工智慧」。它以後必須有舉一反三的能力：這個環境沒去過，比如一個新的停車場，它也要能夠找到出口。這需要機器學習、理解的能力，這些基於激光雷達、高精地圖都是不存在現成方案的。但沒有它，就不可能真正解決無人駕駛的問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！