LeCun、Jordan、李開復圓桌全文：AI的現狀與未來 | GMIC 2018

雷鋒網 AI 科技評論按：4 月 26 - 28 日，GMIC 北京 2018 在北京國際會議中心召開。自 2017 年 3 月首次被寫入政府工作報告，人工智慧產業上升為國家戰略後，這個科技界的專業辭彙，如今已經席捲各行各業，成為新的經濟增長點和國際競爭的焦點。

GMIC 北京 2018 主題為：「AI」生萬物，諧音愛生萬物，科學技術要有人文的溫度，機器有愛，真「芯」英雄。

作為大會的首場峰會，全球人工智慧領袖峰會匯聚全球業界頂尖領袖，探討在基礎硬體、大數據與開源平台、深度學習為代表的演算法等人工智慧領域的最新洞見，是年度行業發展的風向標。這裡有人工智慧與人類未來的激變；有深度學習三巨匠的巔峰對話；有中美巨頭 4 vs 4 的平檯布局與戰略頭部碰撞；還有成長最快的新星公司，為我們揭示最具發展潛力的市場領域。

雷鋒網 AI 科技評論根據現場視頻及速記內容做了「AI現狀與未來」圓桌全文的精編和整理。

主持人：有請創新工場董事長兼 CEO 李開復、Yann LeCun、Michael Jordan、高欣欣，進行圓桌論壇。

主持人 高欣欣：大家好！今年的 GMIC 主題叫做「愛生萬物」、「AI 生萬物」。人工智慧經歷了六十多年的發展，隨著計算力演算法的突破，隨著數據的積累。在近幾年，在很多行業都激活了全新的場景，帶來了全新的價值，引起了世界範圍的投入和關注。

可是人工智慧作為一個發展中的技術，其實還在演進的過程當中，有所能為，有所不能為，因此還有很多亟待解決的問題。

我們接下來這個環節叫做「AI 的現狀和未來」。我們今天的嘉賓都是在人工智慧領域，從學術界到產業界重量級的嘉賓。接下來就讓我們一起和他們聊聊。

我第一個問題先請問開復老師，他是在 AI 產業界重量級的嘉賓，開復老師我要拜託你一件事，先給我們在場的來賓們一個整體的回答，在你看來，當前人工智慧的技術，在一個什麼樣的現狀；而我們中國又在一個什麼樣的位置和機遇之上呢？

創新工場董事長兼 CEO 李開復：謝謝，LeCun 剛才講得非常精彩，他所描述的也是從學術的角度上來說。我們在過去的五年左右看到了深度學習和相關的技術滲透各種領域，尤其是計算機視覺。從應用的角度來看，我會把人工智慧的應用歸納成為四波浪潮，這四波浪潮它應用的方式不太一樣。其實在座的每一位每天都在用人工智慧。

第一波浪潮就是互聯網的 AI 浪潮，也就是說當你每次在淘寶點擊的時候，每次在朋友圈點贊的時候，這些數據都被收集起來，成為巨頭互聯網公司能夠更深度地的了解，然後為他提供更好的服務、更貼切的服務，還有變現，這是互聯網 AI。

由於互聯網的數據量是最大的，我們每天都像小白鼠一樣，幫助這些巨頭在標註數據，所以今天的 AI 巨頭其實和互聯網巨頭是呈等號的。所以美國的 Google、Facebook、亞馬遜、微軟還有中國的 BAT 等公司引領第一波浪潮。

第二波浪潮就是誰有大量的價值，誰能把數據拿來變現或者提升商業價值。比如說一個銀行用用戶的數據降低信用卡的欺詐率或者貸款的還款率，或者是投資的回報率。當然在各種其他的應用，比如說供應鏈、醫療、學校，其實任何有數據的領域都可以把它商業化，商業化 AI 的浪潮現在正在發生，大部分 AI 公司都是做商業化 AI 的工作，也是一個 To B 的生意。

第三波浪潮就是要收集那些基於視覺、聽覺或者其他感測器，收集過去不存在的數據，然後把這些數據變成一個新的應用，甚至是一個新的用戶體驗。比如說我們看到各種智能音響的語音交互。比如說我們看到更多的攝像頭，比如在各個領域裡面。比如說在創新工場的前台，我們就放著 Face++，實現了無前台自動開門的功能。當然我們可以把這樣一個聰明的計算機視覺+感測器用在各個不同的領域。比如說在無人商店、工廠等等的應用。所以第三波浪潮已經來臨，我們會看到更多的感測器、更多的晶元，更多的攝像頭布置在周圍的各個地方。

第四波浪潮我們叫做自主化、自動化的 AI，這也就是我們科幻片看到的機器人、無人駕駛，還有更聰明的無人飛機等等。那麼這個浪潮會徹底顛覆我們出行的習慣，還有我們今天所有的物流系統。然後我們的工廠會慢慢變成熄燈工廠、無人工廠，我們的商店慢慢會變成無人商店，所以第四波浪潮會是非常巨大的。第四波浪潮已經有一些初級的應用出來了，比如說無人駕駛 L1 到 L4 的發展。

這四波浪潮會來得非常迅猛。我們每一天都在使用 AI，未來會應用的更多。

這四波浪潮也給中國帶來更多的機會，尤其在互聯網上，我們已經佔了世界的半壁江山。在視覺方面和感測器方面的應用，我們也發展的非常快。因為我們有海量的數據。在那些比較深入的科技，像無人駕駛方面還是美國領先的。但是中國有數據的優勢和強大的政策推動，所以中美兩國在未來會保持人工智慧領域領先的狀況。

高欣欣：說的太好了，謝謝開復老師。聊了現狀，我們必須要聊聊未來。首先我第一個問題要請教的是 Michael Jordan，大家可能不知道他在人工智慧領域是絕對的奠基者和領袖。在最新的博客當中你提到了很多新的東西，你提到了以人為中心的工程科學等等方面的主題，你覺得人工智慧的技術將來會是什麼樣發展的演化過程呢？

Michael Jordan：我非常高興能夠來到 GMIC 大會，也非常高興能見到我的老朋友，LeCun。我是一個學術界的人士，我對整個產業發展也是有很多的關注，對我們來說，我們的原則就是要搭建一個體系，目前我們的原則並不是很多，在四十年代的時候，我們當時就有一個名為化學工程的學科。當時建立了很多的準則、原則，使得我們能夠讓很多的化工廠，能夠以非常合理的規則來進行演化和發展。

但目前，這樣一些原則並沒有完全的建立，所以體系尚未成熟。現在我們奢望建立的是智能的自動化系統。其實無人駕駛或是其它的應用並不是我們最終的目標，包括我們的銀行也好，或者是物流也好，並不是為了「完全自動」，我們真正的目的是要讓它更好的實現連接。

現在如果要把這些智能系統稱為 AI，我覺得這並不正確。我認為現在還沒有出現真正的智能，或者說，我認為我們尚不清楚智能的真正含義。現在我們或許可以從數據中提煉模型實現一些功能。但是它的一些語義或者其他背後的背景和引申的含義等等，這樣的智慧和智能還不存在。

因此我們需要每一個體系，每一個系統都達成這種智能。目前並沒有這樣一個智能的網路，所以我們要實現整個智能，需要整個體系的搭建，而不是單個個體的智能。其實在無人駕駛或者無人商店這些領域，需要它自己自主做出決策。並且一些決定可能還是有先後順序和優先順序別的。有的做決定是同時做出多個決定，在真實世界當中可能我們要做出成千上萬個在經濟、金融、商業方面的各種決策。

因此，我們可以想像一下，有這樣一個提出專家建議的體系，看起來非常智能。它能夠通過學習我的一些信息，推薦我看這本書、看這部電影，然後在全世界進行部署，就像今天的阿里巴巴、亞馬遜等公司在做的事情。很多時候亞馬遜向人們推薦一本書的時候，人們會感覺到「量身定製」的優越性。這些 AI 的技術正在不斷的部署到各種日常應用中。

但這也會導致另一種極端：如果系統向所有人推薦了同一家餐廳，那麼擁擠不堪的用餐體驗並不能讓每個人感到高興；又比如說從機場到市區，系統會告訴所有查詢的人哪條路不堵，結果反而讓這條原本不堵的路變得擁擠；比如說大家都想去投資股票賺錢，向人們推薦同一個股票。很多時候在建立這個體系的時候，如果向人們推薦的都是同一種內容，可能這個體系就會出現問題，我們必須要負起責任來。我們在搭建這樣一個體系的時候，我們考慮的並不是單個的個體智能，而是整個體系和網路。包括數據、決策，包括還有可能出現的錯誤都要考慮進去。

因此在這個研究當中，它有一些原則性的東西正在不斷的湧現。但是這個過程並不完善，有很多概念還需要去完善。我想現有的問題是，我們似乎已經認為人工智慧無處不在，但實際上整個體系還需要時間來建立。

比如無人駕駛汽車雖然沒有人，但是它的駕駛要真的像人一樣在駕駛，而不是說只是一個能做出反應的機器。所以建立一個自動化的體系，真的並不容易。人們可以用人工智慧這樣一個詞來表述這種技術，這並沒有問題，但是千萬不要誇大。

高欣欣：下一個問題我想問一下 Yann LeCun。您曾經講到過讓機器來學常識，這樣它能夠預測一些問題，並做出可能的回答。您可以再進一步闡述下您的這個想法嗎？它和監督式學習、無監督學習和增強學習，它的關聯度在哪裡呢？

Yann LeCun：其實我在整個人工智慧的領域，在這方面有很多的想法和交流。當然從學術性的到實際的應用，也有很多路要走。

Facebook 有一些應用的初步嘗試，我們希望機器有真正的智能，並搭建起這樣一個體系架構。我們希望人工智慧可以很好地實時的做相關的事情，很多技術現在還沒有到位。很多研究工作實際上已經進行了幾十年，但有些目標還沒有達成。因為機器要獲取大量的知識，它才能夠真正實現像人類那樣的智能和智慧，並做出很多的預測和判斷來做很多的事情。

剛才我們也聽到了 Jordan 教授所說的，我們需要建立很多基本的原則才能建立一個體系，讓機器達到人類的智能水平。

在我的演講當中，也強調了監督式和無監督式的學習。這個過程當中可以看到的是，機器它需要有預測能力，它需要通過從不同感測器的信息輸入來進行自我的判斷和預測，它從多種渠道獲取相應的海量數據，來獲取類似於人類的先驗知識。而無監督式的學習，它給到機器的訓練數據是非常少的，那麼機器學習的能力就比較有限，因為它所獲取的反饋和信息是不足夠的。在這個過程當中，我們看到機器與人類的區別是很明顯的，這個也是驅動我們下一步研究的動力。

高欣欣：非常感謝。剛才我們問了這麼多技術的問題，我們要問一下關於人工智慧產業相關的問題。

下一個問題要請教 Michael Jordan 教授，因為 Michael Jordan 在 2017 年 5 月有一個新的 title，即螞蟻金服科學智囊團的主席，而且 AI 賦能產業也是今年特別重要的、大家關注的話題。所以我想請問一下 Michael Jordan 先生關於這方面的問題。

Michael Jordan 教授，我的問題是，您曾經講過機器學習技術對整個產業發展和技術價值的生成有一些重要的作用，你能舉例說明一下嗎？

Michael Jordan：感謝 Yann 剛剛跟我們之間進行的一些交流，所以我們的討論是非常有意義的。剛提到的一個詞是「Red Herring(紅鯡魚) in AI」，但屏幕上的人工智慧翻譯，翻譯的是「Red Hair in the eye」。可能是單詞同音的關係，人工智慧在語義的理解方面仍然會有一些問題。

的確，人工智慧已經經歷了六十年的發展，真的可以看到這是一個漫長的歷程，包括媒體在內的高度關注也在共同推進它的發展。

其實很多時候，要搭建一個智能的體系，你並不需要對人工智慧的所有方面都去了解。人工智慧本身是一種計算機科學，但是它如果要與經濟實體發生關聯，可能會提出更多的要求。

如果在我們的生產者和消費者之間搭建一個體系，這樣一種體系的搭建就會生成經濟效益，也會與我們前面講的這些問題相關聯。

如果我們向所有的人都推薦同樣一個餐廳，那麼這個餐廳將會人滿為患，大家都不想去太擁擠的餐廳了，那麼它的價值在哪裡呢？我們的計算機科學怎麼樣為經濟服務？

我認為最好有一個相應的競價系統。座位是一座一價的方式來進行相應的競標。比如說我想吸引這裡的人過來，我這裡的餐廳座位就可以提供 20% 的折扣或者是多少的折扣。因此在這個過程當中，大家都可以去競價，然後實現座位的合理分配。經過這樣的方式，我的餐廳也有很好的上座率。我旁邊的競爭對手可以看到這個餐廳已經開了，而且裡面已經滿座了。這個時候競爭對手就會想，如果我提供更多的折扣，也許能吸引到相應的客戶來我這裡就餐。

現在我們整個所謂的人工智慧體系，並沒有考慮這麼多，它在做推薦的時候，還是有相應的局限。

我還可以舉一些其他的例子，比如說音樂，現在整個音樂市場並不是很完整，雖然有各種各樣的人和一起都在做音樂的創作，很多人也在聽音樂，但是我們可以看到，很多人並不能從做音樂當中賺錢，它並沒有真正的經濟效益，怎樣去解決這樣的問題呢？如何用我們的人工智慧技術，實現技術到市場化的轉變，使它有商業的價值，能夠從中賺錢，可以有相應的數據流，到底是哪些人在聽。

比如說可能我的音樂在深圳很流行，因為那邊的人既喜歡聽我的音樂，又喜歡向他們的親朋好友推薦我的音樂，這樣數據流就很有價值。既然深圳的人很喜歡聽我的歌，我就去深圳開一個音樂會，或者去別人的婚宴上唱歌，那麼我可以把唱歌的愛好實現商業價值的轉換。

通過這樣一些數據能創造很多的商業價值，目前很多問題甚至都沒有被深思熟慮，這個時候可以挖掘它們的商業價值，這就是我們的人工智慧應該實現的一些功能。因此對我來說，這能更好地實現人工智慧的價值，也就是讓計算機科學更好地為人類造福。

因此，我們也需要一些商業上的人才、經濟方面的人才共同跟科學家協作，讓人工智慧創造更多的商業價值，探索更多的無限可能。

高欣欣：剛才 Michael Jordan 談了很多如何用 AI 建立全新市場，創造全新價值的過程。另外一個維度在 AI 裡面，在 AI 產業和企業裡面經常是產學研結合得特別好，有很多的 AI 企業都有自己的 AI 研究院，甚至有很多 AI 初創企業都有自己的 AI Lab，這是在人工智慧領域特別常見的現象。這個問題我想請教一下 Yann LeCun，現在您在領導 Facebook 的 AI 研究團隊，此外你在紐約大學依然有教授的職位，能否請教一下公司的 AI 研究到底該如何開展呢？

Yann LeCun：當四年半之前我們在 Facebook 開始相應的研究，之前我在 AT&T 和貝爾實驗室工作過，通過開展一些研究，我們可以提前進行企業在 AI 領域的布局。然而，並不是所有的公司都可以做到這一點，對於人工智慧而言，因為人工智慧的研究會有很多限制，有很多問題仍然沒有得到解決。我們必須不斷的去進行研究，而且需要去研究自己解決問題。我們會讓機器變得更加智能，可以更好的了解人的思想和人的思維的方式，但是，沒有任何一家公司或者個人能夠獨立解決這樣一個問題。

另外，企業可以非常容易地與大學進行實踐研究方面的合作，比如說我依然在學術界保留職位。我認為在學術界所做的研究是不一樣的，高校研究者並不是彼此競爭的關係，他們做的都是自己感興趣的研究。雙方的研究非常互補，我覺得學術界與產業的結合也很完美。大家會看到，在北美、歐洲、亞洲等地會出現越來越多這樣的情況，高校的研究者或科學家會在企業或者在學術界都擔任要職，這樣可以更好的實現學術界和產業之間的交流，我覺得這是現在正在發生的、非常重要的一種變化。

關於產業界的實踐研究，通過這種方式你可以吸引最好的科學家，但你必須告訴科學家他要做的是什麼，趨勢是什麼，只有這樣科學家他才願意到這裡來研究。科學家的職業發展，實際上也會影響到整個人工智慧研究的發展方向，所以你必須讓科學家知道你公司裡面正在做的是什麼，只有這樣科學家才可以更好的參與這樣的研究。

另外，像 Google、FaceBook 這樣的公司，他們投入了很大的精力做人工智慧的研發，對他們的品牌來說是好的，也可以吸引更多工程師的人才。我覺得在這方面的投入可以讓企業變得更有吸引力，這就是他們為什麼投入研究 AI 研究的原因，可以吸引到更多的人才參與到這方面的研究。

高欣欣：今天上午的最後一個問題，不管你們是做 AI 技術的發展或者是 AI 產業的發展，其實都離不開 AI 人才，其實 AI 人才特別稀缺。

最後開復老師做了一件事情，我覺得特別偉大，特別有意義。開復老師和教育部、北京大學一起發起了一個項目，預計在 2019 年培養數萬名的學生。今天上午還有一個專門講 AI 人才的環節，在這裡我們先拋磚引玉，你可不可以先給我們介紹一下 AI 人才計劃呢？

創新工場董事長兼 CEO 李開復：如果我們分析一下中美之間的優勢和劣勢，我覺得美國在教育方面有非常強的優勢。比如說在座的 Yann LeCun 教授和 Michael Jordan 教授都出自非常優秀的大學，甚至美國前一百名的大學都有非常好的 AI 課程。在國內雖然有非常優質的計算機人才，如果進入了 BAT 他們能學到很好的 AI。但是如果我們要建立起人工智慧的金字塔，必須從基層做起，也就是說我們需要在大學畢業的時候就有一定的 AI 基礎，怎麼做這個事情呢？我們分了三個步驟。

第一個事情，正如欣欣所說的，我們和教育部、北大做一個教師培訓，這樣不僅僅是中國的前十名大學可以有好的 AI 課程，中國的前一百甚至幾百名的大學都能夠有 AI 課程，這樣學生在讀本科的時候就可以接觸到 AI 領域。

第二，我們會做一個針對性的培養，把最有潛質成為未來 AI 金字塔頂尖的研究者進行集中培訓，我們會請國際大牛和國內大牛對他們進行幫助。我們今年會教 100 位老師，明年會更多，他們可以在三四年之內教幾萬名學生；除了這幾萬名學生，我相信有很多剛開始工作的朋友們，還有一些學校還沒有開設 AI 的課程的人士，甚至他不是學計算機，而是學數理科或者是文科專業，我們跟公司成立了 AI Challenger的競賽平台，去年有一萬人參加，未來有幾十萬人參加，這樣我們才能把 AI 教育做的更普及。

我覺得中國要從 AI 大國成為 AI 強國的道路上，在教育領域還有比較大的落差。

經過這幾個步驟，我們希望這些同學無論是經過線上或者是線下，校內或者是校外的渠道，當他們畢業的時候就已經成為有一些經驗的 AI 人才。

高欣欣：太有意義了，時間過的真快，我們這個環節要結束了。而技術的美好就是不斷刷新著我們對美好生活的體驗和想像，讓我們永遠保持好奇，永遠腳踏實地，一起探尋這個美好的新世界，非常感謝李開復老師，謝謝兩位教授。

更多資訊敬請關注雷鋒網 AI 科技評論。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！