會後空翻的機器人 VS 四仰八叉的鬥牛犬，誰才擁有真正的「智能」？

「健全的心靈寓於強健的體魄。」（Mens sana in corpore sano）

在極客公園 Rebuild 2018 科技商業峰會的現場，兼任加州理工學院計算機與數學科學教授和亞馬遜 AWS 首席科學家的 Animashree Anandkumar 用這句拉丁諺語表達了她對人工智慧行業未來的期待。

Anandkumar 教授所說的「心靈和體魄」，分別指的是人工智慧的系統和機器硬體。

舉例來說，人工智慧系統包括亞馬遜搭載在智能音箱平台上的語音助手 Alexa，以及 Google Assistant 等等。而機器的硬體則包括無人車、機器人等等。只有當兩者相互匹配時，人工智慧才能最大限度地發揮作用，體現真正的「智能」。

暢想中的未來足夠樂觀，但在達到那個理想目標之前，人工智慧行業還有著亟待補足的短板，而攻克這些前沿的技術問題，需要的是另外兩樣東西的結合：學界和產業界。

而今天的焦點，Animashree Anandkumar 教授本人的職業生涯，就是這兩者結合的最佳體現。

走進產業的學界大牛

Anandkumar 教授先後以從康奈爾大學和麻省理工學院以博士和博士後的身份畢業，隨後加入加州大學歐文分校任助理教授，在長達數十年的學術生涯里，出身印度學術家庭、極具數學天分的她在學界贏得了無數榮譽，成為了機器學習圈舉足輕重的人物。

或許正是因為在學界的突出表現吸引到了亞馬遜的注意，2016 年 10 月，她從加州大學歐文分校休假，加入亞馬遜擔任亞馬遜雲服務 AWS 的首席科學家（Principle Scientist）。

這一消息在一向與產業界頗有分歧的學界引起了不小的振動，更有趣的是，在 Anandkumar 教授加入亞馬遜消息曝出的同時，著名華裔人工智慧學者李飛飛也宣布加入 Google Cloud 擔任首席科學家，兩位學界大牛突然宣布暫時離開學校加入科技公司，這一消息在 2016 年秋天將要結束的時候，點燃了人們對產業界人工智慧的希望。

橋接產業和學界的鴻溝

「當我還在學校念書的時候，我從沒想過人工智慧能夠發展得如此之快，那時候我知道人工智慧會是一個非常具有挑戰性的學科，我知道這會是我終身的事業，正因如此，我才選擇了人工智慧（作為職業）。」Anandkumar 在 Rebuild 2018 科技商業峰會接受極客公園的專訪時說道，「但除了基礎研究之外，我還希望這些技術能夠真正觸達外面的世界，融入人們日常使用的產品之中。」在 AWS，她希望能夠實現大規模的機器學習應用，讓更多並非精通機器學習技術的人們能夠用上機器學習的工具。

在研究理論和使用機器學習技術真正產出產品之間，存在著巨大的鴻溝，學術研究時期，Anandkumar 發現了這點，而加入亞馬遜，推動機器學習在 AWS 上的應用，正是她所認為能夠縮小這條鴻溝的方法。

提到「縮小鴻溝」，Anandkumar 教授對極客公園表示，她在亞馬遜帶領團隊從事的 AI 研究正是建立在她在學界的相關研究基礎上的，「這給我一種在現實世界裡做 AI 研究的感覺，」她說道。

加入亞馬遜之後，Anandkumar 教授並沒有放棄她在學界的研究，相反，她在 2017 年接受了人工智慧領域泰斗雲集的頂級學府加州理工大學的邀請，成為該校計算機與數學科學的教授。在加州理工，Anandkumar 教授以核心成員的身份參與了一個名為「CAST」的自動化機器人開源項目，「我們用上了很多亞馬遜 AWS 的技術，在研究中進行基礎的 AI 訓練，」她說道，反過來用人工智慧加速 AI 的前沿研究，在 Anandkumar 教授看來，這是她橋接兩者之間鴻溝的方式，「所以對我而言，兩者不會有太多的區別。」

在極客公園 Rebuild 2018 科技商業峰會的現場，Anandkumar 教授發表了題為《「雲上的 AI」如何引爆創新突破點？》的主題演講。在演講中，學者身份的她聊起了許多時下最為熱門的機器學習技術的研究進展，另一方面，作為 AWS「技術佈道者」的她也介紹了人工智慧目前在亞馬遜各條業務線中的應用，以及在她眼裡，未來真正智能的機器會有著怎樣的模樣。

以下是 Animashree Anandkumar 在極客公園 Rebuild 2018 科技商業峰會上的演講實錄（經過極客公園編輯，略有刪減）：

感謝大會主辦方為我們提供這麼多的支持，包括成都市長和副市長也參與了今天的會議，參加了今天的的開幕式。我們可以看到成都對於 AI 的發展以及教育非常的重視。今天在這裡，我想跟大家簡單地介紹一下 AI 人工智慧到底是什麼，以及我在亞馬遜和加州理工學院分別從事的工作，以及未來人工智慧的發展方向。

什麼是真正的「智能」

我們都知道現在很多科技產品都會使用人工智慧 AI 這個詞，但到底是什麼智能？接下來我想要給大家播放兩個小的短片，大家可以看一下其中哪一個更符合「智能」的定義。

可能有一些人不知道，這個是波士頓動力公司的機器人，他在做一個非常複雜的後空翻的動作，我們可以看到做得非常的精彩。這個是智能嗎？

讓我們再來看另外一個短片，這是人類最好的朋友，一隻小狗。這隻狗也在試圖做一個後空翻，但是並沒有成功。

所以大家覺得這兩個視頻哪一個符合智能的定義？有多少人覺得機器人是更智能的？有多少人覺得狗是更智能的？

實際上，相比於機器人，小狗的行為更符合「智能」的定義。為什麼呢？對於智能而言，智能所指的並不是要做一些非常複雜的動作，相反，智能所指的是一種可以用於獲取知識和應用技能的能力。我們可以去認知周圍的環境和世界，然後會根據世界的變化去動態地調整我們自己的行為。所以說小狗的行為更符合「智能」的定義，因為它們會了解人的一些情緒，然後成為了人最好的朋友。但是我們的機器人完全是靠程序驅動的，哪怕是他做的那個非常複雜的後空翻，但是這個動作本身是由程序控制的。而且這個程序是不可變的，除非我們改變程序，才能讓它做到一些其他的事情。所以從「智能」的概念出發，即使它是一個非常複雜的機器人，但它始終不是智能。

當我們在談論人工智慧的時候，我們所指的就是「對數據進行學習」，且「基於這種學習來做出決策」的能力。這是「以任務為導向」的人工智慧，它可以做一些比較複雜的任務，比如說它可以識別一些物體或者是圖片，但是我們所說的通用人工智慧，指的是人類等級的認知以及智能水平。所以有的時候我們對「人工智慧」以及「認知導向的智能」這兩個概念上會產生一些疑惑，這裡我會先釐清這兩者。

剛才我們說了什麼是人工智慧，那麼人工智慧包括什麼？實際上人工智慧有三大要素，第一個要素是 AI 的核心，也就是演算法。我們需要合適的演算法來進行學習以及決策。另外兩個也很重要，那就是數據和基礎設施。

實際上在 80、90 年代的時候，我們當時就經歷過人工智慧的風潮，當時大家都非常欣喜地看到人工智慧的出現，但是並沒有成功推廣開來。因為當時我們沒有互聯網設施，沒有足夠的數據來訓練人工智慧的模型。但是現在人工智慧的浪潮變得更加的強勁了，而且我們現在有了很多的超級電腦，比過去要強很多。所以說我們的這些基礎設施對於人工智慧的發展非常的重要。

我們現在在 AI 領域已經有了很多的數據支持，所以開發者如果希望想要把 AI 帶到一個新的領域，首先要考慮的就是數據，因為很多時候，如果你想要開發一個 AI 工具，就需要用很多的數據培養它。

亞馬遜在用 AI 做什麼

剛才提到了我有兩份工作，一方面是產業，一方面是學界。一方面我是亞馬遜的首席科學家，也是加州理工學院的教授，我也希望可以更好的將學界和產業之間的空缺嫁接起來。亞馬遜對於 AI 應用有非常悠久的歷史，基本上都會有人工智慧的使用，我們有個性化的推薦，大家可以在亞馬遜的軟體上使用這種個性的推薦，我們也會使用 AI 來進行供應鏈以及庫存的管理。我們會進行一些預測，哪些產品會成功，哪些不會，而這個對於管理我們的供應鏈是非常重要的。

除此之外，我們也有更多新的計劃，比如智能音響（AI 助手），可能很多人家裡都有 Echo 音箱了。這種個性化的助手在未來可能會變得非常的流行。現在我們可以給出語音指令，與 AI 助手進行無縫的互動。

最近的一個項目就是 Amazon Go，這是一種跟在商店裡「順手牽羊」差不多的體驗，你可以走進 Amazon Go，選取自己想要的商品，然後「直接走」就可以了。這給消費者提供了一種無縫的購物體驗，他們不再需要去排隊、結賬。我們利用計算機視覺技術，使得我們的機器可以知道消費者拿走了哪些商品，這個時候我們就不需要有收銀的過程了。

AI 殿堂：加州理工學院

加州理工學院也有著非常悠久的人工智慧研究史，可能大家不知道。實際上包括神經引擎在內的一些相關理念，就是加州理工學院最早提出的。而且我們在加州理工學院還有很多非常著名的校友，比如說 John Hopfield 等等，我非常開心能夠成為學院的一份子，並且看到人工智慧技術和其他的科學領域進行連接與合作，並且看到人工智慧技術進一步推進我們在其他各個領域科學的發展。

現在人工智慧最為流行的一個應用場景就是計算機視覺，是指可以識別物體的能力。比如說我們的計算機視覺可以識別我們的游泳池以及其他的物體，我們的系統可以自動的，可以進行大規模的圖片標記。而且它們可以快速的標記幾百萬張圖片。對於人類，我們可以非常自然而準確地認識圖片中的內容，但是對於電腦而言，這是很有挑戰性的。因為我們的電腦很難去區分不同的圖片，區分不同的物體。比如說我們在討論游泳池的時候，不一定都是同樣的形狀。對於我們來判斷一個池子到底是不是游泳池，就是判斷裡面有沒有水，能不能游泳。對於人類而言很簡單，但是對於計算機視覺和我們的人工智慧系統來說，這個過程是很困難的，所以說我們需要幾百萬個類似的樣本，來訓練我們的系統，讓它們知道游泳池到底是什麼樣子的。

這樣的物品識別的能力和人類是完全不同的，比如說對於人類而言，我們可以進行實時的甚至是無意識中的學習。比如說我們可能沒有見過游泳池，但是我們已經知道游泳池到底應該是什麼了，但是對於 AI 系統來說不是這樣的，所以說我們還有很長的路要走。尤其是我們想要實現人類水平的認知能力的話，我們還有很長的路要走，但是現在我們已經取得了很多的進步。我們可以在很多的應用都可以提供比較準確的 AI 識別。

除了計算機視覺，以及其他的一些特定領域中的應用以外，我們還有卷積深度神經網路。我們知道在 AI 系統提供答案之前，會進行多層的處理，比如說我們的系統可以看到這張小狗的圖片，然後通過我們系統的處理，他們會提取相關的特徵，從而最終的確定這張圖片是一隻狗。到底我們會經過哪些不同層級的處理？比如說我們可能在第一級的處理的時候，僅僅會提取出一些基礎的特徵，比如說一些角度，那麼這個時候通過比較簡單的角度可以進行比較簡單的物體識別。但是可能有一些比較複雜的圖形，比如說一隻小狗臉，這個時候我們需要更多層級的處理。我們需要把這些比較普通的、基礎的特徵和更加複雜的特徵加以整合，所以說我們才會使用深度學習這個詞，因為我們會進行很多層級的處理，而這個也使得現在的卷積深度學習網路和 80 年代是完全不同的。

我們自己的研究希望可以更多的橫向拓展我們的機器學習，並不僅僅是深度，還有它的廣度。比如說對於圖片而言可能有不同的信道、特徵、顏色、但是在視頻裡面，他的緯度可能會更多。比如說我們的一些字元，它可能是更高維度的。那麼對於我們的視覺性的問答，它可能維度會更高。所以我們需要把這些不同維度的數據整合到一起來進行處理，因為作為人類的我們是可以看到這些維度、可以理解這些數據的。而且我們知道還有其他的高維度，比如說在量子物理的領域，在愛因斯坦就提出的量子物理學相關理論中，他的維度就是非常高的。比如有作品塑造了一個二維的世界，受到三維世界的入侵。所以說在我的研究當中，為了能夠更好的去進行機器的學習，我們就需要使用到張量，這樣才能夠幫我們分析到更多的維度。通過使用我們的張量，我們就可以更加自然的處理多維度的數據。

這裡我們再說回我再亞馬遜的工作，對於亞馬遜來說預測是非常重要的，比如說我們需要預測亞馬遜會出售什麼樣的產品，市場會有什麼樣的變化，這是非常重要的問題。但是預測也是非常難的，因為它需要我們的數據有非常高的相關性，而且未來的變化是非常複雜的。我們使用了這種序列模型，我們使用的是張量訓練下的序列模型來更好的進行時間預測。比如說在這個圖片裡面，藍色的這條線代表的是我們的張量長短模型用於長期預測的一個情況。如果說我們要進行長期預測的話，我們的張量以及我們比較複雜的數學計算，可以幫助我們提升預測的準確度。而且我們需要在機器學習當中，考慮到不同的數學以及物理的變數，這樣才能夠幫助我們開發出更好的演算法。

人工智慧的下一步：身體和心靈的結合

我們的未來在哪裡，下階段在哪裡，現階段已經做得非常好了。拉丁語中有一個說法，（Mens sana in corpore sano）是說只有健康的身體才我能有健康的思維。所以我剛才講的都是關於思維的部分，我們如何才能創建一個具有智能意識的 AI 系統。但 AI 必須進入到我們的物理世界當中，剛才我給大家展示了機器人的一個形象。然而現階段，我們的意識和機體是分開的，接下來我們的目標是將機體和 AI 意識結合起來。我們啟動了這樣一個項目，希望能夠將 AI 和機器人結合到一起。比如說目前在加州理工學院我們比較感興趣的是探索機器人，探索機器人可以去探索各個不同的地方，我們也一直在思考如何才能夠讓這些機器人變成自動的機器人，並走出實驗室去探索真實世界。

我們也開啟了一個新的項目，也是在全球僅有的一個項目。我們可以將這個機器人在不同的地區進行使用，而且在整個過程當中，我們都可以遠程控制他們。這是我們的無人機測試過程，可以看到，我們可以在不同的條件下去測試這些無人機，而且整個測試過程是非常高效的。通過這樣測試的方式，我們希望可以有不同的維度，來進行自動化的建設。所以當我們談到機器人的時候，我們也需要去思考，我們的機器人需要具有什麼樣的 AI 能力？我們需要不同種類的機器人，第一種叫探索機器人。探索機器人它們可以去探索地球，甚至說以後可以探索太陽系當中的其他行星。第一種探索型需要將它進行設計，讓它可以在衛星上面工作。希望我們的這些探索型機器人能夠去到新的環境，代替人類進行探索，這就是我們 AI 的第一個應用，我們把它叫做直覺型的機器人。即使它們放在一個全新的環境當中，這些機器人也可以特別快的去學習到周圍的環境。

人類是這樣，那我們機器人是不是也能這樣呢？其次我們還可以用機器人來做交通工具，在亞馬遜一直都需要各式各樣的交通工具，讓機器人能夠進行導航，完成我們人類要求的任務，比如說駕駛汽車。此外還有一種類型的機器人，我們把它叫做是保護機器人。保護機器人所做的工作是拯救人類，當自然災害發生時，比如說地震或者是火災的情況下，它們可以迅速的拯救人類，也需要有該地區的地圖，這一點叫做協商型的人工智慧。此外，我們還有另一種類型叫變形機器人，通過變形機器人，你在想像它的時候，可以想像出一個人需要去轉移一個貨品，但是地形非常的複雜。那這個時候我們需要的就是要這些變形機器人。到底它現在處於什麼位置？在做什麼？需要的是一個協作。所以我們在做變形機器人的時候，不僅僅需要它能夠完成任務，也需要它能夠迅速的適應環境，這是我們面臨的一個挑戰。

另一種類型叫做生活伴侶，我覺得這對於我們現有的機器人，在智能方面是最具挑戰性的。因為生活伴侶必須試著去了解我們的需求，然後再根據我們的需求，做出相應的反應。在今後，我們會有更加高級的生活伴侶，它會了解我們人類的需求，成為我們的朋友。這對於我來說就是最後的一個階段了。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！