专访人工智能奠基人：如何看待这些 AI 不得不面对的问题

2019 年 3 月 6 日 极客公园

了解深度学习，就如同站在一个关键的节点上向时间河流的上下游看，一览无遗。

特伦斯·谢诺夫斯基（Terrence Sejnowski）执笔撰写《深度学习：智能时代的核心驱动力量（The Deep Learning Revolution）》的初衷，是期望以亲历者视角回溯深度学习浪潮在过去 60 年间的发展脉络与人工智能的螺旋上升，让更多人不再充当智能时代的旁观者，而是以「局内人」的视角来看待深度神经网络学习的过去、现在和未来。

1956 年，达特茅斯人工智能夏季研究计划提出「人工智能」的概念，标志着这一学科的正式诞生。近年来，由于深度学习和神经网络技术的广泛应用，人工智能步入黄金时代，对人类社会的生活和生产方式都产生了深刻的影响。全球各大科技巨头纷纷拥抱这项技术，无论是自动驾驶、AI 医疗、语音识别、图像识别、智能翻译，抑或是闻名世界的 AlphaGo，我们今天所看到的各种场景下人工智能，其背后都是「深度学习」在一步步影响着科技、商业和社会生活。

作者特伦斯是世界十大人工智能科学家之一，还是美国仅 3 位在世的「四院院士」之一，同时兼任全球人工智能顶级会议 NIPS 基金会主席。1989 年，特伦斯加入美国索尔克生物研究所，任计算神经生物学实验室主任至今。该实验室也是美国生命科学领域成果最多的研究机构，特伦斯与 DNA 双螺旋结构的发现者弗朗西斯·克里克还是同事关系，两人共同潜心钻研神经网络科学。

2013 年，白宫宣布启动美国「BRAIN 计划」并注资 50 亿美元，用于开发创新的神经技术，以加速人类对大脑功能的理解。特伦斯作为参与该计划研究的核心人物之一，为该计划的推动提供了诸多建设性指导和建议。

特伦斯在人工智能领域的地位举足轻重，那些过往足以证明他的研学积淀和丰富阅历。作为神经网络的先驱，早在 1986 年，特伦斯就与杰弗里·辛顿共同发明了玻尔兹曼机，把神经网络带入到研究与应用的热潮，将深度学习从边缘课题变成了互联网科技公司仰赖的核心技术，让人工智能进入「井喷式」的高速发展阶段。

与此同时，特伦斯还与奥克兰大学的教授芭芭拉·奥克利在全球最大的在线学习平台 Coursera，共同开设了一门名为《学会如何学习》的课程，通过系统讲解大脑认知的底层知识，让学习者可以改变思维模式，提高学习的能力和效率。现在该课程学习人数已经超过了 300 万，成为了全球最受欢迎的互联网课程之一。

《深度学习：智能时代的核心驱动力量》 2019 年 2 月出版

《深度学习》被读者冠以「是一本面向未来的历史书」。「微软小冰之父」李笛在本书的推荐序中写道：与过去相比，深度学习极大地推进了人工智能各个分支课题的发展速度；与未来相比，我们今天所取得的一切成果，都是非常粗糙的，注定会被更好的成果取代。因此，了解深度学习，就如同站在一个关键的节点上向时间河流的上下游看，一览无遗。

从技术本身来看，「深度学习」属于机器学习的分支，它根植于数学、计算机科学和神经科学。其通过模仿人脑的神经网络，让机器如同人类般拥有学习能力。经过深度学习训练的计算机，不再被动按照指令运转，而是像自然进化的生命那样，开始自主地从经验中学习。它脱胎于 60 年前开启的人工智能研究，而其自身的概念形成，到落地开花，则只有十多年的光景。

特伦斯不仅参与了基于大脑功能原理的人工智能新方法的创建，在平日里，保持自我的「深度学习」，为他的学术研究和前沿思考提供了不竭动力。特伦斯告诉极客公园，当全球科技巨头纷纷拥抱深度学习，普通人也要顺应时代，与时俱进。他希望借助《深度学习》一书，帮助读者更深层次地理解人工智能的本质，最终让深度学习为每一个体赋能。

以下为极客公园与特伦斯的专访内容：

GEEKPARK：这本书以「深度学习」命名，在你看来，深度学习是未来走向「通用人工智能（Artificial General intelligence）」的核心驱动力吗？

特伦斯：在过去的 50 年，人工智能缺少了与人类沟通以及与现实世界复杂性进行交互的直接方式——譬如，像现在自动驾驶汽车开始做的那样。深度学习使我们能够使用语言、视觉和自然语言与人工智能进行交流。虽然人类认为这些能力是理所当然的，但是人工智能的先驱者们却没有认识到此前基于逻辑和规则进行研究所面临的困难。下一步是在这一成功的基础上再接再厉。

GEEKPARK：上世纪 70 年代到 90 年代，人工智能的发展遭遇了持续 20 年的寒冬，导致发展停滞的原因是因为数据缺乏和计算机运算速度不足，这两点原因在现在不再是问题，那你认为深度学习的极限在哪？

特伦斯：人们通常会把 2016 年 AlphaGo 的横空出世看作人工智能的里程碑事件。AlphaGo 之所以成为可能，是因为谷歌提供给了 AlphaGo 大规模计算 AI 资源。实际上，AlphaGo 使用的是上世纪 80 年代开发的几种神经网络学习算法，但直到近些年才有足够的计算能力将这些神经网络扩展到足够大的规模，以解决现实问题。

只要计算能力继续扩大，最终会解决越来越复杂的问题。每个问题都有一个计算阈值，低于这个阈值，解决方案就不可行，高于这个阈值，奇迹就会发生。这就是 AlphaGo 的故事。

GEEKPARK：从模拟人类神经网络的一开始，是不是就意味着人类在探索人工智能的过程中，为另一个物种埋下了种子？

特伦斯：从生物学意义上讲，未来将出现的不是一个新物种，而是杂交物种，即被人工智能增强的人类，他们有朝一日将实现超人的能力。不过，无论人工智能怎样与人类进行「杂交」，甚至作为另一个种族加入人类，他们仍然属于人类。

GEEKPARK：「通用人工智能」是人类在追求的吗？模拟人类神经网络能否在未来取得突破和成功？基于逻辑的 AI 研究会是突破口吗？

特伦斯：AGI 是 AI 的早期目标，但它的实现难度被大大低估了。我们现在采取的一个更好的策略是在基本的人类能力上取得突破，当我们开始整合这些能力时，可能在未来某个时间 AGI 会成为可能。然而，我们将大幅受益于这一路研究所获得的进步，即便 AGI 并不会成为现实。

GEEKPARK：怎么评价算法开源？面对频发信息泄露事件，如何确保人工智能不作恶？

特伦斯：开放资源和开放数据加速了人工智能的进步，但没有规划的增长是危险的。随着人工智能的成熟，它的快速增长将会带来破坏性的影响，而且与所有技术一样，它也需要监管。在我们找到正确的权衡之计前，我们可能会犯错误——过多的监管和过少的监管一样糟糕。

GEEKPARK：未来人工智能是否将由中美两国领衔？

特伦斯：没有人能预测谁将成为最终的领导者，因为这取决于许多未知的变量。下一个突破将从何而来? 电脑无处不在，所以它甚至可能是某个小国家。人工智能军事化的后果是什么? 像冷战这样的人工智能军备竞赛可能会耗尽超级大国的资源。

GEEKPARK：现在以深度学习为主导的人工智能十分依赖大数据，中国不少企业出现了大量数据标注、图像标注等岗位需求，这些工种似乎与人工智能「让人类承担更具技术含量的工作」背道而驰，你怎么看待这一现象？

特伦斯：250 年前的工业革命期间，蒸汽机彻底改变了农业等需要耗费大量人力的工作。但新的工作岗位被创造出来，为蒸汽机提供煤炭，煤炭开采一直持续到今天。尤其是在中国，我们今天看到的是一场类似的工作革命，它需要更专业的人士判断，而在数据成为信息的数据挖掘中，新的工作需求应运而生。数据矿井就好比新的煤矿，但显然这里要比真正的煤矿干净，适宜于工作。对于那些创造、维护和应用人工智能的人来说，也会有新的就业机会，就像工业革命为那些制造、维护和运行蒸汽机的人创造了就业机会一样。

GEEKPARK：你觉得当 AI 技术成为全球性技术后，对世界会否产生负面效应，甚至对未来世界格局产生影响，政府在其中应扮演什么样的角色？

特伦斯：人工智能没有好坏之分，但人类可以将其用于好的和坏的目的。不成熟的监管会扼杀一项新技术，但不加限制的使用可能会带来可怕的后果。我的建议是：静待其变，观察学习，明智地做出决定。

头图来源：站酷海洛