谷歌前 CEO 施密特谈优待员工与未来趋势〡大咖对话 002

2019 年 9 月 20 日 极客公园

编者按：在接下来的一段时间里，UDACITY 将联合极客公园（ID：geekpark）推出一档视频对话节目。每期节目中，Sebastian Thrun（Google 无人车之父、UDACITY 创始人）都会对一位科技领域内的大咖进行访谈，话题内容涉及人工智能、自动驾驶等多个领域。

本次做客的嘉宾是前谷歌 CEO 埃里克•施密特（Eric Schmidt）。和李飞飞教授不同的是，施密特傲人的成绩不是来自于学术领域，而是作为职业经理人，将谷歌从一家只有数百人的互联网创业公司变成了如今全球市值第二、影响力无法估量的巨头互联网企业。这一切当然离不开两位创始人—拉里·佩奇和谢尔盖·布林的天才想法，但又绝对与施密特超强的管理与运营能力分不开。

在文章开始之前，我们想知道你认为人工智能还要多久，能够实现应用层面的普及？欢迎在下方投票中表明你的态度，并查看其他人的看法。如果有其他想法，欢迎分享在文末评论区。

正文开始

▼

大咖对话 002

Sebastian 与施密特亦师亦友，在谷歌工作期间曾共同推进过许多对行业发展有着深远意义的项目。2016 年，两人共同撰写发表于《财富》杂志的文章，呼吁大家不要对人工智能产生恐惧，鼓励继续开发 AI 技术，找到消除恐惧的解决办法，将人类从盲目、琐碎的工作中解放出来，投身到更有创造性的事情中去。在本期对谈中，除人工智能外，Sebastian 和施密特还畅谈了关于领导力和未来教育的话题。

施密特「治理」下的谷歌始终保持着一种大学研究院的氛围。在他刚加入的时候，谷歌还只是一间 150 人左右的小公司，在那种混乱的情况下，他开始从头建立企业文化，将「不作恶」（Do No Harm; Do No Evil）作为人人可遵守的职业道德准则，并将斯坦福大学那种舒适的科研、生活氛围复制到了谷歌。

在问及如何推动谷歌内部庞大的人才团队朝着一个方向努力，施密特的回答是「找到和公司价值观一致的人才，让更多的经理参与到扁平化的管理任务中，找到员工不满意的地方，然后解决它们。」他还从巴菲特那里学到了一招，「如果高管对他们正在做的事情充满热情，他们会把问题解决的。」

Google 前CEO、Alphabet 前执行董事长埃里克•施密特（Eric Schmidt）| 视觉中国

访谈中，在聊到关于未来前沿技术的发展趋势时，施密特认为一切尚处于变革开始的阶段。「人工智能等新兴技术带来的负面影响，我们要首先承认问题的存在才能提出更好的解决方法，而不断创新是关键。」施密特如指出，「通用人工智能的到来还要很长一段时间，掌握了 AI 应用能力的人才将会成为市场抢夺的资源。我们应该做出让普通人也能够使用的 AI 工具，更准确、更快速地匹配大众的需求。」

Sebastian 最后问了施密特一个问题，「如果回到 25 岁，你想进行哪方面的创业？」施密特的回答倒也没有出人意料，他说「我想在生物和信息技术这两个领域找找机会」。在他看来，只是单纯的技术迭代会非常快，但一旦加入「人」这个要素，一切都会变得慎之又慎。他认为未来人机交互界面的设计将会变得非常个性化，这些工具将会更契合人类的交流方式，像「电话」这种设备会真正懂你，理解和预测你的需求，让你的生活变得更高效，在朝着这个技术和产品方向前进的过程中，会衍生出很多有意思的新公司。

这期间，施密特和 Sebastian 还聊到了曾共同推进的 Google Glass 项目。「这个产品失败是因为时机不对，出现得太早了。但想法是正确的。」施密特说，「人有眼睛、鼻子、耳朵，你得把所有的信息都输入。我并不知道未来的人机界面会是什么样子的，但我们熟悉的 WIMP 传统界面，即窗口、图标、菜单、下拉菜单，基本是在 20 世纪 70 年代开发的，已经有将近 50 年的历史了，是时候被更人性化的 HMI 取代了。」

极客公园（ID：geekpark）这次邀请到了优达学城中国区总经理周舟，对 Sebastian 和埃里克•施密特的对话内容进行了解读，并就人工智能的商业化、发展前景以及未来教育等相关问题进行了深入讨论。

极客公园：Eric Schmidt 提到，未来 5~10 年摩尔定律还不会失效。在这个阶段，您认为人工智能会有怎样的发展态势？

周舟：我们一提到摩尔定律，首先想到的就是终端设备越来越小。想想从计算机时代，从开始的大机房，到现在一个手机就可以成为我们人类的「朋友」，就是因为我们的芯片等技术不断地服从摩尔定律，使其体积越来越小。但是摩尔定律不仅仅只适用于这种硬件技术。我们现在天天谈论的大数据技术，看着是一个很火、很时髦的词汇，但实则并不是工业人员所希望看到的。大数据意味着成本高，时效慢。那么我们如何将非硬件领域的「大」变「小」，将是未来 5~10 年内最重要的工作。比如降低神经网络模型的参数量，降低其内存，从而放到更小的设备中。发展技术可以不依赖大数据，利用小数据之间的内在关系就可以训练神经网络模型。数据的大小或者网络参数量的大小不仅仅在空间上有进一步压缩，随之而来的数据和网络模型的传输速度也会进一步提高。未来，我们可以使用更廉价的设备，去运行现在认为很复杂，需要几台电脑操作才能完成的模型。机器也可以像我们人类真正学习一样，通过看到少量的数据，就能认识其实质的联系，无需海量的数据进行训练。

极客公园：哪些领域会大幅享受到 AI 商业化带来的益处？

周舟：安防、金融、无人驾驶、医疗、工业制造业都会是未来 AI 商业化带来直接益处的领域。这些领域拥有一些共同的特质，就是在某些分支的子任务，都需要人类进行简单重复的劳动。比如安防，在需要调用监控录像时，往往需要人们同时面对几台摄像机去观察影像数据；或者金融，需要量化分析师不断地观察数据的走势作出相应的分析决策。这些领域往往是现在弱 AI 最擅长的地方，帮助人们解放自己无谓、重复性的劳动，人们可以利用这些节省下来的时间去做更有意义，创造力的事情。

极客公园：如何规避像现在 GANs 制作假视频，或者 deepfake「换脸」 等应用存在的负面影响？

周舟：法律的完善，政府的干预以及媒体的正面引导，唤起使用者的自我保护意识可以大大降低对于 deepfake 等「换脸」应用的负面影响。

极客公园：如何引导 AI 朝着能够增强人类能力、提供工作效率的方向发展？

周舟：这需要 AI 科研人员以及商业人士自发意识到有些是比利益更重要的东西。也需要各国的高层领导官员，以及相关法律部门进行联合的一些协商，制定规则，不仅要引导 AI 向提高人们生活质量的方向发展，也需要制定不允许 AI 科技触碰的红线。

极客公园：关于通用人工智能是否会取代人类的问题，您有怎样的见解和看法？

周舟：以我们现在的观点，很难想象人工智如何能拥有自己的意识。以目前的人工智能算法原理来说，计算力仍然是计算机最强的一环。也就是说，当今计算机的优势是在于可以「嚣张」地利用自己的计算能力去学习历史的数据，从中找到其中的规律并预测新的案例。但是一旦某个案例属于一个全新模式，人工智能就毫无办法。也就是说，它就像一个拥有超强记忆力的学生，只能拥有一点点的推断能力。每次考试前复习的时候，并不是寻求知识点的原理，而是拼命地背真题，历年考题，以填鸭的方式复习。人工智能现在就是如此，其不可或缺的就是「真题」，也就是数据。数据越多，「背题」才会更有效果。因此人工智能还是需要依靠大数据，而人类学习就并非如此。单单从这点来讲，如果人工智能的学习方法上没有改变，即使其发展再好，在逻辑推理上仍然远不如人类，所以也无法取代人类。

极客公园：Eric 和 Sebastian 有讨论到关于传统企业借助人工智能工具进行数字化转型的问题。您认为优达学城（Udacity）在帮助传统和新兴企业在数字化转型以及人工智能应用上有何优势？具体有没有案例可以分享？

周舟：过去几年以来，优达学城（Udacity）在企业数字化转型方向发力，帮助包括 AT&T、通用电气、PwC 等全球知名传统企业进行数字化转型和人才技能培养。以美国通信巨头 AT&T 为例，AT&T 为谋求企业转型机会，希望重塑成为基于云技术的科技公司，以应对互联网时代的激烈竞争。AT&T 员工平均在职年限超过 12 年，旧技能完全无法匹配企业发展新方向，数十万名员工技能亟待更新再造，同时企业也面临着高科技人才招聘难，现有组织全面优化换血成本高等现实挑战。自 2015 年下半年起至今，AT&T 与优达学城建立合作伙伴关系，组织内部员工系统学习纳米学位课程，由公司人力资源部给与员工学费补贴及奖励。经过三年多的合作，3,000+ AT&T 获得培训的员工掌握了转型所需的核心技能点，企业内部 70% 的新技术岗位空缺也得以成功的通过内部培训转岗的形式获得填充。

在中国，包括戴姆勒大中华区、上汽大众、顺丰在内等传统企业也纷纷通过优达学城的培训课程进行技能转型。

极客公园：优达学城（Udacity）最开始是以人工智能切入在线教育市场的。那么 AI 在提升优达学城本身的业务/教学模式，比如 Sebastian 提到的毕业率和互动率，都起到了哪些良性的作用？

周舟：对于在线教育，尤其是职业培训而言，一大难点是如何高效的帮助学员针对其多样化的职业发展目标、自身技术水平、复杂的技能点和应用场景来匹配富有针对性和个性化的学习路径和课程推荐。去年，优达学城（Udacity）针对企业级用户推出了基于人工智能技术的员工技能测评工具，通过多维度、自适应的测试，运用人工智能技术和数据分析帮助企业发现组织技能缺口，为企业日后的技术培训指明发展方向，帮助企业找到最适合其现状的培训课程。未来，我们也有计划将这一测评工具面向更多个人学员开放，帮助学员提升学习效率和成效。

极客公园：针对 Eric Schmidt 提到的信息和生物学问题。您认为未来人工智能在生物学、医学领域都有哪些可用武之地？

周舟：人工智能的用武之地非常多。比如基因问题一直是世界最先进的生物科学家想研究的一个课题。各国也组织自己最优秀的科学家长期探索这一领域的新发现，而人工智能技术会推进这一领域的发展。基因信息学的重要性不言而喻。如果知道其中基因的秘密，那么关于人类的起源，控制人类疾病的基因片段，改善人类体制的方法都将会为人类造福。但是这一领域的难点大家也比较熟知。人工智能可以介入在基因序列，这些看似无规则的数据摆在人工智能面前，也许就可以很容易地找到规律。科学家在得到规律后，只需进行验证就行。面对医学，有很多的案例已经帮助医生释放大部分的工作量，比如肺癌细胞阴阳性检测，皮肤癌阶段检测等。这些被代替的工作特点就是单一重复。而单一重复的工作对于人们来说，既浪费时间，也容易疲劳，因此误诊率高。而误诊对于医学上来说又是如此致命。但越是致命，就越能体现人工智能的价值所在。

Q9：目前发展存在哪些问题？有没有好的解决思路？

周舟：目前来说，人工智能在医学领域上的应用还是偏少，其原因在于医学是一个复杂的领域。任何疾病的指标都是判断病状的辅助措施，是一个概率而非确定的事。可以说医学某种程度是一门判断的「艺术」。而且，基于医学的复杂性，对于很多人工智能从业者来说，有很高的门槛。同时，人工智能对于医学从业者来说，同样具有一定的难度。这就需要有更多的人才投入到这一领域中，成为一种桥梁。另外，医学除了需要诊断患者的病状，还有一项重要的任务，就是人文关怀。很多时候，医生需要能够给予患者心理上的辅导及安慰，而人工智能无法做到这一点。换句话说，人工智能想要大规模深入到医学领域中，应该是朝向辅助医生，而非代替医生的方向发展。这一点及其重要。

· 由极客公园记者于本一整理