无障碍·translate·翻訳·二维码.cn/i3h.cn/3834

---

·搜一搜.cn/圆桌对话：向未来发问

圆桌对话：向未来发问
汤道生 腾讯高级执行副总裁
Michael Jordan 伯克利教授，人工智能领域专家
张首晟 斯坦福大学物理教授，美国国家科学院院士
张潼 腾讯AI Lab主任，机器学习领域专家

3hjj.cn/3834



汤道生：首先我再次代表腾讯感谢刚才两位教授的精彩分享，他们分别从不同的角度阐述了当前我们在人工智能层面，在计算的层面所面临的挑战与机会。希望今天的这个环节能够互动更多，因为我们这个环节的主题是“向未来发问”，而在座的几位学者对我们这个社会，对我们当前这个世界能提出非常有意思的问题，这也是一个非常互动的环节，欢迎在座的嘉宾多提问。张老师作为腾讯AI的负责人，首先请您给大家介绍一下您所关心的哪方面的技术研究以及应用。


张潼：我觉得现在从AI来讲有一个非常好的机会，它会渗透到各个行业，所以很多公司都会对这个东西感兴趣，所有的公司做AI都有自己的特色，我们是作为腾讯公司的一个应用研究、基础研究的部门，肯定是希望把AI做出腾讯特色，在这里我们感兴趣的几个方向是跟腾讯的业务场景相连的，比如说腾讯在游戏上是非常强的，而正好游戏在很多的AI的研究里头都处于前沿，因为游戏里面会产生很多的模拟数据，这些数据可以用来开发你的AI能力，而这些算法将来还可以沉淀下来，放到实际中去，所以在游戏方面有很大的作用。
 所以我们在腾讯不仅是可以做研究，还可以支持业务，包括我们当时做围棋，还有跟游戏结合的AI，都是基于这一点考虑，在这方面，我们在未来几年会走到世界前沿的地步，而且也能对腾讯本来的业务产生一些价值。
 还有一方面我们关注的是跟内容有关的，腾讯非常重视内容的生态，包括怎么给用户连接到最好的内容，那就需要推荐和搜索，另外就是协助生成一些内容，比如说用机器人写新闻，它可以生成内容，包括一些图象识别技术，还有我们在做一些视频内容等等，这都是在做内容理解和内容生成方面的东西。
 还有一块是社交相关的，这里面的人机交互，特别是语音和自然语言，怎么用语音交互，理解人的说话，或者能够通过对话，包括完成一些特定场景的任务，Michael Jordan教授也说过，现在做通用对话还是非常难的，但是我们还是希望往这方面努力，在一些特定场景上能实现对话。
 最后一块是云的方面，这也是今天会议的主题，我们会提供一些基础的组件，希望把它放在云上，能够让小的企业用到AI能力，或者在垂直的企业，比较深的进入一些行业，包括在医疗等等方面，能够做出专用的AI，这是我们目前专注的和腾讯业务结合的部分。


汤道生：谢谢张老师，接下来也问两位教授，在人工智能和学习领域，你们比较关心哪些问题？让张老师先开始。


张首晟：我刚才的报告已经提了，我个人最关心的是人工智能要往前推进的话，人工智能需要一些非常基础的科学技术，一个就是把摩尔定律继续往前推进，还有就是人工智能和物理的关系，还有人工智能和数学的关系，有一些好的算法产生。但是今天把话题提得更广泛一点，因为大家对人工智能还是有恐惧感，不是马上达到机器人统计人类的时代，但是比较现实的恐惧感是人工智能会取代人很多的工作。
 但是我的想法是，现在咱们还没有提到的一点，就是人工智能能够真正把人类的教育事业做得更好，在中国古代的先知们就提出因材施教，但是现在的教育很难达到因材施教，因为一个老师在上面讲课，不知道怎么跟下面每一个学生个性化教育。
 但是人工智能可以达到这一点，因为现在的很多学习越来越在网上学习，这样可以观察一个学生学习的行为，给他推荐特殊的，最好是对他个性化的教育，如果我们能够把整个人类普遍的教育提高，并且给他建议，你这个学习的方式，今后可以做这一类的工作，比较适合你，这样人工智能就能更好的推动，并且增强人的智慧，这是还没有被普遍关注的。像腾讯这样大的企业，也已经给社会带来很多有益之处，我们可以想更远大的目标，把恐惧感去除，迎来更好的未来。


汤道生：不同的个性化也有体现，但是服务的个性化相信还有很大的想象空间。 Michael Jordan教授，您最感兴趣得要解决的问题是什么呢？涉及到AI，涉及到机器学习方面。


Michael Jordan：在物理之前都是抽象的概念，我们希望在未来十年一起努力帮助解决这方面的问题，目前学习的系统是他们做搜索，需要很多的培训例子，人就是这样的，发明新的世界的话，比如说从机场到深圳会展中心两个小时时间，在这个新世界里你可以问很多问题，让它进行推断，你可以做很多有意义的推断，比如说你可以问他一些有什么生物体，这对目前是没有的。
 我很同意张教授的说法，到目前为止真正的布置是关注于现实世界，我们会出现一些自动驾驶的汽车，包括在游戏行业，你可以做大量的模拟，你可以做数十亿次的模拟，可以让机器进行学习，可以使这种可观察性提升，尤其在游戏中不会伤害任何人，可以用这种机制来做有意思的发展。所以对我来说，腾讯现在在做这些比较有意思的研究，因为现在有数据，但是在现实生活中，事实上未来的发展还是会比现在所畅想的慢很多。我们可以向人们展示出更多的产品，卖出产品和服务，但是当我们特别提到让人们的生活提供更多教育和娱乐的时候，这些都必须是真真实实的，而不是基于算法就可以做到的。


汤道生：Michael Jordan教授特别感兴趣在交通领域和人类机器学习做到的识别，但是怎么样在创造力和推理上做更大的突破。今天张首晟教授也提到了摩尔定律好几次，我们也面临了非常快到达摩尔定律的局限，一些物理的局限，尤其是今天的晶体管已经在纳米级别，到底未来的计算出路在哪？您刚才提到量子计算，同时也提到新的算法的重要性，我想请三位专家分别表达一下大家对这个话题的看法。


张首晟：摩尔定律是危也是机，如果简单按照原来的路线走的话，中国也不会有太大的机会，我想利用这个时候，一个是在材料上，比如说刚才提到的拓扑，能够真正对摩尔定律推进。我也希望在量子计算上有所突破，在这两个领域里面，能不能把学术界和产业界做更紧密的结合，在这点上，比如说硅谷和微软已经在量子计算上做了重大投资，中国的BAT总市值加起来已经很大，能不能有更大的报复和理想，能够在这个基础科学利用人工智能推动的基础上做好。


张潼：我觉得从摩尔定律的角度，从一些硬件上讲，有些东西是比较特殊的，像TPU是硅谷做的，也许将来在深度学习或者其他，在训练上也许能够出现，这都有机会。一个是在训练上，在服务器上，大家都比较关心，特别是在云上。还有一个是系统是布置在终端上的，量子计算是非常重要的，我知道现在有人在研究量子计算的学习，但是我判断15年内不会有什么在工业界的产生，但是现在有先驱者也是很好。但是我觉得，肯定是大家都关心方向。


Michael Jordan：事实上我是最关注算法的人，我认为算法，特别是现在在计算机领域做的算法，都是关注于决策的系统，以及在信息和数据当中，我们是对不可定性和可定性进行确量。所以对我个人来说，软件和硬件融合在一起，像有数据中心的搜索以及这个中心来自于哪里，这个数据的检索来自于何处，两个人同时告诉我同一个事情，我自然而然认为这就是两个数据以及两个证明。
 但是如果这两个人的数据是来自于后面第三人的话，第三人是唯一的数据来源，所以对我来说，我需要知道有些东西是创造的？是真的？还是比较相象的？我想知道这些数据来自于何处，一个人可以向一千个人阐述事实，如果我从这一千个人当中听到这个事实，我会觉得这是真的。所以这需要跟分析师们进行合作，来了解到交易数据，包括数据的前后一致性，这都是计算机专家的研究点。
 如果结合到现有的统计学当中，比如我在做决策的时候，我们可以真正做出一个有效的决策，我们现在有相关的算法，现在还在缺失，还不知道怎么做。我们希望能够寻找到更多的可能解决方法，我相信如果我们的系统能够组织化到一定程度，并且发展到一定程度，就能达到这一点。

汤道生：大家的观点还是挺不一致的，摩尔定律是比较基础的，实际在很多不同的角度有蛮多的优化机会，一方面量子计算的突破，在某些可以使用量子技术的方面，会有一些新的机会，在云的时代，我们有很多机会能够有更大的并行计算的机会，去突破单机方面的局限，还有算法层面也是不断有机会去突破。更聪明的算法、更有效的寻找数据，都能够继续推动技术的发展。所以我想计算的未来还是很光明的，不需要太多担心。
 刚才两位教授在分享也提到深度学习很多的理念其实是模仿人的大脑与神经网络，这种模仿真的能够超越人类的智慧吗？我想这是大家普遍会问的问题，但是刚才两位教授也比较明显的让大家不用担心，机器人的时代还没有那么快到。现在人的大脑的运作方式还能够给计算机带来什么新的突破？新的想法吗？


张首晟：一开始人工智能机器学习是比较简单的运作，但是现在已经可以看到一些特别优秀的算法，已经超越了，可以看到人的一些基本结构，引进一些数学概念，有一个最新的算法，是一个对抗性的，用数学概念运用到人工智能，这是一种飞跃的产生。我想人的大脑肯定没有这个功能，但是它已经是把很多算法大大提高，我想一旦想到这个思路，大家会有更多的发展。但是我非常赞同Michael Jordan讲的，基本上我们对智能这个概念，包括人的大脑的智能和人工智能的概念理解还是在牛顿和爱因斯坦对物理学研究之前，所以我也想对在座年轻人做一个分享，这个时代是一个伟大的时代，因为会有一个新的牛顿和爱因斯坦产生的机会。


汤道生：Michael Jordan，我记得你昨天晚上跟大家提到了，现有的计算机技术是模仿人体。


Michael Jordan：我们都不太了解人的大脑，而现有的网络不是基于人的大脑去研究，更不是模仿基于人的大脑去研究，所以我相信正是因为神经网络的发展，使得能够更大的发展，有一种算法是真的做到一种建模，之前是相关关系的建立，能够让单一信号回到网络当中，出现端到端的算法出现。而传统一般性的算法是做不到的，也就是对于我们来说，这个信号要么从X轴是自上而下的，要么是同样重量去到另外一端，这是大脑目前所不能做到的，我们应该把这样的技术引入到各个方面，因为这样才可以帮助我们未来不断发展，不断研发，不断提升。
 与此同时，能够帮助我们更好带来现有的创新技术，所以从我个人的角度来说，如果我们把一个组织拿出来，里面有大量的神经元，你可以做吞噬等等相关行动，这个神经元就知道是从哪个神经柱状进行连接的，中间有什么结构，但是这样的组织已经存在几十年了，但是目前还没有人真正知道，为什么这些神经元会这样工作。
 所以对我们来说，现在多多少少对人的大脑有一些了解吗？并非如此，我觉得要做更多神经元的研究，才能真正了解大脑的功能，几百年之后可能更好了解人的智能是从何而来，采取不同的结构，实现不同结构的发展，到目前为止我们还不知道人的大脑怎么工作的，我们不知道记忆是如何做到的，推理、推演是如何做到的。在工程和数学方面我们都建立起了有效的智能体系，包括硬件，所以我们相信在今后几年，就是电脑方面的发展，是通过多维度实现的，但是现在要想想其他方面，不一定是要基于大脑的学习才能做到这一点。


汤道生：Michael Jordan非常严谨，他说我们并不知道大脑是如何运作的，神经网络末端行为如何发生的，所以也是留给这一代下一代有很多需要解答的问题，由于时间关系，我就把我最后的问题抛给三位，因为今天的主题是向未来发问，假设我们穿越未来，你想提什么关于这个计算领域的问题？希望十年后自己能回答。


张潼：现在我们最感兴趣的问题，至少在AI Lab里看到包括刚才我们说的那几个方向，但是最难解决的就是自然语言理解，包括它和现实世界相结合，特别是我个人更感兴趣的是它怎么和现实世界相结合。现在的自然语言一般来讲都是通过字面的意思做一些分析，然后再回答一些结果，可以做一些简单的对话，但是它无法对真实世界产生理解，所以它无法把它做关联、做更深层次的自然语言的连接，所以我个人很希望能在10年之内取得一定的突破，希望把自然语言往前推进一步，特别是和真实世界相关联这一块。


Michael Jordan：我也同意张潼的看法，这是我们感兴趣的领域，现在我们跟机器有一些非常有限的对话，但是它对你讲话的情景并不是很了解，比如说用“他”这个词，“他”可以指某个人，他可能是指张潼，或者是指马化腾，但是机器是没法理解的。我们和人工智能设备互动的时候，我们也希望让这个机器知道我说的“他”具体是指谁。也希望能跟它更快乐的互动，希望它能够了解现实世界的东西，这在我们有生之年可能很难实现。
 但是在比较局限的环境里面，在社交生活、娱乐方面的一些词汇可能会起到一定的作用，尤其是帮助一些独居的老人，跟他们进行一些互动，这方面是可以有所作为的。我也希望很多公司能进入家庭领域，在这方面有所发展，在这个有限的环境里面实现更多的智慧。
 我想知道在10年后能不能在街上随便叫到无人驾驶的出租车。
 非常感谢三位专家和我们的分享，本来我来到这里是希望能够有些问题得到解答，但也发现在做学问的领域只有更多的问题会产生，今天我们听到的这些问题，对未来的发问都是非常好的启发，我相信在未来人工智能的领域一定会继续往前推进，改善人类生活的品质，谢谢三位嘉宾，谢谢大家！
•
下午的议程将于14:30开始，大家记得回来继续收看哦~