專訪|“深度學習”奠基人特倫斯:人工智能和大腦正走向一起
2019年04月01日09:21

原標題:專訪|“深度學習”奠基人特倫斯:人工智能和大腦正走向一起

在人人都能對無人駕駛、語音識別、AI醫療等評頭論足的今天,又有多少普通人真正瞭解“人工智能”是如何從不被看好到今天的火爆的?還有,我們要瞭解什麼學科才能更好地理解AI?人工智能到底是會把人類帶入烏托邦還是世界末日?人類會成為人工智能的奴隸嗎?

這些高屋建瓴,又尤其需要理性思考的問題,當然需要人工智能領域先驅者提供視角與答案。

特倫斯·謝諾夫斯基 出版社供圖特倫斯·謝諾夫斯基(Terrence Sejnowski)在人工智能領域的地位舉足輕重,作為神經網絡和計算神經科學的先驅,他對這些議題擁有絕對的話語權。此次來到中國,僅僅兩天的行程,就有十多家媒體蜂擁而至。國內的神經科學家、腦科學家、計算機科學家、心理學家、當然還有所有對AI感興趣的各行各業人士都希望能和他聊上一聊。

他奪目的光環包括:世界十大人工智能科學家之一,美國僅 3 位在世的四院院士之一,他還同時兼任NIPS(全球人工智能頂級會議)主席,奧巴馬政府“大腦”計劃顧問委員會委員等等。

早在1986 年,他就與上週獲得“圖靈獎”的傑弗里·辛頓(Geoffrey Hinton)共同發明了玻爾茲曼機,開啟了神經網絡的快速發展。正是基於此項貢獻,深度學習從邊緣課題變成了人工智能仰賴的核心技術。也就是說,他和好友傑弗里·辛頓直接推動了人工智能的井噴式發展。

特倫斯除了是一名傑出的科學家和研究者,還是一名十分擅長傳授知識和理念的教授,他本人一直於在線學習平台 Coursera開設一門名為《學會如何學習》的免費課程,通過系統講解大腦認知的底層知識,讓學習者可以改變思維模式,提高學習的能力和效率。截至目前,已吸引了超過 300 萬聽眾,被認為是全球最受歡迎的互聯網課程之一。

作為最瞭解人工智能曆史、趨勢,最早開啟人工智能浪潮的人,一個長期致力於科普的教授與作家,七十四歲的特倫斯前不久前剛出版了這本《深度學習》。用他自己的話說,“現在市面上有百餘本關於人工智能的書。但他們都太情緒化了,要麼鼓吹人工智能的優勢將會幫助全人類,以後我們將生活在烏托邦,要麼走向另一個極端——人工智能將帶來世界末日。但我們要知道,現實是介於兩者之間的。我想做的就是提供一個對未來可能性更實際的評估。此外,AI領域發展得如此之快,以至於人們甚至都不知道它的發展方向。所以,未來到底在哪裡呢?”

這也是一本關於深度學習的科普讀物,為圈外人瞭解深度學習在過去60年間的發展脈絡與人工智能的螺旋上升,瞭解AI的過去、現在和未來提供了絕佳的材料。

3月31日上午,澎湃新聞就本書的內容,對深度學習以及算法的相關問題,對人工智能的倫理問題等對特倫斯·謝諾夫斯基專門進行了一次採訪。特倫斯罕見地強調了他在科研領域從無名之輩到“中頭彩”的傳奇經曆,他希望中國讀者喜歡他講述的這個不迷信權威的故事,他說:“我不信任權威。即使他們擁有所有的權力,也不意味著他們是對的。人要相信自己,你的直覺很重要。即使現在你沒有權力,或許有一天你會的。”

“為什麼人工智能的突破不是通過寫程序,而是通過深度學習?”

澎湃新聞:你撰寫這本書的初衷是什麼?你希望中國讀者可以從這本書里學到什麼?

特倫斯:這本書其實是記敘性的,我講了一個故事,提供了很多背景資料。很多讀報紙的人會誤以為所有的關於AI和深度學習的發展都是一夜之間發生的。這是因為在過去的三十年里,學術研究一直只在幕後進行,沒人聽說過,然後它卻突然間上了報紙。所以我認為,需要有人出來向公眾解釋它是從哪裡來的,以及科學是如何運作的。我認為一定要有人來講這個故事。

現在市面上有很多關於人工智能的書。我想大概有一百本這樣針對大眾的書,但這些書都只是為了製造噱頭,要麼是鼓吹著人工智能的優勢將會幫助全人類,以後我們將生活在烏托邦。要麼走向另一個極端——人工智能將帶來世界末日。人類將被統治,成為人工智能的奴隸。但你要知道,現實是介於兩者之間的。我想做的就是提供一個對未來可能性更實際的評估。還有另外一件事需要注意,就是這個領域發展得如此之快,以至於人們甚至都不知道它的發展方向。所以,未來到底在哪裡呢?

我的書可以分為三個部分。第一部分是談論過去,即我們從哪裡來?第二部分是具體的算法,試著解釋算法的原理。我盡我最大的努力去解釋算法到底是什麼(笑),以及我們在發展的過程中遇到了什麼困難,又是如何克服的。

最後一部分是展望未來,我試圖解釋神經科學和人工智能之間的關係。這本書要傳達的信息就是,人工智能和大腦之間有一種趨同,它們實際上正在走向一起。人工智能越來越像人的大腦,並且受到腦科學的啟發。當人工智能得到發展後,腦科學也可以受益。因為我們在機器學習中開發的這些工具和技術將可以用來解釋大腦。所以,這兩個領域之間有著很好的互動。

但我希望中國讀者能夠從書中學到的是失敗者的故事。我們是在1980年代開始這些研究的。那個時候學界被斯坦福,麻省理工和卡內基梅隆這樣的大學所統治。他們從政府那裡得到所有的經費和工作。他們有權威,也是專家。這些人得到了最好的工作,控製著他們的學生。他們還得到了所有的關注。簡言之,他們是掌權的人,是權威人士。而這時候我們是誰呢?我們很年輕,是無名之輩。當時我和傑弗瑞(Geoffrey Hinton)在一個會議上遇見了,我們都覺得這些權威人士的方法是錯誤的。之所以錯是因為不切實際,或者說,他們的方法實際上沒有取得任何進展。

他們的確解決了一些問題,比如做些小玩具演示。但是他們沒有解決任何高難度問題,比如視覺。視覺對人類來說很簡單。你睜開眼睛,一抬頭,就看到了東西,一個物體、一隻手,又或者是文字。這件事就是發生了,人類把這視作理所當然,因為這一切都是在無意識中發生的。正因此,你不知道為什麼你可以看見東西。儘管沒人知道這是怎麼一回事,但當時研究人工智能的人卻覺得視覺是個簡單的問題。因為相比之下,他們可以寫一個可以玩遊戲,並且解決理論和數學問題的程序。他們認為這是最難的,他們覺得數學比視覺複雜得多。但他們完全錯了。

這本書講述了我當時作為無名之輩的故事。在當時,我作為年輕的研究人員沒有地位,也是剛開始工作。所有的權威人士都沿著一條路走。可我們認為他們錯了。但我們是誰呢?我們只是有自己的想法而已,我們不能改變這個世界的運作方式。在那裡我們根本沒有任何權力。而我們擁有的,就是幹勁、年輕的熱情和對自己的信念。

我們相信我們有不同的方法來解決智能的問題。我們從解決大腦問題的方式中得到啟發,因為這是唯一能證明你能解決問題的依據。我們意識到的舊方法的錯誤之處就在於,計算機和大腦的結構是不同的。大腦是大規模並行的結構。計算機只有一個處理器和內存,且它們互相聯繫。但這就是瓶頸所在:你得不到足夠的信息。但大腦是在處理大量的信息,且必須同時進行。舉個例子,如果傳統的計算機要掃瞄一幅圖像,它一次只能掃瞄一個像素點,但你的視網膜有一百萬個感光細胞同時工作,所以效率更高。一邊是很多種不同類型的計算機,一邊是大腦。人工智能的研究人員一直盯著計算機想要解決智能的問題。但大腦就在這裏等著你研究,為什麼他們要看那邊呢?

有一句諺語是這麼說的,如果你丟了鑰匙,不要因為哪裡有光就去哪裡找。有光的地方並不意味著鑰匙在那裡,對吧?你看到有人在燈柱下搜索。但是丟鑰匙的人是我,他們在那尋找並不意味著你能找到自己的鑰匙。事實上,你把鑰匙丟在這條巷子裡了。因此,如果你不往小巷里找,你就找不到你的鑰匙。這就是我想說的,人必須看到別的地方。

澎湃新聞:你覺得我們今天已經完全瞭解視覺是如何運作了的嗎?

特倫斯:我認為我們還沒有。我們永遠無法知道一切,這個目標太高了。但實際上,我們運用深度學習和神經元的知識,瞭解了很多猴子視覺皮層神經元的知識。這兩個方面的知識正在彙聚。我想很快我們會有一個視覺理論,一個關於視覺背後的機理的數學解釋。

澎湃新聞:那些當時壟斷人工智能領域的人,他們是計算機科學家嗎?

特倫斯:對,他們大部分是工程師。計算機科學也在發展,這門學科是和計算機一起誕生的。計算機直到五六十年代才開始出現。所以人工智能誕生的時間和計算機差不多。計算機科學在誕生後的幾十年里並沒有真正形成一門學科。

回到那個為什麼當時的權威人士錯了的問題,這涉及到我們的直覺到底從何而來?

我們的直覺來自於這樣一個事實:唯一存在的能證明你能解決這些問題的證據,比如視覺問題,就是大自然已經解決了這個問題。因為除此之外就沒有人了,沒有程序可以做到這一點。他們想寫一個關於視覺的程序,但是沒人知道怎麼做。他們嚐試了許多方法,結果都是一場空,就像你說的,是一個非常難的問題。它是如此的困難,以至於人類用了數百萬年,甚至幾億年的時間來進化,來完善我們的視力,直到達到今天如此智能的程度。

澎湃新聞:就在接下來的十幾年里嗎?

特倫斯:我想我們已經差不多完成了,現在已經很接近了。數學家們正在研究這個問題。幾週前我參加了美國國家科學院的一個會議,是關於深度學習的。然後一些數學家說,這是一個函數。這就是數學家擅長的研究問題的方法,所以我想他們應該能算出來。他們現在正用非常強大的數學工具和技術來解決這個高維空間的曲面幾何問題。如果你有數十億這樣連接強度的數據,比如你的模型中有十億個這樣的參數,那你就是在這些參數間,尋找一個適合現實世界函數的解。而大腦實際上有更多這樣的結構,它有大約一百萬億個突觸。這是個天文數字。

但是我們認為,通過分析能夠對識別物體和圖像的深度學習網絡的運作原理,我們也可以將這些原理應用到大腦,因為大腦結構和這些網絡的相似性。和大腦相比,網絡很簡單,但我認為它們有相同的功能和原理,或者類似的數學描述,只是大腦要複雜得多。

另一個問題是,研究人工智能的人,他們最開始的目標是研究人類的智力。基本上,他們想要寫一個和人腦一樣智能的程序。這種“一般性智力”意味著你可以解決各種各樣的問題。但人很靈活,可以適應新的環境。這對人類來說是很特別的,也是我們比任何其他物種都做得更好的地方。

澎湃新聞:而且我們大腦的能耗很低,對吧?我看到過一個數據,如果計算機要達到人腦那樣同樣的功能,我們需要幾百台超級計算機,才能達到同樣的功能。

特倫斯:是的,生物用了數億年不只是提出問題的解決方案,而且優化了電力成本。所以你大腦的用電量和21個燈泡的用電量差不多。而這個用電量對計算機而言是很小的。可是人腦的計算能力卻超過最大的超級計算機。最大的超級計算機可以覆蓋我們這個大樓的地板,就像大型中國超級計算機,對吧?它們消耗著成千上百萬瓦的電力。所以數字計算機需要消耗的電量比大自然的要多得多。這是驚人的,這就是我們的直覺。

另一方面,這個問題確實反映了我們的處境。我們認為我們已經解決了難題——計算機和現實世界的連接。換句話說,“能夠看見”是擁有一般智力的先決條件。在人工智能中,這被稱為“接地”(grounding)。

澎湃新聞:這又是什麼意思呢?

特倫斯:研究人工智能的人和語言學家會說,單詞“杯子”(cup),它是一個單詞,但它代表了什麼意思?它代表了所有可能存在的杯子,包括大杯子和小杯子,不管是紙做的還是玻璃做的,這些都是杯子。這很好,但問題是,如果你想寫一個指向“杯子”圖像的程序。因為杯子可以有很多不同的形式,上百萬種不同的形狀和大小,所以一個可以識別所有可能的杯子的程序是寫不出來的。這就是問題所在,“寫”程序是不可能的。這就意味著“杯子”的概念是沒有根據的。你不可能把這個符號和世界上所有我們稱之為杯子的東西聯繫起來。這就是“接地”(grounding)。但現在我們可以這樣做了。我們有一個非常強大的深度學習網絡,它可以針對成千上萬種不同的杯子進行訓練。

澎湃新聞:你提到過GANS(生成對抗性網絡)是十分高效的,它會自己產生一輛新的車的影像。

特倫斯:這是另一個很好的例子,是另一種網絡。這不是我剛才說的那種“輸入—輸出”的模式,你給我一個圖片,它就能識別出是一輛車。GANS的神奇之處在於,你給了它100萬張杯子的圖片,它就能夠創建新的杯子的圖像。

我舉一個例子。我可以訓練一隻猴子識別出杯子的圖案,實際上你也可以訓練一隻鴿子做到這件事。換句話說,你通過多次訓練鴿子,把這件事變成反射。信息輸入,反應輸出,這是一個反射,對吧?它是由事件驅動的。這叫做感官運動,感官輸入,感官輸出。你可以訓練人這樣做。然而,人們也可以只是坐在那裡,就產生想法,他們不需要任何輸入。晚上,你躺在床上,天很黑,你開始想事情。你是怎麼開始想到這些東西的呢?這是你的大腦內部生成的。它是活躍的,是內在的。比如說,你可能突然想起來你忘記關掉浴室的燈了,所以你起床去洗手間。而這個印象不是來自浴室,而是來自你的腦袋。

深度學習網絡比傳統編程究竟好在哪?

澎湃新聞:人工智能是一個跨學科的領域,你是神經學家,這個領域里還有計算機科學家,也有認知科學家,他們是怎麼分別對這個領域做出貢獻的呢?

特倫斯:是的,這是一個非常好的問題。事實上,我原來的專業是物理,後來我轉到神經科學。傑弗瑞(Geoffrey Hinton)起先學的是心理學,然後才轉到人工智能的行業。我想這可能就是為什麼我們能擁有和主流不同的觀點。那些研究人工智能的人,他們都是從和其他人一樣的角度看問題。掌權者編寫教科書,他們同時也教書。進入這個領域學習的學生讀了他們寫的課本,就相信了他們的理論。但是我們是從別的學科進入這個領域的。我沒有讀過那些課本,我也不必相信那些東西。所以令人驚歎的就是,即使他們有這麼大的控製力,現在完全被翻轉了。隨著時間的推移,我們的算法規模迅速發展。人工智能的關鍵就是想出一個更好的算法,讓你的計算能力越來越強。

而傳統的算法是組合性的。當問題變複雜,可能性爆炸式增長,這種算法很難發展。它們只能解決玩具的問題,而不能解決現實世界中的問題。所以一旦他們想把它應用到現實世界,它就會爆炸,根本無法應用。順便說一句,80年代時我們並不知道這個規模到底會有多大,因為那時候網絡規模很小。計算機運行速度很慢,所以這些程序不會太複雜,只有幾百個單位。但是現在計算機的速度比那時快了一百萬倍,網絡是原來的一百萬倍大,我們的算法擴展得非常漂亮。層數越多,包含的單位數就越多。擁有的參數越多,運行效果就越好。大概五年前,我們的算法達到了一個臨界點。我們突然能夠解決現實世界中有關視覺、語言和翻譯的問題。現在,這個結構被應用到成千上萬個不同的問題上,比如商業領域的很多問題。只要你有足夠的數據,你就可以用它們來訓練網絡。隨著參數增多,需要的數據也變多。

澎湃新聞:談到算法,神經網絡的算法和傳統程序的算法到底有什麼不同呢?

特倫斯:區別就在於“學習”。雖然他們都被稱作“算法”,但卻是兩種解決問題的方法。傳統的人工智能研究人員編寫代碼,嚐試觸及每一種可能性。比如你想識別杯子,你必須為每一種可能出現的杯子編寫一行代碼。這是一個龐大的項目,需要寫作很長時間。因為編程需要耗費很多人力,所以這非常昂貴。與之相反的算法是“學習算法”,它會說,“不不不,我們不要寫代碼。只要給我很多例子就行。”所以每次它的數據庫增加一個樣本,它就會變好,變得越來越擅長解決問題。它會比較新的輸入和之前輸入之間的相似性。這個過程被稱為“泛化”(Generalization)。

所以如果你曾給這個系統輸入了一千個樣本,這時你再輸入一個,即使這個和你之前訓練它的不同,這被稱為“判例案件”(Test case)。如果它也識別出了這個樣本,那就意味著在某種程度上,它理解了“杯子”的概念。就比如你有一千個杯子。現在如果給你展示一個從未見過的新杯子,你就知道這是一個杯子——這就是人類所做的,我們非常善於學習。我們擅長從一些例子中歸納,也能看到它們之間的關係。這是因為我們有一種神奇的吸收新信息的能力,並將其融入到我們過去的經曆中。

這兩種算法還有一個非常重要的區別,且這一點很重要:即使傳統算法成功地寫了一個視覺程序,這也不能幫助他們寫一個語音識別程序。換句話說,針對每一個問題寫出的程序都是單獨的。再換句話說,想解決新的問題?你必須從頭開始。一個視覺程序不能語音識別,一個語音識別程序不能做視覺。所以如果你有100個問題要解決,基本上你必須要寫100個不同的程序。這種勞動密集型是難以置信的。但是,如果你有一個學習算法,你不需要寫一個新的程序。你只是在用同樣的程序接受不同的數據,你只需要收集數據。所以這是非常高效的方式。

澎湃新聞:例如自動駕駛汽車對深度學習的應用?

特倫斯:是,這也是一個很好的例子。大約十年前有個比賽,誰的汽車能夠駛過加州北部猶他州邊境一百二十英里的路程,就可以獲得兩百萬美元的獎金。那裡有很多蜿蜒的道路,有很多你不得不穿過的非常困難的地形,還有岩石和大圓石。獲勝的那輛車是由斯坦福大學的Sebastian thrun建造的,當時他和我來自同一個社區——神經信息處理中心,所以他相信“學習”的力量。而卡內基梅隆大學的人,他們設計了一個重型卡車。這輛裝滿計算機的大卡車非常笨重地前行。塞巴斯蒂安,我的書里有他的照片,他的小車一路暢行。他是怎麼做到的呢?雖然他不知道機理是什麼,他是這樣訓練它的車的:他開著車在那個區域到處轉,到各種各樣不同的道路上。汽車上有傳感器,所以能接收很多感官輸入信息,或者叫視覺雷達,它能夠檢測到物體在哪裡以及它們有多遠。在他開車的時候,他進行一系列的比如轉動方向盤、踩刹車等操作。這些他收集的數據都被用來訓練這個網絡。這雖然不是一個“深度學習網絡”,但是屬於“機器學習”,是一種“學習算法”。

那輛車後來自己開到了伊拉克。因為它知道之前面對各種岩石的路況時,駕駛員是如何操作的。所以從以前的駕駛經驗中,它學會了如何在類似的情況下駕駛汽車。所以這裏的學習指的是,如何理解環境的特點,以及面對障礙時人類對環境做出的反應,最終保持在路上行駛。

澎湃新聞:真的很神奇。

特倫斯:對我而言,這是一個轉折點,因為這表明我們的方法在現實世界中的應用是可行的。他贏了200萬美元,而這個領域也中了頭彩,意味著這種算法會越來越好。事實也確實如此。十年就這樣過去了。2012年,在一次會議上,日本的科學家發表了一篇論文,證明深度學習網絡做得比傳統編程要好得多。因為對傳統編程而言,針對每一個新對象,他都要編寫一個新程序來識別它。

澎湃新聞:你認為自己很幸運嗎?因為你一直堅信這種“學習算法”?

特倫斯:我說我中了頭彩,但是,我同時也冒了險。我在事業上冒了很大的風險,我曾經並不知道結果會怎樣。但是我有一個強烈的信念,那就是直覺。我的直覺是基於比計算機更廣泛的知識。我有來自物理的知識,我也有生物的知識。所以我想把這些不同領域的知識結合起來。傑弗瑞的過人之處就在於他擁有令人讚歎的知識。

而這裏有一個關鍵,物理學非常擅長建立世界模型。但是物理學沒有問的一件事是,這個世界在計算什麼?你不會問這個問題對吧?因為世界沒有功能,世界存在本身也沒有目的。物理學的研究也沒有目的。你會問物理學研究的目的是什麼嗎?重力的作用是什麼嗎?換句話說,重力不是一個計算過程,只是一組自然遵循的方程。這就像是對世界正在發生的事情的描述。但是我發現我正在研究的這些大腦模型中缺少了什麼,因為我以前是一個物理學家。所以我想讓我們做一個大腦模型吧,也許這會幫我們理解它。

但即使你有最好的模型,它也不會告訴你運作原理是什麼。為什麼它會這樣運作呢?研究它的原理是一個計算問題。它的目標是什麼?它想要做什麼?這其實是計算機科學需要解決的問題。計算機科學實際上是一門研究如何通過計算來達到目標的學科,算法會帶你找到答案。

而這就是我缺失的部分。你知道,我是個優秀的物理學家,我也學到了很多關於大腦的知識。但是,神經科學或物理學中沒有人會問關於“功能”的問題。但在生物學領域,人們會問這個問題。他們談論行為和生存。很明顯功能肯定存在,比如為了生存。然而,當你談論神經元的功能時,這是一個謎。我的意思是,沒有人知道為什麼生物體把神經元放在那裡,它是怎麼在那裡的,為什麼會有這麼多的神經元?我們試圖理解一些非常複雜的東西,一個沒有人理解的機器。

澎湃新聞:但你們可以模仿這個結構,然後給它數據,它們就會自己學習。

特倫斯:是的。所以我想說,我希望中國讀者能夠從我的書中明白不要相信權威。我不信任權威。即使他們擁有所有的權力,也不意味著他們是對的。人要相信自己,你的直覺很重要。即使現在你沒有權力,或許有一天你會的。

澎湃新聞:我想知道深度學習發展的更高階段是什麼?現在計算機還是需要大量的數據才能識別出杯子,但是我們的大腦只需要一兩個樣本,就可以認出其他杯子。

特倫斯:這是個好問題,所以我們的方向在哪裡?現在還缺少什麼?我們的每個網絡都解決了一個問題。比如我們已經有一個視覺網絡,一個語音網絡,還有一個語言網絡。我們還有一個運動系統網絡。我們真正需要做的是想出一種全局的方法,來組織協調所有這些網絡。因為我們的大腦皮層有很多特殊的區域,負責一些特殊的事情,但無論如何它必須是一個操作系統。不同的部分在協作,信息在系統的不同部分之間流動。這就是涉及到“意識”的問題。換句話說,這些特殊的系統之上肯定還存在一個層級。每一個獨立的領域有獨立的網絡。大腦中有無意識的部分嗎?你並不會意識到你的視覺,你也沒有語言意識。但不知何故,我就是可以看到你,可以聽到你,可以觸摸到你。當把你放到一個背景中,我就可以我能認出你臉上的表情。這些在我大腦的不同部位發生著,是一個協調的過程。

AI當然會產生意識,也絕對會帶來新的倫理問題

澎湃新聞:你書中談到AI最後會產生意識,那麼它會有情緒嗎?

特倫斯:一定會的。只是現在還沒有。其實我們知道大腦中有一部分負責情緒,只是我們還沒有把它們放到網絡中。但我們將會這麼做的,這也是絕對必要的。我的意思是,如果你想要AI能夠和你互動,並且擁有相同的社會水平,它也必須有情感。這些都是已知的了,“擁有情緒”只是時間問題。而且這一切已經在發生了,有人正在研究這個問題,意識也是一樣,一切都是自發的。

澎湃新聞:那他們和人類建立的紐帶會改變現在社會結構,並帶來很多倫理問題吧!

特倫斯:絕對會,所以我們應該做好準備。我們不應該等到它發生,而是提前做好準備。所有的技術發展皆是如此。無論它們什麼時候來到這個世界上,你都可以用它們來做好事,也可以用來做壞事。

澎湃新聞:但它們可能會成為最強的物種,那時候它們還會和人類協商嗎?

特倫斯:是我們創造了它們,我們才是老闆。如果我們讓他們失控了,那麼這是我們的問題。如果我們讓這樣的情況發生,我們就是愚蠢的了。

澎湃新聞:但有時候人類就是會犯蠢啊。

特倫斯:不是所有人都這樣,也不是一直都這樣。我有信心,作為一個物種,人類有足夠的智慧平穩地避免最壞的結果。自從工業時代以來,我們所擁有的技術有時被用於戰爭,也會被用於建設文明,還用來建設工廠。技術發展總會遇到問題,你要做的就是控製它。通過製定法律,來控製人們濫用技術獲利。這樣的困境總是會發生的。但所有的技術都是如此,人工智能也不例外。所以我想說,現在開始擔心並且考慮停下還為時過早。我不認為僅僅因為將來路上可能會遇到問題,你就停止前進。比如無人駕駛汽車殺人的問題等,這都是我們可以解決的問題。因為這就是科技發展的規律。

澎湃新聞:我可以稱你為人工智能樂觀派嗎?

特倫斯:我是現實主義者。我的現實主義是建立在科技發展曆史的基礎上的。我想說的是在生物學中,也是一樣的道理。我們可以操縱基因,所以我們擁有控製自然的力量。這種力量非常強大,這甚至比人工智能更強大。

澎湃新聞:你能否簡單介紹一下美國、中國和日本的人工智能發展情況?你在書中談到,覺得中國人工智能的發展是很大可能超過其他國家的。

特倫斯:我認為這是“蘋果”和“桔子”的關係。我的意思就是你其實是在比較兩種不同的東西。換句話說,中國和美國的發展完全不同,就像在兩條不同的軌道上的火車。在美國,人工智能是一種自下而上的研究。基本上所有的研究都是在公司的資助下進行的,而不是政府。政府花的錢很少。資金全都來自大型互聯網公司,比如臉書(Facebook),國際商業機器公司( IBM)和微軟。他們的研究由市場驅動的,這關於怎麼用人們想要的方式把產品投入市場。比如蘋果手機想要語音識別和人臉識別的功能。人們想要這些功能。

但是在中國,這是自上而下的發展,是一種完全不同的方式。每一種方法都有一定的優勢。

澎湃新聞:可是我們也有許多來自企業的資本投入。

特倫斯:是的,但是這裏的問題不是錢從哪裡來,而是目標是什麼。誰決定了人工智能的目標?我的意思是,公司可能可以控製資金,但是政府可能說,我就想讓你做人臉識別,這是權威的問題。但在美國,每個人都是為了自己,每個人都努力研發出產品在市場中盈利。我的意思是,這兩種模式都在以不同的方式進化,我們無法預測它們會在什麼時候結束。很有可能是一個非常不同的結局,但現在我們還不知道。

關注我們Facebook專頁
    相關新聞
      更多瀏覽