1
| 本文作者： 新智驾 | 2016-11-17 08:30 |
*图片来自知乎Live
编者按：前不久，优达学城（Udacity）联合创始人兼总裁 Sebastian Thrun 通过知乎 Live ，与中国网友进行零距离交流。本文翻译、编辑自优达学城（Udacity）知乎Live直播实录，首发于优达学城微信公众号（ID：youdaxue）。雷锋网经授权编辑与发布(有删减）。
AI，也就是人工智能，是现在硅谷最火的话题之一。人工智能的目标，就是要让机器像人类一样聪明，甚至比人类聪明。 从历史的角度来看，大约300年前，人类发明了蒸汽机和农业设备，这些机器在物理层面上超越了人类的能力。
而 AI 要做的，是让机器从智力层面上，也要超越我们人类。 机器也可以变得很聪明，他们可以玩游戏，可以开车，可以开飞机，还有很多它们能做到的事情。而目前最有趣的人工智能相关领域，就是机器学习。
机器学习，是指机器从经验中学习的能力。同样，让我们对比着来看。当你为一台电脑编程时，你会事无巨细地告诉电脑在任何一种可能的情境下，需要做什么样的反应。现在的电脑程序，通常会有成千上万行代码，因为有成千上万种情况需要它们去处理。
而一个程序员，需要足够聪明，可以预测到所有可能的情况，从而避免你的电脑崩溃。这也是为什么软件工程师的薪水都那么高。在机器学习时代，机器不再需要被一条一条的灌输指令，它们也可以被“教育”，就像人类的小孩获得的教育一样。我们教小朋友时，不是一行一行地把所有可能的行为指令都灌输给他们，而是让他们不断去尝试，跌倒，然后站起来，从跌倒的经验中去学习。机器学习让也能够像小朋友那样，能够从经验或数据中学习，获得成长。
我在人工智能领域探索了很长一段时间。说起来你可能不信，我1993年就写了一篇关于机器学习和机器人学的硕士论文。自从那时开始，我就为一个问题深深地着迷：机器到底能不能用和人类同样的方式去学习？
2005年，距离现在十多年前，我参加了美国政府组织的 DARPA 超级挑战赛，一个无人车驾驶大赛。196个队伍参与角逐100万美元的大奖，而我当时在斯坦福大学的团队赢得了胜利。我当时是斯坦福人工智能实验室的总监，在 Google 的人工智能项目中也担任了同样的角色。在参加挑战赛时，我工作的核心，就是运用了机器学习。Stanley 是一辆会学习的机器人车。它能从数据中学习，有时它会从自己的经历和错误中学习，更多时候，它会学习人类司机的行为，使得它自己能够像人类那样去驾驶。最终，Stanley 的学习模块，让它从196个队伍中脱颖而出，早2005年，以决定性的优势赢得了 DARPA 超级挑战赛。
Google 的无人驾驶车也会学习，而我们也遇到了同样的问题：在驾驶过程中，有太多的罕见情况需要去考虑，而无人车需要能够处理好其中的任何一种情况。所以，Google 无人驾驶车最终在公路上驾驶了几百万公里来训练软件如何驾驶。人类和电脑的一个区别在于，学习的速度大不相同。举例来说，如果一个人类驾驶员犯了一个错误，他会从中吸取教训，也许下次可以不再犯错。
但是其他人并不会拥有同样的收获。如果是一辆无人驾驶车出现了错误，不但它自己会从中吸取教训，所有其他的无人驾驶车甚至是所有未来的无人驾驶车，也将从中获得新的经验。这意味着，一个错误就能训练世界上所有的无人驾驶车，无人车的学习速度远远超过了人类。这个区别将导致未来有一天，无人车驾驶将比人类驾驶要安全的多得多。这是人工智能和人类在学习上非常关键的一个区别，而且它也适用于很多别的领域。
机器学习正在被运用于很多很多很多的领域。举例来说，医疗诊断。机器学习可以比最优秀的人类医生更准确地诊断癌症。在法律领域，最资深的律师，也会在寻找资料和起草合同上输给机器学习。当然，还有互联网，Google 和百度都因为机器学习的助力，可以用超乎人类想象的准确度搜索信息。还有很多其他的领域，比如会计、驾驶飞行器和玩游戏。
前段时间，Google 的 AlphaGo 刚刚在围棋上打败了世界冠军。而而这所有的人工智能应用都有一点相同：它们都会使用机器学习，从海量的数据中学习。如果你再观察一下机器学习，比如 AlphaGo，会发现它能从成千上万个棋局中学习。没有任何人类的专家能够活那么久，去看完几百万个棋谱。这个区别，使得 AlphaGo 可以运用比人类多得多的经验数据，围棋水平最终超越地球上所有的人类。
未来，人工智能对人类生活的改变，将和农业革命、工业革命带来的改变一样，让我们可以变得更为强大。它将把我们从不需要动脑的重复性工作中解放出来，比如每天你在办公室中不断重复做着的很多工作。在未来，律师可以浪费更少的时间去寻找资料，花更多的时间去进行创意型的思考；医生的误诊将大大减少，他们可以更好地诊断人类疾病，可以花更多时间和病人交流而不是用来盯着皮肤组织样本。
Q: 你是如何看待计算机视觉的未来前景的？
Thrun: 计算机视觉是人工智能中最激动人心的领域之一。直到几年前，我们甚至还不能识别照相机图像中的最基本的部分，如你的脸，或者你坐的椅子，或者流动的云。但是多亏了深度学习，我们现在能够分析非常复杂的东西。
例如，汽车停在停车场中，电脑放在桌子上，甚至柔软无棱角的物体，如冰箱边上的食物。这只是个开始。计算机视觉使一种控制汽车的新方法得以实现。过去无人驾驶汽车使用雷达和激光作为感知环境的方法，现在有一种新方法是用计算机视觉和摄像机来分析行驶方向，并且进步很快。
Q: 现在业内关于自动驾驶技术和实现的完成度，各家相比会有很大的差距吗？比如 Tesla 和 Geohot ？
Thrun: 你问了无人驾驶汽车的市场和 Tesla 与 Geohot 的区别。如果你看看 Geohot 的新闻，就会得知 Geohot 已经决定终止无人驾驶汽车的项目，并转而做别的项目。这个决定回应了美国政府对于 Geohot 对用户是否真的安全的质疑。我不得不承认我今天看到这个消息很难过，因为我希望无人驾驶汽车技术短期内就有市场。相反，Tesla 已经建立了名为 Autopilot（自动导航）的无人驾驶技术。
它没有完善到你可以在开车的时候睡觉，你必须保持注意力。但是如果你保持注意力，它能够按路线行驶的非常棒。我有一辆 Tesla 并且我每天都使用 Autopilot。Tesla 的技术曾基于 Mobileye，一家以色列公司，现在换成了 Nvdia, 一家美国的公司。因此你可以看到无人驾驶性能的进步因为具体的技术在进步。在今天的市场，大部分都是非无人驾驶技术，是驾驶辅助技术，汽车只有一种功能。Tesla 是最先进的一个，因为它是个很棒的公司，发明了 Autopilot。
尽管如此，Autopilot 还不是最完美的无人驾驶汽车系统。然而，业界的进步十分迅速，接下来两三年，我期待更多主流的汽车公司也来做无人驾驶，并研发出类似的无人驾驶技术。
Q: 现在的人工智能离强人工智能还有多远？机器人什么时候能真正读懂人说的话、理解看到的东西、了解人类的情感，（深度）神经网络能做到这一点吗？
Thrun: 现在的人工智能离强人工智能还很远，现在是专业化的人工智能。每一个人工智能系统精通一项任务，但是如果要它做一个不同的任务需要从零学起。这很重要因为我们不需要无人驾驶汽车会下象棋，我们也不需要飞机会投篮，这些是不同的领域。
然而，现在的问题是机器人是否能够理解人类情感，我认为这需要很大的进步。现在在训练人工智能理解人类是高兴或沮丧，不舒服或疲惫，已经有了很大的进步。你们手机上的人工智能系统可以辨别你现在的心情，这个用最基本的人工智能系统就可以做到，只需要观察你贴图的频率，看微信的频率，走路的方式。
我想说我对人类情感很感兴趣，但是我对机器情感并不感兴趣。我不需要我的人工智能有情绪，我不希望它生气或者开心，我不想来到厨房，发现我的冰箱爱上了我的洗碗机。它不愿意为我工作因为我昨天晚上对它发了脾气。我希望机器能够稳定工作，因此我认为人工智能机器不需要情感。
Q: 基于学习的方法主导机器学习的根本原因是什么？它将如何与更传统的 AI 方法进行交互？
Thrun: 机器学习主导的根本原因是它必须做到跟人类学习的方式类似。如果你想教小孩做正确的事情，你不能坐下来把生活规则一条一条写下来，这是不可能教会他的，相反，你应该让小孩从他自己的经历中学习。
机器学习不是像我们曾经写代码一样来学习的，也是从经历中来学习，因此在很多领域都不那么做了。比如 Google 每天从数千亿的在线网页的数据集中学习，这些数据没有任何规则，但数据却存在规律。所以今天的机器学习是将人类的学习方式用在数据上得出结论，这比用常规的编程方式要更强大。
Q: 未来的硬件技术有什么新的要求，以满足AI的趋势？
Thrun: 如今人工智能发展的一大激活因素是计算机的规模。10年以前，这是不可能的。 10年前我们的计算机系统规模最大都不如老鼠的大脑，现在它们比人类的大脑更大。这使得一切都变的不同了。人工智能领域大多数发现，世界上最好的算法，在30年前就已经出现，但现在才开始兴起的原因是因为计算机变得越来越快。
展望未来，计算机必须更快，更便宜，更加关注浮点数的运算，可以大量相互连接。在所有这些事情正在发生的现在，计算机公司（比如我们知道的谷歌和亚马逊）之间最大的区别，对 AI 最重要的，是处理浮点运算的能力。因此，GPU（显卡，图形处理器） 和浮点运算能力是人工智能的必要条件和驱动力。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
