韭菜花音乐|李开复对话彭特兰：未来十年AI基础研究不会有大突破 AI科技评论前天编辑|青暮近日

AI科技评论前天

文章图片
编辑|青暮近日，创新工场董事长兼CEO李开复博士与阿莱克斯·彭特兰教授（AlexPentland）展开了一场”AI如何重塑人类社会”的精彩对话。《连线》杂志的资深撰稿人威尔·奈特（WillKnight）主持了这场对话。阿莱克斯·彭特兰教授任教于麻省理工学院，为全球大数据权威专家之一，现任MIT连接科学研究所主任、MIT媒体艺术与科学教授，拥有“可穿戴设备之父”、《福布斯》“全球七大权威大数据专家”、《麻省理工科技评论》“年度十大突破性科技”两度桂冠获得者等头衔，曾参与创建MIT媒体实验室，是全球被引述次数最多的计算科学家之一。对话金句：李开复：
AI最大的机会蕴藏在与传统企业的结合中，这种价值的产生极其迅速，只需要几个月，甚至短短几周。
未来突破很难预测，对奇点、超级智能的争辩，在我看来都过于乐观了。
小型AI公司与巨头竞争，我的建议是找准巨头没有平台优势的细分领域，为某个针对性产业创造价值，不要与巨头核心业务正面硬碰。
阿莱克斯·彭特兰：
AI绝非试图取代人类，而是促进多元文化之间的相互连接、团队合作，让人们更好的进行社交和连接彼此。
最困难的其实是说服人们改变商业流程去使用AI ，因为大多数人是墨守成规的。
人工智能有朝一日可以取代人类所有的能力，但是这个过程会非常漫长，可能需要上百年或更久。
李开复博士在对话中表示，当我们试图解决AI问题时，应该用技术来解决技术的问题，可以寻求与监管部门协作，而不只是丢给他们， “新技术会衍生新的问题，我们应该多方尝试用更进阶的技术性解决方案，就像电脑病毒刚出现时，杀毒软件随之诞生。 ”彭特兰教授认为，人工智能的核心，是促进多元文化之间的相互连接。不只是工程师或科学家，连经济学家、政治家都必须参与进来。 “国家之间应该促进合作、制定互通标准，就像TCP/IP互联网协议那样，避免AI冷战。 ”他们认为， AI发展从来不是单打独斗，跨学科思维、跨领域合作尤为重要。这场对话是麻省理工学院中国创新与创业论坛（MIT-CHIEF)组织的高峰对话系列活动，主题是《计算与未来:AI与数据科学如何重塑人类社会》。麻省理工学院中国创新与创业论坛（MIT-CHIEF）由麻省理工学院的中国留学生创立，至今已有十年，是北美历史最悠久的、由高校学生组织的中国创新创业论坛。系列高峰对话邀请了顶级科学家、投资人及创业者，共同探讨科技创新及商业化过程中面临的挑战。 1
主题演讲
李开复：各方应协作，让AI更务实非常荣幸再次受到MIT-CHIEF的邀请，对于人工智能的看法，这次我主要想讲四点。第一点是我书里的主题，人工智能的超能力。我们已经从人工智能的发明期步入应用期阶段，从应用落地层面来说，正迎来了AI发展最大的机遇。很多科技公司目前已对人工智能进行了多样化布局，从视觉、语言、触觉和其他感知技术，到自动化机器人、无人驾驶等，对很多领域开启了深远的影响。虽然眼下所见的AI应用仍有局限性，但我预测未来的格局会非常庞大，依据统计，各行各业采用AI的程度目前不到5% ， AI应用的中长期增长曲线相当可期。第二点是我很欣喜看到的一点， AI正在和传统行业深度融合。随着人们对人工智能的了解越来越多，更多的AI公司涌现出来。 AI最大的机会蕴藏在与传统企业的结合中，创新工场也正在帮助金融、制造、物流、零售、医疗等行业的公司进行AI变革。作为AI投资人，我认为在这些行业如果找到正确的AI应用方向，就能带来上千万的回报。这种商业价值的产生是极其迅速的，通常只需要几个月，甚至短短几周就能看到成果。现在人工智能在传统产业的渗透率仍在个位数，仍然有很大的提升空间。然而对于很多公司来说，它们需要的是高度定制化的方案，而非通用型AI方案，所以融合的过程中，不可避免会遇到不少挑战和痛点。第三，我早年做过很多科研工作，很高兴能看到关于系统一和系统二（SystemOne,SystemTwo）的讨论，我们期待人工智能技术从系统一升级为系统二，即从识别、决策、优化等能力，升级到感知、认知等进阶智能的能力。有不同的学派都在努力让人工智能更接近人类智能，其中一个流派主张回归经典的AI理念，甚至重新构建崭新的模型结构，在深度学习技术的基础上利用人类的知识。但我更支持另一个理论——深度学习的潜力还没有完全释放。回看人工智能过去60多年的历程，最大的突破来自于计算能力和数据量大增而产生的可扩展算法。我们看到了卷积神经网络（CNN）带来的喜人成绩，还有预训练自然语言处理模型（Pre-TrainedModelsforNaturalLanguageProcessing）的广泛运用。预训练模型与人类语言学习的模式类似，不管是英语还是中文，在习得这些语言之后，再去学习编程、艺术、化学。在无人监督的学习环境中，这种模式比我们想象得还要强大，就像阿尔法围棋（AlphaGo）一样。最后一点我想说的是，如何让AI变得更务实。 AI有很多问题，例如隐私、数据安全、治理和监管，在此就不一一讨论了。当我们试图解决这些AI难题时，有人认为让监管部门加强管理是唯一办法，其实不然，我们是否也可以朝着研发更厉害的技术性解决方案去努力？就像电脑病毒刚出现时，杀毒软件随之诞生；面对千年虫难题时，也迅速找到了技术应对方案。我们可以通过研发新技术，应对DeepFake深度换脸程序的挑战；或者通过联邦学习技术，在保证数据私密性的同时，满足深度学习训练需求。作为握有技术能力的群体，我们需要与监管部门一起协作，而不只是把工作丢给他们。相信有了各方的助力，我们可以让AI的应用变得更有深度，更加务实，更高效地克服现在面临的种种问题。阿莱克斯·彭特兰：国家间应建立互通标准，避免“AI冷战”我对当前的深度学习技术不太乐观。最为主要的原因是，深度学习不仅需要庞大的数据源，而且要求这些数据长时间恒定不变，以保证模型训练结果的可靠性，例如人类的面容、语言，就是相对稳定不变的数据源。但深度学习却没法应对快速变化的真实情况。亚马逊在新冠疫情蔓延速度暴增时，出现了仓库货物紧缺，不得不停止送货服务。这种经过深度学习高度优化后的系统发生崩溃，就是因为快速变化的疫情，和深度学习对恒定数据源的需求是矛盾的。另外，我想谈谈如何通过联邦学习，促进数据的流通。大多数公司没有足够丰富的数据，需要联合不同的数据来源。基于这种需求，出现了很多新商业模式，比如“数据经纪人”——他们不出售数据，而是把数据借出去，作特定需求的使用。 “数据经纪人”业务涌现了很多，他们促进了数据的流通，也加强了数据的隐私性。因此，像联邦学习这样的技术和商业策略结合，有效解决了数据在合规性和所有权方面的难题。联邦学习也依赖于新的基础设施建设，为数据应用和深度学习提供基础环境，比如区块链技术。现在世界上很多国家在做相关系统的建设实验，新加坡等国家设置了一种相互竞争的区块链系统，来解决支付和物流问题。我们最近也帮助瑞士做了类似的实验，涉及不同数据的互通性和连贯性问题。我们仍在研究如何用尽量少的数据，实现人工智能的目标。少量数据是指不断更新的短期数据，这些数据能使AI应对迅速变化的情况，并及时做出调整。我们打算将AI与其他基础科学结合，例如阿尔法围棋(AlphaGo)就是这类结合的初步尝试。这些方法不依赖于大量恒定数据，可能会比深度学习更加强大。除此之外，我们在探讨用AI保障联邦学习过程中不同数据方的权益，这是实现不同国家之间的互通性、支付信任度、物流运输等方面合作的关键前提。另一方面，我们探索如何将AI技术应用于加密数据上。我们和大公司以及政府密切合作，找出解决系统入侵和保障网络安全的方法。我同时花了很多时间研究与政府的合作。政府很多时候不知道如何通过大数据做决策，也不知道如何进行数据优化。而AI能够帮助政府实现更高的效率，比如联合国现在已经有了很多可持续发展目标的相关评估指标,世界经济论坛也可以为会员国提供不同的标准测算。基于我们已有的多元数据库，现在可以利用AI实现全新的数据优化方式，将贫困、不平等这种之前无法量化的指标，通过可量化的指标进行评估。同时，要真正实现这个目标，我们还需要制定统一的互通性标准。如果没有这个标准，国家之间就不会相互信任去合作，就可能出现AI冷战。因此我们需要找到促进合作的方式，就像TCP/IP互联网协议那样。而之前我提到的，新加坡、瑞士等现在正在尝试的区块链系统，将有希望解决国家间缺乏互通标准的问题。 2