科技时报 全球最新科技资讯专业发布平台

MIT名誉校长:机器学习会成为像Word一样的工具

2018-09-19 08:47:43已围观次来源:澎湃新闻编辑:野子

  记者 张唯 实习生 李政

  未来,机器学习会成为一种被更广泛使用的工具。机器学习“会变得像使用Word、PowerPoint或者Excel一样”,任何一个领域的研究人员都可以更容易地使用它。

  9月17日,麻省理工学院(MIT)名誉校长埃里克·格里姆森(Eric Grimson)在接受澎湃新闻记者专访时做出了以上预测。

  Eric Grimson出生于1953年,是一位加拿大裔计算机科学家,现为麻省理工学院学术发展名誉校长和麻省理工学院计算机科学与工程系教授。

  Eric Grimson的主要研究领域是计算机视觉。他的研究团队在计算机视觉领域开创性地研发了活动和行为识别、对象和人识别、图像数据库索引、图像引导手术、场地建模等系统。

  2005至2011年,Eric Grimson作为系主任掌管麻省理工学院电气工程和计算机系。

  2011年至2014年,他担任麻省理工学院的名誉校长。

  目前,他是麻省理工学院学术发展名誉校长。

  访谈中,Eric Grimson对澎湃新闻记者畅谈了机器学习的未来:

  未来,人工智能将以一个顾问的角色出现在医疗领域中。人工智能会在“个性化的医疗”中产生最好的影响,即基于大量的数据分析为某个特定的病人想出一个独特的解决方案。这一过程中,AI只是提供建议,医生仍需要把握最终的决定权。

  未来,“AI会影响人类研究的每一个领域”,因此MIT正在进行MIT IQ项目,以期搭建起一座由机器学习通往其他各个研究领域的桥架。这个桥梁可以使任何一个领域的研究人员都更容易地使用机器学习。

  Eric Grimson笑称他不喜欢提建议,因为如果给出的建议不奏效,那就是他的错了。不过,他还是在言谈中对大学生、大学教授以及建设世界一流大学提出了自己的看法。

  在他看来,每个大学生都应该了解一些计算思维(computational thinking)。无论你的专业是计算机科学、物理学、经济学、政治学还是任何什么,每个人都应该了解“什么是算法”、“它可以如何帮助我”、“我是否该质疑它”。但他也强调,年轻人不要为了学习机器学习而放弃自己所喜爱的领域,应该把两者结合起来,让机器学习作为一种思路启发你的思维,帮助你更好地从事所在领域内的研究。

  谈到大学教授创业,他认为大学教授和业界建立联系是很有价值的,教授们不应该仅仅待在象牙塔里思考伟大的思想。如果大学太脱离实际问题,就无法做到让世界变得更美好。大学最终应该做的事情是培训下一代的领导者,探索能够改善人们生活的知识。但是,学校应通过政策处理其中的利益冲突问题,不能让学生为老师的公司工作。

  在他心目中,一所真正伟大的大学,其最大的特点是愿意冒险,以及有鼓励学生和教授承担风险的氛围。“如果你看看今天那些优秀的大学,几乎所有都非常愿意冒险。更重要的是,他们鼓励学生冒险。”他认为,学生应该敢于质疑权威,而教授也应勇于自我怀疑,寻找更好的研究方法。

  对于人工智能领域的国际竞争,他不认为未来会产生一个所谓的“世界中心” 。他还提到,中国在语音识别和计算机识别领域有很大的优势。“有时美国领先一点,然后中国试图领先一点,然后美国再稍微领先一点,这是一个友好的竞争”。

  他说:在未来短短的五年内,所谓的长途卡车,也就是那些将货物载到美国各地的大型16轮卡车,会完全自动化。它们将简单地在旧金山城外完成装载,然后开车去芝加哥,或者开去纽约,去波士顿。这将改变几百万人的就业机会。

  Eric Grimson同时还是麻省理工伯纳德·戈登(Bernard M.Gordon)医学工程主席、美国人工智能协会会士(AAAI Fellow)、美国电气与电子工程学会会士(IEEE Fellow)、美国计算机协会会士(ACM Fellow),并在麻省理工学院获得了玻色教学卓越奖(Boss Award for Excellence in Teaching)。他于1975年取得加拿大里贾纳大学数学(高荣)和学物理学士。1980年,他在麻省理工学院获得数学博士学位。

  他此行是为了来上海参加2018世界人工智能大会。

  以下内容为专访实录,翻译自英文:

  AI作为一个顾问:为医生“出谋划策”,给病人“量体裁衣”

  澎湃新闻:您在医疗领域的计算机视觉上做了很多工作,这些年计算机视觉也在癌症识别、健康管理等方面取得了很多突破。在您看来,距离医疗AI大规模普及且进入人们对日常生活,还有哪些困难需要突破?

  Eric Grimson: 我想你已经看到了一些例子,说明AI技术可以对医学产生影响。我会告诉你一些例子,然后我会讨论为了使AI在医疗领域产生更大的作用,我们还需要做什么。

  在许多成功的例子中,计算机技术不是在代替医生,而是在改善医生。有一个很好的例子叫做图像引导手术(image guide surgery),在这种手术中,医生可以在切开病人的身体之前看到病人体内的情况。我们曾经开玩笑地说它让医生变成了超人,医生有了X射线(X-ray vision),他们可以看到人的体内。有时这被称为微创手术,这意味着你在病人身上开了一个很小的开口,这样对病人的伤害就更小了。我举个例子,在很多情况下,人们认为AI会取代某人。但这这个例子中,通过让医生看到通常看不到的事物,AI让医生变得更好。

  对于使AI医疗产生更广泛的影响,我认为,AI医疗会在“个性化的医疗”中产生最好的影响,即为某个特定的病人想出一个解决方案。我会给你一个例子,然后我会回答我们还需多久才能达到这种境界。我的一个同事是癌症的幸存者。她患有乳腺癌。很不幸,对女性来说,这是很常见的事情。她对许多地方散布的信息感到非常失望。所以她建立了一个系统,把医生的手写报告、化验结果、医学图像、家族病史、科学研究中获取的信息,把这些所有信息放在一个地方,然后她告诉医生:这是一个特殊的情况,你需要专门为这个病人设计方案。这是我认为在AI医疗真正产生广泛的影响之前,我们需要做到的一步。所以医生不只是对病人说,你的情况其他人一样,我会一样地来处理。在个性化医疗中,医生会看所有的信息,计算机将它们结合在一起,这样医生就可以为某个病人做出最好的决定,而不仅仅是一般的、通用性的治疗方案。我想你很快就会看到这种方式,例如在癌症治疗中,或者在一些其他疾病中,因为这些AI系统将所有这些信息收集到了一个地方。

  澎湃新闻: AI医生会不会带来伦理上的问题,比如出了医疗事故谁负责?

  Eric Grimson:你问了一个我认为非常重要的问题。如果你不介意的话,我会适当地把这个话题放大一些。我想AI领域中的很多人都意识到,在使用AI系统的过程中,伦理是很重要的。在医疗中当然会出现伦理问题,这也可能会发生在自动驾驶的汽车上。如果发生事故,谁该为此负责?该如何判定他们的责任?这是政府需要做出的决定,是社会需要做出的决定。这些问题需要被好好地讨论。我认为在短期内,最有可能的解决方案是AI系统帮助人们做决定(而不是做出最终的决定)。让我们以医学为例,想象一下,计算机查看所有的信息并将其组合在一起,它可以告诉医生该怎么做,或者可以告诉医生这是与这个病人相关的所有信息的最佳总结,这是计算机给出的建议,但医生仍然可以做出自己的决定。但如果计算机遗漏了某些信息呢?那就还是会产生道德问题。所以我认为,在短期内,人还是应该参与到决策环节中。

  澎湃新闻:所以你认为AI应该扮演一个顾问的角色?

  Eric Grimson:是的,是的。特别是在医学上,我认为这一点是非常重要的。而且大部分我所知道的AI医疗领域的项目也都持有这个观点,他们所关注的是“如何让医生成为更好的医生的”,但最终还是由医生做出决定。

  澎湃新闻:但在自动驾驶领域,这个决定权似乎是在AI手中?

  Eric Grimson:你是对的。在一些例子中,人类没有参与到决策中。自动驾驶汽车就是其中的一个例子。所以我认为,研究人员需要尽自己最大的努力来确保这类问题尽可能少发生。但最终人们需要决定自己想要在什么程度上使用自动驾驶汽车,这是社会、政府和个人的选择。

  澎湃新闻:MIT早在1963年就设立了人工智能实验室,可以说是非常有前瞻性的。当时为什么会想到设立这个实验室?最大的优势有哪些?

  Eric Grimson:MIT参与到了最早的AI研究,我想很多人都提到1956年在达特茅斯召开的一个会议,那是MIT、达特茅斯、卡内基梅隆,还有其他一些学校。我想“人工智能”这个词是在那次会议上创造的。

  MIT这么早成立AI实验室,有两部分的原因。第一是有一些教授对这个问题很感兴趣,所以他们想探索这个问题。第二个是,MIT认为这是一个对未来非常重要的领域。我们花了六十年的时间看到AI真正的影响,但MIT就是这样一个喜欢冒险的学校。有一些冒险成功了,另一些没有。对于那些没有起效的项目,就终止它,然后继续前进。但是我们认为AI是一个能将神经科学、脑科学以及早期的计算机科学知识结合起来的领域,这里有真正的做一些不同事情的机会。这就是为什么我们是最早的那批建立AI实验室的学校之一。正如你所说,1959年是第一个项目,1962年或1963年MIT创建了第一个AI实验室。

  AI作为一种工具:让人们像使用Word、PowerPoint一样使用AI

  澎湃新闻:今年2月,MIT发起了MIT Intelligence Quest项目,这个项目的目的是什么?

  Eric Grimson:你说得对,MIT发起了这个新的计划Quest for Intelligence。这个项目有四个部分。我先告诉你是哪四个部分,然后再解释我们为什么要做这个项目。

  第一部分我们称之为“核心”(Core),它着眼于智力科学(Science of Intelligence)。这不仅仅是新电脑和新算法,而是想尝试理解在人的大脑里发生了什么。神经科学告诉我们大脑是什么样的,认知科学告诉我们人类是怎样思考的,这些信息综合起来会告诉我们下一代的算法应该是什么样的。我们认为这很重要,因为AI经历了很多周期,发生了很多变化。如今,深度学习很受欢迎,每个人都做神经网络。这些技术打败了世界上最好的围棋选手,令人印象十分深刻。

  但这里有个问题,这些深度学习系统需要数以百万计的例子,它们需要巨大的云计算能力。但对人类来说,情况就十分不同。你给一个2岁的小孩展示6个例子,她就能找出其中的规律。所以她的学习方法不同于那些深度学习系统。那我们可以从中学到什么呢?我们如何利用它来思考未来的技术呢?

  第二部分我们称之为“桥”(Bridge)。这是从AI到MIT其他任何领域的桥。这很重要,因为我们认为每一个工程领域、科学领域、社会科学领域、设计领域都将受到机器学习和AI的影响。我们希望让这其中任何一个领域的研究人员更容易地使用机器学习,就像让他们使用Word、PowerPoint或者Excel一样。你不需要成为计算机科学方面的专家就能够很快地使用它并且理解它。

  另外两个部分,一个是伦理。我们需要真正理解使用这些系统时会遇到的伦理问题。

  第四个部分的内容是去理解AI系统将会产生的影响。例如,工作将会被改变,一些工作将会消失。我跟你打赌,但我不会要你任何的钱……我给你一个提示,也许在短短的五年内,所谓的长途卡车,这些将东西带到美国各地的大型16轮卡车,将会完全自动化。它们将简单地在旧金山城外完成装载,然后开车去芝加哥,或者开去纽约,去波士顿。这将改变几百万人的就业机会。所以我们真的需要考虑我们该如何规划未来的工作?我们如何帮助那些将要失去工作的人重新培训?我们如何帮助人们适应这些?

  我给了你一个很长的答案。因为我想把这个问题的全部都告诉你。那么MIT究竟为什么做这个项目呢?我们认为AI会影响人类研究的每一个领域。而我们希望确保MIT正在尽最大努力尽快建立通往所有其他领域的桥梁。就像我说的那样,不管人们来自哪个领域,AI都可以作为一个工具来帮助他们更好地完成工作。

  澎湃新闻:你的意思是每个受过教育的人都可以使用AI,就像使用Word或者Excel一样?

  Eric Grimson:是的,是的。你不需要要成为一个MIT学生就能使用AI。这就是我们的目标,AI应该像你今天使用的其他工具一样容易使用。

  澎湃新闻:所以在这个项目中,计算机科学家将与社会心理学家以及政策制定者合作?因为你也提到了AI的社会影响。

  Eric Grimson:当然。让我快速地给你三个例子。我们有计算机科学家与经济学家合作,去思考与就业变化有关的经济学问题;我们有计算机科学家与社会学家、人类学家、哲学家合作,去思考使用这种技术的伦理问题。

  但我认为最好的例子是,我们有计算机科学家帮助其他工程师和其他科学家更有效地工作。给你一个例子,两个MIT的年轻教授,一个来自计算机科学,一个来自材料科学。材料科学家说,当我想设计一种新材料时,我在想材料的特点是什么,我想要特定的硬度、特定的柔韧性和其他性能。但知道这些并不能告诉我如何创造出这个材料。所以他们建立了一个计算机系统,让它来“阅读”几百万篇材料学的文献。这里需要给“阅读”两个字打上一个引号,但是AI确实已经能很好地理解并建立起一个模型。模型建立好之后,他们需要做的是告诉计算机,这是我想要的8种或10种新材料的特性。计算机不会告诉你该怎么制做,但是它可以给出8个,10个或者15个的建议配方来帮助材料科学家。然后材料科学家可以看这些建议,从中发现那些他没有想到的方法。AI能够使材料科学家更高效的工作,但AI并没有取代人类,AI是提出建议。正如你之前所说,AI是系统的顾问。这种状态最终应该是很容易做到的,例如,任何学生都可以使用这个系统来思考我如何创造一些新的东西。

  澎湃新闻:所以你指的是AI可以帮助其他领域的专家做一些文献阅读的工作?

  Eric Grimson:是的。这种系统可以读一至两百万篇文章,然后建立了一个可以使用的模型。你也可以想象在其他的领域使用它,比如在合成生物学中,事实上,MIT已经有人开始做这件事了。因此,AI可能是一个很好的工具,可以用来帮助一个人更好地理解文献中出现的大量信息。

  澎湃新闻:为什么这个MIT IQ项目选择与商汤科技(SenseTime)合作?

  Eric Grimson:我们会和很多不同的公司合作。我们早些时候宣布了与IBM的合作,他们带来了他们的沃森系统,他们对健康领域非常感兴趣。商汤科技对于我们来说是一个很好的合作伙伴。这里有几个原因,一个是商汤科技的创始人之一是MIT的毕业生,所以他很了解我们。但是更重要的是,我们认为与商汤科技的合作很重要。因为他们有兴趣在不同的领域从事基础研究,并且有兴趣以合作的形式进行这些研究。因此,我们让MIT的研究者与来自中国香港和大陆的研究人员互动。不同的人有不同的想法,与商汤科技的合作给了我们一个把不同的人们聚在一起的机会。MIT也希望在世界各地找到这样的合作伙伴。

  澎湃新闻:商汤科技的创始人汤晓鸥曾是MIT的博士生,他是您的学生吗?

  Eric Grimson:我参加了他的论文委员会,从技术上讲,他的导师是我的第一批学生之一。所以他是我学生的学生(“ grand-student”)。他不是我的学生,但我参与并帮助了他的研究。

  AI教育:每个大学生都应该了解一些计算思维

  澎湃新闻:中国许多知名高校这两三年来陆续开始设立人工智能学院或课程,您对此有什么建议?您觉得AI教学最重要的元素有哪里?

  Eric Grimson:我想要稍微延伸一下这个问题。我首先要问一个更广泛的问题:是不是每个大学生都应该了解一些计算思维(computational thinking)?我认为答案是肯定的。MIT正在努力的过程中,或者说在思考如何达到这种要求。不管你是计算机科学家,还是物理学家,经济学家,政治科学家,不管你的专业是什么,我们认为你都应该知道并掌握一点所谓的计算思维,比如什么是算法。这不同于能够编程,编程很重要。但是“你怎么看待这个问题”是我们认为更重要的。

  一旦教育做到了这一层(培养学生的计算思维computational thinking),才可以专门来讨论“关于AI学生应该知道什么”。我认为这里有很多不同的组成部分。但是其中最重要的事情也许是理解什么叫做“让一个系统去学习”?然后再了解有很多不同的学习方法可以达到学习的效果,比如神经网络现在非常流行,但是还有其他的技术。但是还有其他的思考技术。

  我认为即使你不是一个计算机科学家,你也应该对机器学习算法有足够的了解。比如,我该如何使用它?我需要做什么才能够去使用它?什么情况下我应该相信它的结果?有时我会用这个结果,但有时候我应该质疑,算法真的给出了我所希望的结果吗?我认为每一个学生都应该知道这些。

  不论你是一个政治学的学生,还是一个人文专业的学生,你真的需要了解机器学习系统将会如何对每个人的生活产生影响。

  澎湃新闻:对于一个刚刚选择进入这个领域(AI/ML)的学生,你有哪些建议?

  Eric Grimson:对不起,我笑了,因为我不喜欢提建议。因为如果这些建议不起作用,那就是我的错了。

  我想对刚进入这个领域的学生给出的建议有几条。首先,要宽广(Be broad)。现如今有一种特别的关于机器学习的方法,每个人都在使用。你应该去理解这个方法,但你也应该对此加以质疑。这是最好的方法吗?有不同的做法吗?人们使用机器学习的早期方法有哪些?而且也许其中一些更适合对我目前想要处理的这个问题。因此,我鼓励学生不仅要把它当作一种工具,而要把机器学习当作一个领域,要更广阔地去看到机器学习的不同层面。

  下面是我给学生的第二个建议。现在肯定有很多关于机器学习的工作机会,这也是为什么有些学生会选择这个领域。学习机器学习可能会带来一份工作,这很不错。

  但如果一个学生真的对生物学感兴趣,我会鼓励他研究机器学习和生物学的交叉领域。不要只是为了学习机器学习而放弃你的其他领域。MIT现在有三个联合学位,意思是两个学院一起给出的学位。一个是计算机科学和生物学的联合学位。如果你真的对发现药物感兴趣,或者如果你真的对理解疾病感兴趣,了解足够的生物学和计算机科学只是是一件好事。第二个是计算机科学与经济学金融学,学习从大银行到对冲基金、交易系统,这些都非常有价值。第三个可能会让你大吃一惊,它是计算机科学和城市学的联合学位。这是关于设计一个城市,你可以想想看。我知道中国仍在建设许多新城市,水系统、电气系统、运输系统的设计都需要依靠对庞大数据的理解,利用一个学习系统可以帮助找出最好的方法。我相信我们很快会把计算机科学引入到神经科学。所以我的建议是:不要放弃你真正喜欢的事。你可以看看机器学习在我目前所处的领域有什么样的作用。

  澎湃新闻:所以它更像是一种工具?你仍然可以学习你的专业,但机器学习可以帮助你形成一种新的思维方式?

  Eric Grimson:是的,它可以改变你的想法。

  数据隐私:自主决定我想要分享哪些数据

  澎湃新闻:我们刚刚提到,机器学习需要大量的数据,但目前数据质量和规模以及对数据公开的监管似乎都不太令人满意,这是人工智能/机器学习的瓶颈吗?您对此有何建议?

  Eric Grimson:拥有海量数据是很有价值的,但人们在使用这些数据时需要考虑一些问题:一个就是你的数据中是否包含偶然性偏差。有很多著名的案例,比如人脸识别算法在你我这样的人身上运行效果很好,但在一些肤色或脸型与我们差别巨大的人身上就不起作用了。这并不是有意的。如果你仅仅对恰好位于所有可能性空间中的一部分数据运行算法,就会在无意间引入偏差了。所以在考虑数据集合时,其中一个问题就是你如何确保不会发生偶然性偏差,而这些偏差会影响最终的结果。还有其他一些问题,在美国是这样,我相信在中国也是如此。

  还有一个是关于数据隐私的问题。比如在医疗方面,掌握大量病人的数据是非常有价值的。因为在这样的情况下运行算法,能够更好地检测疾病。但数据的主人希望对自己的私人数据保密,例如主人不想让他们的邻居或者他们的监护人突然知道他们患有某种疾病。所以保护个人隐私非常重要,在美国、在其他地方都是这样。

  第三个是许多美国人关心的问题:归属于大公司的海量数据。比如亚马逊、Facebook、谷歌这三家公司,尤其是一些拥有大量在线业务的公司,他们掌握着大量数据,这是他们的权利,当你使用他们的网站时你就同意了让他们获取这些数据。但这并不意味着研究人员就可以使用这些数据,除非他们是公司的合作伙伴。这样一来就产生了一个很有趣的问题:学校能不能建立一个所有大学都能共享的数据库,这样一来研究人员就可以在不和公司签协议的情况下,使用这些这些数据来探索新思路了?我不知道是否回答了你的问题,但既然提到了数据,那么这些都是人们非常关心的数据问题。

  澎湃新闻:阿里巴巴这样的中国公司也拥有海量的数据,人们也会担心数据隐私问题。

  Eric Grimson:当然。我并不是说这只是美国公司的问题,我说的是美国版的故事。但你刚刚举了一个很好的例子,阿里掌握着海量数据,京东也会。我认为社会学家应该与政府和企业合作,探讨如何有效使用数据,让人们的生活更美好,但同时要保护人们的数据隐私。

  澎湃新闻:所以应该制定一些政策进行引导?

  Eric Grimson:这也是大多数人的愿望。我不是要告诉政府该怎么做,但我认为很多人也和我一样有着强烈的愿望:我希望自己能够决定我想要分享多少自己的数据。

  在欧洲已经有这样的先例了,我觉得欧洲在这方面走在最前沿。欧盟已经就这些隐私问题达成一致,主要是提供了一种选择——在参与之前必须要知情同意(“You have to agree that before participate”)。随着这套体制越来越普遍,每一个社会、每一个政府都要考虑如何掌控这种情况,要制定什么样的政策。

  大学教授创业:鼓励教授走出象牙塔解决实际问题,但不能让学生为其工作

  澎湃新闻:我们看到在美国,有许多学者来自学术界,又与工业界保持着紧密的联系,也有很多学者自主创业。在您看来,这样的模式对于AI研究、对工业界以及学界都有什么影响?

  Eric Grimson:这是一个好问题。我认为既有积极的一面,也有消极的一面,学者需要作出权衡。一些AI研究人员只想自己做研究,他们想发现新事物,发表论文,这是传统的学术做法,他们现在依然这样。如果一家公司想使用他们的创意,他们可以这样做。

  但我们确实也可以看到,很多研究人员意识到他们有机会对世界产生影响。我认为对他们中的一些人来说,这意味着赚钱。但他们中大部分人是想要对社会产生影响,他们有一个可以让人们生活得更好的想法,而且想要实现它。

  我认为你真正想问的是这些关系会产生什么影响。从积极的方面来说,把一个想法从实验室转化成真正的产品是非常重要的。通过阿里巴巴或者其他你喜欢的网站,你能够很方便地购买东西。它让人们更容易用其他方式交流。

  消极的一面是,当大学开始让公司主导他们的工作时,就会产生利益冲突。所以我认为所有的大学都会担心如何在不影响学校正常工作的情况下,以一种有效的方式向公司传达或传递想法。许多大学都有自己的政策。我可以告诉我们学校的政策:如果一个教授或者教授和他的一些学生想要创建一个公司,他们可以这样做。但是他们只能做一到两年,然后就要做决定:要么回到学校,要么留在公司。因为两者的目标不同:大学创造知识的地方,而公司则要创造产品。所以你会看到很多教授以休假为名离开学校,去和谷歌或者Facebook这样的公司合作,或者创建自己的公司。许多大学会要求他们要么返回学校,要么辞职留在公司,因为两者的目标不同。

  这里我想强调两点。一是政策,如你所知,我的学校是两年,其他的大学可能有不同年限的政策。很多教授即使在公司工作,也仍然会指导学生。很多大学还有这样一项政策,就是你在大学里指导的学生不能和公司有任何关系。用美国的表达方式来说,这是利益冲突。学生就是要在学校学习的。比如在MIT,如果一个教授还在指导学生,他们在学校做的项目和公司所做的事情应该是不一样的。学生不能为公司工作,因为你无法知道教授要你做某件事,是因为它对你有好处还是对公司有好处,对吧?这是利益冲突,不应该被支持。

  澎湃新闻:国内对此现象有这样一种看法:有些人认为教授创业不利于科学研究的进步,因为如果他们一心扑在事业上,就没有那么多的时间做研究了。你是怎样看的?

  Eric Grimson:如果是这样的话,我不赞同。我的理由是:如果有人在研究中有新想法并加以探索,这非常好。除非你把这个想法应用到实际问题中,否则你无法做到一直用这个想法去思考实际问题。所以这种在基础研究和实际应用之间来回转换对教授来说是很有价值的。

  但作为教授你必须处理好这其中的关系。所以,在某些地方这可能是个问题。但我我想说的是,我不认为教授们应该待在象牙塔里思考伟大的思想。也许有些人可以,他们很伟大,但你并不是在解决世界的问题。对我来说,这也是研究人员应该做的。所以我认为和业界建立联系是很有价值的。只要你清楚什么时候该做学校的研究,什么时候处理公司的和实际的问题,以及如何把这些问题带回到大学里的研究中来思考未来的想法。

  澎湃新闻:但这是一种个人行为,没有人知道教授是否还花心思在学生身上上,MIT对此有什么政策吗?

  Eric Grimson:许多大学都是有这样的政策。和前面提到的一样,在为大学做事和为公司做事之间应该控制利益冲突。应该由各个大学来决定制定什么样的政策。但我认为,如果大学太脱离实际问题,就无法做到让世界变得更美好,这本是大学最终应该做的事情:培训下一代的领导者,探索能够改善人们生活的知识。所以如果你在大学里太孤立,你就错过了这样的机会。

  澎湃新闻:我们刚刚提到人工智能的伟大历史。我们知道,人工智能的发展在历史上有过一些高峰和低谷。所以在你看来,为什么这些年人工智能又出现了另一股热潮?这种热潮能持续下去吗?因为我们知道20年前深蓝的故事。是否未来人工智能也会迎来一个低谷?

  Eric Grimson:这是个好问题。过去人们习惯说这是人工智能的冬天。你知道,一切都不太顺利。你问了两个问题。我想说的是,在我看来,最近一次高峰的最大因素是大数据集的增长。我们以前并没有这么多数据。

  另外,计算机能力、图形处理器、图形处理单元或其他事物的发展也要比二三十年前强大得多。我认为这两件事本身就很强大。

  第三点是基本思想的成熟。以深度学习为例,深度学习背后的理念,可以说至少有60年的历史了。它们可以追溯到强化学习的概念,这一概念产生于上世纪五十年代的网络,至今有70年的历史了。当我们更好地理解了这些技术的数学原理后,就明白了什么是可行的,什么是不可行的。

  但这次飞跃的两个主要因素是海量的数据和快速计算的能力,甚至在神经网络中也是如此。直到几年前,你可能只有一个两到四层深的网,今天则有一千层深,因为我们可以通过快速计算来训练它们。这带来了很大的不同。

  你的第二个问题是,人工智能会有另一个低谷吗?有可能。但我认为,目前的这此高峰有可能比以往持续更长时间。就像你说的,深蓝打败了世界象棋冠军、世界上最好的人类棋手。它在国际象棋方面非常专业。它实际上有专门用于计算象棋的硬件,没有办法超越它。今天的技术是非常广泛的,我想你会看到这些东西持续很多年,会出现一些东西来取代它。我们以前见过,我相信这种事还会发生。

  何为世界一流大学?“真正一流的大学应该敢于冒险”

  澎湃新闻:我想问您一个有趣的问题,许多中国大学都提出了建设世界一流大学的口号。你认为世界一流大学应该具备什么样的素质?

  Eric Grimson:这个问题问得好,我对中国的大学很熟悉,我认为中国政府也希望看到这样的事情发生。评价一所大学有很多方法,我们都说我们不看世界排名,但我们都会悄悄地看。如果要回答你的问题,直言不讳地讲,大多数人会说当今世界上最好的大学仍然在美国,哈佛大学、麻省理工学院、耶鲁大学、普林斯顿大学、斯坦福大学、芝加哥大学等,我还遗漏了一些。亚洲、欧洲也有一些非常好的大学,但其中大部分目前仍在美国。随着时间的推移,这种情况可能会改变。

  我认为中国政府正在努力提供资源来作出改变。但我想说的是,一所真正伟大的大学的特点是愿意冒险,以及有鼓励学生和教授承担风险的氛围。如果你愿意冒险,你就必须不怕失败。我看到很多大学都不愿意这么做。他们过于担心下一步而不愿做出大的改变。

  如果你看看今天那些优秀的大学,几乎所有的大学都非常愿意冒险。更重要的是,他们鼓励学生冒险。比如在麻省理工学院,几乎所有本科生都和教授一起做研究。我给你一个简单的例子,你可以得出自己的比较结论。在MIT,我曾经管理过一个大型的研究小组,我们每周开一次会。在团队中我作为一个高级导师,还有一些初级导师,一些博士后,部分研究生以及少数本科生。我们会在会议中讨论一个特定的问题。一个大二的本科生会说,为什么我们不这样做呢?如果他们能为自己的想法辩护,如果他们能表达清楚,他们能说明为什么这是个好主意。这样的话,在会议结束时,我很有可能会说:为什么我们不那样做呢?

  如果你有一个好主意并且愿意冒险,这对我来说是一所好大学的标志。我这么说是因为,我在其他大学不能经常看到这样的现象,包括其他的美国大学。他们的教授告诉青年教授做什么,青年教授告诉研究生该做什么,研究生告诉本科生该做什么。似乎好像教授经验更丰富,其他人就应该听他的话。

  但是我认为一所好的大学要能够自由交流思想。它需要愿意听取新想法。有时你会对二年级的学生说,不。这样行不通,因为我们已经这样试过了。但我认为,这种敢于冒险的意愿,是我在一所真正的好大学中看到的最重要的事情之一。我要补充说明的是,当你看他们尝试的各种研究时,你就会明白了。在MIT这样的地方,我们会勇敢尝试用一种非常不同的方式思考问题,只是为了看看它是否可行。如果行不通,我们不会说,不好意思,再见,不用再来了。我们会说,这样行不通,接下来要尝试什么?

  澎湃新闻:所以在您看来,对学生来说,“敢于冒险”是指挑战权威?那么对于教授和大学来说,“敢于冒险”有什么含义呢?

  Eric Grimson:当然,顺便说一下,我说的挑战权威你应该有礼貌地去做,而不是对教授大喊大叫。也许应该换一个词,“质疑”或者“提问”。我们应该问为什么,为什么要这样做?用这种方法来处理问题会有什么不同?

  关于教授,我也会这么说。教授很容易采取一系列可预测的步骤。你知道,他们做已经发表的一些研究,连续不断地做下一件事。但在我看来,最好的教授只会在一段时间内这么做,然后他们会有一次质的飞跃。他们会落在不同的地方,然后说,从这个角度来看也许我们会发现不同的东西。所以即使是一个优秀的教授,甚至是一个很资深、有名的教授,也会不断地问:我们为什么要这样做?在MIT工作期间,我很荣幸能和很多诺贝尔奖获得者交流,几乎每个人都会告诉我他们经常这样做,他们经常挑战。他们会问自己:我为什么要这样做?这是最好的方法吗?有更好的方法吗?

  国际竞争:“我不认为任何一个国家能够完全成为人工智能的中心”

  澎湃新闻:现如今,很多国家像美国、英国、日本、中国等都在大力进行AI研究,你如何评价他们在这方面的工作?谁在哪个方面做得更好?

  Eric Grimson:正如你提到的那样,有很多国家都在人工智能上有了很大进步。它最初主要起源于美国,但英国像爱丁堡等地很早就跟进了。在法国、德国这些地方都有实验室,日本也投入了大量的精力。当然,中国在这一领域也发展迅猛。我觉得很难区分。我认为在每个领域你都能看到这些国家的优势。我想说的是,当涉及到基础理论的时候,也许美国在某些方面仍然微微领先。

  但在一些应用程序上,我相信你已经看到了,中国的大学和公司已经在飞速进步。我给你举两个例子,用特定的例子可能有点不妥,但我试着给你举两个例子。我认为,在语音识别上,中国有一些公司做得非常好。美国的研究做的不错,但是我认为中国在商业化方面比我在美国看到的更有效。那些中国公司是在中国大学多年的研究基础上建立起来的,他们与美国有着非常密切的合作。所以我认为在语音识别方面,中国做得很好。而在计算机视觉这样一个非常受欢迎的领域,也会有一场非常有益的竞争。

  你知道,有时美国领先一点,然后中国试图领先一点,然后美国再稍微领先一点,这是一个友好的竞争。所以我认为中国有一些很好的例子。再强调一次,在我看来,他们中做得最好的都是基于多年的研究。我认为花时间仔细思考如何创造是很有价值的。当你谈到其他领域时,我认为美国可能仍微微领先。所以我认为,中国、英国、日本和欧洲其他一些国家都是很好的竞争者。实际上,加拿大是另一个在人工智能领域非常强的国家。所以你可以选择任何特定的领域来看,现在可能是这个国家领先,六个月后其他国家会超越上来。很多国家的工作非常有成效,因为每个国家都在努力做得更好。

  澎湃新闻:英国因为图灵的原因想要成为一个中心,他们曾说过说过类似的话。

  Eric Grimson:我希望在AI领域能够形成国际合作。每个国家都有自己的需求,每个国家都想为自己的国家做最好的事情。但是,我不认为任何一个国家能够完全成为中心。美国不会。即使美国有斯坦福、伯克利、麻省理工和哈佛,这些学校都在做不同的事情。但我认为合作将真正推动这一领域的发展,目标应该是让人工智能系统更好地造福每个人的生活。如果我们合作会怎样呢?只会越来越好。

window.onload = function (){ var oLi = document.getElementById("tab").getElementsByTagName("li"); var oUl = document.getElementById("ms-main").getElementsByTagName("div"); for(var i = 0; i < oLi.length; i++) { oLi[i].index = i; oLi[i].onmouseover = function () { for(var n = 0; n < oLi.length; n++) oLi[n].className=""; this.className = "cur"; for(var n = 0; n < oUl.length; n++) oUl[n].style.display = "none"; oUl[this.index].style.display = "block" } }}